（计算机应用技术专业论文）自组织特征映射网络在客户分类中的应用研究.pdf

摘要 客户关系管理( c u s t o m e rr e l a t i o n s b j pm a i l a g 锄e n t ，c r m ) 对于企业掌握客户需求是 十分重要的，它能够帮助企业掌握客户的需求内容及需求趋势，加强与客户的合作关系， 有效地挖掘和管理客户资源，从而获得更大的市场竞争优势。客户是企业发展的最重要 资源是c i m 核心思想之一，正确了解客户的消费行为对于企业来说至关重要，为了能更 好的了解客户的需求，就需要对客户进行分类，对客户提供差异化的服务。常用的客户 分类方法有很多：如删分析法、客户价值矩阵分析法、彳曰c 分析法等。 在尺蹦分析法中，当f 增加时，m 也随之增加，在f 和m 间存在多重共线性，这 样就会降低尺跗的有效性，对分类的结果就会产生影响。本文由m 来替代m ，m 是 由m ，得到，这样就很好的解决了f 与m 之间的共线性，然后利用s o m 网络与尺f m 相 结合的方法对客户进行分类，根据不同的客户属性将客户划分为不同的集合，并通过客 户集合来分析和预测客户的消费模式，从而可以针对不同的客户采取不同措施，更大程 度满足客户的需求，得到客户的更多信任。在腰m 方法中首先将客户与企业的交易记 录转化为艘m 指标，再将m 通过m 佰运算转换为m 。利用s o m 网络对转化后的数据进 行聚类得到不同的客户簇，对每个客户簇进行分析，判断客户对企业是倾向背离还是倾 向忠诚的，从而帮助企业准确的定位客户的购买行为。 目前c i m 商机最大的是北美和西欧市场，国内c i 蝴市场目前还不大，尚处于概念 阶段，也没有一个比较成熟的客户分类系统。鉴于这种情况本文开发了s o m 客户分类系 统，此系统的源数据是基于客户的交易记录，不受行业的影响，具有一定的通用性。 关键词：客户关系管理；客户分类；自组织映射 a b s t r a c t c u s t o m e rr e l a t i o n 幽pm a l l a g e i i l e n tf o r 肌t e 印r i s e sm a s t e rt h en e e d so fc u s t o m e r s1 sv e r y i m p o r t 锄t ，i tc a l lh e l p 饥t 呻r i s e sm a s t c rt h ea d n t e n to fd 锄趾da n d c u s t o m e rd 锄孤d 栅l d ， a n di i n p r o v em er e l a t i o ns _ h i p sb e 觚e e l lc u s t o m e r sa n de i l t e 印r i s e s ，a n de f f e c t i v cm a n a 蹦n e n t a n dm i i l i n gc l l s t o m e r sr e s o u r c e s ，s o 嬲t og a i nm o r ep r o f i t sf o re i 】【t e 叩r i s e s ni st l l eo n e o fc o r e i d e a sf o rc r mt h a tt h ec u s t o m e r si st h ei n o s ti m p o r t a l l tr e s o u r c e s ，a i l di ti st l l ee s s 训a lf o r 衄t e r p r i s e st l l a tm ep r o p e rm a s t e ro fc o i l s u m e rb e h a v i o r i fy o uw a i l tt ob e t t e ru n d e r s t a 】帕 c u s t o m 由n e e d s ，i ti sn e c e s s a 巧t l l a tc u s t o m e rc 1 嬲s i j e i c a t i o na n dp r o 啊d eav 撕e t y o fs e r v i c e s 髓e r ea r em a i l yc u s t o m e rc l a s s i 6 c a t i o nm e m o d f o re x 锄叩l e ，r f ma i l a l y s i s ，c u s t o m e rv a l u e m a t r i x 肌a l y s i s ，a b ca n a l y s i s ，a n ds oo n i ni 心ma l l a l v s i s ，w h 吼t h ei i l c r 铋s ei nf ，ma l s ow i l lb ei i l c r e a s e d ，b e t w e e nm e f 觚dm h a v ea r ec o u i n e a r i 够，讹c hw o u l d 础c et h ee 行e c t i v e i l e s so fr f m ，m ed a s s i f i c a t