數(shù)據(jù)挖掘在物流客戶細(xì)分中的應(yīng)用

李煜　陳相汝

摘要：針對物流客戶細(xì)分的目標(biāo)，對客戶信息挖掘的需求，從數(shù)據(jù)挖掘的定義出發(fā)，介紹了物流客戶細(xì)分中數(shù)據(jù)挖掘的目標(biāo)以及相應(yīng)的挖掘流程。為了進(jìn)一步說明，以某批發(fā)商客戶數(shù)據(jù)作為挖掘?qū)ο螅脭?shù)據(jù)挖掘軟件SPSS Clementine，建立K-means模型進(jìn)行了聚類分析，得到挖掘結(jié)果。最后對挖掘結(jié)果進(jìn)行分析，完成了該批發(fā)商的客戶細(xì)分。

關(guān)鍵詞：數(shù)據(jù)挖掘；SPSS Clementine；客戶細(xì)分

中圖分類號：F25

文獻(xiàn)標(biāo)識碼：A

文章編號：16723198（2015）07004404

1引言

隨著計算機(jī)網(wǎng)絡(luò)技術(shù)和數(shù)據(jù)庫技術(shù)的迅速發(fā)展，信息化時代的來臨，物流企業(yè)不能只依靠誰的倉庫面積大，誰擁有的車輛船舶多來吸引客戶，而必須清楚知道客戶的需求，針對客戶的需求提供讓客戶滿意的客戶才能在留住老客戶的同時，吸引并發(fā)展更多的新用戶。面對大量繁雜冗余的客戶數(shù)據(jù)和信息，怎么才能找出真正有用的信息，挖掘出客戶的需求。這是依靠傳統(tǒng)方法所不能解決的問題。

近年來，數(shù)據(jù)挖掘作為一種有效的工具，在信息處理方面有著巨大的發(fā)展，本文將介紹數(shù)據(jù)挖掘在物流客戶細(xì)分中的應(yīng)用。

2客戶細(xì)分?jǐn)?shù)據(jù)挖掘簡述

2.1數(shù)據(jù)挖掘

數(shù)據(jù)挖掘是從大量的、有噪聲的、不完全的、模糊的、隨機(jī)的實際應(yīng)用數(shù)據(jù)中提取有效的、新穎的、潛在有用的知識的非平凡過程。數(shù)據(jù)挖掘又稱作知識發(fā)現(xiàn)，由此可見，它并不是創(chuàng)造信息，而是在已有的數(shù)據(jù)和信息的基礎(chǔ)上發(fā)現(xiàn)對決策分析有用的信息。由于數(shù)據(jù)挖掘處理海量數(shù)據(jù)發(fā)現(xiàn)有用信息方面有著得天獨厚的優(yōu)勢，無疑數(shù)據(jù)挖掘能對物流中的客戶管理提供強(qiáng)有力的支持和幫助。在本篇文章中，主要應(yīng)用數(shù)據(jù)挖掘高度自動化地分析客戶數(shù)據(jù)，對客戶進(jìn)行細(xì)分，從中挖掘出不同地區(qū)不同客戶的需求特點，以便物流企業(yè)關(guān)注相關(guān)客戶和貨源的同時，對改進(jìn)營銷策略和客戶管理策略提供幫助。

2.2客戶細(xì)分

客戶細(xì)分就是根據(jù)客戶的屬性、行為、需求、偏好以及價值等因素進(jìn)行分類，把一個整體的客戶群以相應(yīng)的變量劃分為不同的等級或子群體，以便從中尋找共同的要素，分門別類地研究客戶行為與需求，并進(jìn)行有效的客戶管理，從而為企業(yè)充分獲取客戶價值提供理論和方法指導(dǎo)。數(shù)據(jù)挖掘可以把企業(yè)大量的客戶以各自屬性為基礎(chǔ)分成不同的類。此外，數(shù)據(jù)挖掘還可以對新客戶的各項屬性進(jìn)行類比和評分，以確定新客戶是屬于一般、目標(biāo)、還是重點客戶。

