自組織映射神經(jīng)網(wǎng)絡(luò)(SOM)在客戶分類中的一種應(yīng)用

1、2004年3月系統(tǒng)1.程理論與實(shí)踐第3期文章編號(hào)；1000- 6788 (2004) 03-0008-07自組織映射神經(jīng)網(wǎng)絡(luò)(SOM)在客戶分類中的一種應(yīng)用陳伯成9梁冰，周越博，林析泉，趙延(淸華大學(xué)經(jīng)濟(jì)管理學(xué)院，北京100084)摘婆：對(duì)口組織神經(jīng)網(wǎng)絡(luò)在客戶分類中的應(yīng)用進(jìn)行了探討討論了客戶分類的概念、指標(biāo)選取、分類方 法選取.S()M(Self Organization Map)聚類方法，給出了一種基于SOM的客戶分類方法，即：給出RFM (近度.Recency;頻度.Frequency:值度.Moncntarv)的指標(biāo)根據(jù)綜介指標(biāo)的計(jì)算和ft個(gè)指標(biāo)的相對(duì)學(xué) 習(xí)結(jié)果變化趨勢(shì)將客戶分類.并進(jìn)行

2、了模擬計(jì)算將模擬結(jié)果分類以驗(yàn)證算法.關(guān)鍵詞：客戶分類；口組織映射；口組織；神經(jīng)網(wǎng)絡(luò) 中圖分類號(hào)：F2O7. 7文獻(xiàn)標(biāo)識(shí)碼：AAn Application of SOM Neural Network in Customer ClassificationCHEN Bo-cheng, IANG Bing, ZHOU Yue-boJJN Xi-quan, ZHAO Yan(School of Economics & Management fsinghua University Beijing 100084 China)/Xhstract: An SOM (Self Organization M

3、ap) neural network application in customer classification is studied. First the concept target selection classification method of customer classificationis discussed then SOM clustering method is described and a customer classification method based on the SOM is given: taken RI;M (Recency Frequency

4、Moncntarv) as target indexes then classifying customer by calculating the integrated target index and analyzing each target index relative varying trend. Finally the simulation is made and the simulation result is classified in Order to verify the arithmetic. 1Key words: customer classification; SOM

5、 : self organization: neural network-X2L. - > .e1前曰客戶分類是企業(yè)了解客戶的雨耍手段它棊于企業(yè)對(duì)客戶具有的價(jià)值的認(rèn)知將客戶劃分為不同的重 耍等級(jí)并以此制定客戶的差別化服務(wù)政策通過(guò)政策的實(shí)施將客戶分類的結(jié)果作用丁企業(yè)實(shí)踐.對(duì)丁何接面対最終消費(fèi)右的行業(yè)來(lái)說(shuō)，客戶分類有著車耍的作用，而對(duì)菜些行業(yè)，如基丁傳統(tǒng)的銷售 和服務(wù)模式下的制造業(yè)來(lái)說(shuō)原先一鮫不|工接接觸最終消費(fèi)者，然而網(wǎng)絡(luò)化環(huán)境和電子商務(wù)模式止任深刻 地改變企業(yè)傳統(tǒng)的商貿(mào)業(yè)務(wù)形成了對(duì)傳統(tǒng)營(yíng)銷策略和市場(chǎng)理念的巨大沖擊和挑戰(zhàn)并大大拉近了客戶與 企業(yè)的距離同時(shí)采用了先進(jìn)制造技術(shù)的企業(yè)大大提高了個(gè)

6、性化敏捷設(shè)計(jì)和生產(chǎn)的能力定制化生產(chǎn)的 出現(xiàn)使企業(yè)與客戶之間建立r h接聯(lián)系在這種情況下有效的客戶分類可以使企業(yè)將有限的資源不均等 地分配到具有不同價(jià)值的客戶身上，從而更有效的利用生產(chǎn)資源優(yōu)化客戶資產(chǎn).本文的工作：提出一種客戶分類的方法，選擇客八分類評(píng)價(jià)指標(biāo)和客八分類算法，構(gòu)建基丁該客八分 類方法的模型.2簡(jiǎn)單綜述2. 1 CRM軟件業(yè)務(wù)模型中的客戶分類在CRM業(yè)務(wù)模型的客八分析流程中，客八分類和客八細(xì)分是客戶的識(shí)別階段的兩個(gè)重耍手段.本文 的概念：客戶細(xì)分指基丁客戶需求價(jià)值的劃分目的是向不同的客戸提供不同的產(chǎn)品和服務(wù)滿足個(gè)性化收稿日期：2003-01-08資助項(xiàng)目:國(guó)家自然科學(xué)基金(70231

7、010)作者簡(jiǎn)介：陳伯成(1955)男山東副教授碩七.研究方向：決策支持、模擬、企業(yè)管理軟件 #系統(tǒng)匸程理論與實(shí)踐2004年3月服務(wù)的需耍；客戶分類則是基丁客戶貢獻(xiàn)價(jià)值的劃分日的是向具有不同巫耍程度的客戶投入不同成本的 努力，滿足差別化服務(wù)的需要.常見(jiàn)的客戶分類方法有以下兩種：1）基于客戶利潤(rùn)率的分類：客戶利潤(rùn)率是將每次客戶交易的毛利減去成本求和.隨著企業(yè)對(duì)客戶遠(yuǎn) 期利潤(rùn)貢獻(xiàn)價(jià)值的關(guān)注利用客戶終身價(jià)值取代傳統(tǒng)的客戶利潤(rùn)率進(jìn)行計(jì)算的方法也開(kāi)始采用文獻(xiàn)1 提出了一種從開(kāi)發(fā)新客戶所需成本的角度來(lái)開(kāi)展客戶分類的數(shù)學(xué)方法.2）基丁指標(biāo)組合的客戶分類方法：基于指標(biāo)組合的客戸分類方法通常做法是設(shè)多個(gè)客八評(píng)價(jià)

