胥學(xué)峰, 邢德恩， 宗炫君

(1.都城偉業(yè)集團(tuán)有限公司, 北京 100020；2.國網(wǎng)江蘇省電力公司經(jīng)濟(jì)技術(shù)研究院，江蘇 南京 210008)

基于PCA與SOM神經(jīng)網(wǎng)絡(luò)算法的客戶價(jià)值細(xì)分模型研究

胥學(xué)峰1, 邢德恩1， 宗炫君2

(1.都城偉業(yè)集團(tuán)有限公司, 北京 100020；2.國網(wǎng)江蘇省電力公司經(jīng)濟(jì)技術(shù)研究院，江蘇 南京 210008)

針對房地產(chǎn)客戶價(jià)值管理問題，以某大型房地產(chǎn)企業(yè)的普通住宅業(yè)務(wù)為研究對象，構(gòu)建了基于PCA與SOM神經(jīng)網(wǎng)絡(luò)算法的房地產(chǎn)客戶價(jià)值細(xì)分模型。首先采用PCA主成份分析法將輸入變量重組為線性不相關(guān)的綜合指標(biāo)，然后采用SOM神經(jīng)網(wǎng)絡(luò)算法對客戶價(jià)值進(jìn)行聚類分析，最后針對聚類結(jié)果，分析不同目標(biāo)客戶群的購買模式和價(jià)值特征，旨在為房地產(chǎn)企業(yè)的營銷過程提供決策支持。

客戶價(jià)值細(xì)分; SOM; 主成份分析法; 自組織性;評價(jià)指標(biāo)

Abstract: Facing real estate customer value management and taking common residence business of a large real estate enterprise as research object, this paper establishes a real estate customer value segmentation model based on PCA and SOM neural network. Firstly, input variables are reorganized into linear and irrelevant composite indicators in the PCA method. Then, a cluster analysis is made of customer value in the SOM neural network algorithm. Finally, with respect to cluster results, this paper analyzes purchasing patterns and value characteristics of different target customer groups so as to provide decision support for the marketing process of the real estate enterprise.

Keywords: customer value segmentation; SOM; principal component analytic method; self-organization; evaluation index

0 引 言

當(dāng)前我國房地產(chǎn)企業(yè)面臨著去庫存、成交率低、營銷成本高、客戶滿意度低、客戶流失、未激活的潛在客戶、資源粗放化等一系列問題，另外，房地產(chǎn)行業(yè)還有一定的特殊性，比如資金流動性低，需求量非常大等。這就要求房地產(chǎn)企業(yè)在營銷過程中以客戶為導(dǎo)向，正確進(jìn)行客戶價(jià)值的識別，通過對房地產(chǎn)客戶歷史數(shù)據(jù)進(jìn)行分析，識別出不同價(jià)值的客戶，從而對其制定個(gè)性化的營銷方案，將有限的資源集中于高價(jià)值用戶，實(shí)現(xiàn)資源的合理配置，提高企業(yè)的利潤最大化。

1 客戶價(jià)值細(xì)分研究綜述及評價(jià)指標(biāo)構(gòu)建

1.1 客戶價(jià)值研究綜述

信息時(shí)代的到來使得房地產(chǎn)企業(yè)焦點(diǎn)由“以產(chǎn)品為中心”向“以客戶為導(dǎo)向”轉(zhuǎn)變，這就要求企業(yè)不斷聚焦客戶價(jià)值細(xì)分研究，從海量的歷史數(shù)據(jù)中挖掘客戶的購買行為和模式，區(qū)分高價(jià)值與低價(jià)值客戶的特征，針對不同的客戶提供差異化的服務(wù)方案，將有限的資源集中到高價(jià)值客戶上，實(shí)現(xiàn)企業(yè)的利潤最大化。

國內(nèi)外學(xué)者從不同的角度對客戶價(jià)值細(xì)分進(jìn)行了研究，Dweyer與Jackson從客戶流失的角度出發(fā)，將客戶價(jià)值細(xì)分指標(biāo)分為“永久流失”和“暫時(shí)流失”兩種，建立了相應(yīng)的客戶價(jià)值細(xì)分指標(biāo)體系[1]；Alex與Berson等人從客戶關(guān)系管理角度出發(fā)，采用決策樹和聚類算法來研究零售業(yè)客戶的價(jià)值細(xì)分[2]；張良均等人在研究航空公司客戶價(jià)值分析中，采用了LRFMC模型，從客戶會員時(shí)長、消費(fèi)間隔、消費(fèi)頻率、飛行里程和折扣系數(shù)五個(gè)維度研究客戶價(jià)值識別[3]；鄒鵬等人從代價(jià)敏感性學(xué)習(xí)的機(jī)制下研究了客戶價(jià)值細(xì)分，建立了分類的期望損失函數(shù)作為分類效果的評價(jià)標(biāo)準(zhǔn)。

