使用K-means算法进行客户价值分析

聚类可以从消费者中区分出不同的消费群体，并且概括出每一类消费者的消费模式或消费习惯，其中，K-Means算法是最为经典的基于划分的聚类方法。识别客户价值应用最广泛的模型是RFM模型，根据RFM模型，本案例中客户价值分析的关键特征，如下表所示。

特征名称     含义

 R            客户最近一次消费距观测窗口结束的天数。

 F              客户在观测窗口内总消费次数。

 M             客户在观测窗口内总消费金额。

          使用K-means算法进行客户价值分析，如下代码所示。

# 绘图

fig = plt.figure(figsize=(7, 7))

ax = fig.add_subplot(111, polar=True)

sam = ['r','g','b']

lstype = ['-','--','-.']

lab = []

for i in range(len(kmeans_model.cluster_centers_)):

   values = kmeans_model.cluster_centers_[i]

   feature = ['R','F','M']

   values = np.concatenate((values, [values[0]]))

    #绘制折线图

   ax.plot(angles, values, sam[i], linestyle=lstype[i], linewidth=2,markersize=10)

   ax.fill(angles, values, alpha=0.5) # 填充颜色

   ax.set_thetagrids(angles * 180 / np.pi, feature, fontsize=15)  # 添加每个特征的标签

   plt.title('客户群特征分布图')  # 添加标题

   ax.grid(True)

   lab.append('客户群' + str(i+1))

plt.legend(lab)

plt.show()

plt.close

 由上图可知，客户群2的F、M特征值最大，R特征值最小；客户群1的F、M、R特征值较小；客户群3的R特征值最大，F、M特征值最小。每个客户群的都有显著不同的表现特征，基于该特征描述，本案例定义3个等级的客户类别：重要保持客户、一般价值客户、低价值客户。客户群分类排序结果如下表所示。

 客户群    排名   排名含义

客户群1    2    一般价值客户

客户群2    1    重要保持客户

客户群3    3   低价值客户

通过上代码和上表可以看出，每个客户群的都有显著不同的表现特征，基于该特征描述，本案例定义3个等级的客户类别：重要保持客户、一般价值客户、低价值客户。每个客户类别的特征如下。

（1） 重要保持客户。这类客户用餐的次数（F）和用餐总花费（M）较高，且最近在餐厅消费时间长度（R）低。他们是餐饮企业的高价值客户，是最为理想的客户类型，对企业的贡献最大，但是所占比例却最小。对这类客户，餐饮企业可以制定一对一的服务，以提高这类客户的忠诚度与满意度，尽可能延长这类客户的高水平消费。

（2） 一般价值客户。这类客户用餐的次数（F）和用餐总花费（M）较低，且最近在餐厅消费时间长度（R）较低。他们是一般价值客户，虽然当前价值并不是特别高，但却有较大的发展潜力。餐饮企业可以不定期的制定相应的营销策略，刺激这类客户的消费，加强这类客户的满意度。

（3） 低价值客户。这类客户用餐的次数（F）和用餐总花费（M）较低，且最近在餐厅消费时间长度（R）较高。他们是餐饮企业的低价值客户，可能是某一次经过顺便消费的，也可能是因为刚开业时有折扣所以才来本店消费，之后来消费的概率比较小。客户群分类排序结果如下表所示。