基于聚类的社区新零售电商用户精准营销研究

发布时间：2021-02-25 05:29

　　收集某社区新零售电商平台用户消费数据,并对K-means聚类算法进行优化。通过运用优化的K-means++算法对消费数据进行聚类分析,根据分析结果探讨客户细分方法,构成不同种类消费者的用户画像,从而针对性地制定精准营销策略,为该社区新零售电商平台的营销发展提供建议。 

【文章来源】：山西科技. 2020,35(06)

【文章页数】：5 页

【部分图文】：

肘部法则

图2 肘部法则(3）第2类：高订单频率、高消费总额——高单笔消费金额。根据聚类结果结合样本数据得知，此类消费者的画像特征为：31岁左右的高学历、高收入群体。消费特征为购买频率高且消费金额多、购买力强、偏爱进口商品。此类消费者职业多为企业或单位管理人员、白领以及个别个体商户。大多数工作稳定，收入较高，且多已婚育。消费商品维度较广，从日用家居、厨卫电器到家政服务、母婴用品都有较高的消费需求。此类消费者虽然数量较少，但消费频率高、消费金额大，且忠诚度高。相比于折扣，此类消费者更注重产品和服务的品质。

在K-means聚类算法中，数据集的细分程度会随着k值的增大而更加明显，同时，每个簇内的误差平方和（SSE）将随之减小。当k值小于最佳聚类数时，其值每次增加都会导致簇间聚合程度大幅增长，数据集的平均误差平方和随之大幅下降。当k到达最佳聚类数时，k值的增加所得到的聚合程度回报会迅速变小，SSE的下降幅度骤减并随着k值的继续增大而趋于平缓。将肘部法则的特性用图像表示。在sklearn中调用SSE.append函数计算每个k值对应的SSE值，以k值为横坐标，SSE值为纵坐标构建直角坐标系（如图2所示）。在图2中，图像畸变效果改善最大的位置为k=4，即肘部，也就是本研究中所需要的最优k值。因此认定上文计算轮廓系数后得到k=4为最优值的结果合理。针对初始聚类中心随机设定的劣势，本文使用Scikit-learn环境中的sklearn.cluster＿KMeans函数，并init调用此函数中的“K-means++”参数。

【参考文献】：
硕士论文
[1]基于机器学习的高速铁路无线信道多径分量聚簇研究[D]. 杨之峰.北京交通大学 2019
[2]基于轮廓系数的层次聚类算法研究[D]. 张冬梅.燕山大学 2010



本文编号：3050516