基于Kohonen網(wǎng)絡(luò)的客戶行為研究

趙琨 楊瀟瀟

摘 要：近年來快遞業(yè)陷入價格戰(zhàn)，在電子商務(wù)蓬勃發(fā)展的背景下，快遞業(yè)作為一個匯聚著海量數(shù)據(jù)的行業(yè)，對數(shù)據(jù)的合理挖掘利用更可能帶來下一個利潤增長方向。以某快遞公司一年的消費者行為數(shù)據(jù)，運用kohonen網(wǎng)絡(luò)進行客戶畫像。通過對同類的商品市場進行比較、分析與預(yù)測，便于商家了解自家產(chǎn)品銷售與市場反饋情況，比較競爭對手的產(chǎn)品，從而對產(chǎn)品進行優(yōu)化。

關(guān)鍵詞：數(shù)據(jù)挖掘；客戶畫像；kohonen網(wǎng)絡(luò)

中圖分類號：F27 文獻標識碼：Adoi：10.19311/j.cnki.1672-3198.2018.24.022

1 引言

近年來，隨著互聯(lián)網(wǎng)的普及和移動智能終端的發(fā)展，電子商務(wù)以驚人的速度崛起，由此帶來的快遞需求也使得我國快遞行業(yè)快速成長，快遞行業(yè)積累及掌握的客戶信息更是過去無法比擬的，而這些數(shù)據(jù)所攜帶的信息價值更是難以估量的。在我國快遞行業(yè)競爭日趨白熱化的過程中，以四通一達為代表的民營快遞企業(yè)業(yè)務(wù)量蒸蒸日上，但服務(wù)產(chǎn)品同質(zhì)化現(xiàn)象甚為突出，缺乏個性與核心競爭力，導致客戶黏性不高，企業(yè)發(fā)展后勁不足。本文嘗試探索快遞公司業(yè)務(wù)的另一種可能性，將快遞公司手握的海量數(shù)據(jù)加以挖掘分析，增進對下游最終客戶的了解，以期提高快遞公司在鏈條中的地位并增加其業(yè)務(wù)板塊的多樣性，助力快遞行業(yè)產(chǎn)生新的價值增長方向。

姚風起（2015）提出快遞企業(yè)應(yīng)及時轉(zhuǎn)變思路，提供差異化服務(wù)，并加快企業(yè)的轉(zhuǎn)型升級，由人員密集型產(chǎn)業(yè)向技術(shù)密集型轉(zhuǎn)變，從價格競爭升級為服務(wù)競爭。Kent Gourdin （2001）構(gòu)建了關(guān)于網(wǎng)購的消費者快遞服務(wù)體驗?zāi)Ｐ椭械贸隹爝f服務(wù)水平會通過影響終端客戶進而直接影響電商服務(wù)水平的結(jié)論。Jana Sporran （2013）分析了電商背景下的快遞業(yè)的基礎(chǔ)上，比較國有快遞企業(yè)和民營快遞企業(yè)的優(yōu)、劣勢及新環(huán)境下的競爭力，并對其發(fā)展方向提出思考。Ying Xu；Xuemei Zhang等（2016）提出供應(yīng)鏈環(huán)境下的電子商務(wù)和快遞業(yè)兩者的盈利與協(xié)作模式。Michael Beasley（2013）從度量和維度兩個角度先對數(shù)據(jù)進行過濾，再專注于用戶群表現(xiàn)出的特征行為，或比較不同用戶群間不同的設(shè)置，從而細分客戶。Deepa Ittimani Tholath與Fr.Casimirraj S.J.（2016）利用人口統(tǒng)計學相關(guān)理論，將客戶細分為不同類，并為之描述出不同分類客戶的典型模式，在客戶消費的過程中，客戶在消費旅程地圖每一步的決策行為都會影響最后的決策點。侯洪濤、黃有方（2012）利用Apriori算法，通過對消費者性別、年齡、收入、居住地、婚姻狀況等有關(guān)屬性的關(guān)聯(lián)度分析，尋找屬性間的關(guān)聯(lián)，以期能對其他未知的客戶屬性進行預(yù)測。劉海、盧慧等（2015）先運用4C理論構(gòu)建用戶畫像的數(shù)據(jù)庫，再對其挖掘進行客戶細分，最后以三槍集團的身高因素為例進行實證分析。李冰，王悅，劉永祥（2016）基于K均值算法對卷煙客戶畫像，使末端零售商針對客戶進行個性化服務(wù)與推薦。崔琳（2016）基于SQL Server DQS的數(shù)據(jù)質(zhì)量控制，以香港某餅家的營銷數(shù)據(jù)為對象，構(gòu)建客戶畫像的數(shù)據(jù)庫與指標體系，并為其設(shè)計了更新維護方案，再利用Apriori算法實現(xiàn)購物籃分析，利用 k-means 算法實現(xiàn)客戶分層分類，最終基于挖掘結(jié)果進行智能推薦與針對營銷。趙飛鴻（2016）引入美國學者Pang-NingTan提出的二分聚類算法，基本思路是將所有點集合先分裂成兩個簇，再從兩個簇中根據(jù)條件選取一個繼續(xù)分裂，如此反復，最后生成K個簇。

