謝衛(wèi)星，王曉琳，王旭陽，張靜娜，李玉鵬

中國礦業(yè)大學(xué) 礦業(yè)工程學(xué)院工業(yè)工程系，江蘇 徐州221116

顧客需求是產(chǎn)品/服務(wù)研發(fā)的根本動(dòng)力，完善的產(chǎn)品/服務(wù)方案應(yīng)滿足和超出顧客期望，甚至創(chuàng)造新的顧客需求[1]。在新產(chǎn)品/服務(wù)投放市場至演化成熟的過程中，企業(yè)需要對顧客滿意度進(jìn)行測度。有關(guān)顧客滿意度的研究在產(chǎn)品/服務(wù)工程領(lǐng)域由來已久，測度方法主要分為兩類：結(jié)構(gòu)化模型（如結(jié)構(gòu)方程模型）[2]和評價(jià)決策模型[3]。結(jié)構(gòu)化模型的研究重點(diǎn)在于探索顧客滿意度的影響因素及其關(guān)聯(lián)關(guān)系，建模過程復(fù)雜，結(jié)果可靠性難以保證，因此，越來越多的研究者開始轉(zhuǎn)而關(guān)注基于評價(jià)決策模型的顧客滿意度測度[4]。

顧客是評價(jià)決策過程的主體，顧客評價(jià)是一種顧客主動(dòng)表達(dá)信息的途徑，其中蘊(yùn)含了產(chǎn)品的優(yōu)勢與不足，以及潛在的期望，充分分析顧客評價(jià)有助于準(zhǔn)確地預(yù)測顧客需求。目前，顧客評價(jià)的研究主要為評價(jià)信息挖掘，如李實(shí)等[5]通過數(shù)據(jù)挖掘技術(shù)對顧客評價(jià)和態(tài)度進(jìn)行了分析，實(shí)現(xiàn)了針對中文評論的產(chǎn)品特征信息挖掘；Greco 和Polli[6]介紹了情感文本挖掘在品牌管理領(lǐng)域的應(yīng)用，展示了此過程的潛力，給出了顧客在產(chǎn)品偏好、表示和情感方面的特點(diǎn)；Liu[7]提出了一種新的文本分類模型對文本數(shù)據(jù)進(jìn)行最大影響、中等影響和最小影響三個(gè)特征的分類，進(jìn)而對顧客進(jìn)行了準(zhǔn)確的分類；Balbi 等[8]提出了一種新的社交媒體用戶滿意度的評價(jià)策略，通過評論排序?qū)崿F(xiàn)了考慮用戶體驗(yàn)的產(chǎn)品/服務(wù)方案評價(jià)。關(guān)于顧客評價(jià)信息挖掘的研究相對豐富，但對于異質(zhì)評價(jià)群體本身的研究仍不完善。顧客作為一類特殊的決策者，其評價(jià)信息的搜集與處理要借助滿意度量表（在線評論/調(diào)查問卷），用以對其模糊的感知評價(jià)進(jìn)行量化。但受其年齡、職業(yè)、心理狀態(tài)及成長經(jīng)歷等主、客觀原因的影響，決策者往往具備不同的風(fēng)險(xiǎn)態(tài)度[9]和邊際效用，進(jìn)而使得其評價(jià)觀點(diǎn)表現(xiàn)出不同特征，最終對顧客滿意度產(chǎn)生影響。部分學(xué)者對顧客評價(jià)的特征進(jìn)行了研究，例如，Wang等[10]提出了一種啟發(fā)式深度學(xué)習(xí)方法從客戶產(chǎn)品評論中提取情感意見，實(shí)現(xiàn)了顧客評價(jià)的多重情感分類，獲得了七對情感屬性；李玉鵬等[3]在顧客滿意度測定中引入了一種不均衡語義量表，目的在于更加準(zhǔn)確的捕捉顧客在評價(jià)過程中偏好分布的非均勻特性?？梢?，從決策者的角度對顧客進(jìn)行分類，進(jìn)而捕捉其相應(yīng)的評價(jià)特征具有重要意義。