8、指標(biāo). 如客戶忠誠(chéng)度、客戶信用度等并根據(jù)指標(biāo)的取值進(jìn)行組合獲得多種客戶類型與基丁客戶利潤(rùn)率的分類 方法相比.這種分類方法對(duì)客戶的劃分依據(jù)更加全面合理當(dāng)然其所需的客戸信息源也更多計(jì)算過(guò)程更 加復(fù)雜.常見(jiàn)的客戶細(xì)分方法主要基于兩種思路：1）先基丁預(yù)先指定的行為分類（例如：誰(shuí)選擇了什么品牌）后根據(jù)各個(gè)群體中由客戶的地理、社會(huì)、 心理信息加以描述的客戶背景特征來(lái)分析客戶與產(chǎn)品間可能存在的聯(lián)系；2）基于簇的劃分根據(jù)客戶對(duì)丁產(chǎn)品的知識(shí)、態(tài)度、使用以及反應(yīng)等方而的相似程度將客戶劃分為不 同群體.基丁簇的劃分通過(guò)定義細(xì)分的分類指標(biāo)結(jié)合細(xì)分算法實(shí)現(xiàn)許多學(xué)者利用這種方法對(duì)不同行業(yè) 不同渠道的客戶市場(chǎng)進(jìn)行了細(xì)分，而

9、這種細(xì)分指標(biāo)也可以在客戶分類上采用.如果把客戶細(xì)分的方法引入客戶分類中綜合客戶的利潤(rùn)貢獻(xiàn)和行為傾向劃分客戶的等級(jí)和類熨就 可以獲得對(duì)客戶更加全而的視圖.2.2客戶分類指標(biāo)的選取本節(jié)的客戶分類對(duì)彖選定為個(gè)人客戶而非企業(yè)客戶，因此以下的客戶分類指標(biāo)選取是針對(duì)企業(yè)的個(gè) 人客戶進(jìn)行的.在客戶分類的指標(biāo)組合分類法中利用客戶利潤(rùn)率、忠誠(chéng)度和信用度的組合來(lái)劃分客戶較為常見(jiàn).而 客戶忠誠(chéng)度乂可通過(guò)多種衡帚依據(jù)如再次購(gòu)買傾向2-化口碑效應(yīng)5】、客戶份額等進(jìn)行衡帚.其中口 碑效應(yīng)為客戶的主觀態(tài)度，較難通過(guò)客觀分析獲得；而耍學(xué)握客戶份額則涉及到客戶隱私實(shí)際可行性較 低；因此常用的辦法還是基丁客戶行為的客戶購(gòu)買傾向分

10、析.在客戶行為分析中RFM指標(biāo)是較為常用的評(píng)價(jià)指標(biāo).近度（Recency）衡星從最近一次購(gòu)買到當(dāng)前 的時(shí)間.近度時(shí)間太長(zhǎng)被廣泛認(rèn)為是客戶行為己經(jīng)發(fā)生變化的信號(hào)；頻度（Frequency）衡最在一段給定的 時(shí)間內(nèi)客戶購(gòu)買的次數(shù)用以識(shí)別更加經(jīng)常接觸企業(yè)的客戶；值（Monentary）衡最購(gòu)買的平均金錢價(jià) 值7】木文的應(yīng)用采用RFM作為分類衡帚指標(biāo)，以客戶的RFM行為作為對(duì)客戶忠誠(chéng)度和客戶利潤(rùn)率的 模擬衡最.2.3客戶分類算法的選取在客戶細(xì)分的方法中基丁簇的劃分更加適合用丁客戶分類.形成簇集通常采用聚類技術(shù)常用的聚 類技術(shù)主要有：1）基于分區(qū)的方法.其基本思路是首先列舉出不同的分區(qū)然后根據(jù)某種標(biāo)準(zhǔn)對(duì)

11、不同的分區(qū)進(jìn)行評(píng) 價(jià).常用的方法有K-Means方法.K-Prototvpcs方法.K-Medoids方法、PAM方法XLARA方法、基丁密 度的方法等.2）基丁層次的方法.其基本思路是通過(guò)某種標(biāo)準(zhǔn)創(chuàng)建數(shù)據(jù)（對(duì)象）集合的層次分解結(jié)構(gòu).常用的方法 有BIRCH方法等.3）基于模型的方法.其棊本思路是對(duì)每個(gè)類簇假設(shè)一個(gè)模型并尋求相互之間模型的最佳合適程 皮.常用的方法有神經(jīng)元網(wǎng)絡(luò)方法（如SOM）方法、統(tǒng)計(jì)方法（髙斯混合模型方法、白動(dòng)歸類方法）.在這些方法中°利用神經(jīng)元網(wǎng)絡(luò)方法進(jìn)行客戶市場(chǎng)細(xì)分在近兒年中得到了廣泛的重視和大最的應(yīng)用. 如Davies等人分析了銀行的不同客戶群體對(duì)丁門動(dòng)取款機(jī)

12、的不同期望，以便實(shí)施一個(gè)聚類戰(zhàn)略. Dasgupta等人根據(jù)客戶的生活方式差異，歸納了潛在客戶區(qū)隔的各|'|特征此外在文獻(xiàn)11 13中也 分別對(duì)神經(jīng)網(wǎng)絡(luò)在客戶細(xì)分上的應(yīng)用進(jìn)行了研究，特別是文獻(xiàn)14給出了 SOM在銀行監(jiān)管中應(yīng)用的例 子.3自組織映射神經(jīng)網(wǎng)絡(luò)（SOM）算法H組織映射（Self Organization Map, SOM ）神經(jīng)網(wǎng)絡(luò)是較為廣泛應(yīng)用于聚類的神經(jīng)網(wǎng)絡(luò)它是由 Kohonen提出的一種無(wú)監(jiān)督學(xué)習(xí)的神經(jīng)元網(wǎng)絡(luò)模型主要功能是將輸入的n維空間數(shù)據(jù)映射到一個(gè)較 低的維度（通常是一維或者二維）輸出同時(shí)保持?jǐn)?shù)據(jù)原有的拓?fù)溥壿嬯P(guān)系與其他類型神經(jīng)網(wǎng)絡(luò)的區(qū)別在 于：它不是以一個(gè)神經(jīng)元

