[发明专利]以物流数据建立客户画像的方法

权利要求书

1.以物流数据建立客户画像的方法，其特征在于：包括下列步骤：

步骤1、数据获取和预处理：获取物流数据并对物流数据进行清洗；

步骤2、构建客户生命周期模型：定义客户的购买持续时间L为客户第一次购买到最后一次购买的时间间隔，定义客户最近一次购买时间间隔R为客户最近一次购买时间到建立客户画像当日的时间间隔，以L为横轴、R为纵轴设定坐标系绘制客户气泡图，通过设定分别对应横轴和纵轴的分类节点值l和r，将所述气泡图划分为四个区域，所述四个区域对应客户生命周期的不同阶段；

步骤3、构建关于需求偏好的客户画像：根据物流数据中的消费数据分别汇总，统计客户购买最多的产品系列，客户生命周期，客户的购买时间分布，客户购买商品总耗费的金额；

步骤4、构建推荐系统：采用K-means聚类方法对客户产生的盈利额进行离散化分析进而划分客户等级，通过协同方法分析客户相似度获得与客户需求接近的产品进行推荐，当无法通过协同方法获得足够的可推荐产品时，采用矩阵分解方法对客户进行推荐；

由上述步骤得到客户的需求偏好，确定对客户的推荐产品和相应的客户关怀力度。

2.根据权利要求1所述的以物流数据建立客户画像的方法，其特征在于：所述步骤2中，所述四个区域与客户生命周期的不同阶段的对应关系如下：拓展阶段对应L＜l且R＜r的区域，提升阶段对应L＜l且R＞r的区域，成熟阶段对应L＞l且R＜r的区域，衰退流失阶段对应L＞l且R＞r的区域，在制定客户关怀政策时依据客户生命周期的不同阶段进行不同力度的关怀，按照衰退流失阶段、拓展阶段、提升阶段到成熟阶段的次序依次增大关怀力度。

3.根据权利要求1或2所述的以物流数据建立客户画像的方法，其特征在于：所述步骤4中，所述K-means聚类方法具体为：利用K-means聚类方法迭代求解，先随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心；聚类中心以及分配给它们的对象就代表一个聚类，每分配一个样本，聚类的聚类中心会根据聚类中现有的对象被重新计算产生，上述计算过程不断重复迭代直到满足终止条件；所述终止条件包括：没有产生对象或只产生设定的最小数目的对象被重新分配给不同的聚类、没有聚类中心或只有最小数目的聚类中心发生变化、误差平方和局部最小三种中的任意一种情况。

4.根据权利要求1或2所述的以物流数据建立客户画像的方法，其特征在于：所述步骤4中，所述协同过滤方法将客户作为分析的目标，包括有根据客户相似度获取可推荐产品的方法，所述根据客户相似度获取可推荐产品的方法通过分析得到与目标相似度高的其他客户，再根据相似度高的其他客户与目标之间已购产品的差异，将目标未购置但相似度高的其他客户已购置的产品作为可推荐产品。

5.根据权利要求4所述的以物流数据建立客户画像的方法，其特征在于：根据客户相似度获取可推荐产品的方法的具体计算方法如下：采用余弦相似度作为计算相似度的计算方法，给定客户u和客户v,设N(u)和N(v)分别表示客户u和v有过积极行为反馈的产品组合，则这两个客户的相似度如公式：

当sim(u，v)大于设定阈值则认为客户u和客户v之间足够相似，客户u和客户v互为相似度高的其他客户。

6.根据权利要求5所述的以物流数据建立客户画像的方法，其特征在于：构建矩阵，矩阵中列表示客户、行表示商品、矩阵中的元素表示对应客户购买对应商品产生的盈利额，当相似度高的其他客户已购置的产品均已被分析的目标所购买时，对矩阵进行矩阵分解，经过一定次数的梯度下降调优后，若分解的模型损失大幅下降趋于稳定，则视为矩阵分解的训练结果成功，之后对分解后的矩阵进行分析，将数值高于一定阈值的元素所对应的商品作为可推荐的商品。

7.根据权利要求1所述的以物流数据建立客户画像的方法，其特征在于：所述步骤1中对数据集数据进行清洗时，忽略销售数量为负数的数据异常值，部分数据缺失值记为NULL在编译过程中直接忽略。