2.3物流客戶細(xì)分中數(shù)據(jù)挖掘的任務(wù)

數(shù)據(jù)挖掘的主要任務(wù)主要有分類分析、聚類分析、關(guān)聯(lián)分析、預(yù)測、時序模式、偏差分析等。而在物流客戶細(xì)分中的任務(wù)主要有以下幾個。

（1）分類分析。

物流客戶數(shù)據(jù)存在不同的類型，如企業(yè)的性質(zhì)、地域、服務(wù)需求種類、服務(wù)方式、服務(wù)頻率等不同的屬性。分類分析將對這些數(shù)據(jù)進(jìn)行內(nèi)在聯(lián)系的分析，找出一個類別的概念描述，來代表這類數(shù)據(jù)的整體信息。如表1所示。分類分析的結(jié)果可進(jìn)一步被用于規(guī)則的描述和相關(guān)的預(yù)測。

（2）聚類分析。

由于后文的案例與聚類分析相關(guān)，此部分內(nèi)容將在后文詳細(xì)介紹。

（3）關(guān)聯(lián)分析。

關(guān)聯(lián)就是兩個或兩個以上變量的取值之間存在某種規(guī)律性。關(guān)聯(lián)分析即是通過一定的方法，發(fā)現(xiàn)數(shù)據(jù)項與屬性之間的關(guān)聯(lián)。比如在大量的物流客戶數(shù)據(jù)中可能存在著某種規(guī)律與聯(lián)系，我們可以將客戶的地區(qū)與服務(wù)種類、貨源等屬性進(jìn)行關(guān)聯(lián)分析，得到某地的貨源與某地區(qū)的客戶有著特殊的關(guān)聯(lián)?；蛘邔⒖蛻襞c服務(wù)種類、服務(wù)頻率等屬性進(jìn)行關(guān)聯(lián)分析，得到客戶需求服務(wù)的趨勢走向，以便制定更適宜的客戶策略。

（4）預(yù)測。

預(yù)測是利用歷史數(shù)據(jù)找出變化規(guī)律，建立模型，并由此模型對未來數(shù)據(jù)的種類及特征進(jìn)行預(yù)測。預(yù)測關(guān)心的是精度和不確定性，通常用預(yù)測方差來度量。歷史的數(shù)據(jù)用于構(gòu)造模型，來解釋當(dāng)前觀察到的行為。當(dāng)這個模型應(yīng)用到當(dāng)前的輸入，給出的結(jié)果就是對未來的行為的預(yù)測。比如說通過對新客戶和老客戶的各種數(shù)據(jù)的對比和分析，我們可以預(yù)測該新客戶對物流企業(yè)的重要程度，是一般客戶、目標(biāo)客戶還是重點客戶。

3物流客戶細(xì)分?jǐn)?shù)據(jù)挖掘流程

因為不同領(lǐng)域不同行業(yè)具體情況的不同，數(shù)據(jù)挖掘的任務(wù)、需要解決的問題以及對象的不同，數(shù)據(jù)挖掘的具體實施步驟也會有所不同。由于物流客戶的數(shù)據(jù)作為一種普遍的客戶數(shù)據(jù)調(diào)查樣本，本文將介紹跨行業(yè)數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程（Cross-Industry Standard Process for Data Mining，CRISP-DM）。它提綱挈領(lǐng)地描述了數(shù)據(jù)挖掘的完整過程，提供了物流客戶數(shù)據(jù)挖掘的方法和步驟。其主要過程為：商業(yè)理解、數(shù)據(jù)理解、數(shù)據(jù)準(zhǔn)備、模型建立、模型評估、模型部署。