13、或網(wǎng)絡(luò)的狀態(tài)矢量反映分類結(jié)果的而是以若干神經(jīng)元同時(shí)（并行）反映分類結(jié) 果這種特征映射神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)輸入模式的反復(fù)學(xué)習(xí)使連接權(quán)矢最的空間分布能反映輸入模式的統(tǒng)計(jì) 特性叫SOM網(wǎng)絡(luò)可以采用各神經(jīng)元（特征參數(shù)）之間的鬥動(dòng)組織去尋找各類型間固有的、內(nèi)在的特征，從而 進(jìn)行映射分布和類別劃分.所以S（）M神經(jīng)網(wǎng)絡(luò)對(duì)丁解決各類別特征不明顯、特征參數(shù)相互交錯(cuò)混雜的、 非線性分布的類型識(shí)別問(wèn)題是非常有效的HQ SOM神經(jīng)網(wǎng)絡(luò)的這種特性對(duì)丁基丁客戶行為的客門細(xì)分 和分類研究也是和當(dāng)有效的因?yàn)榭蛻粜袨樽R(shí)別本身也是一種復(fù)雜多變的問(wèn)題.SOM網(wǎng)絡(luò)由輸入層和輸出層（Kohonen層）組成.輸入層中的每一個(gè)神經(jīng)元通過(guò)權(quán)與輸

14、出層中的每-個(gè)神經(jīng)元相聯(lián)如圖1所示.圖】SOM網(wǎng)絡(luò)結(jié)構(gòu)輸入層的祕(mì)經(jīng)元以一維的形式排列.輸入神經(jīng)元的個(gè)數(shù)由 輸入欠屋中的分凰個(gè)數(shù)決趙.輸出層的神經(jīng)元一般以一維或者 二維的形式排列，計(jì)輸入層的神經(jīng)元數(shù)量為"輸出層神經(jīng)元 數(shù)量為加一般要求m >> n輸入的樣本總數(shù)為第"個(gè)輸入樣本用矢量表示為：X"=（丹9疋，N 9疋）'每個(gè)輸出神經(jīng)元的輸出值記為y J=l,2,9刃.與第j個(gè) 輸出神經(jīng)元相聯(lián)的權(quán)用欠暈表示為：SOM聚類的方法是為每個(gè)輸入神經(jīng)元尋找對(duì)應(yīng)的輸出神經(jīng)元，辦法是通過(guò)尋找輸入矢帚和權(quán)矢磺的最佳匹配來(lái)確泄一個(gè)獲勝神經(jīng)元，這個(gè)獲勝神經(jīng)元與輸入的樣本

15、具有最近的歐氏距離.即若e為第”個(gè)樣 本的獲勝單元，則有：| X* 比 | < | X/* - W, | M j U 叫 j j（1）為了使接近獲勝神經(jīng)元的其他神經(jīng)元的權(quán)值向獲勝神經(jīng)元靠近而使遠(yuǎn)離獲勝神經(jīng)元的那些神經(jīng)元 的權(quán)值遠(yuǎn)離獲勝神經(jīng)元從而在輸出層能夠?qū)⑻卣鬟M(jìn)行聚集，以便丁在輸出層的二維陣列中相互靠近的位 置可以找到類似的特征需要在輸出層中引入側(cè)反饋.側(cè)反饋是在輸出層建立的反饋連接反饋的大小和類世（興奮或抑制）用側(cè)向權(quán)值表示側(cè)向權(quán)值是輸 出層陣列內(nèi)神經(jīng)元之間兒何距離的一個(gè)函數(shù)，它決定了哪種側(cè)向連接將產(chǎn)生預(yù)期的結(jié)果.4基于SOM的客戶RFM分類模型、模擬及分析4. 1 過(guò)程及算法實(shí)現(xiàn)結(jié)

16、構(gòu)基T SOM的客戶RFM分類過(guò)程如圖2所示，其基本思路為：1）以RFM作為劃分指標(biāo)劃分客戶，將部分客戸數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集.應(yīng)用SOM的聚類能力通過(guò)聚 類得到多個(gè)客戶簇；2）計(jì)算每個(gè)客戶簇的RFM平均值和所有客戶的總RFM平均值；3）將每個(gè)客戶簇的RFM平均值和總RFM平均值作比較每次對(duì)比有兩個(gè)結(jié)果：大?。ǖ榷。┢骄岛托《∑骄低ㄟ^(guò)對(duì)比得到每個(gè)客戶簇RFM的變動(dòng)情況；4）根據(jù)每個(gè)客戶簇RFM的變動(dòng)情況分析該客戶簇的性質(zhì)如該客戶簇是傾向丁忠誠(chéng)的還是傾向丁 背離的結(jié)合傳統(tǒng)的客戶等級(jí)劃分，定義客戶類型.第3期門組織映射神經(jīng)網(wǎng)絡(luò)(SOM)在客戶分類中的一種應(yīng)用115) 應(yīng)用訓(xùn)練好了的SOM,對(duì)所有客

