随着企业的经营模式从原有的以产品为中心到以客户为中心的转变,如何应用聚类技术进行准确的客户细分已成为当今企业界和学术界共同关注的问题。与此同时,竞争日趋激烈,客户细分系统对聚类技术和客户价值模型的各项性能要求越来越高,但是这些问题并没有得到很好地解决。本文正是围绕聚类技术和客户价值模型两个方面展开,目的是实现高效的客户细分模型。(1)由于K-means算法对初始中心点选择敏感,本文采用了一种基于近邻密度的初始中心点选择方法——NK-means算法,使得K-means算法能够快速、准确地发现聚类结果。实验结果表明NK-means算法较随机K-means算法和迭代优化的K-means算法在精度上有明显的提高,且具有良好的可扩展性。(2)由于K-means采用基于距离标准的聚类准则,在将其应用于客户细分时表现出诸多不足。为了更准确地描述客户之间的“距离”,本文依据客户细分的特性,提出了基于购买行为的客户相似度准则。该准则与传统的距离准则相比动态地反映了客户的相似程度,为实现更加准确的客户细分提供了保障。(3)传统的客户生命周期价值(Customer Lifetime Value,CLV)模型考虑了客户的人口统计学因素和购买行为因素,但是对客户购买行为之间的网络影响并没有加以分析。因此本文提出了基于网络影响的客户价值模型,在引入客户与客户之间社会影响的基础上,从基本价值、潜在价值、网络价值和客户挽留率四个方面对客户价值进行了比较全面地评估。与此同时本文采用了RFM(Recency, Frequency, Monetary)模型辅助CLV模型。论文最后结合哈飞汽车股份有限公司的实际业务,详细阐述了基于聚类技术的客户细分系统的设计、实现及应用效果。