摘  要： 面對(duì)電子商務(wù)模式下電商對(duì)客戶競(jìng)爭(zhēng)的現(xiàn)狀，針對(duì)傳統(tǒng)的客戶分類方法的不足，設(shè)計(jì)了一種基于FCM模糊聚類算法客戶分類的并行算法。實(shí)驗(yàn)結(jié)果表明設(shè)計(jì)的方法能準(zhǔn)確地對(duì)電商客戶分類，在MATLAB集群下并行算法的運(yùn)行取得了明顯的并行效果。
關(guān)鍵詞： 電子商務(wù)客戶分類；FCM算法；MATLAB集群并行

　市場(chǎng)經(jīng)濟(jì)的發(fā)展和網(wǎng)絡(luò)技術(shù)的革新促使電子商務(wù)迅速普及。在競(jìng)爭(zhēng)激烈的電子商務(wù)經(jīng)濟(jì)模式下，客戶成為電商競(jìng)爭(zhēng)的焦點(diǎn)。電商想要對(duì)客戶進(jìn)行分析需要將客戶分類，找出優(yōu)質(zhì)客戶、挖掘潛在客戶才能制定出針對(duì)性的營(yíng)銷策略。電商客戶分類是指根據(jù)客戶的歷史交易情況將客戶群劃分為不同的等級(jí)，從中找出共同的要素并對(duì)客戶的消費(fèi)需求及消費(fèi)行為進(jìn)行研究，制定并實(shí)施有效的銷售策略。
　傳統(tǒng)的客戶分類方法是基于經(jīng)驗(yàn)或簡(jiǎn)單統(tǒng)計(jì)方法[1]，依據(jù)電商客戶歷史交易數(shù)據(jù)對(duì)客戶過去和現(xiàn)在價(jià)值進(jìn)行分析，忽略了客戶的潛在價(jià)值和未來價(jià)值。這兩種方法分類主觀性強(qiáng)，與分類標(biāo)準(zhǔn)的關(guān)聯(lián)性大，分類效果不理想。FCM模糊聚類算法是多元統(tǒng)計(jì)算法中廣泛應(yīng)用于經(jīng)濟(jì)分析的算法，它是在聚類分析算法的基礎(chǔ)上，增加“隸屬度”，用數(shù)學(xué)的方法定量地確定每一個(gè)樣本點(diǎn)與各個(gè)類別的親疏關(guān)系，分類結(jié)果客觀。此外，面對(duì)電商網(wǎng)站運(yùn)營(yíng)產(chǎn)生的海量歷史交易數(shù)據(jù)，本文利用MATLAB集群可以發(fā)揮其適合執(zhí)行數(shù)據(jù)密集型任務(wù)的優(yōu)勢(shì)，解決“數(shù)據(jù)大，計(jì)算難”的問題，高效地計(jì)算出聚類結(jié)果。
　本文基于FCM模糊聚類算法設(shè)計(jì)了一個(gè)針對(duì)電商客戶分類的方法，以電商網(wǎng)站凡客誠(chéng)品的歷史交易數(shù)據(jù)為例進(jìn)行實(shí)驗(yàn)測(cè)試設(shè)計(jì)方法的有效性。同時(shí)在MATLAB集群中針對(duì)3個(gè)規(guī)模不同的數(shù)據(jù)進(jìn)行并行計(jì)算實(shí)驗(yàn)，做并行化研究。實(shí)驗(yàn)結(jié)果表明FCM模糊聚類算法能夠準(zhǔn)確地將電子商務(wù)客戶分類，利用MATLAB集群的多個(gè)節(jié)點(diǎn)并行計(jì)算數(shù)據(jù)，縮減了計(jì)算數(shù)據(jù)時(shí)間。
1 電子商務(wù)網(wǎng)站客戶分類算法
1.1電子商務(wù)網(wǎng)站客戶分類
　電子商務(wù)客戶分類是電商在收集和整理客戶交易信息的基礎(chǔ)上，按照客戶交易記錄把某一類的客戶分到一個(gè)群體的過程，其原理如圖1所示。

　首先收集電子商務(wù)客戶的原始交易記錄數(shù)據(jù)，利用電子商務(wù)后臺(tái)數(shù)據(jù)或者爬蟲技術(shù)爬取。其次是數(shù)據(jù)預(yù)處理環(huán)節(jié)，要對(duì)收集的數(shù)據(jù)進(jìn)行規(guī)約和清洗，刪除其中沒有用處的數(shù)據(jù)。最后通過FCM模糊聚類算法對(duì)輸入數(shù)據(jù)進(jìn)行聚類分析，獲得聚類分析結(jié)果。電商可以針對(duì)不同消費(fèi)群體制定指定的銷售策略，實(shí)現(xiàn)穩(wěn)定盈利。
1.2 FCM模糊聚類算法