2 客戶行為分析與畫像

此次對客戶畫像的數(shù)據(jù)來自于某公司2016年每天的訂單信息，共有三十幾萬條記錄，原始數(shù)據(jù)表的可用字段如下：復核時間、發(fā)貨人、站點、配送區(qū)域、行政區(qū)域、產(chǎn)品名稱、總件數(shù)、配送日期、配送日、客戶訂單號、收貨人、溫帶要求、發(fā)貨人類型、備注、妥投日期、妥投日、經(jīng)度、緯度、服務(wù)要點、重要客戶否、標準地址。由于原始數(shù)據(jù)存在缺失值、錯誤值、錯別字、描述不統(tǒng)一等情況，故在數(shù)據(jù)分析前需進行數(shù)據(jù)篩選和規(guī)范。由于快遞公司并不直接掌握產(chǎn)品目錄，故需要有大量的關(guān)于產(chǎn)品的數(shù)據(jù)預(yù)處理，使之形成一個標準的產(chǎn)品目錄。

客戶畫像就是通過貼標簽，得到客戶的立體印象，一個客戶身上有多重標簽，這些標簽可以有包含關(guān)系，并列關(guān)系等。根據(jù)產(chǎn)品目錄，了解到該快遞公司服務(wù)的所有商家的經(jīng)營范圍，并建立一個商品標簽庫，當然還可以建立人物的身份標簽，如家庭主婦，上班族，學生等，但S快遞公司目前的主要商戶主營生鮮食品，其主要客戶一般都是家庭主婦，故此處就不詳細建立身份標簽庫。此標簽表還能繼續(xù)下分，每樣商品的標簽可以交錯，比如水晶燈既屬于燈具也屬于家居飾品，正如每個人都有多重屬性多樣身份，再利用Apriori算法結(jié)合歷史消費記錄中與該商品關(guān)聯(lián)度高的商品標簽，給各商品分配各標簽比重，便于最后根據(jù)各類消費群的消費熱點與消費偏好描述各類消費群特點。從客戶消費數(shù)據(jù)中篩選出年消費次數(shù)較高前100名客戶的數(shù)據(jù)，再將每個客戶的所有訂單都整合成單獨一條記錄，將各產(chǎn)品的消費數(shù)量進行各自匯總，最后新數(shù)據(jù)源表：154個字段，100條記錄，性別0代表男性，1代表女性，行政區(qū)1-16分別表示東城、西城、海淀、朝陽、豐臺、門頭溝、石景山、房山、通州、順義、昌平、大興、懷柔、平谷、延慶、密云16個市轄區(qū)，其余的是商品字段，這些商品消費信息可以是各種渠道的，不局限于某一家店鋪或者某一線上平臺，這也是快遞公司的優(yōu)勢：聚集各方資源。若還能和商家合作，數(shù)據(jù)維度越廣，越能形象地刻畫描述客戶，其結(jié)果的可靠性也會更強。根據(jù)此次客戶消費數(shù)據(jù)的結(jié)果特性，可總結(jié)出本次判斷各類消費傾向方法。

