基于聚类分析的电子商务客户忠诚度研究

《基于聚类分析的电子商务客户忠诚度研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于聚类分析的电子商务客户忠诚度研究杨雄钢广东省经济贸易职业技术学校摘要：全面分析电子商务顾客忠诚度的影响因素，立足于经典RFM客户忠诚度模型，将RFMSA电子商务客户忠诚度划分模型有效地建立起来，借助聚类分析算法划分顾客忠诚度，立足于经典聚类分析法K一means,将分段确定初始聚类中心的改进算法提出，以此来划分顾客的忠诚度。借助分析经典样木数据，从实验结果可以看成，通过对粗糙集K一means聚类算法进行改进后，可以将聚类的准确率有效提高。关键词：聚类分析;电子商务;客户忠诚度;在电子商务环境下，企业可以对互联网进行利用将产品和服务提供给客户。企业不认识顾客，顾客也不认识企

2、业，没有当面交流过-句，所有客户关系都通过网络来进行维持。能够让消费者更好的进行对比、选择以及提供各方面综合程度较高的商品和企业即为互联网的优点，对互联网进行利用，让消费者更好的对信息进行搜索，这样就可以利用相关企业在网上开设的商城，将商品的价格等相关信息获取到，并且还可以和企业服务商进行对比，不仅可以在价格上进行比较，同吋还可以在服务商进行比较，通过以上所讲到的对比，消费者就会选择和自己消费意象更相符的产品或商家，因此在电子商务屮，客户忠诚度基本较低，最终流失掉本有的客户。怎样才能将客户的忠诚度提高是现阶段电子商务迫切需要解决的问题。一、电子商务客户忠诚度模型研究（一）R

3、FM模型在电子商务行业中，RFM模型是对客户忠诚度进行分析时用得最多的一种模型，客户真实的交易数据即为RFM数据，因此，数据具有较强的准确性，客户的个人隐私通常不会涵盖在内，获取较为容易。RFM模型在客户忠诚度研宄中得到了广泛的运用，其以客户的消费金额、购买频率、购买时间间隔为基础。（二）RFMSA模型作为电子上我中对客户行为的重要指标，RFMSA模型将交易金额、交易频率、交易吋间、关注度、商品评价包括在内。在RFMSA模型中，每一个属性维度的重要程度都具有一定的差异性，也就是五个属性维度的权重不同。五种指标所影响用户忠诚度的程度不一样，以综合反映客户忠诚度的指标CLV客户

4、终生价值指标为基础，来定义RFMSA模型，如式（1）所示：其屮i表示客户屮的第i个客户，CLV,表示此客户的忠诚度指标，R,、Fi、Mi、Si、Ai分别表示此客户RFMSA指标的oR、oF、oM、wS、wA分别表示五个指标的权重系数Ul。在所有指标当中，CLV与购买时间成反比，而在另外四项指标方面都成正比。在将RFMSA模型确立之后，应预先处理数据，将其转换成系统需要的RFMSA数据并加以规范，然后在分析数据，在对数据进行分析的过程当屮，系统主要是通过采取聚类分析的方式，来实现数据集的分类。以模糊集聚类算法为基础的电子商务客户忠诚度算法（一）模糊K-means算法微课可以使

5、模糊聚类更好地实现，以下设计和分析了模糊K-means算法，其具体描述如下所示:假设数据集集合为，数据集的簇数量为K个，第i个簇的中心即为uh,i=l，2,...k0Uj（xi）表示K-means算法聚类过程中第x个样本对第j类的隶属度，模糊K-means算法的目标函数可以对以下式子予以使用来描述。其中，b使一个可以对模糊聚类结果予以控制的模糊度常数，通过模糊K-means均值隶属度函数求导数，就可以将K-means算法的最佳解放得到，如以式⑵、（3）所示:在对K-means算法予以执行时，能够通过对上述两个方程式予以实际的执行，来得到一各具体的模糊K-means算法，这样

6、就能够将其应用到实际数据划分当中XZ1。给予模糊思想下的K-means算法，在对.其进行具体描述吋分为以下几点:第一，对随机初始法予以采用，以此作为数据集设定K个簇，并将各个簇的屮心设定为mi;第二，对客户的购买记录数据集中所有的数据对象的隶属函数进行计算，计算方式为（3）;第三，将第二个步骤当中的隶属函数作为基础，来对所有簇的中心值m,予以计算，能够通过算式（2）来进行;第四，遍历数据集中所有数据对象，当隶属度不再改变时，算法结束，不然就返回到步骤二。（二）具体运用本文所采用的系统实验工具为Matlab2009程序处理平台，而第五代智能英特尔酷睿i7处理器是本次实验采用的

7、服务器，i7—SSOOU为CPU的型号，主频为2.40GHz,4G内存，Win8是其操作系统，在分析算法、实现算法、运行数据的准确性和有效性屮得到了较好的运用。实验数据对屮科院模式予以采用，对国家重点实验室采集的SUNING、JD、TMALL等三个购物网站的用户消费数据进行识别，使用B0W工作预处理数据集，所有的数据集中都将3万条电子商务浏览记录包括在其中，可以将其分为高、中、低三个客户忠诚度的类别，黄金消费群体即为高忠诚度的客户，其具有较高的交易频率，每个月的消费金额较多，浏览了很多的商品，具有极高的潜在消费价值