桑国珍

摘 要:蚁群算法是优化领域中一种新兴的生物进化算法,与传统的算法相比,其具有并行、正反馈和启发式搜索等特点。在此,运用蚁群聚类算法对客户关系管理中的客户分类问题进行分析。结果表明,通过此算法对企业的客户消费数据进行分类,以此来获取不同类型客户的需求,对支持企业决策方面有着极为重要的理论参考价值和实际应用意义。

关键词:蚁群算法;客户关系管理;聚类分析;蚁群聚类算法

中图分类号:TP311文献标识码:B

文章编号:1004-373X(2009)20-155-02

Application of Ant Colony Clustering Algorithm in Customer Relationship Management

SANG Guozhen

(Department of Computer Science,Weinan Teachers University,Weinan,714000,China)

Abstract:Ant colony algorithm is a new evolutionary algorithm in the domain of optimization.It has characteristics of parallelism,positive feedback and heuristic search in comparison with the traditional algorithm.The problems of client classification among client relationship management using the ant colony clustering algorithm are analysed.The result indicates that classifying the consumption data of client with the algorithm can get customer needs of distinguished type.The algorithm has the most important referential value and application meaning in the aspect of enterprise decision-making.

Keywords:ant colony algorithm;CRM;cluster analysis;ant colony clustering algorithm

收稿日期:2009-04-24

基金项目:渭南师范学院科研计划项目(07YKZ059)

在全球网际卖方竞争中,“客户”已升级为如今买方市场激烈竞争下企业兴衰成败的关键[1]。在激烈的市场竞争中,以客户为中心的销售策略已经成为企业和商家的共识。CRM是一种旨在改善企业与客户之间关系的新型管理方法,包括的主要内容有客户识别、客户关系建立、客户保持、客户流失控制和客户挽留。企业通过对整个客户群体进行分类,并以此来获取不同客户群体的需求,并针对不同类型的消费群体制定相应的营销策略。发掘新客户群和增长迅速的客户群体,以制定相应的产品和销售服务计划,开拓新的市场。在市场竞争获得主动地位,并提高企业市场竞争力。

1 蚁群算法原理

蚁群算法最早是由意大利学者M.Dorigo,及其导师Colorni于1991年提出[2]的。其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是继神经网络、遗传算法、免疫算法之后的又一种新兴的启发式搜索算法[3]。模拟蚂蚁群体智能的人工蚁群算法具有分布计算、信息正反馈和启发式搜索的特点[4]。最初的蚁群算法用来解决的是组合优化问题。在这十多年时间里,基本蚁群算法得到了不断发展和完善,现在其应用领域已扩展到多目标优化、数据分类、数据聚类、模式识别等各个方面[5]。

2 聚类分析

聚类是将一组对象分成若干个群体,每个群体构成一个簇,使得簇内对象尽可能具有最大相似性,簇间的对象尽可能有最大相异性。聚类分析是将数据分类到不同簇的过程,目标就是在相似的基础上收集数据来分类。聚类分析被应用于很多领域,在商业上,聚类分析为客户关系管理提供了重要的分析手段[6],从客户的购买信息里找出不同的客户群特征,以发现不同的客户群,从而有助于市场分析人员制定针对性的营销方案。

3 蚁群聚类算法在CRM中的应用

随着蚁群算法研究的兴起,人们发现采用蚁群算法模型进行聚类,更加接近实际的聚类问题。将蚁群算法用于聚类分析,其灵感源于蚂蚁堆积他们的尸体和分类他们的幼体[7]。基于蚁群算法的聚类方法,从原理上可分为两种:一种是基于蚁堆形成原理来实现数据聚类;另一种是运用蚂蚁觅食原理,利用信息来实现聚类分析。Deneubourg等基于蚁群聚类现象建立了一种基本模型,Lumer E和Faieta B将该模型推广到数据分析范畴[8],其主要思想是将待聚类的数据随机地散布在一个二维平面内,然后在该平面上产生一些虚拟蚂蚁,对其进行聚类分析。具体过程,首先将数据对象随机地投影到一个平面上,然后每只蚂蚁根据该对象在局部区域的相似性而得到的概率,决定是否“拾起”、“移动”或“放下”该数据对象。经过有限次迭代,平面上的数据对象按其相似性而聚集,最后得到聚类结果和聚类数目。

算法描述过程如下[7]:

(1) 初始状态下蚂蚁个数为n_ant;最大迭代次数为M;局部区域边长为s,参数为α,c等。

(2) 将数据对象投影到一个二维平面,即给每个数据对象随机地分配一对坐标值(x,y)。

(3) 每只蚂蚁初始化随机地选择一个对象。

(4) 参数v取三种类型值之一,常数、随机数或递减随机数。当v为常数时,所有蚂蚁在任何时刻以同样速度运动;当v为随机数时,蚂蚁的速度为一个范围从1~vmax的随机数;当v为递减随机数时,蚂蚁刚开始运动时的速度较快,以便迅速聚类,然后其值以随机的方式逐渐减小,以使聚类结果更为精细。

(5) For i=1,2,…,M;For j=1,2,…,n_ant

① 根据式(1)[6]计算对象的平均相似性;

SI(oj)=max0,1s2∑oi∈Neighsxs(r)[1-d(oioj)α(1+(v-1)/vmax)](1)

式中:SI(oj)表示对象的平均相似性;α为相似性参数;v为蚂蚁运动速度;vmax为最大速度;Neighsxs(r)表示地点r周围以s为边长的正方形局部区域;d(oi,oj)为对象oi和oj在属性空间中的距离。

② 如果蚂蚁未负载,根据式(2)计算“拾起”概率:

Pp=1-Sigmoid[SI(oj)](2)

若Pp大于某随机概率,而同时该对象未被其他蚂蚁“拾起”,则蚂蚁“拾起”该对象,随机移往别处,并标记自己有负载;否则,蚂蚁拒绝“拾起”该对象,而随机选择其他对象;

③ 若蚂蚁为有负载状态,由式(3)计算“放下”概率:

Pd=1-Sigmoid[SI(oj)](3)

若Pd大于某一随机概率,则蚂蚁“放下”该对象,并标记自己无负载,再重新选择一个新对象。

(6) For i=1,2,…,n

① 如果某个对象是孤立的或其邻域对象个数小于某一常数,则标记该对象为孤立点;

② 否则给该对象分配一个聚类序列号,并递归地将其邻域对象标记为同样的序列号。

可通过以上描述算法对企业客户信息进行聚类分析。首先从客户消费基本信息表中取出主要属性值,如年龄、性别、消费金额等,其次将上述算法中的参数灌值,然后聚类分析,可发现比较突出的客户群,从而市场分析人员可以进行有针对性的营销策略和制定操作方式,提供有针对性的服务,提高公司的综合服务水平,并可以降低业务服务成本,取得更高的收益。

4 结 语

企业的竞争重点,正在经历着从以产品为中心向以客户为中心的转移,客户关系管理作为一种全新的管理、经营理念,越来越引起商家的重视。现代企业50%以上的销售额来自一小部分的重要客户,而其余的大部分客户对企业是微利的[9]。因此,企业要想获得最大程度的收益,就必须对自己拥有的客户进行有效的差异分析,并根据这种差异来区分不同价值的客户。通过从数据仓库当中进行数据挖掘正逐渐成为CRM 中最核心的部分[10]。用蚁群聚类算法解决CRM 的客户聚类分析问题是可行的。这在支持企业决策方面有着极为重要的理论参考价值和实际应用意义,可以帮助高层管理者更好地管理企业,使企业得到更好的发展,实现客户资源价值和企业投入回报的同步最大化。

参考文献

[1]刘云强,李尤.蚁群算法在客户关系管理中的应用[J].商场现代化,2007(6):167-168.

[2]马良,朱刚,宁爱兵.蚁群优化算法[M].北京:科学出版社,2008.

[3]李士勇,陈永强,李研.蚁群算法及其应用[M].哈尔滨:哈尔滨工业大学出版社,2004.

[4]李斌.聚类分析在客户关系管理中的研究与应用[D].昆明:昆明理工大学,2004.

[5]段海滨.蚁群算法原理及其应用[M].北京:科学出版社,2006.

[6]周晓刚,洪春勇.蚁群聚类算法在客户分类中的应用[J].计算机与现代化,2007(5):33-35.

[7]许慧,王正友,杨欢庆.蚁群算法及其聚类应用[J].矿山机械,2007(1):114-116.

[8]Lumer E,Faieta B.Diversity and Adaptation in Populations of Clustering Ants [A].Proc.Third International Conference on Simulation of Adaptive Behavior: From Animals to Animals 3 [C] .Cambridge,MA: MIT Press,1994:499-508.

[9]陈晓海.CRM实施的成功因素研究[A].中国优秀硕士学位论文全文数据库[C].2008.

[10]杨光.浅析数据挖掘在CRM中的应用[J].情报科学,2005(2):119-121.