资源描述：
《基于模糊聚类集成算法的客户细分研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、第30卷第4期情报杂志Vo.l30No.42011年4月JOURNALOFINTELLIGENCEApr.2011信息技术与信息服务*基于模糊聚类集成算法的客户细分研究112高伟贺昌政蒋晓毅(1.四川大学工商管理学院成都610064;2.明斯特大学数学与计算机学院明斯特德国48149)摘要针对客户行为的不确定性和模糊性,将模糊聚类集成技术应用于CRM中的客户细分研究,以提高客户聚类的精度。以模糊C均值(FCM)算法作为基本的聚类器,应用模糊t-范式对生成的多个聚类器进行集成,从而获得最终的客户聚类结果。
2、最后,在10个UCI数据集上进行聚类测试,结果表明,基于模糊t-范式的模糊聚类集成方法的聚类精度要高于常用的客户聚类FCM和K-means方法。在客户信用卡数据集Australian上的学习曲线还表明,聚类集成方法具有更稳定的聚类性能。关键词客户细分模糊聚类非监督学习聚类集成中图分类号F272.1F713.50文献标识码A文章编号1002-1965(2011)04-0125-04CustomerSegmentationStudyBasedonFuzzyClusteringEnsemble112GAOWeiHEChangzhengJIANGXiaoy
3、i(1.BusinessSchoo,lSichuanUniversity,Chengdu610064;2.DepartmentofMathematicsandComputerScience,UniversityofMnster,Mnster48149,Germany)AbstractApplyingfuzzyensembleclustertocustomersegmentationinCRMinordertoimprovetheclusterperformanceowingtotheuncertaintyandfuzzinessofcustomerbehavior.Firs,tr
4、egardingfuzzyC-meansalgorithm(FCM)asbasicclusterer,andthenusingafuzzyt-normtocombinethemultipleclusteringstoobtainthefinalconsensusclustering.Finally,experimentson10UCIdatasetsshowthatthefuzzyclusteringensemblealgorithmbasedont-NormisbetterthanFCMandK-means.Furthermore,experimentsonAustralianda
5、tasetalsoindicatethattheclusteringensemblealgorithmweproposedhasbetterstability.Keywordscustomersegmentationfuzzyclusterunsupervisedlearningensembleclustering从而发现客户的内在特征,越来越成为客户细分的常0引言[3-5]用方法。用于客户细分最常用聚类方法是K-客户细分作为客户关系管理(CRM)的核心概念means和模糊C均值(FCM)方法。之一,已成为CRM的重要组成部分和基础性的分析在做客户细分时,由于客户行为存在不确
6、定性和功能,并将对包括操作层、战术层以及战略层在内的企模糊性,具体体现为我们并不能确切地指出某个客户[1]业管理提供全面的信息支持。客户细分是企业在明一定属于或一定不属于某一群体,恰恰相反,一个客户确的战略、业务模式和特定的市场中,根据客户的属样本可以属于不同的客户群。例如,苏宁电器的某一性、行为、需求、偏好以及价值等因素对于客户进行分个客户可能从其实体店里购买电器,同时也可能从苏[2]类,并提供针对产品、服务和营销模式的过程。近年宁易购网上进行购买。因此,常常选择模糊聚类算法来随着客户关系管理的兴起与发展,对客户细分的方来进行客户细分,模糊聚类可以给出客户属于某一类法也提出了更高的要求
7、。由于非监督聚类方法可以使的隶属度,能够更好地体现客户特征,从而制定出更加得同组客户的相似度最大,不同组客户的相似度最小,准确地营销策略,提高客户价值。国内外客户细分研收稿日期:2010-11-23修回日期:2011-01-17基金项目:国家自然科学基金项目基于自组织数据挖掘的CRM客户分析研究(编号:70771067);国家自然科学基金中德国际合作项目面向CRM的多分类器集成问题研究(编号:70911130228)
