1、基于因子分析和聚類分析的客戶偏好探究一 文獻綜述 二十世紀五十年代中期，美國學者溫德爾史密斯提出了顧客細分理論。該理論指出，顧客由于其文化觀念、收入、消費習俗等方面的不同可以分為不同的消費群體。企業在經營中應該針對不同的顧客提供針對性的服務，這樣才能夠利用有限資源進行有效的市場競爭。對顧客的細分從方法上講有根據人口特征和購買歷史的細分和根據顧客對企業的價值即基于顧客的消費金額、消費頻率的細分。本文的細分是基于購買歷史和人口特征的聚類分析。飯店作為一個古老的服務行業，在現階段的高度競爭市場下的發展趨勢最重要的方面便是服務趨于個性化，所以針對飯店的消費群體特征的聚類可以對飯店進行定位，在此基礎上通

2、過分析目標客戶群體對消費質量評價的最主要影響因素可以達到其服務個性化的目標。波特把顧客的價值定義為買方感知性與購買成本的一種權衡。對顧客的個性化服務增加了買方的感知度從而加大了他們愿意為此付出的成本，于是飯店便可以增加營業額。聚類分析是把研究對象視作多維空間中的許多點, 并合理地分成若干類，即一種根據變量域之間的相似性而逐步歸群成類的方法，它能客觀地反映這些變量或區域之間的內在組合關系。 李蓉, 李宇. 基與主成分分析與聚類分析方法的我國西部區域劃分問題的研究. 科技廣場, 故聚類算法是對顧客進行分析的一個有效方式。在聚類分析的眾多算法中因子分析是研究如何以最少的信息丟失, 將眾多原始變量濃縮

3、成少數幾個因子變量, 以及如何使因子變量具有較強的可解釋性的一種多元統計分析方法。 李新蕊.主成分分析、因子分析、聚類分析的比較與應用. 山東教育學院學報.而典型的k-means算法以平方誤差準則較好地實現了空間聚類,對于大數據集的處理效率較高。 楊善林.kmeans 算法中的k 值優化問題研究 系統工程理論與實踐在對顧客細分相關文獻的研究過程中，主要運用的方法有神經網絡,分層聚類,因子分析等方法。比如，在關于網絡青少年用戶的分類中，作者用層次聚類的方法，通過對青少年年齡,性別,民族,網絡可得性,父母的觀點等變量等變量定義不同的上網動機，在此基礎上對其進行了分類。而在研究人壽保險持有者未來購買

4、基金支持壽險可能性的文章中，通過灰度聚類和神經網絡利用消費者的基本信息,財產地位信息,風險承受程度將消費者分為了忠實客戶和非忠實客戶。在對客戶忠誠度的聚類中，作者用RFM的商業模型用DBI確定了Kmeans的最優K值，并最終用kmeans對客戶忠誠度進行了聚類。經過綜合分析，我們選擇了這兩種方法處理顧客數據和飯店的基本資料。即，通過k-means對客戶進行聚類后通過因子分析分析不同類別客戶的評價影響因素。為分析每類客戶傾向的飯店特征，本文根據客戶聚類結果對飯店數據進行篩選。由于飯店部分屬性之間具有相關性，本文采用因子分析法挖掘其“根本屬性”，之后對飯店數據進行聚類，分析得到每類客戶評價得分最高

5、的飯店特征。二 方法論本文選取UCI上的數據（包括飯店、客戶、評價得分等信息），旨在通過劃分客戶群體并分析每一類客戶對不同飯店的評價得分，得出每一類顧客選擇飯店的傾向，即特定類別客戶的喜好和評價飯店時最看重的因素。將結論應用于指導飯店發展路線與目標客戶群間的戰略匹配。具體方法步驟如下： 1 根據詳細的客戶信息對客戶進行K-means聚類，總結出每一類客戶的顯著特點2 客戶偏好的研究飯店的多個屬性之間存在相互影響的關系，因此本文在研究飯店特點采用因子分析法，將相同本質的屬性歸入一個因子，既可減少變量的數目，又能得出能夠表征飯店屬性的影響因子。在因子分析的基礎上，對同類顧客所評價的飯店進行聚類分析