顧客評價(jià)特征表現(xiàn)為評價(jià)信息的多元性、沖突性等，其根本原因是顧客作為決策者的異質(zhì)性[11]。顧客的異質(zhì)性來源于顧客本身的特質(zhì)，例如，年齡、受教育程度、職業(yè)等。當(dāng)顧客具備相似特質(zhì)時(shí)，則會形成一類具有顯著特質(zhì)的決策群體。當(dāng)顧客決策群體的特質(zhì)具有顯著性差異時(shí)，其評價(jià)也會形成不同的評價(jià)類別[12]，所以，企業(yè)亦可通過識別異質(zhì)顧客群體來更加準(zhǔn)確地預(yù)測顧客需求，在此基礎(chǔ)上進(jìn)行產(chǎn)品再設(shè)計(jì)[13]。對異質(zhì)顧客群體進(jìn)行識別對于準(zhǔn)確捕捉其評價(jià)特征，設(shè)計(jì)相應(yīng)的評價(jià)模型及量表，從而獲得更為準(zhǔn)確的顧客滿意度信息具有重要工程意義。

本文將顧客定義為決策群體，考慮影響其異質(zhì)性形成的關(guān)鍵因素，基于混合屬性聚類方法實(shí)現(xiàn)異質(zhì)顧客群體的分類識別。首先將顧客定義為數(shù)值-分類屬性共存條件下混合屬性描述的空間向量，進(jìn)而設(shè)計(jì)初始聚類中心的確定方法，構(gòu)建統(tǒng)一相似度度量指標(biāo)，最后引入懲罰競爭機(jī)制，結(jié)合混合屬性聚類算法實(shí)現(xiàn)異質(zhì)顧客群體的識別。

1 異質(zhì)顧客群體識別方法框架

如前所述，影響顧客異質(zhì)性的因素有很多，在對顧客進(jìn)行分類時(shí)，要綜合考慮這些因素，并將其定義為聚類分析過程中的聚類屬性。顯然，上述屬性既包含數(shù)值型屬性（年齡、月收入等），又包含分類型屬性（學(xué)歷、職業(yè)階層等），此時(shí)，基于經(jīng)典歐氏距離的相似度測度不再適用。現(xiàn)有研究通常將分類屬性轉(zhuǎn)換為數(shù)值屬性，但存在信息丟失。在進(jìn)行異質(zhì)顧客群體識別時(shí)，本文引入基于聚類對象與聚類中心間相似性度量的聚類算法，并為相應(yīng)的混合型屬性數(shù)據(jù)建立一種統(tǒng)一的相似性度量標(biāo)準(zhǔn)，從而保證數(shù)值型屬性數(shù)據(jù)和分類型屬性數(shù)據(jù)在聚類過程中都能夠得到有效利用，降低信息丟失。方法框架如圖1所示。

圖1 異質(zhì)顧客群體識別方法框架

首先確定顧客群體特征屬性，再通過問卷調(diào)查得到顧客群體屬性值矩陣；然后利用本文所提的混合數(shù)據(jù)聚類算法對顧客群體進(jìn)行識別，得到顧客群體的分類結(jié)果；最后對分類結(jié)果統(tǒng)計(jì)分析，總結(jié)各類顧客群體的屬性特征。

2 基于懲罰競爭機(jī)制的混合數(shù)據(jù)聚類算法

傳統(tǒng)的聚類算法無法有效處理混合屬性數(shù)據(jù)集，且需要給出初始聚類數(shù)，聚類結(jié)果穩(wěn)定性不足。為了更好地處理異質(zhì)顧客群體聚類問題，本文引入一種基于懲罰競爭機(jī)制的混合數(shù)據(jù)聚類算法，能夠通過聚類項(xiàng)之間的相互競爭自動(dòng)確定聚類數(shù)目，使聚類結(jié)果更為可靠。算法流程如圖2 所示，包括混合數(shù)據(jù)聚類算法、初始聚類中心確定、懲罰競爭學(xué)習(xí)機(jī)制三個(gè)部分。