1.2 客戶價(jià)值細(xì)分指標(biāo)的構(gòu)建

由于房地產(chǎn)行業(yè)是一個(gè)非常特殊的行業(yè)，具有流動性差、需求量大、政策導(dǎo)向明顯和資金需求量大的特點(diǎn)，導(dǎo)致房地產(chǎn)客戶價(jià)值的研究不能直接采用傳統(tǒng)的RFM模型(消費(fèi)間隔R、消費(fèi)頻率F、消費(fèi)金額M)，本文在前人研究的基礎(chǔ)上拓展了RFM模型，針對房地產(chǎn)客戶價(jià)值的研究，通過專家調(diào)研法和頭腦風(fēng)暴法粗選出了與客戶價(jià)值影響因素相關(guān)的12個(gè)指標(biāo)，具體的指標(biāo)體系如表1所示。

(1)購買能力。主要從客戶本身的購買能力出發(fā)選取指標(biāo)，包括月薪酬、單價(jià)、付款類型、薪資收入、首付款、首付比例幾個(gè)指標(biāo)，同樣的月薪酬在不同的區(qū)域反映的購買能力是不同的，區(qū)域因素可以用房產(chǎn)單價(jià)來反映，同時(shí)，首付款和首付比例也能直接反映購買者的購買能力。

(2)家庭結(jié)構(gòu)。由于中國房屋的稀缺性以及人們的生活觀念影響，使得購房不僅僅是個(gè)人的決策，往往購買決策是整個(gè)家庭的決策結(jié)果。本文用家庭生命周期、年齡、教育情況等指標(biāo)來反映家庭結(jié)構(gòu)，本文將家庭生命周期分為年輕男女、已婚無子女、已婚子女小于6周歲、已婚子女小于20周歲、三代家庭、老年家庭6個(gè)級別。

(3)購買動機(jī)。購買動機(jī)也就是指客戶購房的直接驅(qū)動力。依據(jù)馬斯洛需求層次理論得知，需求從低到高分為生理性需求、安全性需求、功能性需求、情感性需求和社會性需求五大類，應(yīng)用到房地產(chǎn)客戶上，購買動機(jī)從低到高分為棲居型、改善型、享受型、占有型和出租型。

(4)其他。從實(shí)地調(diào)研中發(fā)現(xiàn)，房地產(chǎn)客戶價(jià)值分析還與已有房產(chǎn)面積、跟進(jìn)次數(shù)、建筑面積等有非常重要聯(lián)系，跟進(jìn)次數(shù)在一定程度上可以反映購房者的品牌忠誠度。

表1 客戶價(jià)值細(xì)分指標(biāo)粗選列表

2 基于PCA與SOM神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)客戶價(jià)值細(xì)分模型構(gòu)建

在房地產(chǎn)客戶價(jià)值細(xì)分的研究過程中，由于客戶評價(jià)指標(biāo)屬性較多，并且指標(biāo)之間存在一定的關(guān)聯(lián)性，直接對客戶進(jìn)行聚類分析會導(dǎo)致信息重溢現(xiàn)象?；诖?，本文構(gòu)建了基于PCA與SOM神經(jīng)網(wǎng)絡(luò)的房地產(chǎn)客戶價(jià)值細(xì)分模型，針對上節(jié)構(gòu)建的客戶價(jià)值細(xì)分指標(biāo)，首先采用基于PCA的主成份分析法將眾多指標(biāo)重組為少數(shù)幾個(gè)相互獨(dú)立的能夠很大程度上反映所有指標(biāo)特征的綜合指標(biāo)，然后針對這幾個(gè)指標(biāo)采用SOM神經(jīng)網(wǎng)絡(luò)算法進(jìn)行聚類分析，將客戶細(xì)分為不同價(jià)值的類，最后針對每個(gè)類別的客戶進(jìn)行分析，為企業(yè)的營銷過程和客戶關(guān)系管理提供一定的決策支持[4]。房地產(chǎn)客戶價(jià)值細(xì)分建?？傮w流程如圖1所示。