17、戶數(shù)據(jù)進(jìn)行分類使每個(gè)客戶屈丁一種客戶類型.圖2壟于SOM的客戶RFM分類過(guò)程| d | = | XP Wj | = w0)2, j = 1, 2.m(2)第3期門組織映射神經(jīng)網(wǎng)絡(luò)(SOM)在客戶分類中的一種應(yīng)用#| d | = | XP Wj | = w0)2, j = 1, 2.m(2)第3期門組織映射神經(jīng)網(wǎng)絡(luò)(SOM)在客戶分類中的一種應(yīng)用#圖3模塊數(shù)據(jù)處理過(guò)程本模型的實(shí)現(xiàn)采用Microsoft Visual C + +6.0分為S()M_Trn和S()M_ Clu兩個(gè)模塊.(略 SOM.Trn模塊用訓(xùn)練數(shù)據(jù)集訓(xùn)練SOM網(wǎng)絡(luò)權(quán)值的并生成客戶簇.SOM-C1U模塊用SOM-Trn訓(xùn)SOM.T

18、rn 練好的權(quán)值對(duì)全流程體客戶進(jìn)行分類，如圖3所示.* 4.2運(yùn)行說(shuō)明數(shù)據(jù)標(biāo)準(zhǔn)化：經(jīng)驗(yàn)顯示當(dāng)所有的輸入和輸出值 位于0和1之間時(shí)神經(jīng)網(wǎng)絡(luò)的計(jì)算效果最好.這就 耍求對(duì)提取的REM數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，以得到介于0和1之間的新值排除由于各個(gè)評(píng)價(jià)指標(biāo)因數(shù)杲級(jí)上的差別而造成的影響.數(shù)據(jù)的標(biāo)準(zhǔn)化調(diào)格通過(guò)如下公 式進(jìn)行：(min和mnx分別為各指標(biāo)值中的最小和最大值)調(diào)整后的值=初始值二兇11max min標(biāo)準(zhǔn)化使得在使用新的數(shù)據(jù)值時(shí)，相對(duì)于原來(lái)的數(shù)據(jù)值減少了計(jì)算最.模型網(wǎng)絡(luò)指客戶分類所需的S()M網(wǎng)絡(luò)其輸入層神經(jīng)元的數(shù)最由分類衡最指標(biāo)的個(gè)數(shù)決定，由丁采 用RFM作為衡暈指標(biāo)，因此輸入層的神經(jīng)元數(shù)量為3個(gè).對(duì)丁

19、本模型的輸出層單元個(gè)數(shù)，由丁本模型的客八簇性質(zhì)分析和類型定義是通過(guò)每個(gè)簇的RFM平 均值與總RFM平均值的對(duì)比來(lái)決泄而單個(gè)劃分指標(biāo)的對(duì)比可能結(jié)果有兩個(gè)：大丁(等于)或小丁平均 值.因此輸出的可能有2X2X2 = 8種.本模型中將輸出單元個(gè)數(shù)定為9個(gè)(3X3)模熨的運(yùn)行分為訓(xùn)練和分類兩個(gè)階段.在訓(xùn)練階段進(jìn)行訓(xùn)練前需耍確定的函數(shù)有：1) 鄰域函數(shù)NJt)：本文中的側(cè)反饋的效果可以用有效的計(jì)算方法來(lái)模擬側(cè)向權(quán)值被消去并用一個(gè) 區(qū)域代替，這個(gè)區(qū)域稱為鄰域.側(cè)反饋的調(diào)整可以通過(guò)簡(jiǎn)單地調(diào)整鄰域的大小來(lái)體現(xiàn)&鄰域是獲勝神經(jīng) 元c周圍的一個(gè)區(qū)域，記做代;，在這個(gè)區(qū)域內(nèi)的神經(jīng)元在不同程度上得到興奮而在N

20、.以外的神經(jīng)元都 被抑制.N,是時(shí)間？a也可以是迭代次數(shù))的函數(shù)，N,的而積隨著f的增加而成比例縮小.通過(guò)定義延遲 時(shí)間來(lái)控制領(lǐng)域半徑的減小每次迭代延遲時(shí)間增加一個(gè)單位，當(dāng)延遲時(shí)間達(dá)到閾值時(shí)，領(lǐng)域半徑減小一 個(gè)單位.同時(shí)延遲時(shí)間歸零.開(kāi)始重新計(jì)時(shí).2) 學(xué)習(xí)速率函數(shù)?(/)：學(xué)習(xí)速率。隨著時(shí)間/而遞減.本文通過(guò)設(shè)置學(xué)習(xí)衰減率來(lái)控制學(xué)習(xí)速率在 總迭代次數(shù)的頭一半中每迭代一次學(xué)習(xí)速率減少值為學(xué)習(xí)衰減率的1/10；后一半中每迭代一次學(xué)習(xí)速 率減少值等于學(xué)習(xí)衰減率，宜至降低到最小學(xué)習(xí)率.3) 訓(xùn)練結(jié)束的條件：本文用迭代最大次數(shù)作為訓(xùn)練結(jié)束的條件當(dāng)?shù)螖?shù)累計(jì)達(dá)到規(guī)定值時(shí)訓(xùn)練 結(jié)束訓(xùn)練的步驟：步驟1初始

21、化包括對(duì)權(quán)值矢量”,(0)、鄰域函數(shù)A；(0)和學(xué)習(xí)速率聯(lián)0)的初始值選取.步驟2將訓(xùn)練數(shù)據(jù)集的5個(gè)樣本逐一輸入網(wǎng)絡(luò)的輸入層對(duì)每一個(gè)樣本X。執(zhí)行下述步驟.步驟3計(jì)算歐氏距離：(取其中最小| d |的對(duì)應(yīng)的輸岀神經(jīng)元(作為競(jìng)爭(zhēng)的獲勝神經(jīng)元)| d | = | XP Wj | = w0)2, j = 1, 2.m(2)第3期門組織映射神經(jīng)網(wǎng)絡(luò)（SOM）在客戶分類中的一種應(yīng)用13步驟4修改權(quán)值址八+ 譏門兇 一 ivy（/）i j e no4j $ M（r）步驟5降低學(xué)習(xí)速率久步驟6降低鄰域大小N,步驟7所有樣本輸入并計(jì)算后完成一次迭代，用 結(jié)束條件檢査當(dāng)滿足條件時(shí)（如己達(dá)到最大迭代次數(shù)） 結(jié)束并退

