积分商城

最新搜索： ME32 vs20 SM470 mfc 单片机 ILI9325
您现在的位置是：首页 > 技术资料 > 基于Python的聚类方法在电商客户细分中的应用研究
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于Python的聚类方法在电商客户细分中的应用研究

更新时间：2019-12-25 08:11:04 大小：1M 上传用户：songhuahua查看TA发布的资源 标签：python 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

本文以Python语言及其机器学习库Scikit-Learn为工具,对某电商的客户数据采用K-Means聚类方法进行分类,建立客户价值评估模型.文中可视化地展示了聚类结果,并选用肘方法和轮廓系数对建立的模型的有效性做了定量分析.实验表明,利用Python的强大机器学习库可以轻松地实现数据的可视化和聚类结果评估.


部分文件列表

文件名 大小
基于Python的聚类方法在电商客户细分中的应用研究.pdf 1M

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
（ ）  
兰州文理学院学报 自然科学版  
第
卷第  
期
３２  
３
Ｖｏｌ．３２Ｎｏ．３  
Ｍａ ２０１８  
ｙ
ꢀ
（ ）  
ＪｏｕｒｎａｌｏｆＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔ ｏｆＡｒｔｓａｎｄＳｃｉｅｎｃｅ ＮａｔｕｒａｌＳｃｉｅｎｃｅｓ  
ｙ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
ꢀ
年
月
２０１８  
５
：
（ ）  
２０９５６９９１２０１８０３００５５０４  
－
文章编号  
ꢀꢀ  
－
－
基于  
的聚类方法在电商客户  
Ｐｔｈｏｎ  
ｙ
细分中的应用研究  
１
２
１
， ， ，  
贾桂霞 贾桂云 李向伟 张睿敏  
１
（ ，  
兰州工业学院 软件工程学院 甘肃 兰州  
１．  
；
，
兰州交通大学 土木工程学院 甘肃 兰州  
７３００５０２．  
）
７３００７０  
：
摘要 本文以  
，
为工具 对某电商的客户数据采用  
语言及其机器学习库  
聚类方法  
Ｋ Ｍｅａｎｓ  
－
Ｐｔｈｏｎ  
ｙ
ＳｃｉｋｉｔＬｅａｒｎ  
－
， ，  
进行分类 建立客户价值评估模型 文中可视化地展示了聚类结果 并选用肘方法和轮廓系数对建立的模型的  
．
，
有效性做了定量分析 实验表明 利用  
．
的强大机器学习库可以轻松地实现数据的可视化和聚类结果评  
Ｐｔｈｏｎ  
ｙ
估
．
：
关键词 客户细分  
；
ＲＦＭ  
；
；
聚类分析  
Ｐｔｈｏｎ  
模型  
ｙ
：
：
Ａ
中图分类号  
文献标志码  
ＴＰ３９１  
ꢀꢀꢀ  
［］  
４
的主流编程语言  
．
引言  
０
ꢀ
聚类算法  
２ Ｋ Ｍｅａｎｓ  
ꢀ －  
聚类分析是数据挖掘研究领域中一个非常重  
， 、 、  
要的研究课题 它在电子商务 图像处理 模式识  
：
聚类算法大体上可以分为以下几种 划分方  
、
别 文本分类等领域有广泛的应用 而在电子商务  
．
、 、 、  
法 层次方法 基于密度的方法 基于网格的方法  