i o no f r e s u l t sw i l lh a v ea i li m p a c to n h 1t l l i sp a p u s i n g m i n s t e a do f m ，b ym fb e s og o o do n n l es e t t l 锄e mb 咖e e n 1 efa 1 1 dm o f m ec o l l i n e 撕t y a n dt h e i lu s es o mi l e t 、0 r ka n dt h e m e t h o do f 灯砑c o m b i n i n gt l l ec u s t o m e rc l a s s i f i c a t i o n ，a c c o r d i n gt od i f f 细tc u s t o m e r s a t t r i b u t et oc u s t o m e r so fm ed i 您。瞅l tc o l l e c t i o n s ，龇l dt l l r o u g ht h ed i 仃b 似l tc o l l e c t i o i l ， a n a l y s i sa n dp r o j e c t i o n s ，m ec o n s 硼叩t i o np a 钍e n l sa i l dm l l sf o rd i 鼢e n tc u s t o m e r st o 僦( e v a r i o l l sm e 嬲u r e s g r e a t e rc u s t o m e rs a t i s f a c t i o n ，a n d1 e tc l l s t o m e r sg e tm o r ec o n j e i d e i l c e 1 1 1 只f 砺m e m o d ，t h e 觚te i l 做p s ec u s 幻m e r sa n d r c c o r d so f 仃暑吣a 矾o n si n t or f mi n d i c a t o r s ， 雅dt h 饥恤u 曲m em g e tm em a r e ru s i i l gs o mo p e r a t et h ec o n v e r s i o no f d a t ac l u s t 函n g ， c l u s t e r sa r ed i f j 陆e n tf o re a c hc u s t o m e rd u s t e r 觚a l y s i s ，j u d 百n gt h et e i l d e n c yt od e v i a t ef b m l ee n t e r p r i s eo rt l l et e i l d e l l c yo fl o y a l t yt oh e l p r i s e sa c c u r a t ep o s i t i o m n gc u s t 咖c r b u y i n gb e h a v i o r c u r r e m l yc i 己mb u s i n e s si sm el 鹕e s ti i ln o m la m e r i c aa n dw e s t e n le u r o p e ，d o m e s t i c c i t mm a r k e ti sn o tl a r g e ，i ss t i l li nm ec o n c 印t l l a ls t a g e ，n o rd i dam o r em a n l r ec 1 1 s t 咖e r c 1 嬲s m c a t i o ns y s t e m h 1v i e wo ft h i sp a p e rh a sb e d e v e l o p e ds o m c u s t o m e rd 鹤s i f i c a t i o n s v s t 锄，t h e8 y s t e mi sb a s e do nt h ed a t as o u r c c ，r e c o r d so f 仃a n s a c t i o n s 舶mt h ei m p a c to f i i l d u s t r y ，h a v eac e 而nc o 衄o n a l i t y k e yw o r d s ：c u s t ( 肌e rr e l a t i o n 蛳pm a i l a g e m e n t ；c u s t o m e rc l a u s s i f i c a t i o n ；s e l f o 略a 1 1 i z i l l g m a p i i 独创性声明 本人郑重声明：所提交的学位论文是本人在导师指导下独立进行研究工作所 取得的成果。据我所知，除了特别加以标注和致谢的地方外，论文中不包含其他 人已经发表或撰写过的研究成果。对本人的研究做出重要贡献的个人和集体，均 已在文中作了明确的说明。本声明的法律结果由本人承担。 学位论文作者签名：漕压五配一日期：型鳍。