K—means 算法在物流快递企业客户细分中的应用

踪锋　程林

[摘 要]面对日益激烈的物流市场竞争和信息技术的迅猛发展，物流快递企业必须建立以“客户为中心”的服务模式，针对不同的客户需求制定对应的营销策略和价格策略，并进行分类管理。数据挖掘中的K-means聚类算法能对大型数据集进行高效分类，改进的K-means算法能够应用于复杂的物流客户关系管理，对客户进行准确和全面的分类管理。

[关键词]物流 CRM；客户分类；数据挖掘；K-means聚类分析算法

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

1 引 言

数据挖掘（Data Mining）是从大量不完全的、模糊有噪声的、随机的实际应用数据中，提取隐含在其中的、潜在有用的、而且事先不不为人知的信息和知识的过程。[1]数据挖掘研究伴随着计算机应用技术的发展出现多种可供选择的方法，聚类作为最基本的数据挖掘方法，不仅可以独立地应用，还可以应用于其他数据挖掘方法的前期处理工作。当前运用最为广泛、最成熟的聚类方法就是均值聚类算法。K-means算法能有效地处理大规模和高维的数据集合。改进后的K-means算法通过处理复杂的物流客户管理中的非数值数据获取更加准确和全面的客户分类。

2 物流快递客户关系管理现状分析

随着我国电子商务和物流快递业的快速发展，国内物流快递市场的运行环境发生了较大的变化，目前国内物流正面对一个全面开放的、国际国内全方位充分竞争的市场环境。物流快递企业意识到在充分竞争的商业时代，企业必须通过占有更多优势资源，拥有大量有效客户，提供最佳客户服务，提升原有客户体验，进而增强客户的忠诚度和满意度。企业必须通过实现客户价值来扩大自身的盈利，通过信息化管理来替代原有的传统管理手段。

因此，物流快递企业需要快速获取尽可能详细的客户需求信息，通过数据挖掘和分析来认知客户的行为和偏好，进而分析客户消费模式及习惯的变化的规律，提升自身的市场洞察能力。如何通过企业和客户的信息交流平台，提供个性化的物流方案，有效的管理客户，深层分析大量客户信息的数据仓库获取提高企业市场竞争力的有效信息。有效数据挖掘技术就是从海量数据中挖掘出对企业有价值的潜在信息，从而支持客户关系分类管理的科学实现，满足现代充分竞争时代的企业需求与社会挑战。

3 物流快递客户关系管理

客户关系管理是一种改善企业与客户之间关系的新型管理方法，企业通过的交流和沟通理解客户，进而影响客户行为，最终长期获取客户、保留忠诚客户和创造更多利润。

客户细分是客户关系管理的重要组成部分，是企业客户关系管理的重要工具和关键环节。客户管理学中的二八法则表明，20%的客户创造企业80%的利润，即相对较多利润是由相对较少的大客户创造的。因此，企业要坚持与高价值客户的维持良好的业务关系，同时注意发掘潜在价值的客户，合理使用自有资源，提供有差别的个性服务，才能在激烈的市场竞争中立于不败之地。

物流快递企业凭借自己独特的客户特性与市场特性为社会提供快递业务服务。物流快递企业有着多元的客户群体，从政府机关、企业集团和学校宾馆，直到普通个人都是其客户；而且物流快递企业客户的需求具有多样性，表现出来特征是不平衡性及随机性，从个人到团体，从农村到城市，从家庭到企业对物流快递服务有着多层次的个性需求。

4 数据挖掘技术

客户关系管理的数据挖掘技术是指从大量的有关客户的数 据中挖掘出隐含的、先前未知的、对企业决策有潜在价值的数据的方法。常用的数据挖掘方法有关联分析、序列模式分析、分类分析、聚类分析、孤立点分析等多种方法。聚类分析可以从给定的数据集中获取数据对象之间所存在的有价值关联要素。在商业上通过聚类将顾客信息分组，描述顾客的购买模式，找出顾客的典型特征，制定个性化营销方案。