圖2 混合屬性數(shù)據(jù)集聚類算法流程圖

2.1 基于統(tǒng)一相似性度量的混合數(shù)據(jù)迭代聚類算法

設(shè)顧客群體可表示為X={x1,x2,…,xn} ，其中xi為第i位顧客。將n個(gè)顧客聚成k類，表示為聚類項(xiàng)集C={C1,C2,…,Ck}，xi與Cj之間的相似度為s(xi,Cj)；且xi與Cj之間的數(shù)值型屬性相似度和分類型屬性相似度分別表示為

假設(shè)第i位顧客xi具有t個(gè)不同的聚類屬性，其中數(shù)值型屬性數(shù)量為tu，分類型屬性數(shù)量為tc，則xi可表示為數(shù)值型屬性分類型屬性其中中包含tc個(gè)屬性{Ar}(r=1,2,…,tc)，屬性Ar又包含m個(gè)取值{arg}(g=1,2,…,m)，則聚類目標(biāo)函數(shù)如公式（1）所示：

其中，Q為0-1矩陣，qij∈{0,1}滿足條件：

此外，數(shù)值型屬性和分類型屬性在聚類分析中對相似度的影響不同。每個(gè)分類屬性通?？梢员硎窘o定對象的一個(gè)重要特征，因此需要獨(dú)立建模；而對于數(shù)值型屬性，研究通常更加關(guān)注其整體效應(yīng)，因此在聚類分析時(shí)，將其描述為一個(gè)向量，作為整體對待[14]。則混合屬性數(shù)據(jù)的聚類相似度可表示為：

其中，tf=tc+1 為權(quán)重分項(xiàng)的數(shù)量，則數(shù)值型屬性相似度和分類型屬性相似度所占權(quán)重分別為1/tf和tc/tf。

本文采用可以反映屬性間相關(guān)性的馬氏距離計(jì)算數(shù)值型屬性相似度：

其中：

其中，cj表示Cj中數(shù)值屬性的中心，Dis(·)表示馬氏距離求解函數(shù)，為Cj中數(shù)值屬性的協(xié)方差矩陣。

分類型屬性的相似度可表示為：

因此分類型數(shù)據(jù)的相似度為：

在得到分類屬性和數(shù)值屬性的相似度后，由公式（2）可計(jì)算s(xi,Cj)，在此基礎(chǔ)上可得到

其中，i=1,2,…,n;j=1,2,…,k。

然后，每個(gè)xi都會分配給與其相似度最高的聚類項(xiàng)，不斷更新各聚類項(xiàng)中分類屬性各元素的頻率和數(shù)值屬性的中心，直至不再變化，得到聚類結(jié)果。

2.2 混合數(shù)據(jù)初始聚類中心的確定

初始聚類中心的選擇影響聚類的迭代次數(shù)和最終結(jié)果。目前大多數(shù)聚類方法在選取聚類中心時(shí)都采取隨機(jī)初始化的方法，幾乎沒有一種方法能夠普遍適用于混合屬性數(shù)據(jù)初始聚類中心的選取。根據(jù)實(shí)際情況來看，現(xiàn)有的聚類對象不能完全代表聚類項(xiàng)，因此選取的大多數(shù)聚類中心并不應(yīng)該是聚類對象中真實(shí)存在的數(shù)據(jù)，而是由屬性數(shù)據(jù)重組而來的虛擬對象[16]。

對于數(shù)值型屬性數(shù)據(jù)，為了避免聚類中心選取的隨機(jī)性，將聚類對象的向量中心作為第一個(gè)初始聚類中心，進(jìn)而利用公式（8）計(jì)算每個(gè)對象與向量中心的距離選取其中距離最大的聚類對象作為第二個(gè)初始聚類中心。

其中，i=1,2,…,n,e=1,2,3,…,tu，此時(shí)可確定前兩個(gè)初始聚類中心。為了保證每個(gè)初始聚類中心都是距離彼此最遠(yuǎn)的點(diǎn)，從第三個(gè)初始聚類中心選取時(shí)，要考慮累加影響。通過公式（9）計(jì)算每個(gè)聚類對象數(shù)據(jù)點(diǎn)與已經(jīng)選取的初始聚類中心距離之和選取累加距離最大的聚類對象點(diǎn)作為下一個(gè)初始聚類中心，依次選取，直至結(jié)束。

