基于模糊运算的电商客户数据挖掘研究
2019-08-14童百利吴晓兵
李 眩，童百利，吴晓兵
（安徽省铜陵职业技术学院 经管系，安徽 铜陵 244061）
0 引言
互联网经济环境下，电子商务快速发展，交易过程产生的客户数据规模不断扩大，维度不断增加，且数据类型变得十分复杂，呈现出大数据特征，但其蕴含的巨大商业价值能否最大限度利用，取决于数据挖掘和分析的方式.因此设计一种高效合理的数据挖掘方法对电商客户数据进行分析，这已经成为电子商务应用中研究的热点问题.对电商客户进行聚类，挖掘客户购买行为等方面的特征，针对不同客户群体提供量身定做的服务，进而实现高效精准的个性化服务和差异化营销.同时，也可为站点结构改进、网页推荐、发掘潜在价值客户等提供决策依据.
聚类过程是指将一组物理的或者抽象的对象，根据它们之间的相似程度，分为若干类.其中，特征相似的对象构成一类.［1］传统的聚类方法是基于经验或者简单的统计方法，聚类主观性强，效果不理想.其聚类方法一般都是硬划分，将对象进行严格区分，分类界限分明.而电子商务客户群具有多样性的特点，往往不能用某一严格界限对其进行具体类的划分，采用传统方法聚类不理想.模糊理论的出现为聚类提供新的思路，聚类思想由硬划分中的“要么属于，要么不属于”变化为“用属于程度来描述”.［2］客观事物之间没有一个截然区别的界限，不是严格分明的，是带有模糊性的，因此用模糊方法解决聚类问题必然更符合实际.模糊聚类结果不是说事物绝对地属于或不属于某类，而是指属于某类的程度有多大，其在聚类分析的基础上，引入“隶属度”来度量每个样本与各类的隶属程度，聚类结果比较科学合理.
1 模糊聚类算法
1.1 模糊聚类的原理
模糊聚类算法是基于目标函数优化基础上的一种数据聚类方法，［3］每项数据是哪类是比较模糊的，不能精确断定，只是在某些方面有相似性，这相似性聚类结果是每个数据对聚类中心的隶属度来度量得出的，该隶属程度用一个数值来表示 .［4］
模糊聚类算法执行步骤如下：
模糊聚类分析的目标函数：
其中，uji表示样本 xj对应第i类中心 vi的隶属度，m是模糊权重因子（m＞1）,是样本 xj到第i类中心 vi的欧氏距离，c为分类数目（1＜c＜n）,是n× c矩 阵 ，V = [ v1, v2…vc]是s×c矩阵，s代表维数.
（1）设定聚类数目c和模糊权重参数m，随机初始化聚类中心;
（2）计算所有样本数据的隶属度矩阵，并且是每列元素之和满足恒等于1的约束条件；
（4）计算 Vk+1，则有：
1.2模糊聚类的实现代码
模糊聚类的MATLAB程序［5］代码共包括三个函数，通过相互调用能实现聚类的过程和结果输出，代码如下：
function［U,V,objFcn］=myfcm（data,c,T,m,epsm）
c=4
if nargin＜3
T=100;
end
if nargin＜5
epsm=1.0e-6;
end
if nargin＜4
m=2;
end
［n,s］=size（data）;
U0=rand（c,n）;
temp=sum（U0,1）;
for i=1:n
U0（:,i）=U0（:,i）./temp（i）;
end
iter=0;
V（c,s）=0;U（c,n）=0;distance（c,n）=0;
while（iter＜T）
iter=iter+1;
Um=U0.^m;
V=Um*data./（sum（Um,2）*ones（1,s））;
for i=1:c
for j=1:n
distance（i,j）=mydist（data（j,:）,V（i,:））;
end
end
U=1./（distance.^m.*（ones（c,1）*sum（distance.^（-m））））;
objFcn（iter） =sum（sum（Um.*distance.^2））;
if norm（U-U0,Inf）＜epsm
break
end
U0=U;
end
myplot（U,objFcn）;
function d=mydist（X,Y）
d=sqrt（sum（（X-Y）.^2））;
end
function myplot（U,objFcn）
figure（1）
subplot（4,1,1）;
plot（U（1,:）,'-k'）;
title（'隶属度矩阵值'）
ylabel（'第一类'）
subplot（4,1,2）;
plot（U（2,:）,'-k'）;
ylabel（'第二类'）
subplot（4,1,3）;
plot（U（3,:）,'-k'）;
ylabel（'第三类'）
subplot（4,1,4）;
plot（U（4,:）,'-k'）;
xlabel（'样本数'）
ylabel（'第四类'）
figure（2）
grid on
plot（objFcn）;
title（'目标函数变化值'）;
xlabel（'迭代次数'）
ylabel（'目标函数值'）
2 电商客户数据模糊聚类
2.1电商客户模糊聚类的MATLAB实现
本文运用网络爬虫软件获取某电商网站的历史交易数据后，采用其中16位客户数据进行聚类来验证算法的可行性和有效性.每位用户数据包含6项指标值：商品购买量、交易总金额、单次交易均额、消费频率、网站登录次数、消费商品类目数，上述指标数据均为同段时间内的交易数据，能较全面描述消费者自身及消费行为的特征，［6］16位客户数据如表一所示.MATLAB程序中，聚类数目设定c=4，n参数为16，data为16位待聚类客户的6维数据矩阵，模糊度m=2.在MATLAB环境中运行上述程序，得到每位用户划类的隶属度值如表2所示，图1为隶属度矩阵值的示意图，根据隶属度值的大小和图1能得知每位客户的最佳聚类，图2为目标函数变化值示意图，经过8次迭代运算，模糊聚类算法收敛，目标函数值已经非常稳定，说明聚类迭代计算已达到要求.
16 100 10000 5000 2 6 2
表2 模糊聚类隶属度
图1 隶属度矩阵值
2.2实验结果及其分析
图2 目标函数值变化
从MATLAB聚类实验结果看出：序号为1、2、3、4、7、9、11、13、14的客户，该类客户群虽单次消费额不高，企业从这客户群获利不大，但他们消费频率高，交易会持续稳定，是企业稳定生存的基础客户；序号为5、6、10、12、15的客户聚为一类，该类客户群消费频率高，交易总额和单次交易均额都较大，且购买数量多，可以从他们的交易中获得较高利润，是电商的优质客户，应重点维护；序号为8的客户，消费频率高，交易总额大，但购买商品数量大，平均到每次交易的交易额不高，他们需求量大，极可能为网络渠道的进货商，也很在乎价格，他们对电商具有一定价值，应该通过适当的营销策略转变优质客户；序号为16的客户消费频率低，但交易额高，单次交易给企业带来的利润也高，是电商的潜在客户，应通过营销和维护使其转变为稳定的优质客户.
结 语
在商业市场中，市场客户种类和需求日益繁多，如何有效细分、规划客户群，并制定针对性的营销策略，是激烈市场竞争的成功所在.本文提出了基于模糊理论的数据聚类方法，来实现电商客户聚类特征提取提供了很好的解决思路，实验结果表明，该算法是可行的合理的.同时，该方法对于其他专业领域如模式识别、模糊控制亦有一定的实际指导意义，为问题的突破提供好的思路.
