模糊分群法在顧客區隔應用之研究

The Study of Fuzzy Clustering Approach for Customer Segmentation

楊浩東(Hao-Tung Yang)

指導教授 ： 陳家祥

元智大學/管理學院/企業管理學系/碩士(2003年)

摘要

近年來，由於資訊系統的蓬勃發展，再加上網路的盛行，導致企業與顧客之間的互動更方便且更快速，這樣促使顧客人數的成長倍增，企業若是沒有妥善做好顧客關係管理 (Customer Relationship Management, CRM) ，將會在這快速競爭的市場中，失去競爭力，最終走向被淘汰的命運。
在進行市場區隔最主要的工作之一，就是資料採礦 (Data Mining)，而在企業的應用上，資料採礦最主要的目的是要做顧客分群，因此，分群的工具將是一個重要的議題。目前的分群技術有很多種，最常使用的分群工具是K-Means分群演算法，不過，K-Means分群演算法尚有許多讓使用者在做分群上的困擾，例如，分群結果會受初始質心的不同，而有相當大的差異，此外，K-Means僅以距離為分群基礎，完全沒有考慮資料屬性上的相關性及其變異量 (variability)，所以只能處理正圓球狀集群，對於其它形狀的資料，可能會有分群上的錯誤，因而導致企業在市場區隔上產生困擾。
基於以上的原因，Bezdek (1973) 提出了Fuzzy C-Means (FCM) 分群演算法，以類神經系統中權重的觀念，來改善K-Means分群演算法的缺失。不過，FCM本身也存在了許多問題，例如權重函數的設定不一，以及權重函數之權數 (power) 無一個固定值等。所以本研究針對K-Means演算法的缺失，再將FCM的權重函數改成一個可由資料本身估計而來的參數值－變異-共變異矩陣，發展出新的分群演算法－改良後FCM分群演算法，以供使用者在做分群工作時，能不受權重設定不一所困擾。
在此同時，本研究也自行發展一套衡量分群優劣的準則－GSE，與SE的衡量規則一樣：當GSE越小時，分群效果越佳，之後並與K-Means分群演算法做比較，經由模型建立與測試網路資料驗證的過程中，發現以本研究修正之模型所得之GSE值均較K-Means分群演算法來得小，這樣顯示本研究之分群演算法的分群結果比K-Means分群演算法來得好。測試了網路資料之後，我們更模擬了一家銀行要從公司客戶個人資料的特徵中，來了解什麼樣的客群會購買什麼樣的金融商品，分群結果，證實本研究的方法確實比K-Means分群演算法的結果來得好。並針對分群後的結果，仔細分析及研究，描繪出各個族群的特徵，以提供企業做市場區隔的依據。

關鍵字

市場區隔 ； 顧客關係管理 ； 資料採礦 ； 分群演算法 ； K-Means ； FCM

並列摘要

Nowadays companies get more frequent interactions and provide more timly information to their customers due to increasing availability of information system and communication networks. Thus, Customer Relationship Management (CRM) practices are getting more important to survive in the fiercer competition environment.
Customer clustering analysis is an important technique of market segmentation which is also one of the most important tasks for CRM practices. Among clustering techniques, K-Means algorithm is the most widely used one. However the K-Means algorithm makes some confusing problems in use. Bezdek (1973) brought Fuzzy C-Means (FCM) algorithm to improve the weakness of K-Means, but performing the FCM algorithm still has some drawbacks. For example, users never know how to set the function of wight and the power of weight. Therefore, in this study, we develop a new approach, named modified FCM algorithm. We set a parameter - variance-covariance matrix instead of the weight in the FCM algorithm. Simultaneously, we also develop a measurement to determine whether the result of clustering is good. Then we construct a complete model of clustering algorithm. We test five experimental databases (four from internet and one from our study). In addition, one large sized data was simulated and tested. The result of our approach is better than K-Means algorithm. Finally, the business implications are provided for the reference of managers.

並列關鍵字

customer relationship management ； market segmentation ； data mining ； K-Means ； FCM

參考文獻

2. 林怡伸，民91，「The Study of Data Mining and Clustering Techniques for Improving Customer Relationship Management Performance」，元智大學管理研究所碩士論文。

3. 陳依君，民91，「顧客分群之利潤模式研究」，元智大學企業管理研究所碩士論文。

3. Balakrishnan, P. V., Martha C. Cooper, S. J. Varghee, and A. L. Philip (1995), “Comparative performance of the FSCL neural net and K-means algorithm for market segmentation,” European Journal of Operational Research, 93, pp.346-357.

4. Bandyopadhyay, S., U. Maulik, and M. K. Pakhira (2001), “Clustering Using Simulated Annealing With Probibilistic Redistrbution,”Interational Journal of Pattern Recognition and Artificial Intelligence, 15(2), pp.269-285.

5. Battista, P., and D. Verhun (2000), “Customer Relationship Management,” CMA Management, 74 (4), pp. 34-37.