6、，得到每類顧客所選飯店的種類。然后分析比較各類飯店的特點，選出影響最大的因子（依據系數絕對值大小來判斷），參照因子旋轉矩陣后即可得到對顧客評分影響最大的飯店屬性，從而分析出特定類別顧客在選擇、評價一家飯店時的偏好。Figure 1 研究框架三 研究過程(一) 顧客聚類分析：在顧客信息的屬性中刪去User ID，其余屬性作為輸入字段進行K均值聚類。模型中的K值默認為5，但是分類結果中不同類型間的差異較小，隨即降低K值進行嘗試?？紤]到顧客評分分為0,1,2三個等級，而且K=3時分類結果間的差異較顯著，因此將顧客分為三類。Cluster 1：此類顧客人數最多，出生日期在1986年之后，絕大多數人學生

7、，其次是工作者，主要同家人一起就餐；基本不飲酒；興趣點主要為technology；絕大多數未婚，性格為thrifty protector Catholic為主 ；基本不吸煙；公交Cluster 2：此類顧客人數最少，年齡最大，不愿多透漏個人信息（數據中有大量缺失值）。Cluster 3：此類顧客人數居中，出生年份在1981左右，主要為學生、工作者 多與朋友一起就餐，大多屬于social drinker。多數人是單身，但是單身比率高于類型1，性格為hard-worker，car-owner為主。聚類分析結果如下圖所示：Figure 2 顧客的聚類結果(二) 顧客偏好分析本文通過分析每類顧客關注飯

8、店的特征提取分析顧客的偏好，從而便于飯店把握顧客需求，指定差異化戰略。1. 因子分析i. 評價指標的選擇及數據預處理影響顧客在飯店消費體驗的影響性變量，本文主要篩選如下：alcohol，smoking_ area，dress_ code，accessibili1y，price，Rambience ，Franchise, area, parking, acceptance, other service。由于因子分析需要數值型數據，本文對飯店數據中定性的變量量化處理。統計學依據數據的計量尺度將數據劃分為三類：定距型數據（Scale）、定序型數據（Ordinal）、定類型數據（Nominal）。定距

9、型數據通常是指諸如身高、體重、血壓等的連續型數據，也包括諸如人數、商品件數等離散型數據；定序型數據具有內在固有大小或高低順序，職稱變量可以有低級、中級、高級三個取值，可以分別用1、2、3等表示，數據間卻是不等距的。測量數值不能直接比較大小，只能比較優先次序。定類型數據是指沒有內在固有大小或高低順序，一般以數值或字符表示的分類數據。如性別變量中的男、女取值。本文采用的數據中，飯店的屬性包含多個定序型變量，如other-variance包含none，Internet 和variety三類；Accessibility包括no_accessibility，completely和partially三類。

10、本文采用0、1、2代表上述屬性中的值，0、1、2代表依次遞增，即0表示no_accessibility，1表示partially，2表示completely。此外，數據集中還有定類型的數據，如franchise有True和false兩種取值。本文中將卻是指用該屬性取值的平均值替代。012alcoholnowine/beerfull barsmoking_areanot permittedsection/only at barpermitteddress_codeinformalcasualaccessibilitynone partiallycompletelypricehighmediuml

11、owRambiencequietfamiliarfranchiseFALSETRUEareaclosedopenother_servicesnone InternetvarietyFigure 3 因素量化ii. 因子分析由于飯店的屬性之間部分具有相關性，本文采用spss進行因子分析來消除這種相關性。對飯店數據庫中的影響性變量相關數據進行因子分析，所得結果見Figure 4。從Figure 4中可以看出，前八個因子的累計方差貢獻率已經達到86.028%。根據累計方差貢獻率>85%的標準，本文選擇前八個作為因子進行分析。Figure 4 初始特征矩陣為了更好地賦予所得因子以合理的解釋意義，

