K—means 算法在物流快遞企業客戶細分中的應用

蹤鋒　程林

[摘 要]面對日益激烈的物流市場競爭和信息技術的迅猛發展，物流快遞企業必須建立以“客戶為中心”的服務模式，針對不同的客戶需求制定對應的營銷策略和價格策略，并進行分類管理。數據挖掘中的K-means聚類算法能對大型數據集進行高效分類，改進的K-means算法能夠應用于復雜的物流客戶關系管理，對客戶進行準確和全面的分類管理。

[關鍵詞]物流 CRM；客戶分類；數據挖掘；K-means聚類分析算法

[DOI]10.13939/j.cnki.zgsc.2016.36.033

1 引 言

數據挖掘（Data Mining）是從大量不完全的、模糊有噪聲的、隨機的實際應用數據中，提取隱含在其中的、潛在有用的、而且事先不不為人知的信息和知識的過程。[1]數據挖掘研究伴隨著計算機應用技術的發展出現多種可供選擇的方法，聚類作為最基本的數據挖掘方法，不僅可以獨立地應用，還可以應用于其他數據挖掘方法的前期處理工作。當前運用最為廣泛、最成熟的聚類方法就是均值聚類算法。K-means算法能有效地處理大規模和高維的數據集合。改進后的K-means算法通過處理復雜的物流客戶管理中的非數值數據獲取更加準確和全面的客戶分類。

2 物流快遞客戶關系管理現狀分析

隨著我國電子商務和物流快遞業的快速發展，國內物流快遞市場的運行環境發生了較大的變化，目前國內物流正面對一個全面開放的、國際國內全方位充分競爭的市場環境。物流快遞企業意識到在充分競爭的商業時代，企業必須通過占有更多優勢資源，擁有大量有效客戶，提供最佳客戶服務，提升原有客戶體驗，進而增強客戶的忠誠度和滿意度。企業必須通過實現客戶價值來擴大自身的盈利，通過信息化管理來替代原有的傳統管理手段。

因此，物流快遞企業需要快速獲取盡可能詳細的客戶需求信息，通過數據挖掘和分析來認知客戶的行為和偏好，進而分析客戶消費模式及習慣的變化的規律，提升自身的市場洞察能力。如何通過企業和客戶的信息交流平臺，提供個性化的物流方案，有效的管理客戶，深層分析大量客戶信息的數據倉庫獲取提高企業市場競爭力的有效信息。有效數據挖掘技術就是從海量數據中挖掘出對企業有價值的潛在信息，從而支持客戶關系分類管理的科學實現，滿足現代充分競爭時代的企業需求與社會挑戰。

3 物流快遞客戶關系管理

客戶關系管理是一種改善企業與客戶之間關系的新型管理方法，企業通過的交流和溝通理解客戶，進而影響客戶行為，最終長期獲取客戶、保留忠誠客戶和創造更多利潤。

客戶細分是客戶關系管理的重要組成部分，是企業客戶關系管理的重要工具和關鍵環節?？蛻艄芾韺W中的二八法則表明，20%的客戶創造企業80%的利潤，即相對較多利潤是由相對較少的大客戶創造的。因此，企業要堅持與高價值客戶的維持良好的業務關系，同時注意發掘潛在價值的客戶，合理使用自有資源，提供有差別的個性服務，才能在激烈的市場競爭中立于不敗之地。

物流快遞企業憑借自己獨特的客戶特性與市場特性為社會提供快遞業務服務。物流快遞企業有著多元的客戶群體，從政府機關、企業集團和學校賓館，直到普通個人都是其客戶；而且物流快遞企業客戶的需求具有多樣性，表現出來特征是不平衡性及隨機性，從個人到團體，從農村到城市，從家庭到企業對物流快遞服務有著多層次的個性需求。

4 數據挖掘技術

客戶關系管理的數據挖掘技術是指從大量的有關客戶的數 據中挖掘出隱含的、先前未知的、對企業決策有潛在價值的數據的方法。常用的數據挖掘方法有關聯分析、序列模式分析、分類分析、聚類分析、孤立點分析等多種方法。聚類分析可以從給定的數據集中獲取數據對象之間所存在的有價值關聯要素。在商業上通過聚類將顧客信息分組，描述顧客的購買模式，找出顧客的典型特征，制定個性化營銷方案。