對于分類型屬性數(shù)據(jù)，如果僅采用密度度量方法確定初始聚類中心，會出現(xiàn)聚類中心集中度過高的問題；如果僅采用距離度量方法確定初始聚類中心，則會出現(xiàn)聚類中心離群度過高的問題。為了改善上述問題，同時(shí)避免聚類中心選取的隨機(jī)性，引入一種結(jié)合密度度量和距離度量確定初始聚類中心的方法。

首先，確定分類型屬性所有元素的數(shù)目，進(jìn)而找到在分類型屬性數(shù)據(jù)部分中含有的所有聚類對象數(shù)據(jù)點(diǎn)，放入集合中，該過程可用下式表示：

分類型屬性數(shù)據(jù)的初始聚類中心候選集合確定后，便可以通過密度度量的方式來選取第一個(gè)初始聚類中心。從初始聚類中心候選集合O中依次選取與每一個(gè)相比較，找到與相同次數(shù)最多的，記為將其作為分類型屬性數(shù)據(jù)的第一個(gè)初始聚類中心。接著通過公式（12）計(jì)算每一個(gè)初始聚類中心候選點(diǎn)的可能度選擇可能度最大的點(diǎn)作為下一個(gè)初始聚類中心，直至選取結(jié)束。

其中，i=1,2,…,n;r=1,2,…,tc。

將數(shù)值型屬性和分類型屬性的初始聚類中心按選取次序組合，即可得到混合數(shù)據(jù)的初始聚類中心。

2.3 懲罰競爭學(xué)習(xí)機(jī)制

Cho[17]提出的競爭學(xué)習(xí)機(jī)制源于神經(jīng)網(wǎng)絡(luò)的方法研究，如今已經(jīng)成為自組織網(wǎng)絡(luò)中一種常用的學(xué)習(xí)策略。競爭學(xué)習(xí)是通過個(gè)體的相互競爭，使競爭失敗者受到一定的懲罰，最終得到最優(yōu)解的過程。將這一思想引入到聚類算法中，可以實(shí)現(xiàn)聚類項(xiàng)的相互競爭，去除冗余的聚類項(xiàng)，得到最優(yōu)的聚類數(shù)目。

將k個(gè)不同的聚類類別Cj(j=1,2,…,k)分別看成是一個(gè)神經(jīng)元，設(shè)其在競爭中獲勝的次數(shù)為nj，所占權(quán)重為λj，則獲勝頻率γj可表示為：

基于混合數(shù)據(jù)聚類算法對相似度進(jìn)行求解，對于同一對象，相似度高的聚類項(xiàng)獲勝。由于相似度的值域?yàn)閇0，1]，可以對公式（1）做以下變換：

為了防止神經(jīng)元在競爭中“死亡”，通過獲勝頻率來削弱獲勝項(xiàng)在后續(xù)競爭中的能力，因此獲勝者Cv可由下式確定：

對于獲勝者Cv，其獲勝次數(shù)nv和權(quán)重λv可通過公式（17）和（18）計(jì)算：

其中η為學(xué)習(xí)率。

在競爭學(xué)習(xí)的基礎(chǔ)上，Cheung等[14]提出對次勝者進(jìn)行懲罰，以此來實(shí)現(xiàn)聚類數(shù)量的自動(dòng)選擇。次勝者Cr可以通過公式（19）得到：

其權(quán)重λr可以通過公式（20）確定：

其中max(?)的作用是防止λr<0。

通過加入懲罰競爭機(jī)制，可以實(shí)現(xiàn)混合數(shù)據(jù)的自動(dòng)聚類。首先，給k個(gè)聚類項(xiàng)分別選擇1個(gè)初始對象，將nj和λj的初始值設(shè)置為1，選擇合適的學(xué)習(xí)率η；繼而求出Cv和Cr以及滿足

