基于分场景模糊推理的客户价值分层方法、系统及介质

技术领域

本发明涉及客户分类及数据处理技术领域，具体涉及基于分场景模糊推理的客户价值分层方法、系统及介质。

背景技术

现有客户分层方法主要包括以下两种：

(1)通过模型评分进行客户分层的方法：通过评分卡(多维度矩阵)、RFM模型、聚类算法等模型，对客户的各项基础数据进行加工处理得到综合评分或评价的方法。

然而，第一该方法区分客户的精细度较低，可能造成对不同维度具有不同值的客户，计算出相同的评分结果。例如客户1(购买价值＝10，购买频次＝3，忠诚度＝1)，客户2(购买价值＝1，购买频次＝3，忠诚度＝10)，通过多维度矩阵可能计算出相同的分层结果，但是根据认知，客户1是一个即将流失客户，客户2是一个潜在客户，是需要进行不同管理方式的客户。现有技术方案无法解决此类区分，或缺乏可解释性，进而导致资源配置效率低。第二，该方法区分客户未考虑到场景的不同，各项评价维度在所有场景下均使用相同的权重，无法区分不同场景下的不同行为。例如，高度重复的购买行为可能并不是基于某种长期偏好，而是由于受到多种转换障碍约束，因此在充分竞争的市场环境或者垄断的市场环境下，客户的购买频次对客户综合价值的贡献度不同。现有技术方案无法解决此类区分，进而导致资源配置效率低。

(2)基于客户贡献度进行客户分层的方法：使用客户的消费、购买等数据行为数据，直接或间接的确定客户的价值等级；但输入的维度仅仅包括客户行为取向方面的评价，考虑的维度过少，造成客户分层不精准等问题。

发明内容

本发明所要解决的技术问题是现有客户分层方法存在分层结果精细度较低，分层结果不够精准等问题，目的在于提供基于分场景模糊推理的客户价值分层方法、系统及介质，本发明使用的是模糊推理算法，并结合了不同场景，对输入的变量赋予不同的权重，实现多场景下的不同分层结果；本发明的客户分层结果精细度高且分层结果精准度高。

本发明通过下述技术方案实现：

第一方面，本发明提供了一种基于分场景模糊推理的客户价值分层方法，该方法包括：

确定输入变量和输出变量，获取与输入变量相关的客户基础数据，并进行量化处理；输入变量包括客户购买价值、购买频次和客户粘性；输出变量为客户的综合价值等级；

对输入变量和输出变量进行模糊化表示；

根据不同的需求场景，确定基础的模糊化推理规则，并形成不同的基础规则库；

根据量化处理后的客户基础数据及基础规则库，基于Mamdani推理法对客户基础数据进行模糊推理计算，得到模糊关系；

对新的输入变量，基于模糊关系进行合成模糊推理，得到输出变量的模糊取值；

对输出变量的模糊取值进行去模糊化处理，得到去模糊化后的输出结果，并将去模糊化后的输出结果作为客户的综合价值分层结果。

进一步地，客户购买价值为客户由于直接购买而为企业提供的贡献总和；

购买频次为客户在一定时期内购买或使用某类产品的次数；

客户粘性为客户对于产品的忠诚和信任等结合起来形成的依赖感和再消费期望值，一般可通过客户复购概率、客户初次购买距今时长、对待产品或者服务的容忍度(投诉可能)和客户对产品的购买行为等来体现。

进一步地，对输入变量和输出变量进行模糊化表示，包括：

基于模糊语言规则，确定输入变量的模糊集合和输出变量的模糊集合；

根据输入变量的模糊集合和输出变量的模糊集合，采用隶属度函数确定输入变量的模糊集合隶属度和输出变量的模糊集合隶属度，获取模糊化表示的输入变量和模糊化表示的输出变量。