［］  
５
，
中 基于客户价值进行客户细分是企业和学者关  
和基于模 型的方法  
算法 是 划分 方法  
．Ｋ Ｍｅａｎ  
－
［
］
１３  
－
，
，
中的一种算法 由于其具有运行效率高的优点而  
注的焦点  
准确的客户分类结果成为企业优化  
营销资源分配的重要依据  
在实际应用中经常被使用  
．
．
本文以一 家电商 女装 店的实 际 客 户 数 据 为  
算法基本思想  
２．１  
ꢀ
，
例 使用  
，
对其  
ＳｃｉｋｉｔＬｅａｒｎ  
－
的机器学习库  
聚类算 法 是 典 型 的 基 于 距 离 的 聚  
Ｋ Ｍｅａｎｓ  
－
Ｐｔｈｏｎ  
ｙ
，
客户数据采用聚类的方法 进行客户分类 从而帮  
．
类算法 算法的主要思想是先在需要分类的数据  
．
，
助企业制定优化的个性化服务方案 针对不同价  
，
中寻找 组数据作为初始聚类中心 然后计算其  
Ｋ
，
值的客户采取不同的营销策略 实现企业利润最  
，
他样本点距离这 个聚类中心的距离 将样本点  
Ｋ
，
归入与其距离最近的聚类中心 然后重新计算各  
大化目标  
．
， ，  
簇中所有样本的中心点 作为新的聚类中心 继续  
及其扩展库简介  
１ Ｐｔｈｏｎ  
ꢀ ｙ  
，
以上步骤 直到新的聚类中心与上一次的聚类中  
［］  
６
，
心点不变或达到预定的迭代次数时 算法结束  
是一门简单易学且功能强大的编程  
Ｐｔｈｏｎ  
ｙ
．
，
语言 它拥有高效的数据结构 并且能用简单而又  
．
，
算法使用随机点作为初始中心点  
Ｋ Ｍｅａｎｓ  
－
，
若初始中心点选择不当 有可能导致簇效果不佳  
有效的方式进行面向对象编程  
具有优雅  
．Ｐｔｈｏｎ  
ｙ
，
，
的语法和动态类型 再结合它的解释性 使其在许  
多领域成为编写 脚本或 开 发应用 程序的理 想语  
或产生收敛速度慢等问题 算法提  
．Ｋ Ｍｅａｎｓ＋＋  
－
，
出使初始中心点尽量远离 它能够产生更好的效  
，
ｙ
，
ｙ
言 随着  
．
和
ＮｕｍＰ ＳｃｉＰ Ｍａｔｌｏｔｌｉｂ Ｐａｎｄａｓ  
ｐ
等
果
．
，
Ｐｔｈｏｎ  
ｙ
：
算法的初始化过程描述如下  
Ｋ Ｍｅａｎｓ＋＋  
－
众多程序库的开发  
在科学领域占据着越  
， 、 、  
来越重要的地位 包括科学计算 数学建模 数据  
，
用于存储选  
Ｍ
初始化一个空的集合  
Ｓｔｅ１  
ｐ
ꢀ
， ，  
挖掘 可以预见 未来  
将会成为科学领域  
定的 个中心点  
ｋ ．  
Ｐｔｈｏｎ  
ｙ
：
收稿日期  
２０１８０３１０  
－ －  
：
基金项目 国家自然科学基金项目  
（
）；  
甘肃省高等学校自筹经费科研项目  
（
）
６１４６２０５７  
２０１６Ｂ１１５  
－
：
作者简介 贾桂霞  
（
）， ， ， ， ， 、  
女 甘肃靖远人 副教授 硕 士 主 要 研 究 方 向 为 数 据 挖 掘 嵌 入 式 开 发  
：
．Ｅ ｍａｉｌ ｉａｕｉｘ  
－
１９７２  
－
－
ｊ ｇ  
ｉａ２００４ １６３．ｃｏｍ．  
＠
（
兰州文理学院学报 自然科学版  
）
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ  
第
卷
３２  
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ  