（1）行業(yè)理解（Business Understanding）。

在數(shù)據(jù)挖掘的最開始階段，我們必須明確挖掘的需求和最終的目標(biāo)。從數(shù)據(jù)的收集、統(tǒng)計、整理和挖掘都有統(tǒng)一明確的目標(biāo)。在物流客戶細(xì)分的數(shù)據(jù)挖掘中，我們應(yīng)該針對我們最后索要達(dá)到的目標(biāo)，選擇相應(yīng)的數(shù)據(jù)，建立各種模型，最后得到相應(yīng)的結(jié)果。于是，行業(yè)理解應(yīng)該包括明確對象：各種客戶；評估環(huán)境：挖掘的需求性，約束，風(fēng)險，現(xiàn)有的資源以及將要付出的成本；明確挖掘目標(biāo)：進(jìn)行客戶細(xì)分，更好地進(jìn)行客戶管理；最后是制定項目計劃。

（2）數(shù)據(jù)理解（Data Understanding）。

從數(shù)據(jù)收集開始我們就在進(jìn)行數(shù)據(jù)理解，收集后熟悉數(shù)據(jù)，描述數(shù)據(jù)，進(jìn)而對數(shù)據(jù)的可用性進(jìn)行評估，根據(jù)挖掘目標(biāo)過濾出所有可能有用的數(shù)據(jù)，以及數(shù)據(jù)的潛在假設(shè)，檢驗數(shù)據(jù)的質(zhì)量，最后建立相關(guān)數(shù)據(jù)庫。

（3）數(shù)據(jù)準(zhǔn)備（Data Preparation）。

數(shù)據(jù)準(zhǔn)備這一階段，是將我們所收集的原始數(shù)據(jù)處理成最終建模所需要的數(shù)據(jù)。它主要包括數(shù)據(jù)集的描述；以一定的包含或者排除的準(zhǔn)則進(jìn)行數(shù)據(jù)選擇；清洗數(shù)據(jù)；以派生屬性或者數(shù)據(jù)轉(zhuǎn)化、離散等方式構(gòu)造數(shù)據(jù)；整合數(shù)據(jù)；最后是格式化數(shù)據(jù)。數(shù)據(jù)準(zhǔn)備的過程可能會多次執(zhí)行，且執(zhí)行順序不限，直到得到所需數(shù)據(jù)為止。

（4）模型建立（Modeling）。

模型建立這一階段，我們需要針對物流行業(yè)的特點，根據(jù)所選擇的數(shù)據(jù)挖掘模型技術(shù)方法進(jìn)行建模。它主要包括選擇建模技術(shù)、生成測試設(shè)計以及構(gòu)建模型。需要注意的是，在建模過程中需要對參數(shù)進(jìn)行調(diào)優(yōu)，也可能會需要多次執(zhí)行數(shù)據(jù)準(zhǔn)備階段的工作。

（5）模型評估（Evaluation）。

在進(jìn)行模型部署之前，需要先進(jìn)行全面的模型評估。模型評估主要包括模型的測試，算法的完善等，并判斷模型是否達(dá)到了既定的商業(yè)目標(biāo)，是否有改進(jìn)空間等。

（6）模型部署（Deployment）。

在模型部署這一階段中，挖掘的發(fā)現(xiàn)的結(jié)果以及過程將得到解釋。模型部署生成直觀的報告，或者是將結(jié)果嵌入到客戶管理系統(tǒng)等，實現(xiàn)最初的行業(yè)理解中的目標(biāo)。

4聚類分析與K-means算法

所謂“物以類聚”，聚類分析是把屬性按照屬性的相似程度分為若干類別。同一組中數(shù)據(jù)相似度盡可能大，而不同組之間的差距盡可能大。與分類分析不同的是并沒有事先規(guī)定數(shù)據(jù)的類別，這樣一來，便可以得到代表性大的客戶，進(jìn)行重點分析和培養(yǎng)，改進(jìn)客戶管理方案。

