收集某社區(qū)新零售電商平臺(tái)用戶消費(fèi)數(shù)據(jù),并對(duì)K-means聚類算法進(jìn)行優(yōu)化。通過運(yùn)用優(yōu)化的K-means++算法對(duì)消費(fèi)數(shù)據(jù)進(jìn)行聚類分析,根據(jù)分析結(jié)果探討客戶細(xì)分方法,構(gòu)成不同種類消費(fèi)者的用戶畫像,從而針對(duì)性地制定精準(zhǔn)營銷策略,為該社區(qū)新零售電商平臺(tái)的營銷發(fā)展提供建議。 

【文章來源】：山西科技. 2020,35(06)

【文章頁數(shù)】：5 頁

【部分圖文】：

肘部法則

圖2 肘部法則(3）第2類：高訂單頻率、高消費(fèi)總額——高單筆消費(fèi)金額。根據(jù)聚類結(jié)果結(jié)合樣本數(shù)據(jù)得知，此類消費(fèi)者的畫像特征為：31歲左右的高學(xué)歷、高收入群體。消費(fèi)特征為購買頻率高且消費(fèi)金額多、購買力強(qiáng)、偏愛進(jìn)口商品。此類消費(fèi)者職業(yè)多為企業(yè)或單位管理人員、白領(lǐng)以及個(gè)別個(gè)體商戶。大多數(shù)工作穩(wěn)定，收入較高，且多已婚育。消費(fèi)商品維度較廣，從日用家居、廚衛(wèi)電器到家政服務(wù)、母嬰用品都有較高的消費(fèi)需求。此類消費(fèi)者雖然數(shù)量較少，但消費(fèi)頻率高、消費(fèi)金額大，且忠誠度高。相比于折扣，此類消費(fèi)者更注重產(chǎn)品和服務(wù)的品質(zhì)。

在K-means聚類算法中，數(shù)據(jù)集的細(xì)分程度會(huì)隨著k值的增大而更加明顯，同時(shí)，每個(gè)簇內(nèi)的誤差平方和（SSE）將隨之減小。當(dāng)k值小于最佳聚類數(shù)時(shí)，其值每次增加都會(huì)導(dǎo)致簇間聚合程度大幅增長，數(shù)據(jù)集的平均誤差平方和隨之大幅下降。當(dāng)k到達(dá)最佳聚類數(shù)時(shí)，k值的增加所得到的聚合程度回報(bào)會(huì)迅速變小，SSE的下降幅度驟減并隨著k值的繼續(xù)增大而趨于平緩。將肘部法則的特性用圖像表示。在sklearn中調(diào)用SSE.append函數(shù)計(jì)算每個(gè)k值對(duì)應(yīng)的SSE值，以k值為橫坐標(biāo)，SSE值為縱坐標(biāo)構(gòu)建直角坐標(biāo)系（如圖2所示）。在圖2中，圖像畸變效果改善最大的位置為k=4，即肘部，也就是本研究中所需要的最優(yōu)k值。因此認(rèn)定上文計(jì)算輪廓系數(shù)后得到k=4為最優(yōu)值的結(jié)果合理。針對(duì)初始聚類中心隨機(jī)設(shè)定的劣勢，本文使用Scikit-learn環(huán)境中的sklearn.cluster＿KMeans函數(shù)，并init調(diào)用此函數(shù)中的“K-means++”參數(shù)。

【參考文獻(xiàn)】：
碩士論文
[1]基于機(jī)器學(xué)習(xí)的高速鐵路無線信道多徑分量聚簇研究[D]. 楊之峰.北京交通大學(xué) 2019
[2]基于輪廓系數(shù)的層次聚類算法研究[D]. 張冬梅.燕山大學(xué) 2010



本文編號(hào)：3050516