的最小Q*；不斷更新各聚類項(xiàng)中分類屬性各元素的頻率和數(shù)值屬性的中心以及獲勝頻率γj和權(quán)重λv，直至Q*不再變化，得到最優(yōu)的聚類結(jié)果。

3 案例分析

當(dāng)前手機(jī)產(chǎn)品更新迅速，企業(yè)需要及時(shí)預(yù)測顧客需求，進(jìn)行改型設(shè)計(jì)。本章以某型號手機(jī)產(chǎn)品為研究對象，通過調(diào)研確定顧客群體屬性數(shù)據(jù)，利用所提方法對實(shí)現(xiàn)異質(zhì)顧客群體的分類。

3.1 數(shù)據(jù)的定義與準(zhǔn)備

異質(zhì)顧客群體識別是通過對混合屬性數(shù)據(jù)進(jìn)行聚類分析，得到分類結(jié)果。因此，需要首先確定用來識別顧客群體的屬性和各屬性取值范圍。經(jīng)過調(diào)研與分析，排除非主要屬性，共確定3 個(gè)數(shù)值型屬性：年齡、月收入、風(fēng)險(xiǎn)偏好水平，3個(gè)分類型屬性：受教育程度、居住地區(qū)劃、職業(yè)。

不同的顧客對風(fēng)險(xiǎn)的態(tài)度存在差異，風(fēng)險(xiǎn)偏好水平表示顧客主動(dòng)追求風(fēng)險(xiǎn)、喜歡收益的波動(dòng)性勝于穩(wěn)定性的態(tài)度。在調(diào)研時(shí)，采用了李克特量表來收集不同顧客者的風(fēng)險(xiǎn)偏好水平數(shù)據(jù)，定義風(fēng)險(xiǎn)偏好水平的取值范圍是（10，50）。

職業(yè)屬性共包含11 種元素，分別是國家與社會管理者、經(jīng)理人員、私營企業(yè)主專業(yè)技術(shù)人員、辦事人員、個(gè)體工商戶、商業(yè)服務(wù)人員、產(chǎn)業(yè)工人、農(nóng)業(yè)勞動(dòng)者、城鄉(xiāng)無業(yè)/失業(yè)/半失業(yè)和全日制學(xué)生。各分類型屬性的值域如表1所示。

表1 分類型屬性值域

采用調(diào)查問卷收集顧客群體數(shù)據(jù)。共發(fā)出調(diào)查問卷600份，收回562份。初步篩選，去除掉填寫時(shí)間過短以及有明顯邏輯錯(cuò)誤的問卷。根據(jù)各答案比例縮小樣本容量，選取出100 組具有代表性的數(shù)據(jù)采用SPSS 進(jìn)行信效度分析，可得α信度系數(shù)大于0.9，KMO 系數(shù)大于0.8，數(shù)據(jù)的信效度良好。

3.2 異質(zhì)顧客群體識別

利用本文所提方法對上述顧客群體進(jìn)行聚類分析。算法采用Visual Studio 2013 編程實(shí)現(xiàn)，計(jì)算機(jī)配置為參數(shù)設(shè)置如下：學(xué)習(xí)率η設(shè)置為0.01，可能度β權(quán)重設(shè)置為0.5。改變初始聚類數(shù)k的取值，得到相應(yīng)的聚類結(jié)果，如表2所示。各類別對象數(shù)量及聚類效果如圖3～8表示。

表2 案例聚類結(jié)果

圖3 聚類效果(k=3)

圖4 聚類效果(k=4)

圖5 聚類效果(k=5)

圖6 聚類效果(k=6)

圖7 聚類效果(k=7)

圖8 聚類效果(k=8)

從聚類效果圖及表2 可知，k=3，4 的聚類結(jié)果相同，k=6，7，8 的聚類結(jié)果相同，且k=6，7，8 的聚類結(jié)果各聚類項(xiàng)的分布較為均勻，類簇的直徑較小。綜合考慮后可得，k=6，7，8的聚類結(jié)果出現(xiàn)頻次最高，各類數(shù)量分布最為均勻，因此將其作為最終聚類結(jié)果，如圖9所示。