最后根據(jù)橫縱向比較各類消費品的價格、消費品類型、消費次數(shù)等，結(jié)合商品標簽，將各類消費群進行描述，一共有9個消費群。可以發(fā)現(xiàn)女性消費者是該快遞公司承接商戶的消費主力，這與商戶的主營范圍有關(guān)，該快遞公司的幾個主要商戶都是主營生鮮食品，故本次數(shù)據(jù)中大多是有關(guān)生鮮消費的數(shù)據(jù)。由于客戶的消費興趣、習慣等也會發(fā)生改變，故客戶畫像的標簽也要定期進行維護更新，依據(jù)消費時間的由遠到近，將消費記錄的權(quán)重由小到大進行分配，再進行消費結(jié)果的更替。Kohonen網(wǎng)絡(luò)作為一種神經(jīng)網(wǎng)絡(luò)算法適用范圍較廣，結(jié)果相較更合理。

3 結(jié)論

本文以某快遞公司的數(shù)據(jù)進行客戶畫像，通過聚類算法提取客戶特征，將客戶標簽化，便于商家針對營銷與挖掘潛在相關(guān)客戶。本文的方法具有良好的遷移效果，由于快遞公司手握許多商家的客戶數(shù)據(jù)信息，故可通過上述方法，快遞公司還能通過大數(shù)據(jù)對上游商家的產(chǎn)品進行畫像，該產(chǎn)品的消費人群特點，競品的特點及競品消費人群特點，替代品或互補品的消費情況等，通過對同類的商品市場進行比較、分析與預(yù)測，便于商家了解自家產(chǎn)品銷售與市場反饋情況，比較競爭對手的產(chǎn)品，從而對產(chǎn)品進行優(yōu)化。

參考文獻

[1]姚風起，當前快遞業(yè)價格戰(zhàn)問題探究[J].知識經(jīng)濟，2015，（24）：69-69.

[2]Kent N Gourdin.Global logistics management：a competitive advantage for the new millennium[M].Blackwell PublishersLtd，2001，218-230.

[3]Jana Sporran.Electronic Commerce Internet Strategies and Business Models–A Survey [J].Information Systems Frontiers，2013，（14）：96-110.

[4]Ying Xu；Xuemei Zhang；Jian Cao；Ya Chen；Xuhong Ye；Paolo Renna，Collaboration and Evolution of E-Commerce and Express Delivery Industry Supply Chain[J].Hindawi Publishing Corporation，2016.

[5]Michael Beasley，Segmentation[M].ElsevierInc，2013：135-155.

[6]DeepaIttimani Tholath、Fr.Casimirraj S.J.，Customer Journey Maps for Demographic Online Customer Profiles[J].International Journal of Virtual Communities and Social Networking （IJVCSN），2016：1-18.

[7]侯洪濤，黃有方.基于Apriori算法的銀行客戶行為分析[J].硅谷，2012，（03）：20-21.

[8]劉海、盧慧、阮金花、田丙強、胡守忠，基于“用戶畫像”挖掘的精準營銷細分模型研究[J].Journal of Silk，2015，（12）.

[9]李冰，王悅，劉永祥.大數(shù)據(jù)環(huán)境下基于K—means的用戶畫像與智能推薦的應(yīng)用[J].現(xiàn)代計算機，2016，（08）：11-14.

[10]崔琳，基于客戶畫像的數(shù)據(jù)挖掘技術(shù)在CRM中的應(yīng)用[D].上海：東華大學，2016.

[11]趙飛鴻，基于金融類客戶畫像的二分K值算法分析研究與應(yīng)用[D].北京：中國科學院大學，2016.