[发明专利]客户交易行为分析方法

权利要求书

1.一种客户交易行为分析方法，其特征在于：包括

采集客户交易数据，并将交易数据按照时间排序；

提取交易数据中表征购买时间、交易频率以及交易金额的属性特征，并对购买时间、交易频率以及交易金额进行归一化处理；

挖掘属性特征的隐含属性，并获取属性特征在隐含属性上的分值数，并根据分值数确定聚类个数；

基于分值数采用遗传算法进行处理，确定最终的聚类结果，得出客户分类。

2.根据权利要求1所述客户交易行为分析方法，其特征在于：属性特征包括最近购买、最远购买、购买间距的第一四分位点、购买间距中位数点、购买间距的第三四分位点、总体购买频率、月最大购买频率、月最小购买频率；累积购买金额以及平均购买金额。

3.根据权利要求2所述客户交易行为分析方法，其特征在于：对购买时间、交易频率以及交易金额通过如下方法进行归一化处理：

其中，为第j个客户在购买时间属性R上的归一化值，R^max为所有客户在购买时间属性R中属性特征的最大值，R^min为所有客户在购买时间属性R中属性特征的最小值；为第j个客户在购买频率属性F上的归一化值，F^max为所有客户在购买频率属性F中属性特征的最大值；F^min为所有客户在购买频率属性F中属性特征的最小值；为j个客户在交易金额属性M上的归一化值，M^min为所有客户在交易金额属性F中属性特征的最大值，M^min为所有客户在交易金额属性F中属性特征的最小值。

4.根据权利要求3所述客户交易行为分析方法，其特征在于：采用因子分析方法找到隐含属性特征以及客户在各属性特征的分值数：

在因子分析中，任一属性特征被表示为：

X_g＝θ_g+α_g1f₁+...+α_gnf_n+ε_g，f为隐含属性factor的缩写，θ_g第g个客户的交易数据的平均值，ε_g为交易数据中的特殊因子，不能被分解的部分，α_g1…α_gn为各隐含属性的权重，其中，X为客户的交易行为，factor为属性特征的隐含属性，为属性特征的分数值矩阵。

5.根据权利要求4所述客户交易行为分析方法，其特征在于：根据如下方法确定聚类个数：

构建客户交易相似度矩阵其中，K为隐含属性的个数，为第i个客户在第k个隐含属性的分数值，为第j个客户的第k个隐含属性的分数值。

6.根据权利要求5所述客户交易行为分析方法，其特征在于：根据如下方法确定客户交易行为的聚类中心归属：

构建吸引信息矩阵和归属矩阵并进行迭代运算：

(1)先构造吸引信息矩阵：

r_t+1(i,h)＝S(i,j)-max{a_t(i,h')+S(i,j')}；

其中，r_t+1(i,h)为下一次迭代的客户h适合作为客户i的聚类中心的程度值，S(i,j')为相似度矩阵，a_t(i,h')为本次迭代客户i选择客户h'作为聚类中心的适合程度值，第一次迭代归属信息矩阵a₀取值全为零；

(2)再构造归属矩阵：

其中，a_t+1(i,h)为下一次迭代客户i选择客户h作为聚类中心的适合程度值，r_t(i',h)为下一次迭代客户h作为客户i'的聚类中心的适合程度值；a_t+1(h,h)为下次迭代客户h作为自己本身的聚类中心的适合程度；第一次迭代的吸引信息矩阵r₀取值全为零；

每一次迭代都会计算更新这两个信息矩阵，对于客户i，当r(i,i)+a(i,i)的值大于设定的阈值P时，表明客户i是一个聚类中心。