圖1 房地產(chǎn)客戶價(jià)值細(xì)分建模流程

2.1 基于PCA主成份分析法的房地產(chǎn)客戶價(jià)值指標(biāo)確定

主成份分析法(Principal Component Analysis)旨在利用將維的思想，把多維指標(biāo)轉(zhuǎn)換為少數(shù)綜合指標(biāo)(主成份)，每個(gè)綜合指標(biāo)盡可能全面的反映原始變量的信息，且各主成份之間線性不相關(guān)，所包含的信息不重疊，從而降低問題的求解難度，保持?jǐn)?shù)據(jù)分析的有效性[5]。

本文采用PCA主成份分析法確定房地產(chǎn)客戶價(jià)值評價(jià)指標(biāo)，在前文粗選的客戶價(jià)值評價(jià)指標(biāo)的基礎(chǔ)上，運(yùn)用主成份分析法對初始指標(biāo)進(jìn)行將維處理，為下一步客戶價(jià)值細(xì)分做準(zhǔn)備，分析主要的步驟如下：

(1)采集數(shù)據(jù)及確定某房地產(chǎn)客戶價(jià)值評價(jià)集合。通過調(diào)研某房地產(chǎn)企業(yè)，抽樣獲取數(shù)據(jù)作為樣本，原始數(shù)據(jù)指標(biāo)集合為：

{Vi1,Vi2,Vi3……Vij}其中i=1,2,3…m,j=1,2,3…n

(1)

(2)指標(biāo)變量標(biāo)準(zhǔn)化處理。進(jìn)行數(shù)據(jù)探索和描述性統(tǒng)計(jì)分析，為了消除指標(biāo)之間的量綱和取值范圍差異的影響，必須對指標(biāo)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。本文采用最小-最大值標(biāo)準(zhǔn)化方法：

(2)

(3)計(jì)算相關(guān)系數(shù)矩陣Rij，rij表示原變量Vi與Vj之間的相關(guān)系數(shù)，計(jì)算公式為：

(3)

(4)計(jì)算特征值λi及對應(yīng)的特征向量li。

(5)計(jì)算主成份貢獻(xiàn)率及累計(jì)貢獻(xiàn)率。一般選取累計(jì)貢獻(xiàn)率大于85%的特征值對應(yīng)的主成份m，這m個(gè)主成份就綜合體現(xiàn)了所有指標(biāo)的大部分信息。

主成份貢獻(xiàn)率：

(4)

主成份累計(jì)貢獻(xiàn)率：

(5)

(6)計(jì)算各主成份得分Zij，將其作為房地產(chǎn)客戶價(jià)值細(xì)分評價(jià)的綜合指標(biāo)。

Zij=Vij*li

(6)

2.2 基于SOM神經(jīng)網(wǎng)絡(luò)算法的客戶價(jià)值細(xì)分模型

由于客戶資料復(fù)雜多變，且客戶價(jià)值模式往往又由許多隱含層次因素交互作用影響，本因此，文構(gòu)建了SOM神經(jīng)網(wǎng)絡(luò)對客戶價(jià)值進(jìn)行聚類分析，該網(wǎng)絡(luò)為無監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，能夠自動識別輸入樣本信息自動聚類，受環(huán)境干擾性小，具有較強(qiáng)的自組織性，相比于傳統(tǒng)的聚類算法，其具有更優(yōu)秀的聚類性能[6]。

自組織映射神經(jīng)網(wǎng)絡(luò)(Self Organization Feature Map, SOM)是芬蘭赫爾辛基大學(xué)教授Kohonen于1981年提出的，該網(wǎng)絡(luò)由輸入層和競爭層構(gòu)成，輸入層將輸入信息通過權(quán)值向量映射到競爭層各神經(jīng)元上，競爭層神經(jīng)元相互競爭使得學(xué)習(xí)率和神經(jīng)元鄰域半徑不斷減小，從而使得同類神經(jīng)元逐漸集中，形成屬性特征相似的類別[7]。本文基于SOM神經(jīng)網(wǎng)絡(luò)，建立房地產(chǎn)客戶價(jià)值細(xì)分模型，建模主要思路如下：

(1)依據(jù)某房地產(chǎn)企業(yè)客戶價(jià)值細(xì)分指標(biāo)構(gòu)建SOM神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為六邊形，競爭層包括2×2=4個(gè)神經(jīng)元。

