论文总字数：30270字

目 录

1.绪论 1

1.1 研究背景及意义 1

1.1.1研究背景 1

1.1.2研究意义 1

1.2研究方法与框架 2

1.2.1研究方法 2

1.2.2研究框架 2

2.研究综述 3

2.1国内研究现状 3

2.1.1基于RFM模型的客户细分研究 3

2.1.2基于数据挖掘技术的客户细分研究 4

2.1.3其它 4

2.2国外研究现状 5

2.2.1基于RFM模型的客户细分研究 5

2.2.2基于数据挖掘技术的客户细分研究 5

2.2.3其它 6

2.3研究现状评述 6

3.实证分析 6

3.1 数据准备 7

3.1.1数据来源 7

3.1.2数据处理 8

3.2 数据分析 9

3.2.1 RFM模型建立 9

3.2.2 clementine聚类分析 20

3.3 结果分析 24

3.3.1华为与小米店铺的客户异同 24

3.3.2客户群体识别 24

3.3.3策略分析 25

4.结论 26

4.1内容总结 26

4.2研究不足 27

参考文献 28

致谢 30

基于clementine的京东网手机店铺客户分析

马司其

，China

Abstract:At present, with the rapid development of e-commerce and increasingly competition in electronic commerce,the customer resources has become the most important enterprise's asset.If electricity enterprises want to maximize the implementation of sustainable development and long-term profits, they will identify and reserves the right and valuable customer group wisely.And make the matketing resoures reasonable to increase the competitive advantages.

In this article, we collected the jingdong net of huawei and millet proprietary stores customer transaction data as the initial data and disposed the initial data in date format, delete and time. First of all, through the establishment of RFM model, we analysed and evaluated recency, frequency and the monetary.And we draw RFM scores of customers; Secondly, using the Kohonen algorithm from clementine technology and building model with R value, F value, M value in order to identify the customer group with different characteristics.

Eventually, the customer are divided into three categories: high-end customer group with high value,caluable medium customer group and the low-end customer group with low value . At the same time, this paper analyzes the the similarities and differences between the huawei and xiaomi . And according to different customer groups,this paper also puts forward the different strategy,which mainly include:personalized information service for low-end customers,preferential strategy for the high-end customer group and experience of the latest product freely in the limited time for the valuable medium customer group.We hope to be able to provide the assistant and support in management of jingdong mobile phone shop.

Key words:Customer segmentation; Data mining; Jingdong mall

1.绪论

1.1 研究背景及意义

1.1.1研究背景

电商企业之间的竞争压力方面，随着互联网技术快速地发展并被广泛普及，以及企业推进电子商务的运用进程和国家重视与投资电子商务的发展，使得网络技术已经慢慢地开始影响着人们的生活观念，改变着我国人民的消费模式，如今消费者们越来越青睐于在网上进行购物，选择网络进行购物也逐渐成为了消费者们购物的首选和主要的消费形式。但是，消费者们的选择是多种多样的，消费者会根据模式特点、商品价格、网站信誉等来进行比较性购物，所以只使用一个购物网站的网络购物用户的比例大幅度下降。可见，各家电子商务企业之间存在着的竞争形势相当激烈，这个时候，电商企业之间的竞争模式发生了转变，由之前的竞争模式为“以产品为中心”逐渐转变成为商业竞争模式“以客户为中心”，客户便成为了电商企业竞争的重要资源。电商企业如果重视对客户资源的细分、挖掘以及管理，就会为企业的发展带来核心的动力与前景。

数据运用方面，在21世纪这样的知识经济时代，企业之间的竞争模式愈来愈多地表现在智能技术以及知识竞争方面，所以迫切地需要有价值的信息与知识来应对日益激烈的市场竞争。而伴随着电子商务的快速发展，每个电商企业都积累汇聚了海量的客户交易数据以及客户评论信息，然而，当前对于获取的客户数据知识进行了一些简单传统的查阅和统计处理，或是基于基本的销售情况统计等获取一些浅层的信息知识，并没有得到一些影藏在数据背后的发展趋势以及整体特点等深层次的结论信息知识。那么，如何运用这些大量的客户交易数据得到准确的信息与知识，以帮助每一个电商经营者做出正确的营销决策，提高电商业管理的科学性和有效性，是当前电商所面临的一个难题。

