[基于项集的动态客户细分群]客户细分

　　摘要：动态市场中，客户往往被有创意和竞争力的新产品或服务所吸引，其需求和态度　　亦经常变化，所以识别客户细分群并不时的跟踪其变化是一个非常有用的手段。　　在本文中，我们提出了一个考虑到市场动态性的基于频繁项集的客户细分方法，
　　它对客户细分（即频繁项集）的支持度轨迹进行变化分析，进而挖掘出我们感兴
　　趣的呈现某种趋势或保持稳定的细分。
　　关键词：客户细分；频繁项集；变化分析
　　[中图分类号]F274;F224 [文献标识码]A [文章编号]1009-9646（2012）8
　　-0050-02
　　好的客户关系管理意味着需要预见到顾客的需求还有态度的变化，及时向顾客提
　　供和满足其潜在的需求，或是在顾客还未流失的时候及时发现其不满意的地方并
　　加以改进，令顾客满意。作为客户关系管理的核心及基础，客户细分对企业的战
　　略战术管理提供多方面多层次的信息支持。
　　正如摘要所提到的通常的客户细分。如果客户数据中本身含有类别属性，则可以
　　通过训练分类器将待分类的客户划分到某一客户类中去；如果客户数据中不含有
　　类别属性，则可以通过诸如聚类的算法，将特征相似的客户划分为一类客户群，
　　但皆不会反映出客户群的变化情况。本文通过发现频繁项集从而挖掘出所谓感兴
　　趣的细分群，我们把这个感兴趣的细分群定义为那些呈现出某些变化情况的细分
　　。
　　一、频繁项集及支持度轨迹
　　1.频繁项集
　　一个属性-值的配对就是一项，一些属性-值配对的集合就是项集，因为我们所关
　　注的项集覆盖量（或者说支持度）比较大，所以把它称为频繁项集。形式上，数
　　据集中所有项　的集合，用　来表示，那么一个子集　　，　就是项集。每个客
　　户记录数据，其实也是一个项集，我们用　表示。因此，当　　的时候，我们就
　　说客户数据　覆盖或者支持项集　。某个项集　的频率，是用它的支持度sup(
　　)来度量的，用P(　　)或者P(　)表示。例如，我们有一个数据集，包含了关于客
　　户满意度的调查结果，从中得到一个频繁项集：网龄80分。这个频
　　繁项集的支持度就是那些网龄在5年以下但满意度的分数高于80分的客户的相对频
　　率，也就是说，它的支持度描述了这个客户细分群的相对规模。接下来，我们将
　　频繁项集和客户细分群这两个词作为同义词。
　　2.支持度轨迹
　　频繁项集的变化则是通过在一定时间里其支持度的变化反映出来。我们将一段时
　　间轴[t0,tn]分割成n>1个不相交的区间[ti-1,ti]，[ti-1,ti]≈[ti,ti+1]。令T
　　i∈[ti-1,ti]，D(Ti)是Ti时的客户数据，原则上Ti+1Ti≈TiTi-1。则对于同一个
　　频繁项集　，sup(　,Ti)则是　在D(Ti)上的支持度，序列H(　)=(sup(　,T1),s
　　up(　,T2),...sup(　,Tn))则是　的支持度轨迹，这个支持度轨迹则是接下来用
　　来发现那些我们感兴趣的变化模式的基础。如刚才的例子，我们发现频繁项集“
　　网龄80分”的支持度轨迹有逐渐向下的趋势，这就可以解释为，网
　　龄在5年以下但满意度高于80分的客户数量正在逐渐减少。
　　二、步骤
　　1.提取频繁项集
　　本文细分群的提取就是频繁项集的提取，我们的任务就是把一些项　的集合找出
　　来形成项集　，满足一定覆盖量要求的项集　就是频繁项集，而覆盖某项集　的
　　所有客户的集合就形成了一个细分群。接下来，对于每个项集　，我们计算出其
　　支持度sup(　,Ti)（若某个sup(　,Ti)小于我们预定的覆盖量，则不记录它），
　　形成支持度轨迹H(　)。
　　2.支持度轨迹变化分析
　　我们关注两种变化：稳定的变化和呈现出某种趋势的变化，不关注不规律的变化
　　（认为是环境的因素造成的）。如果在一定时间范围内某个轨迹呈现出向上的增
　　长或者向下的减少，这种增长或减少是逐渐的，我们就说它是一种趋势。一个轨
　　迹只能是过去和现在的情况的反映，但是呈现某种趋势的轨迹，在环境不变的情
　　况下，则可以据此对未来的情况做出一个估计。对于某种客户细分群，企业通常
　　都有一个对趋势的期望，要么期望其“膨胀”，要么期望其“缩小”，但是当企
　　业的期望与实际情况有出入的时候，企业就会知道应该在战略和策略上做出调整
　　了。对应的，如果在一定时间范围内某个轨迹呈现的情况为，其值总是在一个水
　　平上上下波动，就像价值规律一样，我们就说它是稳定的变化。在环境不变的情
　　况下，亦可以据此对未来的
　　（下转第62页）
　　（上接第50页）
　　情况做出一个估计。对于企业来说，往往很多客户细分群呈现出稳定的变化，就
　　是他们所期望的。
　　3.兴趣评估
　　在一次具体实验中，我们可能会发现很多感兴趣的细分，但不是对每个频繁项集
　　我们都有同样的兴趣，这就引出了一个兴趣度的概念，其实就是我们主观上给某
　　个频繁项集对于我们的兴趣程度打个分，以表示我们对它的关注度。我们给出了
　　一个启发式的度量方法：如果一个频繁项集呈现出的实际变化模式与企业最初对
　　频繁项集变化模式的估计有较大差异，那么分数自然就较高。接下来，我们给出
　　一些反映差异的情况：
　　（1）最初估计是稳定的变化，但实际是有趋势的变化；
　　（2）最初估计是有趋势的变化，且变化的速度比较缓慢，但实际出现了某些突变
　　或是速度较快的情况；
　　（3）最初估计是有趋势的变化，且变化的速度比较快，但实际的变化比较不明显
　　。
　　因此，最初的估计与实际的情况差异越大，分数就越高，这样的频繁项集或者细
　　分，就越是企业需要关注的，或者说需要引起重视的，以便企业及时做出调整，
　　采取措施。
　　我们将此方法运用到某企业的实际客户数据中，发现了很多感兴趣的客户细分群
　　和趋势并提出了一些建设性的策略，在此不赘述。本文旨在提出这个新的方法，
　　希望对企业在与客户打交道的过程中能有所帮助。
　　[1]杜修平,王中.基于决策树的证券客户流失模型[J].计算机应用与软件
　　[2]张玲芳,张婧.基于RFM模型和协同过滤的电子商务推荐机制[J].江苏科技大学
　　学报:自然科学版
　　孔力（1985—）男，汉族，四川大学工商管理学院硕士研究生，研究方向为客户
　　关系管理。
　　王子旗（1988—）男，汉族，四川大学工商管理学院硕士研究生，研究方向为企
　　业管理，物流工程。