5 K-means聚類分析算法在快遞CRM中進行客戶細分的應用

5.1 K-means聚類算法

K-means作為最常用的聚類算法，能有效地處理大規模和高維的數據集合，把大型數據集進行高效據分組，并根據一定的測量標準，從中找出不同組數據的相似性，進行聚類。

K-means算法的最大優點效率較高，對例外數據非常敏感；缺點是不能處理分類數據，只能處理數值型數據，不能處理非凸面形狀的聚類。

K-means算法接受輸入量k后將n個數據對象劃分為k個聚類，根據點到質心的距離把相似度較高的對象歸入同一聚類中，相似度較小的對象歸為不同聚類中。然后利用各聚類中對象的均值所獲得一個聚類中心來計算聚類相似度。

5.2 K-means算法的處理流程

首先，從c個數據對象任意選擇k個對象組成初始聚類中心。

其次，計算每個聚類對象的均值與每個對象的距離；并根據最小距離重新劃分相應對象。

最后，重新計算有變化的每個聚類的均值。

循環以上兩步，直到每個聚類不再發生變化。

5.3 K-means 算法的改進

K-means算法只能處理數值型數據，而不能處理分類屬性型數據。例如表示客戶的屬性有：名稱、性質、住址等屬性。K-means算法改進后就能很好地處理分類屬性型數據。K-means算法中的距離用相異度來替代，相異度的大小表示距離大小。一個樣本和一個聚類中心的相異度用它們各個屬性不相同的個數來表示，并用不相同個數的總和來表示某個樣本到某個聚類中心的相異度。

5.4 算法的C#實現

public class Kmeans

{ double[]inPut；//數據

int k；//類別數

int Num；//文件數

int sub；//特征值數

2.2 整合物流資源，加強區域經濟的合作

區域經濟在不同區域有著不同的發展特色，從而導致物流經濟的發展規模必然出現差別化。而在市場競爭中不可避免地要出現一些資源的浪費，運輸車輛的閑置率較高，空車回城的情況大大降低了物流經濟的利益。為此，區域內的物流企業可以通過聯合、兼并等形式來進行資源的整合，提高物流資源的利用率。這就需要與區域內的各個需求企業進行深度的合作，包括區域內不同地方的企業加強溝通和交流，不斷加強雙方的信任，提高合作長效性，最大限度地降低雙方的成本。對區域內自帶物流的企業進行統計和分析，不斷挖掘和開發物流產業的市場，與此同時，還應注重物流技術的提高，增加物流企業的可信度，不斷創新、改進和完善物流體系。

2.3 增強政府對物流經濟的宏觀調控

目前，我國的經濟還未形成一個完善的運行機制，正處于不斷的磨合和改善中。物流經濟作為一種新興經濟體對區域內一些傳統經濟產生的沖擊，需要區域內容各個企業不斷地轉變和適應。在物流經濟和區域經濟的融合過程中，政府應給予特別的關注，對部分企業進行一定程度的政策支持。物流經濟的發展為區域內的群眾帶來了更多的利益，同時也有利于區域綜合實力的提升。

與此同時，物流經濟在發展過程中涉及地產、基建等問題，都需要政府參與到市場的規劃與發展當中，為物流經濟創造更多的發展空間。特別是在一些經濟發展較緩慢的地區，政府應對物流企業進行財稅層面的降低支持，積極引進外資的投入，推進區域的物流經濟發展。

3 結 論

總體來說，在我國經濟轉型的改革時期，物流經濟作為一種新興的產業經濟力量，有助于區域經濟的大力發展。區域經濟與物流經濟的深度結合，能夠有效地降低區域內其他產業的運營成本，同時，物流經濟的快速進步，也能督促著與物流相關的其他相關經濟的創新，提高了區域經濟的發展水平。因此，為了保證物流經濟的健康順利發展，政府應加強對我國物流經濟的關注力度，根據區域內的實際情況進行適度的宏觀調控，才能真正實現區域經濟的全面進步。

參考文獻：

[1]楊雨軒.中國物流產業發展對區域經濟的影響[J].新西部：理論版，2015（20）.

[2]張林，董千里，申亮.節點城市物流產業與區域經濟的協同發展研究——基于全國性物流節點城市面板數據[J].華東經濟管理，2015（2）.

[3]閆水延.物流能力與區域經濟發展的關系研究[J].物流技術，2015（22）.