京东商城的客户现状方面，自2004年京东商城正式涉猎电商领域以来，京东商城一直保持着高速地成长，发展至今日，已经在全国范围内拥有了超过8000万的注册用户，并且与之进行合作的供应商有近万家。从创办初期以来，京东商城就明确了自己的目标，主做网上3C产品，其主要的客户群体多为二三十岁之间的年轻人，其中，每年走出校门的大量的大学生群体拥有较高的网购素质和消费潜力而成为京东的一个重点的市场。同时，京东商城凭借着友好的界面、根据顾客偏好向客户向顾客推荐更多的商品、高安全性能的支付以及优质高效的物流体系拥有着一定的客户竞争优势；然而，商品种类的不足、单个商品的数量较少、较小的价格优势以及售后服务较差等方面也使得京东商城在客户竞争中处于劣势。因此，如何更好地经营与客户之间的关系，成为每一位京东商城店铺经营者的必经之路。

1.1.2研究意义

当下，我国电子商务企业发展飞速，竞争强度加剧，整个行业市场的形势也越来越严峻，首先在数量方面，电子商务企业逐年增加，越来越大的电商规模使得企业之间的竞争也就逐渐激烈；其次是客户需求呈现多样化，电子商务的服务也就越来越同质化；第三是客户对商品的价格、质量等信息掌握越来越充分，对电子商务企业的服务要求越来越严格化。因此，电商企业已经无法依靠单纯实现企业信息化来获得竞争优势。以产品为中心的经营理念不再是电子商务企业所推出的，以客户为中心的理念则收到越来越多电商企业的青睐。电子商务企业必须与市场建立起良好的客户关系，才能在严峻的市场形势下稳定并提升市场份额。虽然海量且多元化的客户基本信息以及交易记录等数据被电商企业拥有着，但是静态的、割裂的、分散的是这些数据的特点，因此，大多数电商企业对数据的分析缺乏统筹性和全局性，数据的价值尚且不能得到充分地释放。

而京东商城自2004年开始正式涉足电子商务领域以来，其一直保持着高速成长，目前在全国范围内拥有8000万注册的用户，供应商合作近万家，在线销售数码通讯、电脑、家电、家居百货、图书、母婴、食品、服装服饰等12余类数万个品牌百万种优质商品，每日订单处理量超过50万单数，每日的网站产品鉴定量超过了一个亿。随着京东商城逐渐种类丰富的上架品牌以及商品，京东商城的手机店铺也受到了一定的威胁性。根据调查，以3C起家的京东商城，手机产品的浏览次数仍然排名第一，但女装的浏览次数排名第二，以及男装、书籍等商品的浏览次数也是日趋上升，浏览次数甚至于销量都紧逼手机商品。因此，对于京东网手机产品的电商来说，最重要的资产是交易诚信以及客户的忠诚度，客户群体的识别可以帮助卖家有效地识别客户的忠诚度，减少经营失败的风险，同时，也有助于客户群体识别的重要性逐渐被广大的卖家所意识到，全面地了解不同客户群体的盈利能力，从而改进自身的客户战略，制定合理的战略规划。

1.2研究方法与框架

1.2.1研究方法

本文的研究方法主要以文献研究加实证分析相结合。首先，通过阅读文献，整理了国内外利用数据挖掘技术对企业的客户进行细分这一方面的研究文献；在了解了国内外企业客户细分研究方面对于数据挖掘技术运用的现状的基础上，再利用八爪鱼、clementine等数据处理工具对京东网手机店铺客户交易数据进行采集、处理，并建立RFM模型以识别高消费客户群体，以及以R值、F值、M值为聚类属性进行聚类分析并建立Kohonen聚类模型，细分京东网手机店铺中的客户资源；最终，识别出不同的客户群体，挖掘出不同客户群体的价值，希望能够为店铺管理者的经营决策提供帮助。

