论文部分内容阅读
在论文中,作者也以研究消费者的不同消费行为模式作为研究目标,通过发掘特征消费行为模式来达到划分不同客户群的目的.论文选择消费者的消费层次和消费波动作为客户细分研究的细分变量,并在模型中作为划分不同消费模式群体的细分维.之所以这样选择是因为作者认为,消费层次和消费波动情况反映的是消费者消费行为的结果,这种结果体现了诸多影响因素的共同作用,虽然对于这些影响因素我们不好琢磨,但对于消费行为的消费层次和消费波动我们却是可以从客观数据中发掘的.这样我们就可以将一个复杂的多元非线性模型转变为一个简单得多的一元或二元模型来研究.为了形象的说明文中提出的客户细分模型,作者选用了银行卡消费者的刷卡消费行为数据作为建立模型的样本数据.数据挖掘最重要的一点就是需要有海量的数据作为模式挖掘的基础,聚类作为数据挖掘中的一项主要技术更是需要大量的数据做基础.论文用于研究的银行卡消费者样本数据超过20万条,样本容量很大且质量较高,具有较强的真实性和代表性,很适合用于数据挖掘.论文通过建立消费金额矩阵和消费差异率矩阵来研究不同银行卡消费群的消费层次和波动情况,在对选用何种聚类算法进行聚类挖掘时,论文对各类聚类算法进行了简要介绍,由于客观实验条件的限制,论文最终选择了SPSS统计软件包提供的基于距离的k-均值聚类.通过对两个矩阵进行的多层次聚类,挖掘出了具有不同消费行为特征的银行卡消费群,然后利用聚类划分出的不同特征作为模型细分维的单位,在此基础上建立了基于消费行为的二维客户细分模型.论文对如何采用聚类确定模型细分维的过程进行了详细的叙述,对模型的构建过程也进行了论述,此外对模型如何处理新客户信息及模型的升级也进行了说明.整个建模过程可以概括为两步,一是选择和划分细分维,二是在细分维的基础上建立模型.文章花费大量篇幅用于说明如何建立客户细分模型,目的是希望把这种从客户消费层次和消费波动来分析消费行为模式的分析方法和分析过程说明清楚,由这种分析方法来实现细分不同消费行为特征群体的目的,即建立客户细分模型.对于模型研究的意义,作者在论文最后做了一些表述,其中作者认为最直接的是模型可以很好地说明客户的价值和客户价值能够被提升潜力,毕竟在商业应用中,商家更关心的是客户未来能够给商家带来的利润.当然模型的使用价值决不仅限于文中所讲的几点,关于模型的应用空间还需要在实际中去进一步发现.