模糊聚類算法的客戶關系論文范文
本站小編為你精心準備了模糊聚類算法的客戶關系論文參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。
傳統的模糊聚類算法也存在一些問題：（1）難以判斷離群點的歸屬（2）提前確定劃分類別數目和權重因子(3)因為FCM算法的收斂性，很容易陷入局部極小點或者鞍點，從而得不到全局最小值。
1.1減少離群點的作用為了減小離群點對聚類中心的干擾，給隸屬矩陣添加一個權重因子，讓隸屬度低的點對聚類中心起的作用比較小，把隸屬度調整為。
1.2對劃分類別書的確定人為確定劃分類別不太準確，有可能讓聚類過程很緩慢。我們把聚類的有效性函數添加到FCM算法中，利用有效性函數來決定劃分類別數的值。改進的模糊聚類算法如下所示。
2實驗
數據是采用隨機抽取的50個樣本信息，由于客戶的數據有17個參數：公司年齡、行業、規模、公司性質、盈利情況、員工數量、信譽度、年銷售量、產品市場定位、新產品數量、流動資金、平均訂購規模、年采購量、購買渠道、主要客戶、對待產品的態度、對待服務的態度，各個數據的量綱不同，或者量綱相同，但是數量級不同，直接用原始數據計算會出現“大數吃小數”的現象，所以，在實驗之前，對數據進行標準化處理。
應用改進模糊聚類算法，設定加權參數為2，停止閾值為0.0001，差異度采用歐幾里得距離公式計算。下表列出了聚類中心陣和聚類結果的檢測指標。實驗得到的劃分矩陣表明用戶對各個類別的隸屬程度，對其中兩組用戶數據分析：用戶1：0.0013，0.9263，0.0722，0.0002，0.0000用戶2：0.1475，0.8451，0.0001，0.0056，0.0017隸屬度矩陣的每列數據表示該客戶對一個類別的隸屬程度，每一列之和為1，表示該客戶對所有類別的隸屬度之和為1。根據樣本判定的選擇原理，該客戶數據對某個類別的隸屬度大，我們就認為該客戶屬于這個類別。從上面數據可以看出。用戶1對類別2的隸屬度為0.9263，我們認為用戶1屬于第2類，樣本2對類別2的隸屬度為0.8451。我們認為用戶2屬于第2類，同時樣本2對類別1有0.1475的隸屬度，所以用戶2還具有類別1的特征。
本實驗把企業的客戶劃分成不同的種類，區別出不用種類的特點。下表對5類用戶進行了的特征進行了總結：對于表2的分析結果，我們可以看到采用近度、頻率和金額度作為客戶分類的參數，從劃分出的類別能看出不同客戶類別對企業的忠誠度，對企業利潤的貢獻大小和客戶估計要流失的可能性。這次實驗是根據客戶的消費記錄進行聚類的，客戶最近的消費記錄對結果的影響很大。企業通過CRM，能挖掘出對企業利潤貢獻大的客戶，對不同的客戶類別，實施不同的經營策略，提高客戶對企業的滿意度，吸引能給企業帶來巨大利潤的客戶，留住現有的客戶，避免客戶的流失，提高企業的經濟效益。本文改進的模糊聚類算法能夠實現初始化聚類類別參數自動生成，減少了人工干預初始化聚類數目的影響，有比較好的聚類結果和收斂速度。
作者：李克威單位：天津職業大學網絡中心