K-means算法是J.MacQuene于1967年提出的一種著名的劃分算法，至今仍然是最為常用的聚類算法之一。它是一種基于劃分的聚類方法，以K為參數(shù)，把n個對象分為K個簇，以使類內(nèi)具有較高的相似度，而類間的相似度最低。相似度的計算根據(jù)一個簇中對象的平均值來進(jìn)行。

K-means算法的處理流程如下：首先，隨機(jī)地選擇K個對象，每個對象初始地代表了一個簇中心。對于剩余的每個對象，根據(jù)其與各個簇中心的距離，將它賦給最近的簇。然后重新計算每個簇的平均值。這個過程不斷重復(fù)，直到準(zhǔn)則函數(shù)收斂。平方誤差準(zhǔn)則是經(jīng)常被采用的準(zhǔn)則函數(shù)，其定義如下。

E=Ki=1

P∈Ci

|p-m i|2

其中，E是數(shù)據(jù)庫中所有對象的平方誤差的總和；p是空間中的點，表示給定的數(shù)據(jù)對象；Mi是簇Ci的平均值（P和mi都是多維的）。

5客戶細(xì)分案例

根據(jù)物流客戶細(xì)分?jǐn)?shù)據(jù)挖掘流程，本文以某批發(fā)商的客戶數(shù)據(jù)（該數(shù)據(jù)集來自UCI數(shù)據(jù)庫）為例，進(jìn)行客戶細(xì)分的數(shù)據(jù)挖掘。在行業(yè)理解和數(shù)據(jù)理解之后，進(jìn)行數(shù)據(jù)準(zhǔn)備。例如除去對數(shù)據(jù)分析過程和結(jié)果無用的字段，除去信息不全的記錄以及將文字類的記錄轉(zhuǎn)化成可量化的數(shù)據(jù)（例如將銷售途徑中的團(tuán)購大客戶（horeca）轉(zhuǎn)化為1，零售（retail）轉(zhuǎn)化成2；客戶所在區(qū)域Lisbon轉(zhuǎn)化成1，Oporto轉(zhuǎn)化成2，其他地區(qū)轉(zhuǎn)化成3），將發(fā)貨種類歸為鮮貨類（fresh）、奶制品類（milk）、雜貨類（grocery）、冷凍品類（frozen）、清潔劑和紙類（detergents_paper）熟食類（delicassen）等。

接下來在數(shù)據(jù)挖掘軟件SPSS Clementine中導(dǎo)入客戶數(shù)據(jù)表，通過導(dǎo)出表格結(jié)點查看該表中的數(shù)據(jù)信息，如圖2所示。

在數(shù)據(jù)流中利用“type”結(jié)點來讀取字段，雙擊該結(jié)點對其進(jìn)行屬性設(shè)置，在聚類方法中所有參與聚類的字段在設(shè)置字段格式時其方向（Direction）都將被設(shè)置為輸入（In）。如圖3所示，以便進(jìn)行后續(xù)的K-means分析。

生成聚類分析數(shù)據(jù)流設(shè)置好以后，我們將K-means結(jié)點加入到數(shù)據(jù)流，并在聚類數(shù)中設(shè)定聚類的類別數(shù)，這里我們設(shè)置為5。設(shè)置好后，執(zhí)行該數(shù)據(jù)流。瀏覽執(zhí)行結(jié)果我們能夠得到相關(guān)聚類的信息，如圖4所示。

從結(jié)果中我們可以看到，客戶一共被分為5類，第一到五類分別包含117、35、86、105、37條記錄。顯然第一類中客戶最多，相似度顯示第二類和第三類接近，且銷售渠道信息對聚類結(jié)果影響不大。