厶左一 学位论文使用授权书 本学位论文作者完全了解东北师范大学有关保留、使用学位论文的规定，即：东 北师范大学有权保留并向国家有关部门或机构送交学位论文的复印件和电子版，允许 论文被查阅和借阅。本人授权东北师范大学可以采用影印、缩印或其它复制手段保存、 汇编本学位论文。同意将本学位论文收录到中国优秀博硕士学位论文全文数据库 ( 中国学术期刊( 光盘版) 电子杂志社) 、中国学位论文全文数据库( 中国科学技 术信息研究所) 等数据库中，并以电子出版物形式出版发行和提供信息服务。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：粒够 指导教师签名： 日 期：拶喀 纱 日期： 学位论文作者毕业后去向： 工作单位： 通讯地址： 电话：摩掣矽 邮编： 东北师范大学硕士学位论文 引言 工业经济时代生产力的不断发展，逐步改变了全社会生产力能力不足和商品短缺的 状况，并导致了全社会生产力的过剩，从而导致了商品的极大丰富并出现过剩。在此情 况下，给了客户更多的选择，客户选择也呈现出个性化的特征。企业为了获得更多的客 户，面临的首要问题就是如何满足个性化客户的需求，因此企业管理不得不从过去以 “产品 为导向转变为以“客户”为导向n 1 ，只有快速响应并满足个性化的需求，企业 才能在激烈的市场竞争中得以生存和发展。企业要想取得竞争优势，能够采取的重要手 段不再是成本的降低和技术的持续创新，而是由利润和成本转变为客户的满意度。随之， 客户关系管理成为了企业取得竞争优势的最重要手段。 客户关系管理随着时代的发展也在不断的发展。从最早的1 9 8 4 年，i v e s 和l c 锄o n t l l 提出了客户生命周期( c r l c ) 的概念髓1 ，它是根据客户生命周期的不同阶段来满足客户的 不同需求。在2 0 世纪9 0 年代初，c r m 应用刚刚投入使用，如销售队伍自动化和客户服务 与支持等。但是这些都是基于特定的业务流程，只从某个方面或某几个方面考虑客户的 需求，却忽略了从整体角度去考虑企业与客户之间的关系问题。在2 0 世纪9 0 年代中期， 蹦a k o t a 和w 1 l i i l s t o n 第一次提出了一个全新的概念，即电子商务( e c 或e b ) 口1 ，在他们的 论文中认为电子商务中主要包括两种关系：一是企业和客户的关系( b 2 c ) ，另外是企业 之间的关系( b 2 b ) ，b 2 c 和b 2 b 的关系就是c i t m 研究的着重点。随后z w a s s 和g m u p 分别 给电子商务和c i m 又下了的定义h 引。2 0 世纪9 0 年代后期，c 砌以伴随着电子商务的发展 及应用的普及逐渐发展到了电子c i t m ( 即e c 砌订) 或者说电子商务c i t m ( 即e c c i 洲) 阶段。 从c i 蝴的产生到现在，客户分类方法已经引起越来越多的人重视，从而产生了多种 客户分类方法、客户分类指标及客户分类算法。 主要的客户分类方法有：客户忠诚度与信用等级相结合的分类方法、客户忠诚度与 客户规模相结合的分类方法及客户忠诚度、客户规模与客户信用等级相结合的方法等。 常用的客户分类指标有：收入指标阳1 、资金状况指标口3 、客户经营状况指标陋1 、市场 份额指标及艘m 指标旧1 等。 目前主要的客户分类算法有： 主要有基于预先指定类别的客户分类算法和基于客户簇的客户分类算法两大类。由 于形成客户集合一般都是采用聚类技术，所以基于客户簇的客户分类算法对先验知识的 依赖比较小，而且更利于发现待分类客户数据中的潜在客户模式。随着人工神经网络的 不断发展，近几年利用神经网络聚类算法在客户分类中得到了广泛的重视和大量的应 用。常用的人工神经网络有：b p 和s o m 网络，随后又出现了基于模糊理论的b p 人工神经 网络刚和动态s o m 网络u 等。 每个企业生存的本质是客户，企业之间竞争的核心也是围绕客户展开，因此客户是 企业的生存源泉，是企业的发展之本，因此对客户消费行为的了解对企业来说是极其重 i 东北师范大学硕士学位论文 要的。客户分类是企业了解客户消费行为的重要手段之一，它根据客户对企业的重要程 度，将不同的客户划分为不同的重要等级。这样才能使企业更有针对性的采取营销策略， 把企业中最优的资源体现在重要程度最高的客户身上，使得企业获得更大的利润，从而 可以提高企业的整体实力，为企业之间的竞争提供有力的保障。 了解客户的最有效的方法就是对客户进行分类，本文利用s o m 网络结合尺f m 分类 算法，对实验数据进行了聚类，得到了理想的实验效果，并验证了s o m 客户分类系统的 可用性。 本文的组织如下： 第一章：k 均值算法的介绍，自组织特征映射网络的模型、学习过程、学习算法； 第二章：介绍了客户关系管理中的常用的客户分类方法，在r 跗分析法中，与m 之间的共线问题，本文由m 来替代m ，m 是由m ，得到，很好的解决了这一问题， 并详细描述了基于艘m 与自组织特征映射网络相结合的客户分类算法； 第三章：自组织特征映射网络客户分类系统的设计与实现。首先介绍了系统的开发 环境，然后介绍了系统的分析方法。系统分析方法采用目前国内、外较为流行的面向对 象系统分析技术进行，其静态架构由对象层、结构层、主题层和属性层构成。