(2)網(wǎng)絡(luò)初始化及鄰域半徑的確定。輸入層與競爭層神經(jīng)元之間實(shí)現(xiàn)全連接，權(quán)值向量{Wij}賦予[0,1]區(qū)間內(nèi)的隨機(jī)值，確定學(xué)習(xí)率η(0)(0<η(0)<1)，確定初始鄰域半徑Ng(0)，一般情況下，應(yīng)該覆蓋所有鄰域距離的2/3。權(quán)值向量應(yīng)滿足：

(7)

(3)接受輸入。隨機(jī)從訓(xùn)練集中選取一個(gè)輸入樣本，并進(jìn)行歸一化處理，得到Xk=(X1，X2，…Xn)，n為輸入神經(jīng)元數(shù)目。

(4)尋找獲勝神經(jīng)元。計(jì)算輸入樣本與全部競爭層神經(jīng)元之間的距離(歐氏距離)：

(8)

選擇距離最小時(shí)對應(yīng)的節(jié)點(diǎn)Nj*為競爭獲勝神經(jīng)元：

(9)

(5)定義優(yōu)勝鄰域。優(yōu)勝鄰域是以獲勝神經(jīng)元為中心，設(shè)定一定距離的半徑的一個(gè)區(qū)域，在網(wǎng)絡(luò)的學(xué)習(xí)過程中，隨著迭代次數(shù)的增加，權(quán)值向量不斷自組織和調(diào)整，優(yōu)勝鄰域不斷縮小為零，模式趨于穩(wěn)定[8]。Nj*表示獲勝神經(jīng)元的鄰域，其應(yīng)滿足：

Nj*={m,dj

(10)

(6)權(quán)值調(diào)整。當(dāng)樣本輸入后，獲勝神經(jīng)元及其優(yōu)勝鄰域范圍內(nèi)的神經(jīng)元會以自組織形式不斷調(diào)整權(quán)值向量，隨著迭代次數(shù)的推移，競爭層各神經(jīng)元就會趨于穩(wěn)定狀態(tài)[8]。權(quán)值向量調(diào)整如下：

(11)

(7)檢查結(jié)束。隨著迭代次數(shù)的增加，學(xué)習(xí)率會不斷的減小，判斷結(jié)束的標(biāo)準(zhǔn)為學(xué)習(xí)率逐漸減小為零或某個(gè)非常小的正數(shù)。

3 實(shí)例分析

本文采用RStudio軟件進(jìn)行數(shù)據(jù)分析，為了驗(yàn)證模型的有效性，本文選取了24條已成交客戶數(shù)據(jù)作為樣本數(shù)據(jù)，利用建立的模型對客戶價(jià)值進(jìn)行細(xì)分研究。

3.1 主成份分析

為了降低問題的復(fù)雜度，選取了24條數(shù)據(jù)作為研究樣本，根據(jù)客戶價(jià)值細(xì)分指標(biāo)體系選取12條指標(biāo)，并對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化預(yù)處理[9]。結(jié)合RStudio軟件進(jìn)行主成份分析，主成份的選擇依據(jù)主成份累計(jì)方差貢獻(xiàn)率大于等于85%，可知，各主成份方差貢獻(xiàn)率如表2所示。

表2 各主成份方差貢獻(xiàn)率

由上表可以看出，主成份一、主成份二、主成份三和主成份四的累計(jì)方差貢獻(xiàn)率高達(dá)85.7%(大于85%)，故只需選取主成份一、主成份二、主成份三和主成份四，即可代表原來的12個(gè)指標(biāo)的大部分信息，各主成份因子載荷矩陣如表3所示。

表3 各主成份因子載荷矩陣

由上表各主成份因子載荷矩陣可以看出，第一主成份在首付金額、首付比例、已有房產(chǎn)面積、購房用途、月工資等指標(biāo)上載荷較高，說明其主要反映這幾個(gè)指標(biāo)的信息，因此，認(rèn)為第一主成份代表了個(gè)人資產(chǎn)情況；第二主成份在家庭生命周期和年齡指標(biāo)上載荷最高，認(rèn)為第二主成份主要反映了家庭結(jié)構(gòu)；第三主成份在單價(jià)上載荷較高，且與購房面積呈較強(qiáng)的負(fù)相關(guān)關(guān)系，說明第三主成份主要反映了個(gè)人購買能力情況；第四主成份與付款方式呈較強(qiáng)正相關(guān)，且與年齡和咨詢次數(shù)呈較強(qiáng)負(fù)相關(guān)，則認(rèn)為第四主成份主要反映了客戶付款方式情況。