22、出否則冋到步驟2進(jìn)行下一次迭代（見(jiàn)圖4）.在分類階段S（）M中經(jīng)過(guò)訓(xùn)練的權(quán)值不再變化對(duì) 輸入的每條客戶RFM記錄S（）M網(wǎng)絡(luò)門動(dòng)為其尋找最 相近的輸出神經(jīng)元找到獲勝神經(jīng)元后，將該客戶的客 戶編號(hào)記錄在該神經(jīng)元所代表的客戶簇編號(hào)下由丁輸 出層有9個(gè)神經(jīng)元所以最多可能會(huì)出現(xiàn)9個(gè)客戶簇. 4.3客戶簇的類型識(shí)別分析客戶簇的類型識(shí)別從分別計(jì)算每個(gè)客戶簇的R、F、 值的均值和所有客戶的RFM總平均值開(kāi)始.每個(gè)簇 的REM均值被用來(lái)和所有簇的RFM總均值進(jìn)行比較. 如果單個(gè)簇的均值大于總均值便給該值一個(gè)向上的箭 頭標(biāo)記反之則標(biāo)記“V ”對(duì)于R值來(lái)說(shuō)低于總均值意味著客戶最近一次的光顧更加接近現(xiàn)在而對(duì)于F值和

23、M值來(lái)說(shuō)高 丁總均值意味著在與企業(yè)交互的次數(shù)上更加頻繁且金額交易更高.這樣一共存在8種可能根據(jù)直對(duì)企 業(yè)的當(dāng)前和遠(yuǎn)期價(jià)值，劃分為七類客戶：第一類一R ； F f M f :這樣的客戶可被認(rèn)為是頻繁與企業(yè)接觸、且累計(jì)交易量較大的客戶，無(wú)論從 客戶行為角度還是客戶價(jià)值角度都可以認(rèn)為是對(duì)企業(yè)忠誠(chéng)的表現(xiàn)因而，這類客戶可視為企業(yè)的亜耍保 持客戶.第二類一一R ； E I M f :這樣的客戶與企業(yè)接觸的時(shí)間較近購(gòu)買金額較大但接觸的次數(shù)較少?gòu)?遠(yuǎn)期角度來(lái)看如果提高這些客戶與企業(yè)接觸的頻率則這些客戶將可以為企業(yè)帶來(lái)更多的利潤(rùn)因而這 類客戶可被視為有希望走向忠誠(chéng)的客戶9是企業(yè)重要的發(fā)展客戶.第三類一一R ；

24、F f M | :這樣的客戶與企業(yè)接觸的時(shí)間較近，次數(shù)也較多，但累計(jì)金額較少，有可能 是對(duì)價(jià)格比較敏感的客戶，培養(yǎng)與這些客戶的關(guān)系，有可能使M值上升從而使之轉(zhuǎn)變?yōu)橹艺\(chéng)客戶；也可能 得不到太大的M值提升從而維持現(xiàn)狀.然而維持這些客戶對(duì)企業(yè)的利潤(rùn)貢獻(xiàn)還是有意義的屬丁企業(yè) 的一般重要客戶.第四類 RlF/M I :這樣的客戶可能是一個(gè)新客戶他們與企業(yè)的關(guān)系剛剛開(kāi)始新客戶對(duì)于擴(kuò) 大企業(yè)的客戶數(shù)鼠和市場(chǎng)份額是非常重要的因此盡管他們還不能給企業(yè)帶來(lái)利潤(rùn)但他們?nèi)允瞧髽I(yè)的重 耍發(fā)展客戶.第五類一一R t F f M f :這樣的客戶較長(zhǎng)時(shí)間沒(méi)有與企業(yè)聯(lián)系，然而其與企業(yè)的接觸頻度和價(jià)值貢 獻(xiàn)都比較高可能是有流失

25、危險(xiǎn)的有價(jià)值客戶應(yīng)被視為企業(yè)的重要挽留客戸需耍釆取一些挽留措施以 保住這部分有價(jià)值的客戶資產(chǎn).第六類一R f E t M |或R f F & M個(gè)：這樣的客戶與第三類客戶較為相似然而錢長(zhǎng)時(shí)間沒(méi)何與企 業(yè)進(jìn)行接觸，因此其重耍性也相對(duì)第三類客戶為低，可視為企業(yè)的一般客戶.第七類一Rf F/M I :較長(zhǎng)時(shí)間沒(méi)有與企業(yè)聯(lián)系，且價(jià)值不大共至無(wú)利潤(rùn)的客戶，屬丁客戶資產(chǎn)中 的“不良”資產(chǎn)，通常維持這類客戶只能增加企業(yè)的活動(dòng)成本，可視為企業(yè)的無(wú)價(jià)值客戶.歸納起來(lái)通過(guò)REM分析將企業(yè)的客戶群體劃分成重要保持客戶、亜耍發(fā)展客戶、重耍挽留客戶、一 般重?？蛻簟⒁话憧蛻?、無(wú)價(jià)值客戶等八個(gè)級(jí)別.與通過(guò)客戶利潤(rùn)

26、率將客戶高、中、低等級(jí)劃分的劃分方法相比，本文給出的方法不但揭示了客戶在級(jí)別上的差異性更反映了客戶在行為上的特性和變化傾向.如 同為重?？蛻艟鸵罁?jù)其行為差異性劃分為重耍保持客戶、重要發(fā)展客戶和重耍挽留客戶三類，而同為重 耍發(fā)展客戶有的可能是企業(yè)的老客戶，有的則可能是新客戶.4.4模擬運(yùn)行結(jié)果、分析及討論本例通過(guò)模擬方法生成2000條RFM模擬數(shù)據(jù)，運(yùn)行后得到9個(gè)簇如表1所示.表1模擬運(yùn)行結(jié)果簇編號(hào)客戶數(shù)最近按頻度值投比較結(jié)果111583. 7783. 5981617. 453R 1 F f M f2246436. 1641. 220545. 548R f F i M 13561162.4271