最后，给 出由静态架构反射出来的用例视图，用于表示系统功能的高层逻辑模型； 第四章：对实验过程进行了详细的描述。包括网络模型的设计，初始权值、学习率、 和邻域半径等参数的设置；s o m 网络的样本选取和网络的训练过程；实验数据的预处理 及对实验结果的对比，通过尺f m 与删方法的对比，证实了修改后的删在客户分 类问题上更能科学、准确的反应客户的类型，也证实了s o m 客户分类系统的可用性。 2 东北师范大学硕士学位论文 1 1 概述 第一章人工神经网络 “神经网络 或“人工神经网络是指用大量的简单计算单元( 即神经元) 构成 的非线性系统，它在一定程度和层次上模仿了人脑神经系统的信息、存储及检索功能， 因而有学习、记忆和计算等智能处理的功能。它是一种模仿生物神经系统构成的新的信 息处理模型，并有独特的结构，所以人们期望它能解决一些用传统方法难以解决的问题。 目前，神经网络的理论和应用研究得到了极大的发展，而且已渗透几乎所有的工程 应用领域。但是，其发展过程并非是一帆风顺的。神经网络的发展大致经以下几个阶段。 初始发展时期 1 9 4 3 年，w m c c u l l o c h 和w p i t t s 提出了m p 模型n 利，从而给出了神经元的最基 本模型及相应的工作方式。 1 9 4 9 年，神经生物学家d h e b b 发现，脑细胞之间的通路在参与某种活动时将被 加强n 羽。这条重要的规则给出了生理学与心理学问的联系，称为h e b b 学习规则。 1 9 5 7 年，f r o s 饥b l a t 提出了感知器模型n4 | ，这是一个由线性阈值神经元组成的前 馈神经网络，可以用于分类问题。 1 9 6 0 年，b w i d r o w 和m h o 行提出了自适应线性单元n 引，这是一种连续取值的神 经网络，可用于自适应系统。 1 低潮时期 1 9 6 9 年，人工智能的创始人m m i n s k y 和s p a p e n 发表了感知器一书n 嗣， 在书中他们指出：单层p e r c 印仃d n 只能用作线性划分，多层p e r c 印t r o n 不能给出一种学 习算法，因此无实用价值。由于此二人在人工智能领域的地位，该书在人工神经网络研 究人员间产生了极大的反响，神经网络研究自此陷入低潮。 但是在此期间仍有兢兢业业的人在研究神经网络，并取得了一些成果。其中最著名 的是1 9 8 2 年由h h o p f i e l d 提出的h o p f i e l d 神经网络n7 】，h o 面e l d 借用了l y a p u n o v 能 量函数的原理，给出了网络的稳定性判据，并为著名的组合优化问题即旅行商问题( t s p ) 提供了一个新的解决方案。此网络可以用于联想存储、优化计算等领域。 2 高潮时期 1 9 8 5 年，m l i l l e l h a n 等人给出了多层感知器的权值训练的误差反向传播学习算法( b p 算法) u 引，从而解决了m i n s k y 认为不能解决的多层感知器的学习问题。自此引导了神经 网络的复兴，神经网络研究也进入了一个新的发展阶段。 随后又出现了一系列的神经网络模型，常用的人工神经网络结构有多层前向感知器 网络( b p ) 、径向基网络( r b f ) 、模糊网络和自组织网络( a r t 和s o f m ) 。b p 网络的拟合精 3 东北师范大学硕士学位论文 度高，但训练速度慢且可解释性不好。b r f 网络可用于快速建模，但是它的精度不及b p 网络，特别是在处理高维数据的情况下。模糊网络建模快，精度也高，但外推性差。自 组织网络是一种能自动地向环境学习以获取知识的神经网络，一般用于聚类分析。用于 计算生物学领域的确定性因素神经网络( c f n e t ) 等。 1 2k 均值算法 n 维模式矢量，可以被认为是代表一个n 维欧氏空间中的点。建立模式矢量之间相 似性测度的最明了的方法之一，是衡量它们互相之间的接近程度。k - 均值算法是按照最 小距离进行聚类的许多聚类技术之一。如果代表各点的矢量几何上互相接近，那么在某 种意义上可被看作属于一类。 矢量的欧氏范数。x = x 。，x ：，x 3 】r ，矢量x 的长度定义如下： _ # 】l 2 ( 1 1 ) i = 丑 在模式空间中两个矢量x 和y 之间的距离或长度表示如下： 眵一硎= 【( t m ) 2 】l ，2 ( 1 2 ) f ；l 建立一种模式相似度的测量方法之后，建立一个过程，通过该过程把各模式分成类。 也就是说，需要一个建立一系列类别的过程，以便于用输入矢量和最接近于聚类中心的 矢量之间的距离来标志该矢量。k 均值算法就代表这样的一个方法。 k - 均值方法假定将被用来表示样本空间的聚类中心的个数是预先知道的。这种假定 本身在某种程度上限制了这一方法的利用。其它的有关最小距离统汁学聚类技术的方 法，减少了这种困难，但是又有其它的问题，比如对输人数据顺序很敏感的问题。 讨论k - 均值过程以前，首先明确一些术语。令x ( p 代表第p 个输入空间矢量。所 有的输入矢量的集合表示成 x ( n ，x ( 扪，x ( p 。矢量z 代表k 个类别的聚类中心，也就 是说，它指出了聚类中心在欧氏空间中所处的位置。