各綜合指標(biāo)計(jì)算公式為：

comp1=0.311*x1+0.3*x3+0.375*x4+
0.204*x5+0.372*x6+0.278*x7-0.297*x8-
0.156*x9+0.355*x10+0.294*x11+0.299*x12

(12)

comp2=0.242*x1-0.254*x2-0.397*x3-
0.419*x5+0.109*x6-0.42*x7-0.438*x9+
0.194*x10+0.345*x11

(13)

comp3=-0.873*x2+0.314*x5+0.212*x6+
0.205*x8+0.127*x9-0.102*x11+0.13*x12

(14)

comp4=-0.478*x1-0.129*x2+0.318*x4-
0.311*x5+-0.112*x6-0.387*x8-
0.173*x9-0.309*x11+0.505*x12

(15)

各主成份得分情況如表4所示，然后將這四個(gè)主成份作為SOM神經(jīng)網(wǎng)絡(luò)模型的輸入樣本，進(jìn)行客戶價(jià)值聚類分析。

表4 SOM神經(jīng)網(wǎng)絡(luò)輸入樣本

3.2 SOM神經(jīng)網(wǎng)絡(luò)訓(xùn)練及學(xué)習(xí)過程

如圖2所示，基于主成份分析法選擇的4個(gè)主成份，采用SOM神經(jīng)網(wǎng)絡(luò)算法對客戶價(jià)值進(jìn)行細(xì)分，通過調(diào)整參數(shù)及結(jié)果分析，將SOM神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置為：競爭層為2*2的二維空間平面，為矩形網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，學(xué)習(xí)率線性變動區(qū)間為[0.05,0.01]，鄰域半徑為0.5，最大迭代次數(shù)為500次[10]，此時(shí)，模型取得最理想的效果，聚類結(jié)果如表5所示。

表5 客戶聚類結(jié)果

圖2 客戶特征分布雷達(dá)圖

針對聚類結(jié)果進(jìn)行特征分析，24個(gè)客戶被分成了4類客戶群，客戶群1包括1 2 3 4 5 8 14 18 19 20 22等11個(gè)客戶，客戶群1在comp2、comp3與comp4屬性上較大，在comp1屬性上最??；客戶群2包括15 16共2個(gè)客戶，客戶群2在comp1、comp3與comp4屬性上最大，在comp2屬性上最??；客戶群3包括6 7 9 10 11 12 13 17共8個(gè)客戶，客戶群3在comp2屬性上最大，在comp4屬性上較??；客戶群4包括21 23 24共3個(gè)客戶，客戶群4在四個(gè)屬性上都非常小。

3.3 模型分析

通過上述分析表明每個(gè)客戶群都具有顯著不同的特征，根據(jù)上面特征描述，本文將客戶群定義為四個(gè)等級的客戶類別：重要保持客戶、重要發(fā)展客戶、重要挽留客戶、一般客戶。其中每類客戶的特征如下：

第一類(客戶群2)：重要保持客戶。這類客戶的個(gè)人資產(chǎn)情況和個(gè)人購買能力都比較突出，中年成熟家庭，且基本采用全款方式購買，對房地產(chǎn)企業(yè)的貢獻(xiàn)最大，所占的比例卻非常小。因此，應(yīng)該優(yōu)先將資源集中到他們身上，實(shí)施差異化的管理和一對一營銷，重點(diǎn)保持和延長該類客戶的高消費(fèi)水平。

第二類(客戶群1)：重要發(fā)展客戶。這類客戶個(gè)人資產(chǎn)水平較低，年齡基本在25至35之間，首付比例低且無房產(chǎn)面積，購房單價(jià)較高，有一定的購買能力，屬于事業(yè)初創(chuàng)期的年輕人，這類客戶當(dāng)前的價(jià)值不是很高，但是卻有很大的發(fā)展?jié)摿?。因此，房地產(chǎn)企業(yè)應(yīng)該重點(diǎn)關(guān)發(fā)展類客戶，挖掘其購買潛力，防止他們流失到競爭對手陣營，使他們盡可能發(fā)展為公司的忠誠客戶。

第三類(客戶群3)：重要挽留客戶。該類客戶通常為中年客戶，已經(jīng)擁有至少一套房產(chǎn)，使用較低首付比例，該類客戶所購買房產(chǎn)已經(jīng)飽和。因此，可以對該類客戶采取必要的挽留措施。