进一步地，隶属度函数采用正态分布、三角分布或梯形分布等隶属度函数。

进一步地，需求场景包括垄断的消费者需求场景、竞争的消费者需求场景、垄断的生产者需求场景和竞争的生产者需求场景；

垄断的消费者需求场景中的输入变量的重要程度：购买频次＞客户购买价值＞客户粘性；

竞争的消费者需求场景中的输入变量的重要程度：客户粘性＞购买频次＞客户购买价值；

垄断的生产者需求场景中的输入变量的重要程度：客户购买价值＞购买频次＞客户粘性；

竞争的生产者需求场景中的输入变量的重要程度：客户粘性＞客户购买价值＞购买频次。

进一步地，基于Mamdani推理法对客户基础数据进行模糊推理计算，得到模糊关系，包括：

根据基础规则库，采用最小法计算基础规则库中每条规则条件中输入变量的模糊集合；采用最小法对每条规则中的输出变量，计算每条规则蕴含的模糊关系隶属度

其中，μ

采用最大法计算基础规则库中的全部规则所对应的模糊关系R；

进一步地，对新的输入变量，基于模糊关系进行合成模糊推理，得到输出变量的模糊取值，包括：

对新的输入变量，计算输入变量的模糊集合μ

采用合成运算公式对输入变量的模糊集合与模糊关系R进行合成模糊推理，得到输出变量的模糊取值μ

式中，∧表示模糊关系的交集，具体为取最小值的运算；∨表示模糊关系的并集，具体为取最大值的运算；μ

第二方面，本发明又提供了一种基于分场景模糊推理的客户价值分层系统，该系统包括：

获取单元，用于确定输入变量和输出变量，获取与输入变量相关的客户基础数据，并进行量化处理；输入变量包括客户购买价值、购买频次和客户粘性；输出变量为客户的综合价值等级；

模糊化表示单元，用于对输入变量和输出变量进行模糊化表示；

确定基础规则库单元，用于根据不同的需求场景，确定基础的模糊化推理规则，并形成不同的基础规则库；

模糊关系获取单元，用于根据量化处理后的客户基础数据及基础规则库，基于Mamdani推理法对客户基础数据进行模糊推理计算，得到模糊关系；

模糊推理计算单元，用于对新的输入变量，基于模糊关系进行合成模糊推理，得到输出变量的模糊取值；

去模糊化单元，用于对输出变量的模糊取值进行去模糊化处理，得到去模糊化后的输出结果，并将去模糊化后的输出结果作为客户的综合价值分层结果。

第三方面，本发明又提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种基于分场景模糊推理的客户价值分层方法。

第四方面，本发明又提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于分场景模糊推理的客户价值分层方法。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明基于分场景模糊推理的客户价值分层方法、系统及介质，解决了现有客户分层方法可能造成的错误分类，即在不同的维度有相同的值时，会输出同样的分层结果，可以使得分层结果更加精准。本发明模糊推理的方法由人工判断的方式定义了基础规则库，因此客户价值分层结果具有更好的可解释性及可理解性。同时，本发明还解决了在不同的场景下，客户对于一家公司可能会有不同的价值等级，从而可以在不同的场景或不同的产品下，更好的评价客户的综合价值。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明一种基于分场景模糊推理的客户价值分层方法流程图。

图2为本发明一种基于分场景模糊推理的客户价值分层系统框图。

图3为本发明采用三角分布的隶属度函数示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

基于现有客户分层方法存在分层结果精细度较低，分层结果不够精准等问题，本发明在现有的多维度矩阵进行客户分层分类方法基础上，使用多输入单输出的模糊推理方法，实现多个评价维度的降维，并输出单一维度的综合分层结果，可以解决现有多维矩阵分类方法的分层结果精细度较低、分层结果不够精准问题。此外，模糊推理的基础规则再根据具体的行业、产品所处的需求环境进行场景化模拟，在不同的场景下通过调整不同的输入变量的重要度，设置不同的模糊推理基础规则，再通过模糊推理计算，最终得到一个客户在不同场景下的不同的综合价值分层结果。本发明的客户分层结果精细度高且分层结果精准度高。