因为有k 个类别，所以也就有k 个聚类中心：z l ，z 2 ，乙。最后用符号马= x i x 最接近于类另妙 来代表所有属于第j 个聚类中心的样本的集合。k 均值算法按如下步骤实现： 初始化： 设置类别数为k ，每个类别的聚类中心赋韧值： 五( 班z 2 ( 班，乙( 啦 其中，z ，( ，) 代表第1 次迭代的聚类中心值。初始值可以是任意的，但通常都设置为样 本失量的前k 个值。 样本划分： 4 东北师范大学硕士学位论文 划分所有的样本矢量。通过这一步，使每个样本矢量x ( p 与k 类中之一相联系， 其划分条件为：f s o ) ，如果 0 x 妒一乙( 圳 0 x 妒一互( 训 ( 1 3 ) 对于所有的i = 1 ，2 ，k i j ，其中，邑( z ) 代表第1 次迭代时类别j 的全体。 计算新的聚类中心： 用在步骤2 中建立的新类的所有成员集合，来重新计算每类的中心位置，以便使从 类别中的每个矢量到新的聚类中心的距离之和最小。特别地，我们希望最小以： 以= ，陋n 一乙( 川) i 广j = 1 ，2 ，k ( 1 4 ) p ) s ，( ，) ” ” 乙( “- 1 ) 是使公式( 4 ) 最小化的所有样本，s ( ，) 的平均值。因此，新的聚类中心用 如下的公式( 5 ) 计算： 弓( “1 ) 2 者毛p ( l 5 ) 其中，是步骤2 中属于s ，的样本矢量的数量。 检查收敛： 收敛情形是在步骤3 中没有任何聚类中心再变化其位置。这种情况在数学上表示成： 乙( ，+ 1 ) = 乙( ，) j = l ，2 ，k( 1 6 ) 如果满足公式( 6 ) ，那么就已经收敛了。否则再回到步骤2 继续迭代。 许多因素都可能会影响k - 均值算法的性能。其中包括聚类中心的数量k 、初始聚 类中心的选择和输入数据的几何分布特性。这就需要大量实验来确k 值的选择及初始化 参数的选择。虽然没有收敛性的标推证明，但是，当数据的特性与采用最小距离作为相 似性测度的假设所对应的情况一致时，k 一均值算法可能会获得较好的性能。 1 3 自组织特征映射网络 1 3 1 网络模型 芬兰学者t k o h o n e i l 于1 9 8 1 年提出了s o f m ( s o m ) n 9 。2 1 1 的概念，并给出了相应的 k o h o n e i l 神经网络模型。由于l 幻h o n e n 网络的自动调整过程模仿了人类大脑的自组织过 程，因而它可以用来模仿有关外界信息载入人脑时，自组织形成概念的过程。 聚类是把数据分成组，产生的每一组数据称为一个簇，簇中的每一数据称为一个对 5 东北师范大学硕士学位论文 象。聚类的目的是使同一簇中对象的特性尽可能地相似，而不同簇对象间的特性差异尽 可能地大。 自组织人工神经网络的基本思想是，网络竞争层中的各神经元通过竞争来获取对输 入模式的响应机会，最后仅剩一个神经元成为竞争的胜利者，并对那些与获胜神经元有 关的各连接权朝着更有利于它竞争的方向调整。 x 1x 2 k 图1 1s o m 网络模型 层 输入层是由n 个神经元组成的一维序列，输入层结点数对应于输入模式空间的维数； 竞争层是由m n = h 个神经元组成的二维平面阵列。 竞争层也就是输出层，它的节点数对应于映射后的模式空间维数。可以是一维或二 维点阵。 输出层节点与输入层节点为全连接，输入层、输出层内部节点间没有连接关系。输 出层内的每个神经元与其邻域连接，此连接是相互激励的关系，训练后输出层不同节点 代表不同的分类模式，所以s o f m 的输出层也称特征映射层。 自组织神经网络的目标：在无监督的情况下，从输入数据中找出有意义的规律来。 自组织人工神经网络以无教师教学的方式进行网络训练，网络通过自身训练，自动 对输入模式进行分类。 当外界输入不同的样本到网络中，一开始时，输入样本引起输出神经元的位置各不 相同，但自组织后会形成一些神经元群，它们分别代表了输入样本，反映了输入样本的 特征。通过竞争学习后获得的输入层和输出层之间的权值矩阵用于数据分析，权值矩阵 确定样本数据映射到网格上的不同映射模式点。 自组织人工神经网络拓宽了神经网络在分类和模式识别方面的应用。 1 3 2 网络学习过程 k o h o n e l l 网络利用其自组织特性，将n 个输入模式组成的一维序列映射到二维神经 元阵列上，通过自调整进行信息的特征提取或称聚类。这种自组织聚类过程是系统在自 主、无导师指导的条件下完成的。k o h o n e n 网络的学习过程可分为以下两步： 1 神经元竞争学习过程。 对于每一个输入向量，通过输入向量值与权重值之间的比较，在神经元之间产生竞 争，权重向量与输入模式最相近的神经元被认为对于输入模式反映最强烈，将其标定为 6 东北师范大学硕士学位论文 获胜的神经元，并称此神经元为输入模式的像，相同输入向量会在输出层产生相同的像。 2 竞争层神经元的侧反馈过程。 对于每个输入向量，会使竞争层相临近的神经元之间产生侧反馈，这种神经元之间 的局部影响作用遵从以下规则： a 以获胜神经元为圆心，对临近的神经元表现为兴奋性侧反馈。 b 以获胜神经元为圆心，对远邻的神经元表现为抑制性侧反馈。 