1.2.2研究框架

本文主要以提出-分析-解决问题的思路共分为了四个章节的内容。首先，第一章节绪论主要概括性的介绍了本文的研究背景和意义以及研究方法与框架等信息。第二章节主要是对收集的文献的综述，分析了国内外近期关于客户细分方面的研究和所运用的方法，认识目前国内外对此论题的研究发展概况。接着，第三章节主要对本文所收集的数据进行了实证分析，通过建立RFM模型以及Kohonen聚类模型等过程，对京东商城小米和华为自营店铺的客户做出了客户群体的细分并得出结论。最后，第四章节的内容主要是对本文做出的实证研究进行归纳总结，并对本文所涉及的不足加以阐述。具体框架结构如下

2．研究综述

2.1国内研究现状

2.1.1基于RFM模型的客户细分研究

RFM 是Hughes在1994 年提出的以近因、频数以及客户购买金额这三个行为变量来描述和区分客户资源的^[1]。国内学者刘朝华，梅强，蔡淑琴等人认为正确的客户分类可以帮助企业进行有效的营销资源的分配，能够使得核心的竞争力被企业所拥有，以RFM的三个指标行为作为分析变量建立客户分类模型，得到了每一类客户群体具体的相对价值大小，并对其进行了分析和排序，为企业准确认识客户价值、合理分配营销资源提供了依据^[2]。学者王文贤、金阳以及陈道斌等人，以个人客户的忠诚度为角度，在RFM模型的基础上，提出了一种衡量和评估多层级个人客户忠诚度的指标以及模型，对个人客户的总体忠诚度以及分产品的忠诚度进行了分析和评价，同时客户的收入贡献也被结合，个人客户被划分为不同的四类客户群体，并根据客户群体之间不同的特征属性提出了关系维护和营销成本的侧重点^[3]。而除了对客户的消费行为进行传统地RFM模型细分之外，国内的学者徐翔斌，王佳强，涂欢，穆明等人在传统零售行业客户细分的RFM模型的基础上，添加了总利润的属性，于是，RFP模型被创建了出来，最终证实RFP模型更加具有可行性，并且各个客户类别的利润分布情况也可以根据RFP模型分析得出^[4]。相似地，学者赵萌，齐佳音也是在传统的RFM模型的基础上构建出基于评论行为的RFMP模型，并采用熵值法进行了指标权重的确定，进一步丰富了RFM模型的应用范围^[5]。而学者马宝龙，李飞，王高，李纯青等人建立的随机RFM模型，使得一种对未来顾客价值进行识别的模型方法被研究成功，不仅可以对客户进行价值的识别，还可以分析客户购买行为是否有效，在提高企业客户价值的管理水平方面，随机RFM模型起到了非常重要的作用^[6]。

2.1.2基于数据挖掘技术的客户细分研究

赵芸卿学者通过K-means均值算法对客户进行了细分，并提出了相应的差异化服务的策略^[7]。但是，对初始聚类中心较为敏感一直是K-means均值算法存在的缺陷，聚类的结果也会因为不同的初始值而变化，总是一定程度上地束缚着客户细分方面的研究。因此，学者林江云、雷良桃为消除这种敏感问题，通过优化初始聚类中心的方法改进了K-means算法，最终得到了质量较高的聚类结果^[8]。胡艳霞、刘尖学以及洪宗民等人结合了粒子群优化算法和K-means均值算法，使得K-means均值算法的缺陷得到了改进，将其运用在电子商务网站客户细分的研究当中，并得到了具有不同特征的客户群体组^[9]。时红军、韩兵将K-means算法依照同心圆的方式对整个数据区域划分，并充分考虑小区域内个体的密度，最终聚类的质量也得到了显著地提高^[10]。

