当前位置:首页 > 企业顾客满意度 > 正文
阅读量: 1,010

基于神经网络模型的商场客户细分

2018年05月23日 | 作者: adminlin | 分类: 企业顾客满意度 | 

  遗传神经网络模型具有快速学习网络权重和全局搜索的特点。本文基于遗传神经网络模型,将商场客户细分为四类,并对每一类客户群提出了具有差异性的营销策略。
  
  一、引言


  现代社会中,商场之间的竞争日益激烈。商场服务的对象是客户,商场之间的竞争归根结底也是客户资源的竞争。不同的客户对企业的贡献率不同,这就需要企业进行客户细分,整合有限资源针对重点客户,实行差异化营销策略。


  在客户细分方面,国内外学者进行了大量研究。张全成[1]从消费者行为的内因与外因,对消费者的消费行为进行细分,将客户细分为享乐主义、实用主义、冲动的购买行为的消费者等八类。Hughes提出RFM客户细分方法,R(Recency)指上次购买至今的时期、F(Frequency)指某一段时期内购买频率、M(Monetary)指某一时期购买金额。RFM分析是对这三个要素进行打分,然后相乘。按照三个要素乘积的大小,对所有客户的交易数据进行排序,前面的20%是最有价值的客户,后面20%是企业应该避免的低价值客户,中间60%的客户是需要向上迁移的客户。国内学者汪涛[3]根据客户价值和客户特征将客户划分为灯塔型客户、跟随型客户、理性客户和逐利客户四类。


  本文对零售业中商场的客户进行细分,为企业制定更适合自己的营销策略提供一些理论依据。


  二、遗传算法


  一般的客户细分方法有人工神经网络、遗传算法、决策树法、贝叶斯法等。


  本文拟采用遗传算法进行商场客户细分。


  遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法,其本质是一种高效、并行、全局搜索的方法,它能在搜索过程中自动获取和积累有关搜索空间的知识,并自适应的控制搜索过程以求得最优的方案。潜在的解决方案的种群产生之后,按照适者生存和优胜劣汰的原理,逐代演化产生越来越好的近似解。在每一代,根据问题域中个体的适应度大小挑选个体,并借助于自然遗传学的遗传算子进行组合交叉和变异,产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境,末代种群中的最优个体经过解码可以作为问题近似最优解。


  遗传算法可应用于组合优化、函数优化、自动控制、生产调度、图像处理、机器学习、人工生命和数据挖掘等领域。


  遗传算法具有如下特点:对可行解表示的广泛性、群体搜索特性、不需要辅助信息、内在启发式随机搜索特性、在搜索过程中不容易陷入局部最优、固有的并行性和并行计算的能力、可扩展性及自组织、自适应和自学习性。


  对于商场客户细分,由于其数据量大,属性与目标之间存在非线性关系,同时不完整数据在数据处理时得到很好的处理,所以适合选用神经网络法,但由于常用的BP神经网络存在局限性:需要较长的训练时间、所求很可能是局部极小值、隐层神经元节点个数难以确定等,就选用具有全局优化搜索能力的遗传算法,用遗传算法优化神经网络,可使神经网络具有自进化、自适应能力,从而构造出进化的神经网。


  三、商场客户细分指标建立及数据处理


  1. 商场客户细分指标的确立


  本文结合商场客户细分指标选取的原则,根据零售行业特点及商场客户的特征,选择了八个客户细分指标:性别、年龄、教育程度、职业、收入、购买频率、次购买额和购物满意度。


  2. 数据处理


  本文的数据来自S省某大型商厦2008年第四季度的销售数据,我们选取了信息比较全面的200个消费者数据作为本论文的样本数据,数据包含各类人群,对于下面的实证研究是有效的。


  由于所获得的数据来自同一商场不同的数据库,所以在进行模型分析之前需要对其进行预处理:数据的集成、数据的清理、数据的变换和数据的简化。在对客户数据进行分类前,应对其进行规范化处理,对定性的指标进行量化处理。将非数值类型的数据转化成数值型类型后,再进行标准化,由于本文后面将使用遗传神经网络进行客户细分,所以需要将数据转换成0和1之间的数值,采用如下公式:


  最后利用所获得数据,利用细分指标将其分为四类,分别是A类客户(1,0,0,0),B类客户(0,1,0,0),C类客户(0,0,1,0),D类客户(0,0,0,1)。根据A、B、C、D四类消费者的典型特征选取40个训练数据来训练模型,8个检验数据检验模型的适用性。


  四、遗传神经网络模型在商场客户细分中的应用


  1. 基于遗传神经网络的客户细分模型验证


  本文采用遗传算法的具体步骤如下:


  (1)编码方式的选择:本文采用实数编码,每位实数取为一位整数和四位小数的数字。神经网络各个权值按一定顺序级联为一个长串,串上每一个位置对应着网络的一个权值和阈值。在对商场客户细分中我们将网络结构规定为8×9×4,所以可以把一组网络权值和阈值连接成一个遗传算法中的染色体,则连接权和阈值Xi维数=输入层神经元数×隐含层神经元数+隐含层值数+隐含层神经元数×输出层神经元数+输出层阈值=8×9+9+9×4+4=121。


  (2)确定适应度函数:由于我们要求解的是目标函数和输出值之间的最小差,而遗传算法是根据个体的适应度值来进行选择操作。适应度越大,被选中遗传到下一代的几率就越大。所以,我们还必须用一个适应度函数将个体目标函数值进行转化,使得目标函数值越小,适应度值越大。因此将适应度函数定义为如下形式:


  其中,为第i个训练样本时神经网络的输出,为期望输出,l为样本数目。


  (3)选择合适的参数:本文群体规模M取40,遗传代数为100,交叉概率PC取0.5,变异概率PM取0.001。


  (4)选择操作:遗传算法中的选择操作就是用来确定如何从父代群体中按某种方法选取哪些个体遗传到下一代群体中的一种遗传算法,用来确定重组或交叉个体,以及被选个体将产生多少个子代个体。本文采用MATLAB中的normgeomselect函数。


  (5)交叉及变异操作[4]:交叉能够使遗传算法从不同的个体中提取更好的基因,结合到具有优势的个体中去。变异增加了种群的多样性,因而增大了算法生成更高适应度值的个体的可能性。交叉操作利用MATLAB中自带的函数arithXover,变异操作利用MATLAB中的nonUnifMutation函数。


  2. 细分模型验证


  根据上面的算法和测试样本数据,我们利用遗传神经网络进行模型的训练,训练的结果如表4-2所示,给出检测数据的目标输出,A类客户、B类客户、C类客户和D类客户共计四类,输出矩阵如表4-1所示:


  根据得出检测数据的结果,与目标矩阵的对比,我们运用欧几里得范数()求出其误差为0.0118,运行时间为16.524秒。可以看出:遗传神经网络对于商场客户细分拟合的非常好,误差非常小,运行时间也很短,说明拟合的结果是合理的。因此,遗传神经网络对于商场客户细分是合适的,可以用于以后客户细分的参考模型。


  3. 商场客户细分模型应用


  我们利用上面所建立的模型,对来自商场的200名客户数据进行细分,得出几类客户分布比例及特征,结果如表4-3所示:


  从表4-3可以看出,在A类客户中,女性所占比例最多,年龄相对较小,文化程度较高。B类客户所占比例最少,男性居多,年龄多以中年为主,职业比较好,年收入最高,消费额很高,但消费频率不高。C类客户所占比例最多,多以女性为主,任何特征都比较居中。D类客户男女比例适中,年龄偏大,满意度最低。

  4. 细分结果应用策略


  对四类客户应采取有差异化的营销策略:


  A类客户:这类客户属于高端客户,是著名二八原则里的20%,抓住这20%,就等于获得80%的利润。企业针对产品本身可以利用其地位联想功能,比如这类产品所代表的社会地位、身份和品位,采用名人策略,提高产品知名度,提供优越的购物环境,建立良好的客户关系,定期回访,为其商品提供更好的服务,做到一对一的精细化销售。


  B类客户:此类客户群属于需求购物,更多关注的是自己的需要和产品本身的本质。针对这点提出和A类客户一样的营销策略,提高产品品质,运用名人效应提高产品知名度。但与A类客户不同,此类客户群不注重商品的个性化,更多注重产品的品质、细节,所以企业针对这类客户群体必须有精细化的产品加工体系。也需提供优越的购物环境并注重此类客户购物的便利性,此类客户对于后期回访不是很喜欢。


  C类客户:C类客户群属于大众型,占商场客户80%以上,对价格比较关注,属于具有典型的商场特征的客户群。针对此类客户群,企业在环境和品牌上不需要投入过多成本,应将其资源配置的重点放在广告促销上,同时提供良好的服务,增加客户的忠诚。


  D类客户:这类客户对于价格的关注度更高,客户忠诚度很低。对于促销打折等促销信息特别关注,对于购物环境没有要求,但是对于服务还是有一定要求的。对于品牌的关注度几乎没有,只注重价廉。针对此类客户企业一般采取抛弃政策,或不闻不问,有了更好,没有也不影响企业的效益。


  五、结论


  本文基于遗传神经网络模型将商场客户进行细分,并对细分出的四类客户群提出了具有差异性的营销策略。


  当今企业为了在残酷的竞争环境中保持竞争力,就必须进行客户细分,整合企业有限资源针对重点客户,实行差异化服务策略。本文研究的结果对于企业实行更好的客户细分,制定更适合自己的营销策略及经营决策等都提供了理论依据,起到了积极的作用。





想获取更多信息,或者咨询相关业务可以关注我们的微信公众平台:SMR_gz

或者扫描下面二维码


微信平台二维码-50.jpg

好文章就要一起分享!

更多