基于客戶行為數(shù)據(jù)構(gòu)建客戶分群模型的分析與探討

楊欣

（北京農(nóng)業(yè)職業(yè)學(xué)院，北京 100012）

基于客戶行為數(shù)據(jù)構(gòu)建客戶分群模型的分析與探討

楊欣

（北京農(nóng)業(yè)職業(yè)學(xué)院，北京 100012）

客戶分群是企業(yè)從大眾營銷向差異化營銷過渡的必由之路，也是未來保持競爭優(yōu)勢的基礎(chǔ)。隨著社會(huì)經(jīng)濟(jì)的發(fā)展和用戶需求的多元化，企業(yè)需要把識(shí)別客戶特征作為一項(xiàng)核心的市場分析活動(dòng)，關(guān)注如何保持和拓展現(xiàn)有的客戶價(jià)值。文章從移動(dòng)通信運(yùn)營商的角度，闡述了建立客戶分群模型的理論基礎(chǔ)和技術(shù)手段，根據(jù)客戶行為數(shù)據(jù)采用聚類的數(shù)據(jù)挖掘方法構(gòu)建總體模型，并對數(shù)據(jù)規(guī)范性、聚類算法以及模型分析方法等進(jìn)行說明，提高客戶分群的有效性及應(yīng)用價(jià)值。

客戶分群；模型；聚類；算法

在當(dāng)前移動(dòng)通信領(lǐng)域競爭日益激烈的情況下，企業(yè)必須認(rèn)識(shí)到客戶才是運(yùn)營商最重要的資產(chǎn)，運(yùn)營商必須關(guān)注如何保持、拓展現(xiàn)有的客戶價(jià)值。識(shí)別客戶特征是一項(xiàng)核心分析活動(dòng)，通過了解客戶的概貌可以指導(dǎo)運(yùn)營商如何制定合理有效的營銷策略。

使用數(shù)據(jù)挖掘技術(shù)對客戶進(jìn)行細(xì)分就可以識(shí)別具有相似特征的客戶群，這樣就可以了解各種不同的、具有各自特征的客戶情況，從而基于客戶分群工作進(jìn)行進(jìn)一步的客戶分析和市場策略制訂。因此客戶分群模型建立的意義主要就是通過對客戶進(jìn)行分群，分析各種客戶群的特征來為企業(yè)管理層提供決策支持。

1　客戶分群的理論闡述

就市場營銷的理論來說，營銷手段可以分為幾個(gè)層次：首先是大眾營銷，對所有客戶進(jìn)行不考慮特性差異的宣傳；然后是基于市場細(xì)分的營銷，把客戶分為幾個(gè)群體，對每個(gè)群體進(jìn)行針對性宣傳，也就是所說的一對一精確營銷。

客戶細(xì)分的基本依據(jù)是每個(gè)客戶作為消費(fèi)者對同一產(chǎn)品的具體功能需求和關(guān)注點(diǎn)是不同的。作為服務(wù)提供者的運(yùn)營商必須盡可能地考慮這些差異，發(fā)現(xiàn)存在于客戶中的具有不同特征或消費(fèi)習(xí)慣的客戶群體，在此基礎(chǔ)之上面向不同群體執(zhí)行更具針對性的管理或營銷策略。

客戶分群總的來說有兩大類方法，一類是手工方法，一類是自動(dòng)方法。手工方法就是人為地進(jìn)行客戶劃分，即業(yè)務(wù)人員根據(jù)自己的業(yè)務(wù)知識(shí)以及對客戶的了解程度，出于某種管理或者營銷上的目的把客戶分為幾個(gè)群。這種分群的劃分原則是預(yù)先已知的，比如按照客戶消費(fèi)額劃分成 “高價(jià)值客戶”、“低價(jià)值客戶”；按照是否大客戶劃分為“普通用戶”、“大客戶用戶”。這種手工進(jìn)行客戶細(xì)分的方法通常只能考慮少數(shù)幾個(gè)變量，如果想多考慮一些變量，尤其是大部分連續(xù)型的行為變量，就必須使用自動(dòng)分群方法了。

自動(dòng)分群是通過使用數(shù)據(jù)挖掘提供的聚類算法，確定自己認(rèn)為會(huì)有價(jià)值的輸入變量，通常數(shù)量較多，通過挖掘算法根據(jù)數(shù)據(jù)的特點(diǎn)決定把客戶分為不同群體，分出來的群與群之間差異盡可能大，群內(nèi)差異盡可能小。

客戶分群的關(guān)鍵在于根據(jù)什么變量來進(jìn)行細(xì)分。在移動(dòng)通信行業(yè)，商家可以獲得的數(shù)據(jù)很多，主要有客戶行為數(shù)據(jù)、人口統(tǒng)計(jì)數(shù)據(jù)以及一些附加數(shù)據(jù)。其中客戶行為數(shù)據(jù)包括客戶通話清單數(shù)據(jù)、客戶賬務(wù)數(shù)據(jù)以及客戶撥打客服電話的記錄等，這些都是通過計(jì)算機(jī)采集到的，具有很好的數(shù)據(jù)質(zhì)量，同時(shí)也是最有價(jià)值的客戶信息，是了解客戶特征的最重要的數(shù)據(jù)。因此，根據(jù)客戶行為數(shù)據(jù)進(jìn)行客戶分群會(huì)具有更高的可用性。