除了在进行客户细分研究时运用K-means均值算法之外，国内许多学者也尝试地在客户细分研究中运用了其他的数据挖掘算法。其中，黄丽、甘筱青依据数据的相似性,通过运用数据挖掘中的SOFM神经网络算法，细分了e-供应链的客户数据，并有针对性地进行营销策略，客户的满意度最终被提高^[11]。王凯通过核聚类的方法，改进了FKCM算法，使其对不同聚类原型、不同分布密度、悬殊的类中样本数目、高维的数据等情况都可以找到合适的常用核函数及其参数以得到好的聚类结果^[12]。学者胡晓雪、赵嵩正以及吴楠等人改进了距离层次分析法使得传统的相异性度量无法准确反映决策者在细分目标相关的决策指标上的偏好信息等问题得以解决，使用基于聚类分析的客户细分的这种度量流程也一并被给出^[13]。陈东沂、周子程、蒋盛益、王连喜、吴佳林等人采用了基于非负矩阵分解的聚类方法，一种面向企业的客户细分框架被提出，最终表明，基于非负矩阵分解的方法能够取得大约86.13%的asw指标的平均值，远远高出了基于K-means均值算法以及层次聚类算法^[14]。

2.1.3其它

黄枫、卓志、吴纯杰等人认为保险行业的发展至关重要的一点是客户的满意度，,并以研究开发出来的一套适合中国保险业的客户满意度量表为基础，运用偏最小通径模型对客户在购买动机和服务接触程度方面进行了细分^[15]。崔子龙教授通过探讨研究客户的终身价值内涵，按照客户的终身价值的高低对工程咨询业的客户进行了细分并为其客户关系的发展做出了相应的对策^[16]。上海交大的孙莎莎学者，构建了基于客户细分驱动的全方位、立体的保有项目管理设计，制定出相应策略并且实现了现有存量客户保有与价值有效提升的最终目的^[17]。苏州市农村金融学会课题组的学者们，以生命周期为视角，通过分析农业银行如何针对市场变化而建立了多重的客户细分的标准，以改变传统的客户管理定势，培养和提高客户的忠诚度，最终应对当前及未来的激烈的竞争市场^[18]。

2.2国外研究现状

国外关于客户细分的研究，首先是由美国学者Wendell Smith提出了客户细分，他认为客户细分是基于市场需求而发展的，针对消费者或者用户的需求而制定的一种合理而精确的产品决策和市场决策^[19]。

2.2.1基于RFM模型的客户细分研究

Hsin-Hung Wua，En-Chi Changb以及Chiao-Fang Loc等人利用客户数据进行了RFM模型的建立与研究，最终将客户按照重要性进行了细分^[20]。根据客户的重要性进行细分的还有学者Jianying Xiong和Leiyue Yao，他们通过RFM模型并对客户的RFM三项指标进行分析，按照客户的不同的重要程度对客户进行分类；但是，不同于上述Hsin-Hung Wua等人的研究的是，他们还结合了层次分析法确定RFM三项指标的权重并对每个客户集群进行进一步的定量分析，最后排序了每种类型客户的生命周期价值^[21]。学者Ling Tian和Guangwen等人在深入地研究了传统的RFM指标的基础上，根据客户细分的标准化建立了一个适合各种客户细分指标的电子商务的特征体系^[22]。而Young Sung Cho和Song Chul Moon也计算出商务个性化推荐系统，并运用基于RFM的FP树，提出了一种新的挖掘频繁项集的加权方式，使得现有的推荐系统不仅能够反映项目的准确属性，还能解决处理速度延迟等问题^[23]。除了研究出适合客户细分指标的电子商务特征系统，Young Sung Cho,，Song Chul Moon,，Seon-phil Jeong，In-Bae Oh，Keun Ho Ryu等人还提出了一种在固定移动融合服务商务环境下使用的根据近因、频率、货币的推荐系统项目的集群的新方法，这种新方法是基于使用没有繁重的问答用户以及用户资料评级的隐式方法，不仅降低了客户的搜索工作，也提高了客户可购买性的准确度^[24]。