第四類(客戶群4)：一般客戶。該類客戶的個(gè)人資產(chǎn)通常較低，年齡較小，且購買能力比較低，首付比例較低，是房地產(chǎn)企業(yè)的一般價(jià)值客戶。

4 結(jié)束語

本文結(jié)合房地產(chǎn)行業(yè)的特點(diǎn)，基于客戶價(jià)值細(xì)分理論以及SOM神經(jīng)網(wǎng)絡(luò)理論，構(gòu)建了基于PCA與SOM神經(jīng)網(wǎng)絡(luò)算法的房地產(chǎn)客戶價(jià)值細(xì)分模型，首先運(yùn)用PCA主成份分析法提取影響客戶價(jià)值細(xì)分的綜合指標(biāo)，然后采用SOM神經(jīng)網(wǎng)絡(luò)算法對客戶價(jià)值進(jìn)行細(xì)分，將房地產(chǎn)客戶價(jià)值細(xì)分為重要保持客戶、重要發(fā)展客戶、重要挽留客戶和一般客戶，幫助房地產(chǎn)企業(yè)優(yōu)化營銷資源配置，為房地產(chǎn)企業(yè)的價(jià)值客戶群管理提供一定的決策支持。

[1] DWYER F R. Customer lifetime valuation to support marketing decision making[J]. Journal of Interactive, 2003(4):32-39.

[2] (美)ALEXBERSO著, 賀奇,譯. 構(gòu)建面向CRM的數(shù)據(jù)挖掘應(yīng)用[M]. 北京: 人民郵電出版社, 2001.

[3] 張良均, 云偉標(biāo), 王路. R語言數(shù)據(jù)分析與挖掘?qū)崙?zhàn)[M]. 北京: 機(jī)械工業(yè)出版社, 2015.

[4] 李春華. 自特征映射自組織特征映射神經(jīng)網(wǎng)絡(luò)原理和應(yīng)用研究[J]. 北京大學(xué)學(xué)報(bào), 2006, 42 (2): 543-547.

[5] 楊淑霞, 呂世森, 喬艷芬. 用電客戶信用的主客觀評價(jià)及分析[J]. 中國電力, 2005, 38(6): 1-4.

[6] 薛星, 張世峰. 房地產(chǎn)市場預(yù)警系統(tǒng)時(shí)政研究[J]. 金融縱橫, 2010, 13(4): 23-29.

[7] 李瀟虎. 城市房地產(chǎn)市場預(yù)警系統(tǒng)研究[J]. 金融縱橫, 2010,13(4):23-29.

[8] 高雋. 人工神經(jīng)網(wǎng)絡(luò)原理及其仿真實(shí)例[M]. 北京：機(jī)械工程出版社, 2007.

[9] 楊毅, 陳沖. 基于SOM神經(jīng)網(wǎng)絡(luò)的煤炭企業(yè)客戶細(xì)分模型研究[J]. 中國礦業(yè), 2009, 18(2): 33-38.

[10] 肖強(qiáng), 錢曉東. 一種改進(jìn)的SOM神經(jīng)網(wǎng)絡(luò)對Web用戶的聚類[J]. 情報(bào)科學(xué), 2012, 12(3): 54-59.

A Research of Customer Value Segmentation Model Based on PCA and SOM Neural Network

Xu Xuefeng1, Xing Deen1, Zong Xuanjun2

(1. Ducheng Weiye Group Corporation, Beijing 100020, China; 2. State Grid JiangsuElectric Power Co., Economic and Technical Research Institute, Nanjing Jiangsu 210008, China)

10.3969/j.issn.1000-3886.2017.03.016

TM744

A

1000-3886(2017)03-0049-04

定稿日期: 2016-10-19

國家電網(wǎng)公司科技項(xiàng)目《基于云計(jì)算的多產(chǎn)業(yè)輔助決策支撐體系研究與應(yīng)用》

胥學(xué)峰(1966-),山東鄒平人，男，碩士生，高級工程師，主要研究方向：房地產(chǎn)產(chǎn)業(yè)發(fā)展。 邢德恩(1972-),山東濟(jì)寧人，男，工程碩士，全國注冊安全工程師，主要研究方向：數(shù)據(jù)分析研究。 宗炫君(1990-),江蘇鹽城人，女，碩士，工程師，主要研究方向：數(shù)據(jù)分析算法研究。