５６  
， ：  
的较大者得到轮廓系数 如下式所示  
从输入样本中随机选定一个中心点  
Ｓｔｅ２  
ｐ
ꢀ
（）  
ｊ
ｉ
ｉ
，
并将其加入到集合  
中
．
Ｍ
ｂ
ａ
－
（）  
ｉ
μ
（）  
２
ｓ
．
＝
ｉ
ｉ
（ ， ）  
ｍａｘｂ ａ  
（）  
ｉ
，
通
对于集合 外的任一样本点  
Ｍ ｘ  
Ｓｔｅ３  
ｐ
ꢀ
（）  
ｉ
，
，
之间 显然  
１ ． ｋ  
轮廓系数的值介于  
到
１
－
１
＝
（
ｄ ｘ  
过计算 找 到 与 其 平 方 距 离 最 小 的 样 本  
２
）
时会得到一个理想的轮廓系数  
．
Ｍ
．
２
ｐ
（ ， ）  
ｄ
Ｍ
μ
使用加权概率分布  
客户价值模型构建  
Ｓｔｅ４  
ｐ
ꢀ
３
ꢀ
（）  
ｉ ２  
， ）  
Ｍ
（
ｄ ｘ  
ｉ
∑
模型是衡量客户价值和客户创利能力  
（ ）  
ｐ
ＲＦＭ  
来随机选择下一个中心点  
．
μ
（
Ｃｕｓ  
－
的重要工具和手段 在众多的客户关系管理  
．
、
Ｓｔｅ２Ｓｔｅ３  
ｐ
，
步骤 直到选定  
ｋ
重复  
Ｓｔｅ５  
ｐ
ꢀ
ｐ
，
ｔｏｍｅｒＲｅｌａｔｉｏｎｓｈｉ ＭａｎｅｍｅｎｔＣＲＭ  
ꢀ
）
的分析模  
ｐ
ꢀ
ｇ
个中心点  
．
，
ＲＦＭ  
式中  
模型是被广泛提到的 该模型通过一  
．
基于选定的中心点执行  
算
Ｋ Ｍｅａｎｓ  
－
Ｓｔｅ６  
ｐ
ꢀ
（
）、  
交 易 频 率  
个客 户 的 近 期 购 买 行 为  
Ｒｅｃｅｎｃ  
ｙ
法
．
（
），  
以 及 交 易 金 额  
（ ）  
三 项 指  
Ｍｏｎｅｔａｒ  
ｙ
Ｆｒｅｕｅｎｃ  
ｑ
ｙ
聚类结果评估  
２．２  
ꢀ
标来描述该客户的价值状况 一般的分析型  
．
ＣＲＭ  
有效性评价标准 聚类有效性是指对聚  
ꢀ
２．２．１  
ꢀ
，
ＲＦＭ  
着重于客户贡献度的分析  
则强调以客户的  
类结果进行评价以确定最适合特定数据集的划分  
［］  
８
行为来区分客户  
．
、
和评判所得结果是否是有效的 正确的 常用的内  
．
，
表示 客  
Ｒ
在电子商务对于  
的 应用中  
ＲＦＭ  
、
指标  
Ｄａｖｉｅｓ  
部有效性指标有  
ＣａｌｉｎｓｋｉＨａｒａｂａｓｚ  
－
－
，
Ｆ
户最近一次购买时间距今有多远  
表示客户在  
、
、
Ｋｒｚａ  
指 标  
指 标  
Ｂｏｕｌｄｉｎ  
Ｗｅｉｈｔｅｄｉｎｔｅｒｉｎｔｒａ  
ｇ
ꢀ －  
－
，
Ｍ
最近一段时间内购买的次数  
表示客户在最近  
［］  
７
、
指 标  
指 标 等  
这 些 指 标  
．
ｎｏｗｓｋｉＬａｉ  
－
Ｈａｒｔｉａｎ  
ｇ
一段时间内购买的金额  
．
，
不依赖外部的参考标准 只依据数据集本身和聚  
用
构建客户价值模型  
３．１  
ＲＦＭ  
本文以一家规模不大的电商女装店为例 对  
该网店的 个客户 年上半年的交易数据  
ꢀ
，
类结果的统计特征对聚类结果进行评估 并可以  
，
根据聚类结果的优劣选取最佳聚类数  
．
２００  
２０１７  
由于无监督学习没有数据集样本类标的确切  
， ＿  
Ａｖｅｒａｅ  
ｇ
进行聚类分析  
指购买次数  
．Ｆｒｅｎｕｅｒ  
ｑ
ｙ
， ，  
数据 要对聚类效果进行定量分析 需要使用模型  