27、. 270471.880R 1 F 1 M 14140295.1862. 1361590. 786R f F f M f5162278.5822. 448570. 624R f F | M |69487. 5266. 010327& 253R J F W72796& 8751.443544.021R 1 F ； M 18125112.7773. 3702600. 831R 1 F f M f9278167.2461. 6601351.649R 1 F ； M f總均值190. 8841. 9061031. 898從比較結(jié)果上看一共出現(xiàn)了五種客戶類型其中簇1.6.8為一種類熨根據(jù)

28、我們的客戶類型分析應(yīng) 屬于企業(yè)的雨耍保持客戶；簇2、5為一種類型屈于企業(yè)的無(wú)價(jià)值客戶；簇3、7為一種類型屬于企業(yè)的重要發(fā)展客戶中的新客戶；簇4為一種類型屬丁企業(yè)的重要挽留客戶；簇9為一種類型屬丁企業(yè)的重耍發(fā) 展客戶.如圖5所示.將客戶分類后便可依據(jù)不同的客戶類型 制定相應(yīng)的客戶政策包扌舌活動(dòng)的開(kāi)展、價(jià)格的 折扣、服務(wù)的級(jí)別等.統(tǒng)一的客戶政策涵蓋了企 業(yè)的市場(chǎng)、銷售和服務(wù)三個(gè)職能領(lǐng)域各職能部 門要在統(tǒng)一的客戶政策指導(dǎo)下，進(jìn)行具體的計(jì)劃 編制和活動(dòng)執(zhí)行.個(gè)性化服務(wù)被認(rèn)為是能夠有效的提高客戶 的滿意度和忠誠(chéng)度然而個(gè)性化服務(wù)所需的成本 相對(duì)丁-過(guò)去的大眾服務(wù)也高得多在執(zhí)行個(gè)性化 服務(wù)時(shí)企業(yè)內(nèi)部的資源將

29、更加集中在少數(shù)兒個(gè) 共至一個(gè)客戶身上，而客戶的回報(bào)有可能不足以 彌補(bǔ)企業(yè)活動(dòng)的消耗因此，對(duì)所有客八開(kāi)展無(wú) 差別的個(gè)性化活動(dòng)對(duì)丁企業(yè)來(lái)說(shuō)是難以辦到的.而個(gè)性化服務(wù)活動(dòng)在差別化客戶政策指導(dǎo) 下進(jìn)行可以使得個(gè)性化活動(dòng)更具有針對(duì)性同9客介編號(hào)RFM0075127I5500137334293202521091226502743173254904524912242圖5基于SOM的客戶RFM分類結(jié)果時(shí)也有助丁約束個(gè)性化活動(dòng)的范圍公除不必耍的個(gè)性化活動(dòng)降低企業(yè)的整體運(yùn)營(yíng)成本5結(jié)論本文主耍研究了利用SOM對(duì)客戶分類的一種方法.通過(guò)設(shè)定對(duì)近度、頻度和值度的指標(biāo)利用樣本計(jì)算它們的各分指標(biāo)和綜合指標(biāo)作為模型然后通過(guò)對(duì)

30、新樣本計(jì)算結(jié)果相對(duì)原模型的變化趨勢(shì)來(lái)確定客 戶的分類.本文的新點(diǎn)在于給出了分類方法和指標(biāo)相對(duì)變化趨勢(shì)對(duì)客戶分類影響的分析.仿真結(jié)果表明. 該方法是有效的.參考文獻(xiàn):El2趙國(guó)慶客戶關(guān)系管理中的客戶分類方法研究J安徽機(jī)電學(xué)院學(xué)報(bào)-2001-16(4)： 51-55.Hacmoon Oh. Service quality customer satisfaction and customer value: a holistic perspective j International Journal of Hospitality Management 1999. 18(1): 67 82.3Niren

31、 Sirohi EW Mclailghlin DR Wittink. A model of constimer perceptions ;incl store loyalty intentions for a supermarket retailer j Journal of Retailing 1998 74(2): 223245.4Kent Eriksson A L Vaghult. Purchasing behavior and relationship substance in professional servicesIrxhl期ri“l(fā)Marketing Management 20

32、00 29(4): 362 372.56789M Kiely. Word-of-mouth marketing Ej T Marketing 1993* 9: 6 1 1.Jill Griffin. Customer Loyalty M J. Josscy Bass Inc. 1 995.Stone w Bob. Successful I)i rcct Marketing Methods MJ. Lincolnwood : NTC Business Books 1994.陳國(guó)肯.徳雷凱.信息系統(tǒng)的組織管理建模M北京：淸華大學(xué)出版社.2002.F Davies . L MoUtinbo B Cu

33、rry. ATM User attitudes : a neural network analysis J . Marketing Intelligence &. Planning 1996> 14(2): 26 32.LioDasglipta C G Dispensa G S. Ghosc S. Comparing the predictive performance of a ncllral network model with some traditional market response models J . International Journal of Eorcc

34、asting« 994 10(2) : 235 244.11Mazancc J A. Classifying tourists into market segments : a neural network approach. Journal of I ravelTorllismMarketing 1 992 1(1): 39 5912Balakrislinan IV S Copper M C Jacob V S ct al. Comparative performance of the ESCL ncllral net and K-mcans algorithm for marke

35、t segmentation j European Journal of Operational Rcscarcli 1996 93(2) : 346 35713KE Fish. JH Bames MW Aiken Arlificinl neural networks-a new methodology for industrial market segmentation J Industrial Marketing Management 199524(5) : 431 43&14熊熊張維.商業(yè)銀行監(jiān)管的SOM神經(jīng)網(wǎng)絡(luò)的分類方法J系統(tǒng)工程理論與實(shí)踐.2002. 22(6):26-32.