12、本文進行了因子旋轉，因子載荷矩陣見Figure 5，從表中的因子載荷可以看出，第一個因子（F1）可以用來解釋price，第二個因子（F2）可以用來解釋alcohol，第三個因子（F3）可以用來解釋smoking-area，第四個因子（F4）可以用來解釋Franchise,第五個因子（F5）可以用來解釋Rambience，第六個因子（F6）可以用來解釋dress_code，第七個因子（F7）可以用來解釋Cuisine，第八個因子（F8）可以用來解釋Parking，八大因子的累計方差貢獻率可以反映顧客對飯店的滿意程度。Figure 6 因子載荷矩陣根據表，可由因子方差貢獻率計算得出因子解釋貢獻率（

13、因子解釋貢獻率=因子方差貢獻率/總方差貢獻率），從而得到各飯店的因子得分數據，具體數據如附錄所示。Figure 7 提取平方和載入矩陣iii. 飯店聚類分析為分析每類顧客偏好的飯店類型，本文針對每類顧客評價過的飯店進行聚類分析，希望找出具有不同評分的各類飯店的顯著性特征。本文采用K-means方法對各類顧客評價過的飯店數據進行聚類分析。以cluster 1客戶為例，篩選出cluster 1 客戶評分過的飯店因子得分數據，對該部分數據進行聚類分析。由于顧客對飯店的評分分為三類（0,1,2），此處對飯店聚類K值選取為3.計算每類飯店的客戶評分平均值，可得出cluster 1客戶最偏好的飯店類別。通

14、過分析該類飯店的顯著性特征，可得出cluster 1客戶最偏好的飯店特征。判斷cluster 1 偏好的飯店特征具體步驟如下：1) 篩選出cluster 1 評價過的飯店因子得分數據。2) 對該數據應用k-means進行聚類分析，k取值為3.3) 分析每類飯店的顯著性特征4) 計算每類飯店的平均客戶評分并對三類飯店進行排名。5) 分析排名第一的飯店（cluster 1 客戶最偏好的飯店）的顯著性特征。在解釋聚類分析的結果時，本文采取每類累計方差解釋度較高的因子解釋每類飯店的特征。綜合考慮各類顧客各類飯店的數據分析結果我們可以看到，無論是哪類飯店F4、F5、F6均具有較高的方差解釋度，因此可以看

15、出無論是哪類顧客都是比較看重F4、F5、F6這三類因子的，結合Figure 6（因子載荷矩陣），可以分析得出Franchise、Rambience、dress_code是所有飯店都考慮的普遍性因素?？紤]每類飯店除F4、F5、F6之外的因子影響程度，可分析得出不同顧客對飯店的差異化要求，便于飯店針對顧客指定差異化戰略。對cluster 1 參與評價的飯店評價因子得分數據進行聚類分析，其結果如Figure 8所示。可以看出除F4、F5、F6之外聚類一飯店的特征還可用F2解釋，結合Figure 6，可以分析得出除了cluster 1的顧客對alcohol是較為關注的。同理聚類二的飯店特征除F4、F5

16、、F6之外還可用F1進行解釋，因此cluster 1 的顧客對Price是較為關注的。聚類三的飯店特征還可用F7進行解釋，因此cluster 1 的顧客對Cuisine是較為關注的。計算三類飯店的客戶評分平均值，得到cluster 1的客戶對于聚類1的飯店評分是最高的，可以看出可分析得出該類客戶是最看重的差異化服務是alcohol。Figure 8 cluster 1 客戶聚類分析結果為分析cluster 2客戶的差異化要求，對cluster 2 參與評價的飯店評價因子得分數據進行聚類分析，其結果如Figure 9所示?？梢钥闯龀鼺4、F5、F6之外聚類一飯店的特征還可用F7解釋，結合Figu

17、re 6，可以分析得出除了cluster 2的顧客對cuisine是較為關注的。同理聚類二的飯店特征除F4、F5、F6之外還可用F2進行解釋，因此cluster 2 的顧客對alcohol是較為關注的。聚類三的飯店特征還可用F1進行解釋，因此cluster 2 的顧客對price是較為關注的。計算三類飯店的客戶評分平均值，得到cluster2的客戶對于聚類1的飯店評分是最高的，可以看出可分析得出該類客戶是最看重的差異化服務是cuisine。Figure 9 cluster 2 客戶聚類分析結果為分析cluster 3客戶的差異化要求，對cluster 3參與評價的飯店評價因子得分數據進行聚類分

