李 眩，童百利，吳曉兵

（安徽省銅陵職業(yè)技術(shù)學(xué)院 經(jīng)管系，安徽 銅陵 244061）

0 引言

互聯(lián)網(wǎng)經(jīng)濟(jì)環(huán)境下，電子商務(wù)快速發(fā)展，交易過程產(chǎn)生的客戶數(shù)據(jù)規(guī)模不斷擴(kuò)大，維度不斷增加，且數(shù)據(jù)類型變得十分復(fù)雜，呈現(xiàn)出大數(shù)據(jù)特征，但其蘊(yùn)含的巨大商業(yè)價(jià)值能否最大限度利用，取決于數(shù)據(jù)挖掘和分析的方式.因此設(shè)計(jì)一種高效合理的數(shù)據(jù)挖掘方法對(duì)電商客戶數(shù)據(jù)進(jìn)行分析，這已經(jīng)成為電子商務(wù)應(yīng)用中研究的熱點(diǎn)問題.對(duì)電商客戶進(jìn)行聚類，挖掘客戶購買行為等方面的特征，針對(duì)不同客戶群體提供量身定做的服務(wù)，進(jìn)而實(shí)現(xiàn)高效精準(zhǔn)的個(gè)性化服務(wù)和差異化營(yíng)銷.同時(shí)，也可為站點(diǎn)結(jié)構(gòu)改進(jìn)、網(wǎng)頁推薦、發(fā)掘潛在價(jià)值客戶等提供決策依據(jù).

聚類過程是指將一組物理的或者抽象的對(duì)象，根據(jù)它們之間的相似程度，分為若干類.其中，特征相似的對(duì)象構(gòu)成一類.［1］傳統(tǒng)的聚類方法是基于經(jīng)驗(yàn)或者簡(jiǎn)單的統(tǒng)計(jì)方法，聚類主觀性強(qiáng)，效果不理想.其聚類方法一般都是硬劃分，將對(duì)象進(jìn)行嚴(yán)格區(qū)分，分類界限分明.而電子商務(wù)客戶群具有多樣性的特點(diǎn)，往往不能用某一嚴(yán)格界限對(duì)其進(jìn)行具體類的劃分，采用傳統(tǒng)方法聚類不理想.模糊理論的出現(xiàn)為聚類提供新的思路，聚類思想由硬劃分中的“要么屬于，要么不屬于”變化為“用屬于程度來描述”.［2］客觀事物之間沒有一個(gè)截然區(qū)別的界限，不是嚴(yán)格分明的，是帶有模糊性的，因此用模糊方法解決聚類問題必然更符合實(shí)際.模糊聚類結(jié)果不是說事物絕對(duì)地屬于或不屬于某類，而是指屬于某類的程度有多大，其在聚類分析的基礎(chǔ)上，引入“隸屬度”來度量每個(gè)樣本與各類的隸屬程度，聚類結(jié)果比較科學(xué)合理.

1 模糊聚類算法

1.1 模糊聚類的原理

模糊聚類算法是基于目標(biāo)函數(shù)優(yōu)化基礎(chǔ)上的一種數(shù)據(jù)聚類方法，［3］每項(xiàng)數(shù)據(jù)是哪類是比較模糊的，不能精確斷定，只是在某些方面有相似性，這相似性聚類結(jié)果是每個(gè)數(shù)據(jù)對(duì)聚類中心的隸屬度來度量得出的，該隸屬程度用一個(gè)數(shù)值來表示 .［4］

模糊聚類算法執(zhí)行步驟如下：

模糊聚類分析的目標(biāo)函數(shù)：

其中，uji表示樣本 xj對(duì)應(yīng)第i類中心 vi的隸屬度，m是模糊權(quán)重因子（m＞1）,是樣本 xj到第i類中心 vi的歐氏距離，c為分類數(shù)目（1＜c＜n）,是n× c矩 陣 ，V = [ v1, v2…vc]是s×c矩陣，s代表維數(shù).

（1）設(shè)定聚類數(shù)目c和模糊權(quán)重參數(shù)m，隨機(jī)初始化聚類中心;

（2）計(jì)算所有樣本數(shù)據(jù)的隸屬度矩陣，并且是每列元素之和滿足恒等于1的約束條件；

（4）計(jì)算 Vk+1，則有：

1.2模糊聚類的實(shí)現(xiàn)代碼

模糊聚類的MATLAB程序［5］代碼共包括三個(gè)函數(shù)，通過相互調(diào)用能實(shí)現(xiàn)聚類的過程和結(jié)果輸出，代碼如下：

function［U,V,objFcn］=myfcm（data,c,T,m,epsm）

c=4

if nargin＜3

T=100;

end

if nargin＜5

epsm=1.0e-6;

end

if nargin＜4

m=2;

end

［n,s］=size（data）;

U0=rand（c,n）;

temp=sum（U0,1）;

for i=1:n

U0（:,i）=U0（:,i）./temp（i）;

end

iter=0;

V（c,s）=0;U（c,n）=0;distance（c,n）=0;

while（iter＜T）

iter=iter+1;

Um=U0.^m;

