K-means算法对综合商场客户价值分类的研究

李晓萍

（张家口学院 经济与管理学院 河北省张家口市 075000）

当前具有聚类分类的方法有很多，对于不同的客户分类研究中，不同的分类方法产生的分类效果对于企业的接下来的工作有直接的影响，效果不好的分来有可能直接导致优质客户的流失而对价值一般的客户投入太多的精力。当前应用于客户分类中的RFM 模型是利用K-means算法进行操作。本文认为综合商场商品种类较多，由于不同的品牌档次对于客户价值的确定有着至关重要的作用，日常生活中消费者更倾向于购买知名品牌的商品，原因是由于其质量以及售前售后服务都有所保证，所以加入一新的变量购买品牌P 以改善RFM 模型。本文根据历史数据以及商场性质直接确定了聚类数目K 值[5]，但是由于初始聚类中心的波动[3-4]引起的效果变动，对于初始聚类中心用比例划分法，不同的变量属性对于客户的价值贡献是有差别的，本文也对改进后的RFA 的四个因素赋予权重。继而进行计算每个节点到聚类中心的距离，选择对应距离最小的加入聚类，进行传统的迭代算法直至根据判定函数确定聚类没有明显的变化。

1 改善RFM模型—RFAP模型

RFM 模型是分析客户价值的一种定量分析模型，它通过三个变量值来描述客户的重要程度和客户类型，即最近购买时问(R)，某一期间内购买的次数(F)，某一期间内购买的总金额(M)。本文结合Marcus 提出客户价值矩阵模型，提出了新的模型结构RFAP，最近购买时间（R），期间内购买次数（F），平均购买额（A），购买品牌属性（T）新加入的购买品牌属性是一个分类消费者消费层次的重要变量。……