这说明在竞争层，邻近神经元相互激励，远邻神经元相互抑制，比远邻更远的神经 元则表现弱激励作用，通常，用“墨西哥帽函数对神经元侧反馈进行计算。 交互f 箩蠢 专 v v 一一曩并 图1 2 墨西哥帽函数 输出层神经元的典型结构是由一个一维或二维的网格或阵列结构构成。更高维数的 结构也是可能的，但是使用的很少。侧反馈的作用是使得相近的特征能够在输出层阵列 几何相近的位置上表现出来。 应用侧反馈原理，在每一个获胜神经元附近形成一个“聚类区。学习的结果总是 使聚类区内各神经元的权重向量保持向输入向量逼近的趋势，从而使具有相近特性的输 入向量聚集在一起，这个过程就是自组织。 选择获胜神经元 矢量的欧氏范数。x = 【，k r ，矢量x 的长度定义如下： 厂月1 ，2 = f # l ( 1 7 ) l f = 1j 在模式空间中两个矢量x 和y 之间的距离或长度表示如下： 悟一硎= ( t y ；) 2 】l 2 ( 1 8 ) j = l 选择获胜神经元的方法是简单地将权值矢量与输入矢量具有最小欧氏范数距离j ， 的神经元作为获胜神经元。利用欧氏距离来选择获胜神经元不需要对权值和输入矢量进 行标准化。 乃= i 阮一纠l ( 1 9 ) 侧反馈的调整可以通过简单地调整邻域的大小来体现：正向反馈越大，负向反馈就 越小。 7 东北师范大学硕士学位论文 自组织特征映射算法的目的是把n 维输入空间映射成一维或二维阵列。 将输入矢量x 标记成： x = 区五，五了 与输出层神经元j 相应的权值矢量形可写为： 彬= 【，叶：，】rj = 1 ，2 ，n 获胜输出层神经元的确定，相当于选择权值矢量形与输入矢量x 最为匹配的输出 层神经元。 这可用选出权值矢量距离输入矢量有最小欧氏范数值的输出层神经元作为获胜神 经元的方法来实现。 用f ( x ) 来指定获胜神经元的标号，这种方法表示为： f ( x ) = k 当i l 畈一x i i i l 一x 0 j = l ，2 ，n( 1 1 0 ) 保持侧反馈的方法 邻域函数a 咖) ( ，z ) 定义了围绕获胜神经元邻近区域的大小。人) 0 ) 是一个迭代函数， 使用这一函数侧反馈的大小可在整个训练网络的过程中变化。邻域越大意味着正向反馈 越多，训练区域越大。随后邻域的缩小使类别更小，因此类别也分得更细。半径为零时， 仅仅包含获胜神经元。 将学习过程( 训练方法) 表示如下： 当j 人妇) ( 甩) 时：乃0 + 1 ) 2形( 刀) + 巩胛) 【x 一形( 刀) 】 ( 1 1 1 ) 当j 为其它值时：0 + 1 ) = ( 捍)( 1 1 2 ) 1 3 3 网络学习算法 算法如下所述： 1 初始化： 用随机值初始化权值矢量形( o ) ，初始值通常要小。 初始化人) ( o ) 和刁( o ) ，初始值通常要大。 2 对于样本中每个矢量x ，执行步骤2 钆2 b 和2 c ： 2 a 将矢量x 送入输入层 2 b 相似匹配：选择权值矢量员匹配x 的神经元作为获胜神经元。运用欧氏法则， 获胜神经元的标号。 f ( x ) = k 当 i i 哌一x 0 l i 一x 0 j = l ，2 ，n( 1 1 3 ) 8 东北师范大学硕士学位论文 2 c 训练：训练权值矢量，使得在邻域范围内的神经元向着输入矢量方向移动。 当j a ) 0 ) 时：仰+ 1 ) 2( 以) + 巩以) 【x 一( 以) 】 当j 为其它值时： 0 + 1 ) =( 拧) 更新学习率刁( t ) ，应线性减小。 对巩) 在一次函数、幂函数、指数函数级别做过如下研究： ( 1 ) 取，7 ( f ) = 1 6 ( f r ) ，其中：t 是聚类对象总数；b 是调节因子。聚类结果较为理 想，但收敛速度较慢，需要调节b ，达到满意效果。 ( 2 ) 取，7 ( f ) = 口f ，其中：a ，b 为调节因子。聚类结果较为理想，收敛速度也较一次函 数快，更符合理论要求。 ( 3 ) 取，7 ( f ) = 口p 砌，其中：a ，b 为调节因子。聚类结果不理想，收敛过快，使学习中期 ，7 ( f ) 就为0 。 3 减小邻域函数人融) ( 咒) 。 4 检查结束条件：当特征映射不再发生明显的变化时退出，否则就转入步骤2 。 s o f m 中的学习，包括两个主要的阶段：有序化阶段和收敛阶段。 有序化阶段：在这一阶段产生权值矢量形的总体，玎值相对保留大一些。初始时， ，7 可选得接近1 o ；在有序化阶段材不要降到0 1 以下。在此阶段，邻域函数开始也相对 地大一些，经常包括网中所有神经元。在整个算法的过程中，邻域函数将减小，被限制 为几个神经元( 或者甚至可能仅仅是获胜神经元一个) 。 收敛阶段：输出神经元寻找精确的样本权值矢量值。在算法的收敛阶段，总是希望 刁和邻域函数的值小一些，直到结束为止。这时穆的典型值将维持在0 0 1 或更小。 注意：学习速率过高会降低学习稳定性，学习速率过低会降低收敛速度。 局限性：s o f m 网络的最大局限性是，当学习模式较少时，网络的分类效果取决于输 入模式的先后次序；且网络连接权向量初始状态对网络的收敛性能有很大的影响。 s o m 是一种无监督学习网络，如果需要对输入将被分到哪一类时行指定，就需要用 到学习矢量量化( l v q ) 心2 l ，它是一对s o m 网络方法的有监督学习的扩展形式，对于为训练 集合指定的种类预先知晓并且也属于训练集合的一部分。 