论文摘要：本文针对企业网络营销中的大量数据为基础进行数据的分析，依据数据挖掘技术中典型的聚类分析方法进行数据的处理，并以一个网络营销公司为例，对其客户信息进行了聚类分析，得到了一些有价值的信息，对于企业的营销策略的决策给与一定的支持。
论文关键词：聚类分系,网络营销,策略,客户关系
0前言
现代科学技术的迅猛发展，特别是在互联网的应用和开发上更加的迅速，企业必须通过网络对自己的产品加强宣传以增强自己的竞争力。客户是一个非常重要的、有价值的重要资源，现在如何更好地从数据库中挖掘出客户中有价值的信息，更好的培植和经营与有价值客户的关系，抛弃那些无利可图没有发展前景而且营销费用高的客户，并且可以针对不同价值的客户给与不同的政策同时制定出个性化的营销策略，这些才能够保证企业的生存发展。对于这一切数据挖掘无疑是行之有效的好方法之一。本文以一个网络营销公司为例，提出了一套可操作性的对客户价值评价方法，然后使用数据挖掘技术中比较常见和常用的聚类分析算法对客户信息进行聚类从而达到非常重要的信息并为企业在网络营销中提供决策依据。
1聚类分析
聚类（clustering）是对于数据挖掘技术是非常重要的一部分，现在也是数据挖掘技术中关键的一种。聚类的意义就是针对物理或逻辑上的数据对象的进行自动分类，最后将数据对象分为多个类或簇的过程。对于聚类结果要使得数据对象在同一个分类中具有最大的相似度，而在不同的类中具有最小相似度。聚类的现实意义就是在于可以将数据按照一定得关系进行自动的分类，事先不知道所有的数据对象共有多少类，通过算法的处理最后得到一个分类结果进行应用。譬如在市场研究领域中，特别是针对网络营销的企业或网站，从大量的网络数据进行分析聚类，可以讲客户分成不同的类别，针对这些类别不同的购买力和兴趣爱好来进行个性化的营销手段，提高企业的经济效益。目前研究人员大多针对于聚类分析算法的改进和完善进行研究，进而提高聚类分析的工作效率。著名的算法有：CLARANS，BRICH，DBSCAN，CURE，STING，CLIGUE和WaveCluster等。
2聚类分析应用于企业客户资源管理
现针对某电子商务公司进行分析，该电子商务公司的客户分布在全国各地以及国外一些地区，现仅列出具有代表性的10个大客户：吉林，黑龙江，山东，江苏，浙江，安徽，湖南，缅甸，印度，南非等。在数据挖掘的目的就是从客户中找到一些共同点，在对这些客户数据进行处理前要使用聚类分析的方法进行研究看看这10个客户能否有一些共同之处以便企业针对不同类型的客户给与不同的对策，首先对该公司采用专家打分的方法，而且还有通过网上问卷调查和访谈的方式，收集各地销售专员的意见等方式，然后对数据加以综合，最后聚类分析法确定各项指标的权重。
那么在具体实施聚类分析法的时候可分为5个步骤进行：
第1步：首先对各项指数构建层次结构，其中被评定的10个大客户作为方案层，客户价值放在目标层中进行处理，各项指标是准则层，按照这样的分层结构来构造客户关系评价系统中个指数的结构图，见图2-1所示；
表2-1指标权重值表
|
指标
|
V
|
V
|
V
|
V
|
V
|
V
|
V
|
V
|
V
|
|
权重
|
0.0378
|
0.0401
|
0.0135
|
0.0161
|
0.0251
|
0.0060
|
0.0038
|
0.0091
|
0.0192
|
|
|
|
|
|
|
|
|
|
|
|
|
指标
|
V
|
V
|
V
|
V
|
V
|
V
|
V
|
V
|
V
|
|
权重
|
0.0381
|
0.1498
|
0.1721
|
0.0021
|
0.0201
|
0.0085
|
0.0053
|
0.0231
|
0.0701
|
|
|
|
|
|
|
|
|
|
|
|
|
指标
|
E
|
E
|
E
|
E
|
E
|
E
|
E
|
E
|
|
|
权重
|
0.0212
|
0.0312
|
0.0754
|
0.1841
|
0.0145
|
0.0510
|
0.0078
|
0.0684
|
|
第2步：专家打分。请专家从1到9标度对草拟的指标体系中各项指标的重要程度进行赋值，通过这样的方法来对参数进行评定
第3步：通过对各项指标系数值的两两比较来构造判断矩阵，也就是对指标系统中的各个元素的重要性和关联程度进行比较。进而构造出一个两两比较判断的矩阵，使得矩阵满足 ，其中 ，且 ， （i，j=1，2，…，n）；
第4步：检验步骤3所得矩阵的一致性；
第5步：利用步骤2和步骤3得到的判断矩阵来计算每个指标的权重，指标权重值如表2-1所示。
2.1确定客户价值的分数
