为了解决传统K-means算法对初始聚类中心敏感和聚类数目事先难以确定的问题,提出了一种改进的K-means算法。改进算法利用最大距离等分策略来选取初始聚类中心,并利用一种评价函数来自动确定聚类数,减少了算法结果对参数的依赖。将改进...为了解决传统K-means算法对初始聚类中心敏感和聚类数目事先难以确定的问题,提出了一种改进的K-means算法。改进算法利用最大距离等分策略来选取初始聚类中心,并利用一种评价函数来自动确定聚类数,减少了算法结果对参数的依赖。将改进算法应用到某企业客户分类中时,为提高分类结果的表征性,提出了以客户最近购买时间(Recency)、购买频次(Frequency)、平均购买额(Average Monetary)和购买倾向(Trend)作为客户价值细分变量的RFAT(Recency,frequency,average monetary and trend)模型,对客户RFAT值进行了聚类分析,并提供了针对不同客户群的营销策略。实证研究表明,该文所提出的改进算法和模型可以有效地对企业客户进行分类,能充分反映客户的当前价值和增值潜能。展开更多
文摘为了解决传统K-means算法对初始聚类中心敏感和聚类数目事先难以确定的问题,提出了一种改进的K-means算法。改进算法利用最大距离等分策略来选取初始聚类中心,并利用一种评价函数来自动确定聚类数,减少了算法结果对参数的依赖。将改进算法应用到某企业客户分类中时,为提高分类结果的表征性,提出了以客户最近购买时间(Recency)、购买频次(Frequency)、平均购买额(Average Monetary)和购买倾向(Trend)作为客户价值细分变量的RFAT(Recency,frequency,average monetary and trend)模型,对客户RFAT值进行了聚类分析,并提供了针对不同客户群的营销策略。实证研究表明,该文所提出的改进算法和模型可以有效地对企业客户进行分类,能充分反映客户的当前价值和增值潜能。