2　客戶分群的技術(shù)分析

客戶分群模型的建立需要依靠數(shù)據(jù)挖掘技術(shù)。通過客戶分群挖掘，企業(yè)能發(fā)現(xiàn)過去所不知道的客戶類型，對自己的客戶有更科學(xué)、更全面的了解，這無疑會(huì)使客戶管理工作和營銷工作能夠更容易地進(jìn)行。比如，通過客戶分群了解不同客戶群的詳細(xì)的、特有的需求，這樣就能夠發(fā)現(xiàn)新的營銷機(jī)會(huì)；通過客戶分群了解不同客戶群的特點(diǎn)，這樣就能有針對性地開展差異化客戶服務(wù)，增加客戶滿意度；還可以基于客戶分群進(jìn)行有針對性的營銷宣傳活動(dòng)，這樣的宣傳會(huì)比無目標(biāo)的大眾宣傳更加有效；等等。

數(shù)據(jù)挖掘技術(shù)可以分為兩種類型：預(yù)測型數(shù)據(jù)挖掘和描述型數(shù)據(jù)挖掘。

預(yù)測型數(shù)據(jù)挖掘是要從一系列數(shù)據(jù)中找出特定變量 （稱為“目標(biāo)變量”）與其他變量（稱為“預(yù)測變量”）之間的關(guān)系，也就是掌握預(yù)測變量是如何影響目標(biāo)變量的。

描述型數(shù)據(jù)挖掘是要在一系列預(yù)先不知道有任何關(guān)系的數(shù)據(jù)中查找關(guān)系的技術(shù)。描述型數(shù)據(jù)挖掘常用的技術(shù)有聚類和關(guān)聯(lián)分析。

聚類是要把整個(gè)數(shù)據(jù)庫分成不同的群組。它的目的是要使群與群之間差別很明顯，而同一個(gè)群內(nèi)的數(shù)據(jù)盡量相似。與預(yù)測型挖掘不同的是，聚類是無指導(dǎo)的學(xué)習(xí)，體現(xiàn)在方法上就是不用指定目標(biāo)變量。聚類算法有兩種：劃分聚類法和層次聚類法。其中劃分聚類法可以指定聚為幾類，層次聚類法由算法根據(jù)數(shù)據(jù)情況自動(dòng)確定聚為幾類。神經(jīng)元網(wǎng)絡(luò)和K-Means是比較常用的聚類算法。聚集之后最主要的是對分群的結(jié)果給出商業(yè)角度的解釋，這樣才有實(shí)際意義。

客戶分群就很適合使用聚類的方法。首先，通過聚類的數(shù)據(jù)挖掘把所有客戶按照特征分成幾群，建立客戶分群模型；其次，分析各群客戶的特征，主要是行為特征；再次，分析每一群客戶特征體現(xiàn)出來的信息有什么商業(yè)價(jià)值，為管理和營銷人員提供制定管理或營銷計(jì)劃的依據(jù)；最后，建立完善的分群模型維護(hù)流程以適應(yīng)市場的變化。還可以從客戶發(fā)展的角度考慮，根據(jù)客戶產(chǎn)生的收益、客戶通話行為特征、客戶信用度風(fēng)險(xiǎn)等數(shù)據(jù)進(jìn)一步建立客戶價(jià)值評估模型，對客戶群進(jìn)行更深入的挖掘與分析。

3　客戶分群模型的構(gòu)建與探討

3.1總體框架

（1）基于客戶行為數(shù)據(jù)，使用各種聚類算法生成客戶分群模型；

（2）分析不同算法得到的分群結(jié)果，選取最好的模型，好模型的標(biāo)準(zhǔn)是群與群之間差異盡量大而群內(nèi)差異盡量??；（3）使用挖掘工具提供的數(shù)據(jù)探索工具分析各客戶群特征；（4）建立客戶信用度風(fēng)險(xiǎn)評估模型，給出每個(gè)客戶的信用度風(fēng)險(xiǎn)指標(biāo)；

（5）建立客戶價(jià)值評估模型，根據(jù)客戶所產(chǎn)生的消費(fèi)額、客戶通話行為以及客戶信用度風(fēng)險(xiǎn)指標(biāo)建立一個(gè)全面評估客戶價(jià)值的客戶價(jià)值函數(shù)，更合理地評估每個(gè)客戶的價(jià)值。

3.2數(shù)據(jù)規(guī)范性

K-Means聚類算法是采用計(jì)算距離來度量記錄之間的差異大小。這種方法決定了聚類所輸入的數(shù)值大小不同對結(jié)果的影響是不一樣的。取值比較大的變量，比如通話時(shí)長，變量單位通常是秒，值都非常大，這樣在計(jì)算對象差異性的時(shí)候，這個(gè)變量的影響就會(huì)很大；然而對于一些取值比較小的變量，比如通話次數(shù)，取值就不會(huì)很大，這樣計(jì)算差異的時(shí)候該變量的影響度就會(huì)減小。

