模糊聚类算法的客户关系论文范文

1改进模糊聚类算法

传统的模糊聚类算法也存在一些问题：（1）难以判断离群点的归属（2）提前确定划分类别数目和权重因子(3)因为FCM算法的收敛性，很容易陷入局部极小点或者鞍点，从而得不到全局最小值。

1.1减少离群点的作用为了减小离群点对聚类中心的干扰，给隶属矩阵添加一个权重因子，让隶属度低的点对聚类中心起的作用比较小，把隶属度调整为。

1.2对划分类别书的确定人为确定划分类别不太准确，有可能让聚类过程很缓慢。我们把聚类的有效性函数添加到FCM算法中，利用有效性函数来决定划分类别数的值。改进的模糊聚类算法如下所示。

2实验

数据是采用随机抽取的50个样本信息，由于客户的数据有17个参数：公司年龄、行业、规模、公司性质、盈利情况、员工数量、信誉度、年销售量、产品市场定位、新产品数量、流动资金、平均订购规模、年采购量、购买渠道、主要客户、对待产品的态度、对待服务的态度，各个数据的量纲不同，或者量纲相同，但是数量级不同，直接用原始数据计算会出现“大数吃小数”的现象，所以，在实验之前，对数据进行标准化处理。

应用改进模糊聚类算法，设定加权参数为2，停止阈值为0.0001，差异度采用欧几里得距离公式计算。下表列出了聚类中心阵和聚类结果的检测指标。实验得到的划分矩阵表明用户对各个类别的隶属程度，对其中两组用户数据分析：用户1：0.0013，0.9263，0.0722，0.0002，0.0000用户2：0.1475，0.8451，0.0001，0.0056，0.0017隶属度矩阵的每列数据表示该客户对一个类别的隶属程度，每一列之和为1，表示该客户对所有类别的隶属度之和为1。根据样本判定的选择原理，该客户数据对某个类别的隶属度大，我们就认为该客户属于这个类别。从上面数据可以看出。用户1对类别2的隶属度为0.9263，我们认为用户1属于第2类，样本2对类别2的隶属度为0.8451。我们认为用户2属于第2类，同时样本2对类别1有0.1475的隶属度，所以用户2还具有类别1的特征。

本实验把企业的客户划分成不同的种类，区别出不用种类的特点。下表对5类用户进行了的特征进行了总结：对于表2的分析结果，我们可以看到采用近度、频率和金额度作为客户分类的参数，从划分出的类别能看出不同客户类别对企业的忠诚度，对企业利润的贡献大小和客户估计要流失的可能性。这次实验是根据客户的消费记录进行聚类的，客户最近的消费记录对结果的影响很大。企业通过CRM，能挖掘出对企业利润贡献大的客户，对不同的客户类别，实施不同的经营策略，提高客户对企业的满意度，吸引能给企业带来巨大利润的客户，留住现有的客户，避免客户的流失，提高企业的经济效益。本文改进的模糊聚类算法能够实现初始化聚类类别参数自动生成，减少了人工干预初始化聚类数目的影响，有比较好的聚类结果和收敛速度。

作者：李克威单位：天津职业大学网络中心