蒲晓川, 黄俊丽, 祁 宁, 宋长松

(1. 遵义师范学院 信息工程学院, 贵州 遵义 563006； 2. 国立釜庆大学 技术管理学院, 韩国 釜山 48513；3. 遵义师范学院 管理学院, 贵州 遵义 563006； 4. 河西学院 经济管理学院, 甘肃 张掖 734000)

在众多客户关系分析模型中, 最常用的是RFM模型(最近一次消费(Recency)、 消费频率(Frequency)和消费金额(Monetary)), 从多维度分析客户的价值. 在此基础上, 目前已有很多研究扩展了该模型的适用范围, 如文献[1]提出了一种以传统RFM模型为基础, 针对客户潜在价值的RFMP模型； 文献[2]在RFM模型的基础上构建了融入行业属性的RVS模型等. 但这些方法并未考虑客户的发展情况这一因素. 由于计算机数据挖掘中的聚类方法在应用上与企业客户关系管理相近, 因此可用聚类算法解决企业客户的管理问题.K-means聚类在算法时间度量指标及适用于大规模数据等方面效果较好, 因此广泛应用于解决客户细分问题中.

基于此, 本文提出一种基于客户发展的改进RFM模型, 并针对K-means聚类算法的初始聚类中心选取问题进行优化改进, 采用统计学方法和聚类效果对实验结果进行验证.

1 TFA模型构建

客户关系管理中的客户细分是指选择一定的细分变量, 按一定的划分标准对客户价值进行分类的方法[3]. 客户关系管理中最常用的是RFM分析模型, 但该模型存在细分后得到的客户群过多、 购买频率与购买金额之间存在多重共线性缺陷等[4]. 为克服RFM模型的缺点, 本文提出TFA模型, 是以客户发展空间T、 购买频次F和平均购买额A作……