[发明专利]一种基于聚类分析的客户细分方法及装置

说明书

本发明公开了一种基于聚类分析的客户细分方法及装置，该方法包括：获取客户信息原始数据集，进行数值化预处理，得到数据样本，通过自动编码器对数据样本进行降维和特征提取；将自动编码器处理后的数据样本采用变异系数法计算属性特征的权重，并采用加权的欧几里得距离公式计算样本点间的距离；计算所有数据样本间的平均距离，遍历数据样本查找每个样本点与其距离小于平均距离的近邻点，统计所有样本近邻点数量并按照降序排序，确定k个初始聚类中心点，根据加权欧式距离公式对其余数据进行聚类，完成客户细分工作。

技术领域

本发明属于市场统计及营销的技术领域，涉及的是一种基于聚类分析的客户细分方法及装置。

背景技术

伴随着科技的飞速发展，计算机的普及使用，网络已悄无声息的渗透于我们日常的方方面面。现如今，人们使用数据挖掘技术从各领域中寻找有价值的信息变的越来越重要，这样不仅可以总结出过往的发展情况，而且还可以预测出数据未来的发展趋势。其中，客户细分是一个重要的研究领域。通过聚类分析的方法，并根据客户的相似性和相异性将他们划分成不同的类，方便企业发现不同类型的客户，从而制定差异化的销售方案，实现企业利润的更大化，所以，如何对客户细分成为了企业获得更大利润的关键所在。目前，在客户细分体系中主要存在着如下的问题:

第一，客户细分体系在处理顾客信息时，面临着数据量大，且数据的属性较多、数据的维度较高的问题，倘若直接选用这些原始数据进行聚类分析，不仅导致客户细分的效率较低，计算步骤繁琐，也会使客户细分时间过长。

第二，在客户细分系统研究中，传统的k-means聚类算法是最常见的应用算法之一，但该算法在聚类过程中对所有数据样本的属性等同对待，未考虑不同的属性间的差异。然而，不同的属性的重要性是不同的，对聚类效果也产生着不同的影响，一般而言，重要的属性对聚类效果产生较大的影响。

第三，传统的k-means算法在聚类时，对初始聚类中心点的选择比较敏感，存在随机选取初始聚类中心点的盲目性问题。通常，初始聚类中心点选择的好坏会对聚类结果产生较大的影响，一旦选取不当可能会使聚类效果达到局部最优而不是全局最优，而且也会增加算法的迭代次数，降低算法的收敛速度。

综上所述，针对现有技术中如何更好的进行客户细分的问题，尚缺乏有效的解决方案。

发明内容

针对现有技术中存在的不足，解决现有技术中如何更好的进行客户细分的问题，本发明提供了一种基于聚类分析的客户细分方法及装置，在客户细分中，根据客户的消费习惯将他们聚集为不同的类，为针对不同类的客户提出不同的营销策略提供基础。

本发明的第一目的是提供一种基于聚类分析的客户细分方法。

为了实现上述目的，本发明采用如下一种技术方案：

一种基于聚类分析的客户细分方法，该方法包括：

获取客户信息数据集，进行数值化预处理，得到数据样本，通过自动编码器对数据样本进行降维和特征提取；

将自动编码器处理后的数据样本采用变异系数法计算属性特征的权重，并采用加权的欧几里得距离公式计算样本点间的距离；

计算所有数据样本间的平均距离，遍历数据样本查找每个样本点与其距离小于平均距离的近邻点，统计所有样本近邻点数量并降序排序，确定初始聚类中心点，进行其余数据点聚类，得到不同类的客户，完成客户细分工作。

作为进一步的优选方案，在本方法中，进行数值化预处理的具体步骤包括：

将非数值型的数据进行数值化处理；

使用标准化公式处理数值型的数据；

使用归一化处理公式对经标准化处理的数据进行处理，得到数据样本。