18、析，其結果如Figure 10所示。可以看出除F4、F5、F6之外聚類一飯店的特征還可用F1解釋，結合Figure 6，可以分析得出除了cluster 3的顧客對price是較為關注的。同理聚類二的飯店特征除F4、F5、F6之外還可用F2進行解釋，因此cluster 3 的顧客對alcohol是較為關注的。聚類三的飯店特征還可用F8進行解釋，因此cluster 3的顧客對parking是較為關注的。計算三類飯店的客戶評分平均值，得到cluster3的客戶對于聚類3的飯店評分是最高的，可以看出可分析得出該類客戶是最看重的差異化服務是parking 。Figure 10 cluster 3 客戶聚

19、類分析結果對應三類顧客的自身特征與其偏好，本文對顧客偏好的分析基本符合顧客自身特征。Figure 11 顧客偏好四 結論本文綜合使用了聚類分析和因子分析，分析出了不同類型顧客的特點，以及每類顧客的選擇、評價飯店的偏好。所得結論對飯店的經營和戰略制定有極其重要的指導意義。以第三類顧客為例，顧客主要為1981年左右出生的年輕人，多與朋友一起就餐，絕大多數擁有私家車。該類顧客評價過的飯店進行聚類分析后，發現顧客非常關注泊車這一飯店屬性。因此，當某飯店制定差異化戰略時，如若想吸引上述第三類客戶，除了關注dress_code, ambience 和franchise這三個具有普遍性的屬性外，還應針對該種

20、顧客的特點盡量提供停車位，以吸引更多的顧客。五 參考文獻1. A segmentation of adolescent online users and shoppers William W. Hill, Ph.D. Sharon E. Beatty, Ph.D. Gianfranco Walsh, Ph.D.2. Cluster analysis using data mining approach to develop CRM methodology to assess the customer loyalty Seye

21、d Mohammad Seyed Hosseini *, Anahita Maleki, Mohammad Reza Gholamian3. An anticipation model of potential customers purchasing behavior based on clustering analysis and association rules analysis Horng-Jinh Chang a, Lun-Ping Hung b,*, Chia-Ling Ho 4. A two-stage clustering method to analyze customer

22、 characteristics to build discriminative customer management: A case of textile manufacturing business Der-Chiang Li a, Wen-Li Dai b, Wan-Ting Tseng a5. Distributing weights under hierarchical clustering: A way in reducing performance breakdown Jin Zhang a, Dietmar Maringer b6. 李蓉, 李宇. 基與主成分分析與聚類分析方

23、法的我國西部區域劃分問題的研究. 科技廣場, 7. 李新蕊.主成分分析、因子分析、聚類分析的比較與應用. 山東教育學院學報.8. 楊善林.kmeans 算法中的k 值優化問題研究 系統工程理論與實踐9. 奚勝田 詹原瑞 韓著釗 因子分析與聚類分析在企業信用評級中的應用 附錄一：飯店因子得分數據placeIDf1f2f3f4f5f6f7f8132560-0.0540.0793012.1635210.5382471.4250721.1247251.2409751.735357132561-1.31120.470879-0.083530.2207341.4573410.90689-0.019480.

24、030694132564-1.31120.470879-0.083530.2207341.4573410.90689-0.019480.030694132572-1.173410.6461880.0669760.7115481.7446350.7888670.9259410.668394132583-0.916990.1493240.2057990.8316771.1973951.0260521.0540081.090584132584-0.575420.502048-0.023861.5053091.585160.865962-0.180580.732066132594-1.109980.5

25、354060.5764520.6512821.6542560.777135-0.132231.795288132608-0.87570.4194381.8947081.6161010.9477091.1800720.1794741.544903132609-1.010560.5362890.0796251.5451410.7459010.8542680.9143590.62026132613-0.503980.495981.281751.6365351.8773461.2034980.1427090.529814132626-0.410250.6449850.0894712.0538191.8