对于该电子商务公司的这几个客户采用基数标度法继续进行打分，请10位专家交易记录信息以及分析大量复杂的客户信息给这这些大客户进行打分，分为5个等级（其中分数1、2、3、4、5分别代表差、及、中、良、优），客户的价值分数的结果见表2-2，然后将数值代入公式G=Vu+Vu+Vu+…+Eu，其中V、V表示各项指数当前价值权重；u、u表示专家打分后相应大客户所得的分数，最后通过公式计算出每个客户总的价值分数（表2-3），后续工作就是在此基础上对大客户进行进一步细分。
表2-2客户的价值分数
|
|
吉
林
|
黑
龙
江
|
山
东
|
江
苏
|
浙
江
|
安
徽
|
湖
南
|
缅
甸
|
印
度
|
南
非
|
|
V
V
V
V
V
V
V
V
|
4
4
5
5
5
5
5
5
|
4
4
5
5
5
5
5
3
|
4
4
5
4
4
4
4
5
|
4
4
4
3
3
4
5
4
|
4
4
4
3
4
5
4
4
|
5
3
4
5
5
3
4
5
|
3
3
4
2
2
5
2
1
|
4
3
3
4
4
4
3
4
|
3
5
4
4
4
4
4
5
|
3
2
4
3
3
3
5
3
|
|
V
V
V
V
|
5
4
5
4
|
5
5
5
3
|
4
4
5
4
|
4
3
4
3
|
3
5
4
4
|
4
4
4
3
|
5
4
4
2
|
3
5
3
3
|
3
4
3
2
|
3
3
2
4
|
|
V
V
V
|
4
4
3
|
4
3
4
|
4
3
5
|
4
5
3
|
5
4
2
|
3
4
4
|
4
4
4
|
3
3
4
|
3
3
5
|
4
5
4
|
|
V
V
|
4
3
|
5
3
|
5
5
|
5
5
|
4
2
|
4
4
|
4
3
|
5
3
|
4
4
|
4
4
|
|
E
E
E
E
|
5
4
3
3
|
5
4
3
4
|
5
5
4
4
|
5
4
4
4
|
4
4
4
2
|
4
4
4
4
|
4
3
4
5
|
4
4
4
2
|
4
4
3
3
|
4
5
2
3
|
|
E
E
E
E
|
5
4
3
1
|
2
4
3
2
|
5
5
4
4
|
5
4
5
4
|
3
4
2
3
|
3
4
4
4
|
3
3
1
4
|
4
4
4
2
|
4
4
3
3
|
4
5
2
4
|
表2-3客户的价值分数
|
客户
|
吉林
|
黑龙江
|
山东
|
江苏
|
浙江
|
安徽
|
湖南
|
缅甸
|
印度
|
南非
|
|
当前价值
|
2.6212
|
2.3897
|
2.5945
|
2.3542
|
2.2784
|
1.9101
|
2.4687
|
1.9854
|
1.9345
|
2.0612
|
|
潜在
价值
|
1.3021
|
1.3457
|
1.7745
|
1.3457
|
1.1022
|
1.3254
|
1.0234
|
1.4235
|
1.2841
|
1.4578
|
|
综合价值
|
3.9233
|
3.7354
|
4.369
|
3.6999
|
3.3806
|
3.2355
|
3.4921
|
3.4089
|
3.2186
|
3.519
|
2.2客户细分及针对差异营销策略
对于所得到的数据进行聚类分析，可以得到对客户的细分情况信息。聚类分析法的原理是10个大客户的信息进行分类，把他们分别放到聚集的几个子集中，保证一个子集内的相似度最大，不同子集内的相似度最大。直到整个总体都在一个集合之内为止。本文相似度计算采用最短距离法，通过计算样本间的欧式距离，公式为： 其中i，j=1，2，…，n。设R为分类1，R为分类2，聚合指数公式为：d（R，R）=min{d（x，x）}，其中x∈R，x∈R。为了计算方便引入SPSS统计软件对客户进行细分，得到聚结表如表2-4所示，从表中可清晰的看到客户被分为4大类。
表2-4聚结表
|
Stage
|
Cluster Combined
|
Coefficients
|
Stage Cluster First Appears
|
Next Stage
|
|
Cluster 1
|
Cluster 2
|
Cluster 1
|
Cluster 2
|
|
1
2
3
4
5
6
7
8
9
|
8
6
2
6
5
1
2
1
1
|
10
9
4
8
7
5
6
2
3
|
0.065
0.085
0.103
0.164
0.194
0.210
0.246
0.281
0.467
|
0
0
0
2
0
0
3
6
8
|
0
0
0
1
0
5
4
7
0
|
4
4
7
7
6
8
8
9
0
|
第1类是“发展型”客户，改了客户具有很强的发展潜能，能够对企业带来深远的影响，会给企业日后的发展带来促进。 1/2 1 2 下一页 尾页 |