V=Um*data./（sum（Um,2）*ones（1,s））;

for i=1:c

for j=1:n

distance（i,j）=mydist（data（j,:）,V（i,:））;

end

end

U=1./（distance.^m.*（ones（c,1）*sum（distance.^（-m））））;

objFcn（iter） =sum（sum（Um.*distance.^2））;

if norm（U-U0,Inf）＜epsm

break

end

U0=U;

end

myplot（U,objFcn）;

function d=mydist（X,Y）

d=sqrt（sum（（X-Y）.^2））;

end

function myplot（U,objFcn）

figure（1）

subplot（4,1,1）;

plot（U（1,:）,'-k'）;

title（'隸屬度矩陣值'）

ylabel（'第一類'）

subplot（4,1,2）;

plot（U（2,:）,'-k'）;

ylabel（'第二類'）

subplot（4,1,3）;

plot（U（3,:）,'-k'）;

ylabel（'第三類'）

subplot（4,1,4）;

plot（U（4,:）,'-k'）;

xlabel（'樣本數(shù)'）

ylabel（'第四類'）

figure（2）

grid on

plot（objFcn）;

title（'目標(biāo)函數(shù)變化值'）;

xlabel（'迭代次數(shù)'）

ylabel（'目標(biāo)函數(shù)值'）

2 電商客戶數(shù)據(jù)模糊聚類

2.1電商客戶模糊聚類的MATLAB實(shí)現(xiàn)

本文運(yùn)用網(wǎng)絡(luò)爬蟲軟件獲取某電商網(wǎng)站的歷史交易數(shù)據(jù)后，采用其中16位客戶數(shù)據(jù)進(jìn)行聚類來驗(yàn)證算法的可行性和有效性.每位用戶數(shù)據(jù)包含6項(xiàng)指標(biāo)值：商品購買量、交易總金額、單次交易均額、消費(fèi)頻率、網(wǎng)站登錄次數(shù)、消費(fèi)商品類目數(shù)，上述指標(biāo)數(shù)據(jù)均為同段時(shí)間內(nèi)的交易數(shù)據(jù)，能較全面描述消費(fèi)者自身及消費(fèi)行為的特征，［6］16位客戶數(shù)據(jù)如表一所示.MATLAB程序中，聚類數(shù)目設(shè)定c=4，n參數(shù)為16，data為16位待聚類客戶的6維數(shù)據(jù)矩陣，模糊度m=2.在MATLAB環(huán)境中運(yùn)行上述程序，得到每位用戶劃類的隸屬度值如表2所示，圖1為隸屬度矩陣值的示意圖，根據(jù)隸屬度值的大小和圖1能得知每位客戶的最佳聚類，圖2為目標(biāo)函數(shù)變化值示意圖，經(jīng)過8次迭代運(yùn)算，模糊聚類算法收斂，目標(biāo)函數(shù)值已經(jīng)非常穩(wěn)定，說明聚類迭代計(jì)算已達(dá)到要求.

16 100 10000 5000 2 6 2

表2 模糊聚類隸屬度

圖1 隸屬度矩陣值

2.2實(shí)驗(yàn)結(jié)果及其分析

圖2 目標(biāo)函數(shù)值變化

從MATLAB聚類實(shí)驗(yàn)結(jié)果看出：序號(hào)為1、2、3、4、7、9、11、13、14的客戶，該類客戶群雖單次消費(fèi)額不高，企業(yè)從這客戶群獲利不大，但他們消費(fèi)頻率高，交易會(huì)持續(xù)穩(wěn)定，是企業(yè)穩(wěn)定生存的基礎(chǔ)客戶；序號(hào)為5、6、10、12、15的客戶聚為一類，該類客戶群消費(fèi)頻率高，交易總額和單次交易均額都較大，且購買數(shù)量多，可以從他們的交易中獲得較高利潤(rùn)，是電商的優(yōu)質(zhì)客戶，應(yīng)重點(diǎn)維護(hù)；序號(hào)為8的客戶，消費(fèi)頻率高，交易總額大，但購買商品數(shù)量大，平均到每次交易的交易額不高，他們需求量大，極可能為網(wǎng)絡(luò)渠道的進(jìn)貨商，也很在乎價(jià)格，他們對(duì)電商具有一定價(jià)值，應(yīng)該通過適當(dāng)?shù)臓I(yíng)銷策略轉(zhuǎn)變優(yōu)質(zhì)客戶；序號(hào)為16的客戶消費(fèi)頻率低，但交易額高，單次交易給企業(yè)帶來的利潤(rùn)也高，是電商的潛在客戶，應(yīng)通過營(yíng)銷和維護(hù)使其轉(zhuǎn)變?yōu)榉€(wěn)定的優(yōu)質(zhì)客戶.

結(jié) 語

在商業(yè)市場(chǎng)中，市場(chǎng)客戶種類和需求日益繁多，如何有效細(xì)分、規(guī)劃客戶群，并制定針對(duì)性的營(yíng)銷策略，是激烈市場(chǎng)競(jìng)爭(zhēng)的成功所在.本文提出了基于模糊理論的數(shù)據(jù)聚類方法，來實(shí)現(xiàn)電商客戶聚類特征提取提供了很好的解決思路，實(shí)驗(yàn)結(jié)果表明，該算法是可行的合理的.同時(shí)，該方法對(duì)于其他專業(yè)領(lǐng)域如模式識(shí)別、模糊控制亦有一定的實(shí)際指導(dǎo)意義，為問題的突破提供好的思路.