1 3 4 自组织特征映射网络的优点和前景 自组织特征映射( s o f m ) 神经网络具有网络结构简单、自组织自学习能力强和学习速 度快等优点，特别适合于在模式识别方面的应用。 9 东北师范大学硕士学位论文 采用自组织映射神经网络进行聚类，由于它能够表现出输出模式在“线 上或“平 面 上的分布特性，因而已经越来越多地被应用于各个领域。尤其在工业监控数据中， 对于不确定性和多模态性等特点，该算法表现出了较好的鲁棒性。深入研究该网络，对 网络的算法进行改进，必将使海量数据的聚类达到令人满意的效果。 s o m 自组织神经网络是一种无监督竞争学习神经网络，网络根据输入样本进行自组 织聚类，通过网络可以把高维数据映射到二维拓扑平面，大大降低了数据的容量，对于 “数据爆炸”的数据库有良好的压缩作用。而且聚类的速度快，非常适合于处理大规模 数据问题。 s o m 自组织神经网络可把任意高维输人数据变换到二维的网格映照图，并保持一定 的拓扑有序性，类别相似的神经元靠得比较近，类别不相似的神经元分得比较开，因而 它在数据分析中具有独特而又强大的功能。同时，模型的可视化在人们理解、发现、解 释知识方面起着重要的作用，s o m 网络的二维拓扑映射图具有良好的可视性，通过映射 图，可以直接观察到数据的大量特征。 s o f m 网络的主要功能是实现数据压缩、编码和聚类，实际应用包括：模式识别、过 程和系统分析、机器人、通信、数据挖掘以及知识发现等。 s o m 以其所具有的许多优良特性广泛应用于语音识别、图象处理、数据探索及知识 发现等众多信息处理领域。 传统s o m 模型采用了欧氏距离函数来确定输入样本的最邻近特征向量，这对纯数值 型数据是有效的，但对于离散、无序的分类型数据或数值型与分类型混合的数据却无能 为力。 1 0 东北师范大学硕士学位论文 第二章客户关系管理及客户分类方法 2 1 客户关系管理 2 1 1 客户关系管理的产生 客户关系管理作为一种企业管理理论起源于2 0 世纪8 0 年代初期的以收集整理客户 与企业联系的所有信息的“接触管理 理论，到9 0 年代初则演化为包括电话服务中心 与支援资料分析的客户关怀理论。经过2 0 多年的发展，目前已成为了一种企业战略管 理理念。为了提高客户满意度，企业必须要完整的掌握客户信息，准确把握客户需求， 快速响应客户的个性化需求，提供便捷的购买渠道、良好的售后服务与经常性的客户关 怀等。在这种时代背景下，客户关系管理理论不断完善，并随着互联网技术的广泛应用 而推出客户关系管理软件系统乜引。 随着社会经济的发展，产品的不断增多，企业的经营管理不断从“以产品为中心 向“以客户为中心转移，客户关系管理将是这一转变过程的必然产物，它使企业的关 注焦点从企业内部运行拓展到客户的关系上来。它能帮助企业获得更多的客户信息，可 以更准备的为客户提供个性化服务，提高客户价值与企业价值。 传统企业管理的着眼点一直以来都是企业内部的生产职能，对客户缺乏科学的认知 和管理。然而进入了信息时代，企业的管理着眼点也必须从内部转向对客户资源的管理， 客户资源已成为企业最宝贵的财富。面对这最宝贵的财富，企业只有进一步地了解客户， 为他们提供个性化服务，最大程度的提高他们的满意程度，这样才能提高企业的利润和 长久的竞争能力，客户关系管理也就显得无比重要了。 2 1 2 客户关系管理的内涵 客户关系管理作为一种概念翻1 ，最早是由g a r t n e r g r o u p 提出，但至今还没有一个 公认的定义。关于它的定义也有不同的观点。 g a r t n e r g r o u p 认为，客户关系管理应当使企业的所有部门都要有对客户负责的态 度，最大化客户的收益率。 埃森哲认为，客户关系管理最终的目标还是为了达到企业的长期发展。通过组织和 业务流程的变革，来获取以及发展最价值的客户，以达到企业长期发展的目的。 i b m 对客户关系管理和定义包括两个层面：一是企业的商务目标，即通过一系列技 术手段了解客户当前的需求和潜在的需求；二是企业要整合各方面的信息，使得企业对 某客户的信息了解，达到完整性和一致性。 从客户关系管理的背景和变革以难看出，人人似乎都能对客户关系管理有个定 东北师范大学硕士学位论文 义，但是客户关系管理首先是一种管理理念，其核心思想是将企业的客户作为最重要的 企业资源，通过完善的客户服务和深入的客户分析来满足客户的需求，保证实现客户的 终生价值。 客户关系管理的核心思想主要要有： ( 1 ) 客户是企业发展的最重要的资源之一，企业发展需要对自己的资源进行有效的 组织与计划。随着人类社会的不断发展，企业的资源也在不断的发展，早期的企业资源 主要包括有形资产，如土地、设备、原材料等。随后企业资源的概念扩展到无形资产， 包括品牌、商标、专利、知识产权等。再后来人们认识到人力资源将是企业发展的最重 要资源。 ( 2 ) 对企业与客户发生的各种关系进行全面管理，企业与客户间的关系不仅包括销 售过程所发生的业务关系，如合同签订、订单处理、发货等，而且还包括在企业营销及 售后服务过程中发生的各种关系。如市场活动、产品推广过程中与客户发生的关系。