　K-means聚類分析算法是依據(jù)實(shí)驗(yàn)數(shù)據(jù)本身具備的定性或定量的特征來對(duì)數(shù)據(jù)進(jìn)行分組歸類的方法，方便了解數(shù)據(jù)集的內(nèi)在結(jié)構(gòu)，是數(shù)據(jù)挖掘的主要數(shù)據(jù)分析方法[2]。算法優(yōu)勢(shì)是操作簡(jiǎn)單、聚類速度快。算法存在的缺陷是容易陷入局部最優(yōu)值，這樣獲得的聚類結(jié)果是局部最優(yōu)解而不是全局最優(yōu)解。由于K-means聚類分析算法的缺陷，用于電子商務(wù)客戶分類的聚類效果不理想。
　模糊聚類分析算法FCM（Fuzzy C-Means algorithm）是在K-means聚類分析算法的基礎(chǔ)之上，增加“隸屬度”，用數(shù)學(xué)方法定量地確定樣本點(diǎn)與其他各個(gè)樣本的親疏關(guān)系，客觀地劃分樣本集類型。能夠客觀地計(jì)算出每一個(gè)客戶屬于各類樣本的概率，分析效果更加精確[3]。FCM模糊聚類算法步驟如下：
　FCM模糊聚類分析算法的目標(biāo)函數(shù)是：

 
   表1是實(shí)驗(yàn)取得的隸屬度矩陣表，結(jié)尾保留4位有效小數(shù)。列代表客戶編號(hào)，行代表4個(gè)類別。對(duì)應(yīng)的數(shù)值就是每一個(gè)客戶屬于每一類的概率。每一列概率數(shù)值相加之和為1，代表概率越大，屬于那一類的可能性越大。
2.2 舉例實(shí)驗(yàn)分析
    本文先后分別對(duì)這100個(gè)客戶數(shù)據(jù)進(jìn)行聚類，分為3類、4類和5類。結(jié)果如圖4和圖5所示。

     第一類潛在客戶：該類消費(fèi)群體關(guān)心價(jià)格，喜歡打折促銷。流失傾向偏大，對(duì)網(wǎng)站信任度低。雖然具有一定的價(jià)值，但給企業(yè)帶來的利潤(rùn)小。
    第二類小客戶：該群體主要購(gòu)買飾品，企業(yè)從這類消費(fèi)群體可以獲得的利潤(rùn)較小。流失傾向偏小，應(yīng)該通過營(yíng)銷方法使其成為一般客戶。維持該類客戶對(duì)電子商務(wù)的發(fā)展仍具有一定的意義。
第三類優(yōu)質(zhì)客戶：群體主要購(gòu)買服裝，這類群體是企業(yè)可以從中獲得利潤(rùn)最大的群體。該類群體購(gòu)買優(yōu)質(zhì)產(chǎn)品，且購(gòu)買的數(shù)量多，是企業(yè)的高端顧客。該網(wǎng)站的客戶忠誠(chéng)度高，在一定時(shí)間內(nèi)購(gòu)買的商品種類和交易數(shù)量多，是企業(yè)需要重點(diǎn)維護(hù)的對(duì)象。
    第四類一般客戶群體：主要購(gòu)買服裝，該類客戶偏向于購(gòu)買普通服裝，電商的該類客戶數(shù)量最多。對(duì)網(wǎng)站的產(chǎn)品持肯定態(tài)度，雖然沒有為電商提供高利潤(rùn)，但是交易會(huì)穩(wěn)定持續(xù)地進(jìn)行，是企業(yè)穩(wěn)定生存的基礎(chǔ)。
3 MATLAB集群并行化
    MATLAB是一套高性能的數(shù)值計(jì)算和可視化軟件，集數(shù)值分析、矩陣運(yùn)算、圖形處理和信號(hào)處理于一體。MATLAB最大的優(yōu)勢(shì)在于它的強(qiáng)大的科學(xué)計(jì)算能力，專用工具箱具備全面的數(shù)學(xué)函數(shù)，能夠執(zhí)行數(shù)據(jù)復(fù)雜型任務(wù)和數(shù)據(jù)密集型任務(wù)[4]。
    （1）實(shí)驗(yàn)環(huán)境：由3臺(tái)PC機(jī)搭建的MATLAB集群。硬件配置：Intel（R）Core（TM）、i3CPU530@2.93 GHz（2CPUs），2 GB內(nèi)存。軟件配置：系統(tǒng)環(huán)境Windows XP、MATLAB（R2011b）。文件大小：規(guī)模大小為1 GB、2.2 GB、3 GB的3個(gè)數(shù)據(jù)表。