26、073460.6761610.7675480.427091132630-1.31120.470879-0.083530.2207341.4573410.90689-0.019480.030694132654-1.31120.470879-0.083530.2207341.4573410.90689-0.019480.030694132660-1.31120.470879-0.083530.2207341.4573410.90689-0.019480.030694132663-1.31120.470879-0.083530.2207341.4573410.90689-0.019480.03069

27、4132665-1.31120.470879-0.083530.2207341.4573410.90689-0.019480.030694132667-1.156050.4627770.0987361.541731.584890.7774610.976409-0.22226132668-1.31120.470879-0.083530.2207341.4573410.90689-0.019480.0306941327060.7895660.1388050.2381871.6787241.2300120.830051-0.199151.5359751327150.2235080.0175070.6

28、423080.5469510.0380350.684693-0.14319-0.03596132717-0.161170.482570.1275970.571281.5144880.8643810.7973881.687904132723-0.253041.8714480.4973690.7242882.0628450.944143-0.087811.457525132732-1.022760.4529370.4454140.7656631.552702-0.32442-0.09096-0.174861327330.1627420.8423420.1462013.0777022.1306460

29、.3686170.649895-00.983790.4645921.8077030.8979011.8162250.9711150.196476-0.292311327540.0149110.373568-0.031720.6501041.3237350.756855-0.20414-04491881.8060890.058382.0474241.7544960.528483-0.282480.8395161327660.4279060.7482230.1245770.2243641.1635240.8415350.8417920.93684

30、51327670.1509022.1417791.8198931.5297621.81927-0.139671.1168440.1776341327680.2025350.3477420.0938611.9700891.479947-0.330580.827592-0.523251327730.2960130.6584082.0534390.9013831.4616030.8532881.207779-0.32854132825-1.055230.4706610.5020960.7666741.5240390.63358-0.12681-0.09006132830-1.31120.470879

31、-0.083530.2207341.4573410.90689-0.019480.0306941328340.0588730.1222840.1590090.3354431.195964-0.01525-0.004911.6924791328450.5678440.1264210.0665290.5096891.0327810.779897-0.18266-0.108371328460.033226-0.003172.0324830.6526281.3235180.0231671.282246-0.234791328470.050642-0.023630.6985970.4858440.942

32、1320.679663-0.083850.064202132851-1.173410.6461880.0669760.7115481.7446350.7888670.9259410.668394132854-0.104971.439874-0.015191.5290782.0687310.4879070.6811730.196517132856-1.137271.158988-0.034290.5050471.6846250.7429790.948861-0.1598132858-1.146030.6138160.0297980.7692441.6795260.7170890.928651-0

33、.274281328610.4492370.9410210.1745663.5896442.2922960.2148450.591069-0.4521328620.9597971.703037-0.052782.5520972.4815-0.725170.4493360.468032132866-0.686730.697345-0.007830.7693911.7403320.7695620.7786150.6680961328690.4191430.2030510.1886690.4885611.1584260.8156450.8215820.822361132870-0.040170.11

34、95220.2262990.4884141.097620.7631730.971617-0.120021328720.1253260.5812490.1559611.0832221.6761380.7106090.7385621.3948731328751.8431521.5093691.4447353.1328181.7352320.4332140.6691230.839652132877-1.31120.470879-0.083530.2207341.4573410.90689-0.019480.030694132884-1.31120.470879-0.083530.2207341.45

35、73410.90689-0.019480.030694132885-1.200790.678560.1041540.6538521.8097430.8606450.9232311.611069132921-0.926731.0804721.0627990.6647540.860332-0.160771.038505-0.27361132922-0.620380.6766281.317280.9593241.9387471.9933231.068763-0.39203132925-0.529261.165887-0.194060.5263221.6197870.759702-0.20542-0.