5 K-means聚类分析算法在快递CRM中进行客户细分的应用

5.1 K-means聚类算法

K-means作为最常用的聚类算法，能有效地处理大规模和高维的数据集合，把大型数据集进行高效据分组，并根据一定的测量标准，从中找出不同组数据的相似性，进行聚类。

K-means算法的最大优点效率较高，对例外数据非常敏感；缺点是不能处理分类数据，只能处理数值型数据，不能处理非凸面形状的聚类。

K-means算法接受输入量k后将n个数据对象划分为k个聚类，根据点到质心的距离把相似度较高的对象归入同一聚类中，相似度较小的对象归为不同聚类中。然后利用各聚类中对象的均值所获得一个聚类中心来计算聚类相似度。

5.2 K-means算法的处理流程

首先，从c个数据对象任意选择k个对象组成初始聚类中心。

其次，计算每个聚类对象的均值与每个对象的距离；并根据最小距离重新划分相应对象。

最后，重新计算有变化的每个聚类的均值。

循环以上两步，直到每个聚类不再发生变化。

5.3 K-means 算法的改进

K-means算法只能处理数值型数据，而不能处理分类属性型数据。例如表示客户的属性有：名称、性质、住址等属性。K-means算法改进后就能很好地处理分类属性型数据。K-means算法中的距离用相异度来替代，相异度的大小表示距离大小。一个样本和一个聚类中心的相异度用它们各个属性不相同的个数来表示，并用不相同个数的总和来表示某个样本到某个聚类中心的相异度。

5.4 算法的C#实现

public class Kmeans

{ double[]inPut；//数据

int k；//类别数

int Num；//文件数

int sub；//特征值数

2.2 整合物流资源，加强区域经济的合作

区域经济在不同区域有着不同的发展特色，从而导致物流经济的发展规模必然出现差别化。而在市场竞争中不可避免地要出现一些资源的浪费，运输车辆的闲置率较高，空车回城的情况大大降低了物流经济的利益。为此，区域内的物流企业可以通过联合、兼并等形式来进行资源的整合，提高物流资源的利用率。这就需要与区域内的各个需求企业进行深度的合作，包括区域内不同地方的企业加强沟通和交流，不断加强双方的信任，提高合作长效性，最大限度地降低双方的成本。对区域内自带物流的企业进行统计和分析，不断挖掘和开发物流产业的市场，与此同时，还应注重物流技术的提高，增加物流企业的可信度，不断创新、改进和完善物流体系。

2.3 增强政府对物流经济的宏观调控

目前，我国的经济还未形成一个完善的运行机制，正处于不断的磨合和改善中。物流经济作为一种新兴经济体对区域内一些传统经济产生的冲击，需要区域内容各个企业不断地转变和适应。在物流经济和区域经济的融合过程中，政府应给予特别的关注，对部分企业进行一定程度的政策支持。物流经济的发展为区域内的群众带来了更多的利益，同时也有利于区域综合实力的提升。

与此同时，物流经济在发展过程中涉及地产、基建等问题，都需要政府参与到市场的规划与发展当中，为物流经济创造更多的发展空间。特别是在一些经济发展较缓慢的地区，政府应对物流企业进行财税层面的降低支持，积极引进外资的投入，推进区域的物流经济发展。

3 结 论

总体来说，在我国经济转型的改革时期，物流经济作为一种新兴的产业经济力量，有助于区域经济的大力发展。区域经济与物流经济的深度结合，能够有效地降低区域内其他产业的运营成本，同时，物流经济的快速进步，也能督促着与物流相关的其他相关经济的创新，提高了区域经济的发展水平。因此，为了保证物流经济的健康顺利发展，政府应加强对我国物流经济的关注力度，根据区域内的实际情况进行适度的宏观调控，才能真正实现区域经济的全面进步。

参考文献：

[1]杨雨轩.中国物流产业发展对区域经济的影响[J].新西部：理论版，2015（20）.

[2]张林，董千里，申亮.节点城市物流产业与区域经济的协同发展研究——基于全国性物流节点城市面板数据[J].华东经济管理，2015（2）.

[3]闫水延.物流能力与区域经济发展的关系研究[J].物流技术，2015（22）.