最后我們接入“table”結(jié)點輸出個記錄的分類信息。如圖6所示。

至此，客戶細(xì)分?jǐn)?shù)據(jù)挖掘完成。現(xiàn)就K-means模型結(jié)果做出如下分析。

對于第一類客戶數(shù)量多屬于其他區(qū)域的團(tuán)購大客戶，對除了清潔劑以外的其他類型產(chǎn)品需求量大，是與

批發(fā)商頻繁交易且每次交易量很大的客戶，應(yīng)重點管理。對于分類四和分類五的銷售方式都是零售，他們對產(chǎn)品的需求也相似對清潔劑、雜貨和奶制品需求較大，只不過四的顧客屬于其他區(qū)域，五的區(qū)域?qū)儆趨^(qū)域2，他們每次交易量不大，卻交易頻繁，屬于批發(fā)商的目標(biāo)客戶。對于第二類和第三類客戶來說，他們都屬于團(tuán)購大客戶，對各種類型的產(chǎn)品需求量一般，多是一次性交易或少次交易，每次交易量較大的客戶。這類的客戶需求不定，屬于一般客戶，但不排除在今后，其中有潛力客戶以后會發(fā)展成重點客戶。

該案例按照數(shù)據(jù)挖掘的跨行業(yè)標(biāo)準(zhǔn)過程，應(yīng)用SPSS Clementine挖掘軟件，以K-means模型對某批發(fā)商客戶數(shù)據(jù)進(jìn)行聚類分析，最后在得到的結(jié)果上進(jìn)一步分析，完成了整個客戶細(xì)分。

6總結(jié)

在今天的大數(shù)據(jù)時代，數(shù)據(jù)挖掘作為知識發(fā)現(xiàn)的科學(xué)方法被人們所重視著。然而在物流領(lǐng)域，數(shù)據(jù)挖掘的應(yīng)用仍處于起步階段。本文從數(shù)據(jù)挖掘的定義出發(fā)，介紹了數(shù)據(jù)挖掘的流程以及在物流客戶細(xì)分中的應(yīng)用，用SPSS Clementine數(shù)據(jù)挖掘工具對某批發(fā)商客戶數(shù)據(jù)進(jìn)行了簡單的挖掘，并得到了相應(yīng)的結(jié)果，說明了數(shù)據(jù)挖掘在物流客戶細(xì)分中的應(yīng)用。相信在未來，數(shù)據(jù)挖掘在物流行業(yè)中會有著更深入的研究以及更廣泛更實際的應(yīng)用。

參考文獻(xiàn)

[1]蒙肖蓮，蔡淑琴.商業(yè)銀行客戶流失預(yù)測模型研究[J].系統(tǒng)工程，2004，22（12）：6771.

[2]高聯(lián)雄.智能公交系統(tǒng)數(shù)據(jù)挖掘與應(yīng)用[D].北京：北京郵電大學(xué)，2011.

[3]黃雄偉.基于Web數(shù)據(jù)挖掘的客戶行為分析研究及應(yīng)用[D].武漢：武漢理工大學(xué)，2011.

[4]朱子昊.基于數(shù)據(jù)挖掘技術(shù)的物流信息系統(tǒng)研究[D].上海：上海交通大學(xué)，2007.

[5]劉昱崗，安冬冬.數(shù)據(jù)挖掘在公交調(diào)查數(shù)據(jù)分析中的應(yīng)用研究[J].公路工程，2014，（02）.

[6]楊竟洵.關(guān)聯(lián)規(guī)則挖掘技術(shù)在3PL企業(yè)信息系統(tǒng)中的應(yīng)用研究[D].成都：西南交通大學(xué)，2009.

[7]曹潔，徐強(qiáng).利用數(shù)據(jù)挖掘技術(shù)對公交乘客特征狀況的分析[J].計算機(jī)工程與設(shè)計，2007，28（17）：42604262.

[8]戴穩(wěn)勝，張阿蘭，謝邦昌.數(shù)據(jù)挖掘的方法、流程及應(yīng)用[J].中國統(tǒng)計，2004，（10）：535.