2.2.2基于数据挖掘技术的客户细分研究

Ke Lua、Tetsuya Furukawa等人讨论了根据客户事务数据来评估客户的几个相关问题，根据不同的细分客户群体分析了几个虚构的场景并设置距离措施，表明每个测量有不同的特征，使得测量对一些数据挖掘程序有用而对其他的无用，结果得出这种测量总是优于其他的测量，并且措施是否合适取决于算法程序^[25]。Lihe Song，Weixu Zhan，Shuchai Qian和Jian Yin等人为电力客户细分指标定义了层次分析并结合此分析提出了一种新的算法，叫WKFCM S2 enhanced-FCM算法，同时，他们进行实验来表明WDFCM S2算法可以避免更强的噪音并且也是是更合适的数据挖掘算法^[26]。Pedro Quelhas Brito,Carlos Soares,Sérgio Almeida,Ana Monte, Michel Byvoet等人调查了两种不同的在客户细分方面的数据挖掘方法：集群和亚组发现，建立了基于六级市场细分和允许更好地了解客户喜好的49个规则的模型^[27]。Li Cheng为了研究如何提高服务的效率，提出了基于ID3算法在客户关系管理中的研究；通过对CRM集成数据仓库、OLAP和数据挖掘技术，并且分析出了强有力的决策支持函数以提出CRM解决方案^[28]。Xiaohui Hu，Haolan Zhang，Xiaosheng Wu，Jianlin Chen，Yu Xiao，Yun Xue和TieChen Li等人提出了一个基于FP树算法进行双聚类以获得客户群体更为详细的信息的客户细分的新方法，首先要运用卡方统计分析选择出组属性和K-means均值算法用来衡量的价值属性，然后介绍了客户进行分类时基于密度的DBSCAN算法，分为了三个类别的客户群体，最后根据FP树算法进行的双聚类结果得到客户更为详尽的信息特征；以航空公司的数据集为实验，最终结果表明，双聚类算法可以使得细分客户群体的结果更加精准，与基于先验的双聚类相比，FP树算法在处理大数据集方面更为高效^[29]。

2.2.3其它

Arne De Keyser, Jeroen Schepers, Umut Konuş等人认为需要采集多级客户的观点，充分考虑用于信息搜索和购买产品的渠道，他们改进了在客户细分领域的早期研究，在售后服务阶段，经常被忽视但重要的呼叫中心频道，利用自我报告渠道的行为而不是渠道的适当措施以及调查以前被忽视的协变量的值等方面做出了研究^[30]。Zhongqun Sun 和Xi Sun等人通过讨论和对立统一的客户价值来分析二维客户价值的客户细分研究，探索出一个基于客户价值的双重视角的客户细分的概念性的框架^[31]。Chunyan Yang，Xiaomei Li以及Weihua等人通过研究客户价值以及客户细分，提出了一个新的想法，为企业制定了相应的客户关系管理战略^[32]。

2.3研究现状评述

伴随着我国电子商务企业飞速地发展以及企业之间竞争强度的加剧，整个电商行业市场的竞争形势也越来越为严峻，企业只是单纯地依靠产品来获取利益并想要在行业中拔得头筹已经不能够实现，因此，企业中的客户群体对于企业在行业竞争中的地位越来越重要。本文选取京东商城网站手机店铺的客户交易数据作为研究的数据源，因为京东商城自创立以来一直主打3C产品的营销，并且也在客户心目中建立起了“低价正品”的手机销售商的良好形象，网购群众们只要是选择网上购物手机等产品都会第一时间想到京东商城，并且京东商城自成立以来一直保持着高速成长。但是随着京东商城逐渐种类丰富的上架品牌以及商品，加之外在的行业竞争压力，京东商城的手机店铺也受到了一定的威胁性。因此，本文想要通过研究客户细分方面的知识，将其运用于京东商城网站的手机店铺中以期望能够对店铺经营者有所帮助。

剩余内容已隐藏，请支付后下载全文，论文总字数：30270字

相关图片展示：