    （2）實(shí)驗(yàn)結(jié)果及分析：本文采用數(shù)據(jù)分割的方式對(duì)FCM模糊聚類算法進(jìn)行集群并行計(jì)算。實(shí)驗(yàn)分別在單節(jié)點(diǎn)與多節(jié)點(diǎn)環(huán)境下執(zhí)行，首先在雙節(jié)點(diǎn)環(huán)境下的運(yùn)行時(shí)間小于單節(jié)點(diǎn)下運(yùn)行的時(shí)間，并行效果明顯。其次又分別在4個(gè)節(jié)點(diǎn)與6個(gè)節(jié)點(diǎn)下分別執(zhí)行聚類計(jì)算，實(shí)驗(yàn)結(jié)果表明時(shí)間縮短的增量與集群節(jié)點(diǎn)數(shù)目成正比，隨著集群節(jié)點(diǎn)的增加而增大。說明用MATLAB集群來處理本文的數(shù)據(jù)是有效的，發(fā)揮了MATLAB集群處理數(shù)據(jù)密集型任務(wù)的優(yōu)勢(shì)，體現(xiàn)了MATLAB集群的高性能。實(shí)驗(yàn)結(jié)果如表4所示。
　
　通過對(duì)圖6單節(jié)點(diǎn)與雙節(jié)點(diǎn)環(huán)境下運(yùn)行時(shí)間的對(duì)比，可以看出并行計(jì)算時(shí)間短于串行計(jì)算的時(shí)間，且隨著數(shù)據(jù)規(guī)模的加大，時(shí)間縮短增量逐漸提高。圖7顯現(xiàn)了加速比的變化，不同規(guī)模大小數(shù)據(jù)的加速比均隨著集群節(jié)點(diǎn)數(shù)目的增大而增大。由此可以證實(shí)，F(xiàn)CM模糊聚類算法在并行集群中應(yīng)用于電子商務(wù)客戶分類適用，能夠取得良好的并行效果，輸出結(jié)果時(shí)間縮短。充分說明了FCM模糊聚類算法并行化的可行性和MATLAB集群的高性能性。
　電子商務(wù)處于蓬勃發(fā)展階段，如何準(zhǔn)確有效地對(duì)消費(fèi)客戶進(jìn)行分類并制定針對(duì)性的營(yíng)銷策略是其盈利的關(guān)鍵。本文針對(duì)這一現(xiàn)實(shí)問題，選定多元統(tǒng)計(jì)分析中的FCM模糊聚類算法進(jìn)行客戶分類并做了并行化研究。實(shí)驗(yàn)結(jié)果表明，在MATLAB集群中運(yùn)行并行后的FCM模糊聚類算法能夠取得良好的并行效率，同時(shí)也驗(yàn)證了MATLAB集群在處理數(shù)據(jù)密集型任務(wù)的高效性。本文設(shè)計(jì)的方法可以應(yīng)用于電子商務(wù)中，對(duì)電子商務(wù)客戶分析方面有一定的實(shí)際意義。
參考文獻(xiàn)
[1] 朱晶晶.電子商務(wù)網(wǎng)站分類體系理解的用戶心智模型研究[D].南京：南京理工大學(xué)，2010.
[2] SELIM S Z. K-Means-type algorithms： A generalized convergence theorem and characterization of local optimality[J]. IEEE Transactions on Pattern Analysis and Machine Intelligce， 1984，6（1）： 81-87.
[3] DUNN J C. A fuzzy relative of the IOSDATA process and its use in detecting compact well separated clusters[J].Cybemet.3，197：32-57.
[4] MathWorks. MATLAB Distributed Computing Server 5 System Administrator′s Guide[EB/OL]. http：//www.mathworks.com/access/helpdesk/help/pdf_doc/mdce/mdce.pdf， 2010.
[5] 徐瑞，黃兆東，閻鳳玉.MATLAB2007科學(xué)計(jì)算與工程分析[M].北京：科學(xué)出版社，2008.
[6] 瞿小寧.K均值聚類算法在商業(yè)銀行客戶分類中的應(yīng)用[J].計(jì)算機(jī)仿真，2011，28（6）：357-360.
[7] 李容.基于K均值聚類算法的圖書商品推薦仿真系統(tǒng)[J].計(jì)算機(jī)仿真，2010，27（6）：346-349.