圖9 最終聚類結(jié)果

4 方法對比與聚類結(jié)果分析

本章將通過方法對比說明本文所提方法的特點(diǎn)，驗(yàn)證其優(yōu)越性；并對3.2節(jié)得到的分類結(jié)果進(jìn)行分析，總結(jié)各類顧客群體的異質(zhì)特征，為產(chǎn)品再設(shè)計(jì)提供參考。

4.1 方法對比

為了驗(yàn)證所提出的混合數(shù)據(jù)聚類算法的有效性，從算法特點(diǎn)、聚類數(shù)與每類個(gè)案數(shù)、聚類精度三方面，將混合數(shù)據(jù)聚類算法與K-means、K-prototypes 算法進(jìn)行對比。3種算法的特點(diǎn)如表3所示。

表3 3種算法特點(diǎn)

K-means 算法無法區(qū)分?jǐn)?shù)值型變量和分類型變量[18]，對于所有數(shù)據(jù)均采用距離來度量相似度，針對混合屬性數(shù)據(jù)聚類有較大缺陷。

K-prototypes 算法需要預(yù)先分配聚類數(shù)目，人為選擇帶來的負(fù)面影響較大。同時(shí)，由于初始聚類中心隨機(jī)確定，導(dǎo)致聚類結(jié)果的差異率很高。3種算法的聚類數(shù)與每類個(gè)體數(shù)如表4所示。

由表4可知，K-means算法和K-prototypes算法的聚類數(shù)完全取決于k的預(yù)定值，同時(shí)，每個(gè)類別的個(gè)體數(shù)分布很不均勻；而本文所提方法得到的聚類數(shù)相對穩(wěn)定，且無需預(yù)先確定聚類數(shù)。

表4 3種算法的聚類數(shù)與每類個(gè)體數(shù)對比

此外，從UCI 機(jī)器學(xué)習(xí)數(shù)據(jù)庫（URL：http：//archive.ics.uci.edu/ml/）中獲得“Heart Disease”數(shù)據(jù)集，以聚類誤差為指標(biāo)對比3種算法的性能。聚類誤差為：

其中，AC為聚類精度，n為數(shù)據(jù)集中實(shí)例總數(shù)，ai為數(shù)據(jù)庫提供的標(biāo)簽，map(bi)為映射函數(shù)，將所獲得的聚類標(biāo)簽bi映射到數(shù)據(jù)庫中的等效標(biāo)簽，當(dāng)且僅當(dāng)ai=map(bi)時(shí)δ(ai,map(bi))=1，否則δ(ai,map(bi))=0。

3 種算法的聚類誤差對比數(shù)據(jù)如表5 所示?！癏eart Disease”數(shù)據(jù)集包括270個(gè)實(shí)例，具有7個(gè)分類型屬性、6個(gè)數(shù)值型屬性，理論上分為2 個(gè)類別。由于3 種算法的最終聚類數(shù)均小于或等于初始聚類數(shù)，故將k值設(shè)置為2、3和4。

表5 3種算法“Heart Disease數(shù)據(jù)集”的聚類誤差%

由表5 中可知，在聚類精度方面，本文所提方法優(yōu)于K-means算法和K-prototypes算法。

同時(shí)，由于懲罰競爭機(jī)制的引入，混合數(shù)據(jù)聚類算法可以更直接地獲得相對可靠的聚類結(jié)果而不會產(chǎn)生波動(dòng)。

