[发明专利]使用目标聚类方法对具有混合属性类型的客户进行细分的系统和方法

说明书

公开了被配置为使用混合属性类型对客户进行细分的系统、方法和其它实施例。在一个实施例中，读取计算机化的数据结构。该计算机化的数据结构具有与客户相关联并存储在计算机化的存储器中的数值人口统计属性数据、分类人口统计属性数据和目标属性数据。数值人口统计属性数据和分类人口统计属性数据至少部分地基于目标属性数据被转换为相同的数值尺度，以形成一致属性数据，该一致属性数据具有与对该一致属性数据执行聚类分析相兼容的格式。对一致属性数据执行聚类分析以生成表示客户的细分的细分客户数据。细分客户数据可以用于控制由计算机化管理系统执行的至少一个企业功能。

背景技术

客户细分(segmentation)是将客户分成共享与营销相关的类似特性(诸如性别、年龄、教育水平或消费习惯)的分组的实践。零售商基于每个客户都具有不同的需求以及可以通过识别和瞄准具有类似偏好的分组来更好地服务客户的想法来进行客户细分。

聚类分析(clustering analysis)是用于将一组观察结果分类成互斥分组的统计技术。存在各种算法来执行聚类分析，并且这些算法在其聚类构建过程中和其效率方面显著不同。聚类分析可以用作识别具有类似购买行为的客户细分以从客户赚取额外收入的工具。例如，关于客户购物体验的不同方面的基于1至10点满意度调查的结果可以被聚类，以识别对零售商具有类似态度的客户细分。

人口统计(demographic)细分是一种常见策略，其中基于诸如年龄、性别、教育和收入水平之类的人口统计属性来对客户进行分组。细分过程中的一个主要挑战是人口统计属性中存在不同的属性类型。两种常见的属性类型是数值的(numerical)和分类的(categorical)。数值属性是具有可以按升序或降序排列的数值的属性。家庭大小、年龄和收入水平是数值属性的示例。分类属性是其值没有固有顺序的属性。例如，教育、种族和性别是分类属性的示例。

在对客户进行细分时，使用聚类并不总是期望的选项，因为聚类是发现数据中看不见的模式的方法。客户细分是通常根据预定义的目标推导出的，并且因此分类方法更适合于有目标性的细分。但是，分类需要将被标记的聚类识别/定义为用作目标的手动过程。这个过程对于商业用户来说通常是繁重且不期望的。

发明内容

在一个实施例中，公开了一种由计算设备执行的计算机实现的方法，其中计算设备至少包括用于执行来自存储器的指令的处理器。该方法包括：经由至少一个处理器读取计算机化的数据结构，该数据结构具有数值人口统计属性数据、分类人口统计属性数据以及与客户相关联的目标属性数据，并且存储在计算机化的存储器中；至少部分地基于目标属性数据，经由至少一个处理器将数值人口统计属性数据和分类人口统计属性数据转换为相同的数值比例以形成一致(congruent)属性数据，该一致属性数据具有与对该一致属性数据执行聚类分析相兼容的格式；经由至少一个处理器对一致属性数据执行聚类分析以生成表示客户的细分的细分客户数据；生成包括细分客户数据的电子消息；以及经由网络通信将电子消息传送到远程计算系统以使远程计算系统执行至少一个企业功能。

在另一个实施例中，该方法还包括对细分客户数据执行聚合处理以生成最终客户分组。

在另一个实施例中，所述至少一个企业功能包括库存分配功能、需求预测功能或市场细分功能中的至少一个。在另一个实施例中，目标属性数据包括销售数据；数值人口统计属性数据包括与客户相关联的年龄数据、家庭大小数据以及收入水平数据中的至少一个。在另一个实施例中，分类人口统计属性数据包括与客户相关联的职业数据、性别数据和资格数据中的至少一个。

在另一个实施例中，远程计算系统包括企业资源计划系统；远程计算系统包括库存管理和需求预测系统。

在该方法的另一个实施例中，转换包括将分类人口统计属性数据从非数值形式变换为数值形式以生成经变换的人口统计属性数据。

在该方法的另一个实施例中，转换包括对与数值人口统计属性数据和经变换的人口统计属性数据相关联的值进行加权。