以消费表现为基础之顾客群集分析.ppt

以消費表現為基礎之顧客群集分析第10組 報告人 資管4A 林俊豪 資管4A 顏志憲 資管4B 蘇建安 資料來源 資料來源是由一零售商之銷售部門所提供 customer 資料表 紀錄顧客基本資料 product 資料表 紀錄商品基本資料 sales_fact 資料表 紀錄顧客交易資料 顧客歷史交易資料表屬性 Customer 屬性：購買商品之顧客(如 customer_id)。 Product 屬性：顧客所購買的商品項目(如 product_id)。 Money Spent 屬性：顧客購買該項商品所花費之金額(如 store_sales) Transaction Time 屬性：發生交易之時間點(如 time_id)。 根據顧客歷史交易資料表轉換成轉換成顧客累積交易資料表，並計算出兩兩商品組合的親近度 找尋較佳客戶分群數 K 以此研究為例，設定測試K值的最小搜尋邊界(30)與最大搜尋邊界(80)，與搜尋間隔(10)，分別針對每個K值測試分群結果品質，挑出平均值最大的測試K值(60)。 顧客分群 此研究提供兩種不同的初始質心給定方式 1.隨機產生初始質心 2.基因演算法產生初始質心 顧客群價值分析 顧客分群後利用RFM價值分析模式衡量每個顧客群對零售商利潤的貢獻程度 R(Recency ) F(Frequency ) M(Monetary Amount ) 研究目的驗證 此研究目的在於讓顧客分群結果中的每個顧客群內之顧客都有較為相似的消費行為及模式，如此一來，才能正確地衡量顧客對於零售商的重要程度，使得零售商在導入顧客關係管理之過程中，更能持續有效地掌握顧客所反應出的消費表現，以達成客製化之目標。 研究目的驗證(二) 根據研究目的，我們可將驗證準則定義為：「每個顧客群內之顧客是否都有較為相似的消費行為及模式？」。 實驗設計 從customer資料表中挑出11個人口統計之特殊屬性 將屬性質做適當的轉換 如:年齡、婚姻、年收入、性別、教育… 由於這些特徵屬性的單位尺度並不相同，所以利用標準常態偏差(Z-score)轉換成統一尺度 利用SPSS10.01內建的K-means分群演算法的功能，完成以「人口統計」特徵屬性當作區隔變數的顧客分群方法 假設分群數為30 完成後分別計算出商品支持度、標準差及前5項商品的平均支持度 有兩種比較的方法: 1.每個顧客群內最大的 5 項商品之支持度的平 均值 2.每個顧客群內所有商品之支持度的標準差 歸納分群結果可以發現下列兩種特性: 每個顧客群內之最大的前五名的商品支持度較大：表示每個顧客群內之顧客都會比較集中購買某些特定的商品，也就是說每個顧客群內之顧客比較明顯具有相同的消費行為及模式。 每個顧客群內的所有商品支持度的標準差較大：表示每個顧客群內之各種商品之吸引顧客購買的能力，彼此之間的差異比較大，即表示當我們以每個顧客群內之支持度較大的商品，用來代表所有顧客的消費行為及模式之合理性也就相對比較高。 所以有鑑於此，此研究所提出的以顧客對零售商所提供商品與服務之「消費表現」\當作區隔變數之顧客分群方法，確實能達成本研究之研究目的。 討論顧客分群中的變化趨勢 在顧客分群過程中，必需經過若干次的學習循環，直到滿足學習循環之終止條件為止，也就是代表 K 個顧客群之質心位置的顧客已經固定而不更改。 在此實驗中，經過每次學習循環之後，所有顧客與其顧客群內之質心顧客的相似度之總和有出現逐漸增加的趨勢變化 在 30 個顧客群中，其代表顧客群質心的顧客有所更動的數目有出現逐漸減少的趨勢變化 因此會出現「消費表現較為相似的顧客會逐漸地凝聚在同一顧客群內」之趨勢性的變化 討論顧客群之初始質心顧客的產生 由於不同的顧客群之初始質心顧客的產生方式，會影響最後顧客分群結果之品質好壞，，所以此研究提供兩種方式 隨機產生初始質心顧客 以基因演算法產生初始質心顧客 若以基因演算法產生初始質心顧客之方式時，則我們必需自行設定兩個參數： 演化族群內之染色體數目( I ) (10) 疊代演化的次數( E ) (5) 當疊代演化次數越多，所得到的 ρ (K ) 之平均值也會隨之增大 (35後收斂) 由上面的做法可以得到結論: 不論族群內之染色體數目多寡，隨著疊代演化次數增加，所得到的分群結果品質 ρ (K ) 也有逐漸提升的趨勢，而其提升幅度是呈現逐漸趨於緩和的現象。 衡量顧客群之價值分析的結果 以 RFM 模型為基礎，進行顧客群價值分析衡量每個顧客群對於零售商利潤之貢獻程度，方能讓零售商依照不同顧客