綜上所述，利用本文所提混合數(shù)據(jù)聚類算法對顧客群體分類的理論與實(shí)際優(yōu)勢如下：理論方面，顧客群體具有混合型屬性，其分類問題難以預(yù)先確定聚類數(shù)但要求穩(wěn)定可靠的結(jié)果。為了解決這一問題，本文針對顧客提出了一種混合型屬性聚類方法，采用懲罰競爭機(jī)制消除冗余聚類項(xiàng)，通過非隨機(jī)化方法確定初始聚類中心。所提出的算法在聚類結(jié)果的每類個(gè)體數(shù)和聚類精度方面均優(yōu)于K-means 算法和K-prototypes 算法?，F(xiàn)實(shí)方面，顧客數(shù)量龐大、特征多樣，難以逐一識別，分類后再處理是解決該實(shí)際問題的一種可取的方法，但其需要一個(gè)明確的分類結(jié)果，這一結(jié)果可以通過混合數(shù)據(jù)聚類算法獲得。此外，針對混合數(shù)據(jù)聚類算法的分類結(jié)果，進(jìn)一步分析同質(zhì)顧客群體中決策者之間以及異質(zhì)顧客群體之間的交互關(guān)系，提出針對相應(yīng)顧客群體的產(chǎn)品再設(shè)計(jì)方案，進(jìn)而形成標(biāo)準(zhǔn)化的產(chǎn)品再設(shè)計(jì)流程。

4.2 聚類結(jié)果分析

假設(shè)每個(gè)樣本個(gè)體代表一位顧客，則由上述聚類結(jié)果可知，100名顧客被分為三類：第一類共有34人，第二類共有28 人，第三類共有38 人。接下來將對每一類顧客群體做出分析。

第一類顧客群體與其他兩類比較，整體特征表現(xiàn)為群體年齡偏大、平均月收入高、不太愿意接受風(fēng)險(xiǎn)、學(xué)歷較高、人員涉及各職業(yè)階層，具體數(shù)據(jù)見表6和表7。

表6 第一類顧客群體數(shù)值型屬性統(tǒng)計(jì)表

表7 第一類顧客群體分類型屬性統(tǒng)計(jì)表

第二類顧客群體與其他兩類比較，整體特征表現(xiàn)為群體年齡偏大、平均月收入最低、勉強(qiáng)愿意承受風(fēng)險(xiǎn)、大多數(shù)來自鄉(xiāng)村少部分來自市區(qū)、文化水平低、職業(yè)主要是農(nóng)業(yè)勞動(dòng)和產(chǎn)業(yè)工人，具體數(shù)據(jù)見表8和表9。

表8 第二類顧客群體數(shù)值型屬性統(tǒng)計(jì)表

表9 第二類顧客群體分類型屬性統(tǒng)計(jì)表

第三類顧客群體與其他兩類比較，整體特征表現(xiàn)為年輕人較為集中、收入水平一般、比較愿意接受風(fēng)險(xiǎn)、主要來自縣區(qū)和市區(qū)、受教育程度中等水平、職業(yè)都較為穩(wěn)定，具體數(shù)據(jù)見表10和表11。

表10 第三類顧客群體數(shù)值型屬性統(tǒng)計(jì)表

表11 第三類顧客群體分類型屬性統(tǒng)計(jì)表

通過上述分析，可以看出本文所提的混合屬性聚類方法能較為準(zhǔn)確地識別異質(zhì)顧客群體，符合現(xiàn)實(shí)情況。

5 總結(jié)

本文針對異質(zhì)顧客群體識別問題，提出了一種混合數(shù)據(jù)聚類算法對其進(jìn)行分類。首先通過分析顧客群體主要特征確定識別指標(biāo)，并收集聚類對象各屬性數(shù)據(jù)；然后確定初始聚類中心并對相似度矩陣進(jìn)行迭代運(yùn)算，此外，在該過程中引入懲罰競爭機(jī)制，從而實(shí)現(xiàn)自動(dòng)確定聚類項(xiàng)；最終得到異質(zhì)顧客群體的分類結(jié)果。在案例分析部分，以某型號手機(jī)產(chǎn)品作為研究對象，對其顧客群體進(jìn)行分類，最終得到較為可靠準(zhǔn)確的分類結(jié)果，從而對顧客需求預(yù)測及產(chǎn)品滿意度測量提供基礎(chǔ)。然而，本文僅提出了一種新型異質(zhì)顧客群體識別的思路，其仍存在一些不足。雖說可為企業(yè)提供短期參考，但所得數(shù)據(jù)容易受到樣本影響，其擴(kuò)展性還需進(jìn)一步研究完善。