，
Ｔｉｍｅ  
是平均消费金额  
是 最后购 买日  
ｍｏｎｅｔａｒ  
ｙ
内部的固有度量来比较不同 聚类结果  
Ｋ Ｍｅａｎｓ  
－
期 部分客户数据如表 所列  
． １  
．
的性能 本文使用肘方法和轮廓系数评估聚类质  
．
，
量 下面对这两种方法进行简单介绍  
表
部分客户的  
数据集  
ＲＦＭ  
．
１
ꢀ
使用肘方法确定簇的最佳数量 肘方法  
ꢀ
２．２．２  
＿
ꢀ
ＮＯ  
Ｆｒｅｎｕｅｎｃ  
ｑ
Ａｖｅｒｅ ｍｏｎｅｔａｒ  
ｙ
ꢀ
Ｔｉｍｅ  
ꢀ
ｙ
ｇ
ꢀ
（
就是利用 簇 内误 差平方 和  
Ｓｕｍ ｏｆＳｕａｒｅｄＥｒ  
ꢀ ꢀｑ ꢀ －  
／／  
２０１７５１２  
１
ꢀ
３０  
ꢀ
４３１．１  
ꢀ
，
）
最小 计算公式具体如下  
ｒｏｒｓＳＳＥ  
：
．
／／  
２０１７３１３  
２
ꢀ
３４  
ꢀ
５７０．１１  
ꢀ
ｎ
ｋ
／／  
２０１７５２４  
３
ꢀ
４０  
ꢀ
３８４．１７  
ꢀ
（，）  
ｉ
ｊ
（）  
ｉ
（）  
ｊ
２
（）  
１
ＳＳＥ  
ｗ
ｘ
‖
．
‖
２
＝
－
μ
∑∑  
ｉ １ ｉ １  
＝ ＝  
／／  
２０１７３３０  
４
ꢀ
５３  
ꢀ
２８４．２８  
ꢀ
（）  
ｊ
（）  
ｉ
：
μ
，
为簇 的中心点 如果  
ｊ
，
属于簇 则  
ｊ
其中  
Ｘ
／／  
２０１７４１  
５
ꢀ
１２  
ꢀ
３１５．７４  
ꢀ
（，）  
ｉ
ｊ
（，）  
ｉ
ｊ
，
否则  
１ ｗ  
＝
有
ｗ
０．  
＝
／／  
２０１７３２３  
６
ꢀ
２７  
ꢀ
１４３２．２３  
ꢀ
（
轮廓分析  
ＳｉｌｈｏｕｅｔｔｅＡｎａｌｓｉｓ  
）
轮廓系数  
２．２．３  
ꢀ
ꢀ
ꢀ
ｙ
／／  
２０１７５２４  
７
ꢀ
１６  
ꢀ
３６６．２８  
ꢀ
，
是评估聚类质量的另一种定量分析方法 使用图  
形工具来度量簇中样本聚集的密集程度 计算数  
．
／／  
２０１７５２１  
８
ꢀ
２２  
ꢀ
７０２．６３  
ꢀ
（
、
通过数据的提取 清洗和数据变换等步骤的  
据 集 中 单 个 样 本 的 轮 廓 系 数  
Ｓｉｌｈｏｕｅｔｔｅ  
）
的步骤如下  
Ｃｏｅｆｆｉｃｉｅｎｔ  
：
，
预处理后 运 用  
算 法 进 行 客 户 分  
Ｋ Ｍｅａｎｓ＋ ＋  
－
（）  
ｉ
（）  
将某一个样本  
１
，
可视化工具 绘制  
Ｐｔｈｏｎ Ｍａｔｌｏｔｌｉｂ  
与簇内其他点之间的  
（）；  
群 利用  
．
的
ｘ
ｙ
ｐ
，
预处理后的 维数据图 如图 所示  
３ １ ．  
平均距离看作是簇内的内聚度  
ａｉ  
（）  
将样本  
２
（）  
与其最近簇中所有点之间  
ｘ ｉ  
算法位于 库下的  
ＳｃｉｋｉｔＬｅａｒｎ  
－
Ｋ Ｍｅａｎｓ＋＋  
－
（）；  
，
输 入 数 据 集 为  
的平均距离看作是与下一最近簇分离度  
聚类 子 库  
ｂｉ  
ｓｋｌｅａｒｎ．ｃｌｕｓｔｅｒ  
，
根据领域知识指定聚类类别数为  
ｉｎ ｕｔ  
ｐ
－
（）  
将簇分离度与簇内聚度之差除以二者中  
３
期望  
ｋ＝４．  
ｆｉｌｅ  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号