36、15 Kohoncn T. Self-organized formation of topologically correct feature maps j Biological Cybernetics < 1982 4316(1)： 59-69.均野,李楠.應(yīng)用自組織映射神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬電路故障診斷的仿頁(yè)研究J.系統(tǒng)仿真學(xué)報(bào).2001, 13(5)： 582-17584胡春濤.劉文理李徳發(fā).SOM神經(jīng)網(wǎng)絡(luò)在儲(chǔ)層流體識(shí)別中的應(yīng)用J成都理工學(xué)院學(xué)報(bào).199623(増)：29 Q 11804.美jAbhijit SPandya, Robert B Macy.神經(jīng)網(wǎng)絡(luò)模式識(shí)別及其實(shí)現(xiàn)M徐勇.刑

37、濤，等譯北京:電子工業(yè)出版 社,1999.自組織映射神經(jīng)網(wǎng)絡(luò)（SOM）在客戶分類中的一種應(yīng)用S丈獻(xiàn)儺喪作者：陳伯成,梁冰,周越博,林析泉,趙延作者單位：淸華大學(xué)纟面?理學(xué)院，北京,100084刊務(wù)系統(tǒng)工程理論與實(shí)踐2疋|曰PXU|英文刊名：SYSTEMS ENGINEERINGTHEORY & PRACTICE年，卷（期）：2004, 24（3）被引用次數(shù)：21次參考文獻(xiàn)（18條）1 趙國(guó)慶客八矢系竹理中的客八分艾方汰研究期刊論文L交徽機(jī)電學(xué)院學(xué)報(bào)2001 (04)2Haemoon Oh Service quality, customer satisfaction, and custo

38、mer value： a holistic perspective 1999(01)3. Niren SirohiEW MclaughlinDR Wittink A model of consumer perceptions and store loyalty intentions for a supermarket retailer 1998(02)4. Kent Eriksson. A L Vaghult Purchasing behavior and relationship substance in professional services 2000(04)5. M Kiely Wo

39、rd-of-mouth marketing 1993(09)6Jill Griffin Customer Loyalty 19957. Stone Bob Successful Direct Marketing Jkthods 19918. 陳國(guó)青.雷凱 息系統(tǒng)的組織管理建模20029. F Davies. L Noutinbo. B Curry ATM user attitudes： a neural network analysis 1996(02)10 Dasgupta C GDispense G SGhose S Comparing the predictive performance

40、 of a neural network model with some traditional market response models 1991 (02)11. Mazanec J A Classifying tourists into market segments: a neural network approach 1992(01)12 Balakrishnan P V S. Copper M C. Jacob V S Comparative performance of the FSCL neural net and K- means algorithm for market

41、segmentation 1996(02)13. KE Fish. JH Barnes. MW Aiken Artificial neural netwoirks-a new methodology for industrial market segmentation 1995(05)14. 熊熊.張維商業(yè)銀行監(jiān)管的SO*神經(jīng)網(wǎng)絡(luò)的分類方法期刊論文系統(tǒng)丁秤理論與實(shí)踐2002(06)15Kohonen T Self-organized formation of topologically correct feature maps 1982(01)16. w 辿 應(yīng)用n組織映射神經(jīng)網(wǎng)絡(luò)進(jìn)行模擬電路

42、故障診斷的仿貞研究期刊論文系統(tǒng)仿真學(xué)報(bào)2001(05)17. 胡春濤.劉文列.乍徳發(fā)SO)(神經(jīng)網(wǎng)絡(luò)在儲(chǔ)層流體識(shí)別中的應(yīng)用1996(zl)18. Abhijit S Pandya. Robert B Kacy.徐勇.荊濤神經(jīng)網(wǎng)絡(luò)模式講別及氏實(shí)現(xiàn)19991學(xué)位論文比瑋 堆于數(shù)折挖撼的信用卡欺詐行為識(shí)別模型的研究2008著催濟(jì)和可？湎發(fā)岷以及個(gè)從金融由場(chǎng)的不斷開(kāi)放.存國(guó)政府枳極檢金Sffih化丐國(guó)除化的播施.而以信用I：作為媒介的交易行為不斷 徽增.但是，伴誑發(fā)卡址的大袒增長(zhǎng)和交易*的不斷提高信用墜現(xiàn)快速增氏的坦勢(shì).且欺詐手法不使銀行很灌迅速竹效的從大It 交易記錄中覺(jué)衆(zhòng)出欺詐交易由此帯來(lái)門才大的

43、風(fēng)險(xiǎn)和損失。因此.迫切需耍一個(gè)能對(duì)佶用卡交易進(jìn)行快速判斷和準(zhǔn)確識(shí)別的模里或系統(tǒng)來(lái)輔助銀 行的工作木文針對(duì)我國(guó)眾行信川I：交易中杵遜莊的耿床問(wèn)題.依扳數(shù)辦挖掘技術(shù).構(gòu)建倍川I：械詐行為識(shí)別仗憶 為我國(guó)浪行的信川代風(fēng)阻訐理捉供 技術(shù)支持本丈沖先簡(jiǎn)單介紹J我國(guó)信用R域臉許理的現(xiàn)狀.分析了欺詐風(fēng)険的成岡和識(shí)別1%范儉略.然廟 運(yùn)用門紐織映射（SOM）神經(jīng)M絡(luò)繹法和組合M理.構(gòu)建認(rèn)門誠(chéng)；挖抑的WIj(m川 汕卩別模怙UISOII網(wǎng)絡(luò)算法IMWMt龐大的樣木集進(jìn)行初步的分類處理.以JWSizmj準(zhǔn)確性.然JB4M到的練子 聘與欵詐樣本結(jié)合形成新的子如 接著根卅2門；：廠 耳次利川so網(wǎng)絡(luò)訂川j訕hi得到的