361.290372.8140060.4287810.3444560.7473141.0320551.174934-0.22784132951-1.140940.6284640.0102930.7105381.773298-0.169140.9617920.5835941329540.4291810.4965170.2160862.4253451.6780420.5454310.7302050.211192132955-0.371762.4744050.0787553.3021862.0521830.2776510.864874-1.261141329580.1627950

37、.8986310.1559073.6506041.3273930.1674020.681764-1.494541349750.4909413.1269590.3355871.8982922.067220.563127-0.24381-0.995421349760.7919420.447930.3485711.9665441.6476790.3736350.792428-0.056441349831.5320641.5388760.6952111.1075061.6337140.7093430.7586680.3638421349860.6230040.6860540.04091-0.17103

38、0.90381.8622270.7201520.3717021349870.549230.7039650.0396150.1877961.1029890.877564-0.165160.9487891349921.6770950.9317210.6176581.3341241.596742-0.23852-0.232640.1765021349960.1389280.984051.351120.5680091.0466851.4739370.3164911.1009751349990.1600260.0720.1231260.0343150.9316670.897640.8831180.172

39、7171350000.5678440.1264210.0665290.5096891.0327810.779897-0.18266-0.108371350010.2928291.343257-0.002852.7769372.0752080.430535-0.33685-0.032541350110.557827-0.024620.1354661.2821740.9381450.840268-0.1349-0.056341350130.0811580.0752640.1413360.4518461.0370840.799202-0.03534-0.108071350160.5678440.12

40、64210.0665290.5096891.0327810.779897-0.18266-0.10837135018-0.017923.0062431.6576361.8823652.1877730.7034390.0139410.018698135019-1.432530.5151370.0014330.2573021.5178760.8708610.9874770.01875135021-0.104940.0332280.3695921.1455081.13320.96711.0139551.817361350251.427330.4224570.1516232.0455141.51773

41、20.31858-0.35914-0.987461350260.6642381.213502-0.07986-0.436240.9375620.9301130.7762120.4013861350271.4360930.9676290.0875321.7813171.522830.34447-0.33893-0.872981350281.4360930.9676290.0875321.7813171.522830.34447-0.33893-0.872981350300.4341610.7476890.0605280.5958070.0970170.7935920.81673-0.211091

42、350321.0092370.9749190.8712881.2561651.6980260.7745360.8830741.1923311350331.4630480.4194220.8044272.1111271.6638250.487348-0.1975-1.088591350341.3060060.4667150.2365862.0820821.5782670.2825520.647813-0.999411350351.8010320.547210.8517592.1478421.7851670.5037920.659422-0.158161350380.6035630.1233860

43、.7193320.5753021.1788750.948664-0.02102-0.2095135039-0.031820.148860.9162790.4963311.3088221.0037191.1305510.7215331350401.6089060.952480.0215371.2695221.4219860.550714-0.430140.3624281350410.4552840.7158510.08740.282061.0984160.7697570.844501-0.005831350420.4465210.1706790.1514910.5462571.0933170.7

44、438680.824292-0.120311350430.4465210.1706790.1514910.5462571.0933170.7438680.824292-0.120311350440.4465210.1706790.1514910.5462571.0933170.7438680.824292-0.120311350451.3548820.836077-0.063510.7565691.288999-0.25352-0.335460.570661350460.9921330.4004080.2453991.5124451.4817260.5081010.7039290.236298

45、1350471.6446240.9494450.674341.3351351.5680790.719482-0.268490.2613021350481.7740771.0954160.1348651.8180321.6441720.3609130.5179880.0574531350490.4465210.1706790.1514910.5462571.0933170.7438680.824292-0.120311350501.8954011.0511580.0499021.7814641.5836360.396942-0.488970.0693971350510.1168770.07222

46、90.7941390.5174591.1831770.967970.126308-0.20921350521.5237231.5095380.005231.0995891.4225120.4687970.599734-0.477711350531.8010320.547210.8517592.1478421.7851670.5037920.659422-0.158161350541.4788190.4515650.1705911.5702871.4774230.4887960.5566040.2361350551.9223560.5029520.7667972.1112741.7246310.53982-0.34753-0.146211350571.323111.0412250.8624751.8258031.7945680.5489860.826958-0.043381350580.9547370.2817420.3515142.2272341.4521980.