在進(jìn)行聚類之前應(yīng)該對數(shù)據(jù)進(jìn)行規(guī)范化處理，這樣可以大大提高聚類的效果。常用的規(guī)范化方法有最大-最小規(guī)范化和Z-SCORE規(guī)范化。其中最大-最小規(guī)范化是把數(shù)據(jù)在指定的區(qū)間內(nèi)進(jìn)行等比縮放；Z-SCORE規(guī)范化是計(jì)算每一個(gè)變量與平均值之間的差異大小和平均差異（使用標(biāo)準(zhǔn)差或者平均絕對偏差）的比值。本文采用的是Z-SCORE規(guī)范化方法，具體過程如下：

（1）計(jì)算平均絕對偏差（mean absolute deviation）Sf

式（1）中，x1f，…，xnf是變量f的n個(gè)度量值，mf是f的平均值，即：

（3）計(jì)算斜率

以上三步都是通過SQL在數(shù)據(jù)庫中進(jìn)行的，這樣經(jīng)過規(guī)范化后的數(shù)據(jù)就可以用來進(jìn)行聚類了。

3.3建立聚類模型

K-Means聚類算法對于處理大數(shù)據(jù)集情況的效率是很高的，因此選擇使用K-Means算法進(jìn)行聚類。K-Means算法工作流程如下：

（1）任意選擇K個(gè)對象作為初始的簇中心（K預(yù)先指定）；

（2）Repeat；

（3）根據(jù)簇中對象的平均值，將每個(gè)對象重新賦給最類似的簇；

（4）更新簇中的平均值，即計(jì)算每個(gè)簇中對象的平均值；

（5）Until不再發(fā)生變化，直到達(dá)到某個(gè)閾值。

在實(shí)際的模型建立過程中，通過聚類共獲取到12個(gè)客戶群，這里不再進(jìn)行詳述。

3.4模型分析

分析方法是把模型提供的各變量組內(nèi)均值做最大-最小規(guī)范化后，劃分出各類的優(yōu)勢特征和弱勢特征，從而給各組一個(gè)描述性的名字。給出的名字反映的是該組最大特征，但并不是唯一特征。分析過程中把各變量規(guī)范化為0～10的公式如下：

V_N=（（V-MIN_V）/（MAX_V-MIN_V））×10（4）

式（4）中，V是被規(guī)范化的值、V_N是被規(guī)范化后的值、MIN_V 是V值所在變量的最小值、MAX_N是V值所在變量的最大值。

這樣變量的所有值將會(huì)被規(guī)范化為從0到10的區(qū)間，原值被等比縮放。這樣一個(gè)值在同一個(gè)變量中比其他值大還是小就很明顯了。各值只和同一個(gè)變量的其他值有可比性。在分析過程中，規(guī)范化后的值被標(biāo)上了不同顏色，這樣對各類進(jìn)行分析的時(shí)候?qū)ζ鋬?yōu)勢字段、弱勢字段就能一目了然。

分析過程中判斷一個(gè)變量是否優(yōu)勢字段，不光看某類中這個(gè)變量大還是小，還要看其他類在該變量上的取值情況。例如，如果某類中一個(gè)變量取值很大，但是其它類在該變量上的取值同樣也很大，那么這個(gè)變量就不是優(yōu)勢變量。

4　結(jié)論與思考

以上僅是對客戶分群模型構(gòu)建的初步分析，通過模型可以得到各群用戶的顯著特性，并針對各客戶群的特性給出一定的市場建議?？赡苡行┙ㄗh并不是很可行，但客戶分群的思想以及所獲取的客戶分群模型還是極有效的，未來基于該模型可以做很多事情，達(dá)到目標(biāo)明確、事半功倍的效果。

例如，通過了解各客戶群的優(yōu)勢特征和弱勢特征可以識(shí)別新的營銷機(jī)會(huì)，從而有針對性地進(jìn)行差異化套餐設(shè)計(jì)；客服部門可以參考客戶分群的結(jié)果對不同類型的客戶進(jìn)行有針對性的差異化客戶服務(wù)；市場部門再設(shè)計(jì)促銷活動(dòng)的時(shí)候，可以參考客戶分群情況來選擇正確的宣傳目標(biāo)和途徑；客戶分群還可以與離網(wǎng)預(yù)測模型相結(jié)合，在進(jìn)行客戶挽留的時(shí)候了解挽留目標(biāo)的特征無疑是很有幫助的。

10.3969/j.issn.1673-0194.2015.21.036

TP315

A

1673-0194（2015）21-0074-02

2015-07-27

楊欣（1981-），女，山西太原人，北京農(nóng)業(yè)職業(yè)學(xué)院講師，碩士，主要研究方向：企業(yè)管理、信息化管理。