44、以個(gè)Pftffiftift 行分類繪后釆用投票法將分類結(jié)果融合.從向建芒信用”客八分類的組合離型 A此基咄上依托中國(guó)銀行卜屬相關(guān)支行的倍用卡交易具體數(shù)據(jù) 對(duì)構(gòu)建的欺詐識(shí)別模空進(jìn)行分析.驗(yàn)證了該模取的實(shí)際運(yùn)用效果2. 期刊論文劉曉冰.土宇畚暢靜泮.郝應(yīng)光.LIU Xiaof ing. WANG Yu-chun YANG Jing-ping. HAO Ying-guang 鋼鐵企業(yè)客戶評(píng)價(jià)指標(biāo)體系與分類方法研究-計(jì)算機(jī)集成制造系統(tǒng)2009,15(8)向鋼鐵企業(yè)N接客戶的客價(jià)伯評(píng)價(jià)指標(biāo)休系針對(duì)fl細(xì)織映射神紳網(wǎng)絡(luò)聚炎口法冇權(quán)(ft 初始化方面的不足，捉出了 沖以J K-means改迥的|'|

45、組織映射的聚類燈法.運(yùn)用圧次分析法和雇J K-.ean賊進(jìn)的門組織映射聚炎!？法.汝計(jì)了 住 客八分類方法.通過(guò)對(duì)可能出現(xiàn)的客八類空進(jìn)疔分析，捉出f相應(yīng)的客戶關(guān)系發(fā)展建汕域品通過(guò)應(yīng)用實(shí)例驗(yàn)證r該評(píng)價(jià)指標(biāo)體系和分類方法的可行 性和有效性.3. 學(xué)位論文李慧君面向大規(guī)模左制的客戶關(guān)系管理研究2006大戲模定制尼新世紀(jì)企業(yè)競(jìng)爭(zhēng)的詢沿問(wèn)逸隨林全球化和競(jìng)爭(zhēng)的加WL激削的山場(chǎng)竟?fàn)幋桶诵枨蟮?樣性使產(chǎn)品的更新越來(lái)越快隨祥人規(guī)模 宦制的推廠，幣場(chǎng)進(jìn)步H變?yōu)樨?一 J的対等競(jìng)爭(zhēng)，客八對(duì)定制產(chǎn)AM更人的選擇自山，幺門的件II川始變得更Du突出.曲向人規(guī)模定制的客戶關(guān)系管理逐漸成了一個(gè)新的硏究課題.木文療先介紹炳

46、的世界觀并由此引出大規(guī)模定制與客戶關(guān)系訐理的創(chuàng)題：然后分析和討論了大規(guī)模定制和客戶關(guān)系管理以及二者Z間的關(guān)系 .并俺工而向大規(guī)模定制的客戶關(guān)系計(jì)理的H標(biāo)：2品.本文將針對(duì)而向大規(guī)模定制的客戶關(guān)系計(jì)理的H標(biāo)展開(kāi)一系列的硏究.百文垢用工程的i«與方法，從客戶Kos的施體出發(fā)建工nm大 mt制的客八關(guān)集管理模型右這個(gè)蟆顯中在基j II殂織映射神 經(jīng)網(wǎng)絡(luò)的RTF客八分炎的基l«L匕過(guò)對(duì)客戶價(jià)值的分析，構(gòu)建了多客戶價(jià)值模型，幺八價(jià)值變動(dòng)指標(biāo)：構(gòu)適企業(yè)利洶的動(dòng)態(tài)蟆型并設(shè)利洞的靜杰以及動(dòng)態(tài)指標(biāo)：針對(duì)十前社會(huì)責(zé)任的問(wèn)収把社會(huì)訝任納入到企業(yè)決策的范國(guó)z內(nèi)，并創(chuàng)建了社會(huì)責(zé)任指標(biāo)論文4對(duì)客戶關(guān)系

47、管圖r價(jià) 的 »»響因素分析并建并W對(duì)刪汁算方法的IM上構(gòu)雄了間向人戲板定制的客戶關(guān)來(lái)管理!紿即價(jià)棚H.然心論文對(duì)面向址制的客戶X«¥?理綜合評(píng)價(jià)模型的應(yīng)川舉例進(jìn)f亍了說(shuō)明.4. 期刊論文曹云忠皋于SO)(和粗糙集理論的客八分類研究-商場(chǎng)現(xiàn)代化2009, ""(1)客戶分類足企業(yè)客戶關(guān)系肯科的敢咚4刪.木Z給出了 種提取客八分類規(guī)則的厲尢利用門組織映射神絆網(wǎng)絡(luò)對(duì)客戶購(gòu)買WHRF1 (RecencyFrtqutncy Mon<tary)i«itj聚：價(jià)化并利HJfilttM論完成規(guī)則捉為客戶分矣提供種新的思路.通過(guò)實(shí)例険i E了這種廳法能夠有效地対客門進(jìn)行細(xì)分、喪取分類規(guī)則，并捉筒了分類準(zhǔn)倫性.5. 期刊論文楊杰.王衛(wèi)平.Yang Jie.Wang Weiping壘j：客八價(jià)値和TGSOK網(wǎng)絡(luò)方法的客八分類-價(jià)值匸程2005, 24(3)以客戶為屮心足現(xiàn)代企業(yè)經(jīng)皆的指導(dǎo)思考它耍求市現(xiàn)客門資甌通過(guò)研究客戶確定市場(chǎng)，強(qiáng)化與高價(jià)伉客戶的關(guān)系因此，客戶價(jià)值對(duì)企業(yè)而言 KS.木文IT先對(duì)企業(yè)客戶價(jià)值進(jìn)行了定性和定盤的分析，U以定量分析K在對(duì)場(chǎng)客戶價(jià)(ft相關(guān)性堆行標(biāo)冷化Z阪采