长 期管理经验证明，对企业与客户间可能发生的各种关系进行全面管理，将会显著提升企 业的营销能力、降低营销成本、控制营销过程中可能导致客户抱怨的各种行为，这是c r m 系统的另一重要管理思想。 ( 3 ) 进一步延伸企业的供应链管理，随着i n t e r n e tw e b 技术的不断发展，企业资 源计划( e n t e r p r is er e s o u r c ep l a n n i n g ，e r p ) 与c r m 系统的集成运行真正的解决了企 业供应链中的问题，也就是将客户、经销商、企业销售部门全部整合到一起，实现企业 对客户个性化需求的快速响应。同时也帮助企业清除了营销体系中的中间环节，缩短了 客户响应时间，降低销售成本瞳别。 2 1 3 客户关系管理的功能 客户关系管理的主要功能大致分为以下四部分： 1 客户信息的管理。整合企业各部门、每个人所接触的客户资料进行统一管理， 这包括对客户类型的划分、客户基本信息、客户联系信息等等。 2 市场营销管理。制定市场推广计划，并对各种渠道接触的客户进行记录、分类 和辨识，提供对潜在客户的管理，并对各种市场的成效进行评价。 3 销售管理。对销售人员电话销售、现场销售、销售佣金等管理，支持现场销售 人员的移动通信设备或掌上电脑设备接入。进一步扩展的功能还包括帮助企业建立网上 商店、支持网上结算管理等。 4 服务管理与客户关怀。产品安装档案、服务请求、服务内容、服务收费等管理， 详细记录服务全过程进行情况。支持现场服务与自助服务。辅助支持实现客户关怀。 2 1 4 客户关系管理的步聚 进行客户关系管理主要有四个步骤：识别客户；对客户进行差异分析；与客户保持 良性接触；调整企业产品和服务以满足每个客户群体的需要。 1 2 东北师范大学硕士学位论文 1 识别客户。以全视角的对客户进行了解，尤其是对企业有价值的客户。 2 对客户进行差异化分析。对客户进行有效的差异化分析，可以找出对企业最有 价值的客户群体以及他f 门最需要的产品服务，从而可以帮助企业更好的配置资源，使得 企业产品和服务的改进更有成效，牢牢抓住最有价值的客户，取得更大的收益。 3 与客户保持良性接触。降低与客户交往的成本，是客户关系管理的一个重要目 标。企业可以提供多种渠道来实现，如通过互联网、电话呼叫中心、e m a i l 等。最好是 可以掌握实时的客户信息，将这些信息与企业的经营管理融合到一起，从而有效的保持 与客户的关系。 4 调整企业产品和服务以满足每个客户群体的需要。“个性化 自己的产品和服务， 是企业提高客户满意度的最重要手段之一。如果要“个性化”产品和服务企业要对客户 做大量的了解调查工作，但是这种工作可以争取到更多的忠实客户，为企业的发展奠定 更坚实的基础。 这四个阶段之间没有明显的阶段划分，但是我们还是认为，四个阶段的依次进行， 复杂程度逐渐提高，企业可以获得的收益也逐渐增加。 由于客户是企业发展的重要资源，企业需要对客户有更多的了解，这样才能加强企 业与客户的合作，真正掌握客户的销售行为，因此企业需要对客户进行差别化服务，需 要对客户进行分类。随着c i m 的不断发展，随之产生了很多客户分类方法，因为客户 分类是企业了解客户的重要手段之一，它可以将客户划分为不同的等级或重要程度，根 据实际情况为客户提供差异化服务。常用的客户分类方法有以下几种。 2 2 常用的客户分类方法 2 2 1 基于客户的统计学特征的客户分类方法 这种方法通常是选用一些评价指标对客户进行评价，常用的指标有：客户的收入指 标、资金指标、市场份额指标等，有时也把客户的年龄、收入、性别、购买产品等作为 指标。有时将客户忠诚度与这些指标相结合进行评价，但是这些指标大部分都是客户的 个人数据，得到这些数据比较困难，数据的准确度也有待提高，虽然这种细分方法比较 实用，但是存在着很大的误差。 2 2 2 基于客户的购买行为的客户分类方法 由于基于客户购买行为的方法更能体现客户对企业的真实态度，更能体现出客户的 消费行为。常用的基于客户购买行为对客户进行分类的方法有以下几种： 1 i 心m 分析法 r f m 方法目前广泛的被用于客户分类中，三个指标的含义如下： 近度( r c c e i l c y ) ：衡量从最近一次购买商品或服务到当前的时间状况。r 值越小表示 1 3 东北师范大学硕士学位论文 客户最后一次交易时间距离当前越近，否则反之。 频度( f r e q u e n c y ) ：衡量在一段给定的时间内客户与企业的交易次数，用以标识客户 与企业的接触频度。f 值越大，表示客户与企业接触越频繁，否则反之。 值度( m o n e i l t a l 劝：衡量客户与企业的交易金额或交易价值。m 值越大表示客户与企 业的累积交易金额或价值越大，否则反之。 进行i 江m 分析，所有的客户记录都必须包含特定的历史交易数据。这三个指标是在 这些数据的基础上得出的，具体过程是：首先对每个指标进行打分，然后计算r f m 。 在计算了所有客户的r f m 后，把所得的结果从大到小排序，然后根据排名结果对客户 进行分类。这种方法是一种很有效的客户分类方法，在客户与企业每交易一次，i 江m 三 个值将随之改变，这样将对企业开展有效的营销提供可靠的依据，因为它能及时反映客 户的消费行为。由于r f m