实施例1

如图1所示，本发明一种基于分场景模糊推理的客户价值分层方法，该方法包括：

步骤1，确定输入变量和输出变量，获取与输入变量相关的客户基础数据，并进行量化处理；

基于本发明采用模糊推理法，输入变量选择维度不宜过多，且需要易于理解其含义。因此为了确定客户对于公司的价值，一般情况下，输入变量包括客户购买价值、购买频次和客户粘性(以下均以这三个维度进行介绍)；输出变量为客户的综合价值等级；

其中，客户购买价值为客户由于直接购买而为企业提供的贡献总和；此项数据可由系统内部数据获得，根据总体情况进行统一量纲量化或区分等级。

购买频次为客户在一定时期内购买或使用某类产品的次数；此项数据可由系统内部数据获得，根据总体情况进行统一量纲量化或区分等级。

客户粘性为客户对于产品的忠诚和信任等结合起来形成的依赖感和再消费期望值，一般可通过客户复购概率、客户初次购买距今时长、对待产品或者服务的容忍度(投诉可能)和客户对产品的购买行为等来体现。此项数据可通过公司系统数据或外部数据或问卷调查等方式获得，再通过综合评分或内部模型的方法得到量化的客户粘性指标。

步骤2，对输入变量和输出变量进行模糊化表示，包括：

步骤21，定义模糊集合：基于模糊语言规则，确定输入变量的模糊集合和输出变量的模糊集合；定义步骤1中三个输入变量模糊集合为：{高、中、低}，对应的隶属度大小分别为1、0.5、0；输出变量的客户综合价值等级模糊集合为{高、中上、中下、低}，对应的隶属度大小分别为1、0.7、0.3、0。因此，模糊集合可表示为：{H、M、L}及{H、MH、ML、L}。

步骤22，根据输入变量的模糊集合和输出变量的模糊集合，采用隶属度函数确定输入变量的模糊集合隶属度和输出变量的模糊集合隶属度，获取模糊化表示的输入变量和模糊化表示的输出变量。

具体地，将输入变量根据排序统一量纲至[0,10]，隶属度的确定方法可以借助正态分布、三角分布、梯形分布等隶属度函数，并映射到[0,1]。输入变量的模糊集合隶属度可表示为：μ

使用向量表示法表示模糊化的输入变量和模糊化的输出变量：

客户购买价值(V)＝{μ

购买频次(F)＝{μ

客户粘性(L)＝{μ

客户综合价值(LPN)＝{μ

例如，如图3所示，图3中横坐标表示客户购买价值，取值范围为[0,10]，纵坐标表示客户购买价值分别隶属于{高、中、低}三个模糊集合的隶属度。

一个客户的客户购买价值为0，使用三角分布，其隶属度函数为{0|H，0|M，1|L}

一个客户的客户购买价值为1，使用三角分布，其隶属度函数为{0|H，0.2|M，0.8|L}

步骤3，根据不同的需求场景，确定基础的模糊化推理规则，并形成不同的基础规则库；

具体地，根据一家企业或某项特定的产品，评估其所处的需求场景，不同的需求场景下，客户购买价值，购买频次，客户粘性三个维度的重要程度不同。需求场景包括垄断的消费者需求场景(企业或产品处于接近垄断地位且消费者众多)、竞争的消费者需求场景(企业或产品处于完全竞争状态且消费者众多)、垄断的生产者需求场景(企业或产品处于接近垄断地位且消费者很少)和竞争的生产者需求场景(企业或产品处于完全竞争状态且消费者很少)；

垄断的消费者需求场景中的输入变量的重要程度：购买频次＞客户购买价值＞客户粘性；

竞争的消费者需求场景中的输入变量的重要程度：客户粘性＞购买频次＞客户购买价值；

垄断的生产者需求场景中的输入变量的重要程度：客户购买价值＞购买频次＞客户粘性；

竞争的生产者需求场景中的输入变量的重要程度：客户粘性＞客户购买价值＞购买频次。

具体地，确定基础的模糊化推理规则，是需要以上四种需求场景，在4个不同的场景设定下，对客户综合价值输入的三个维度的重要性排序，再分别在每个场景下，根据实际情况或专家经验确定基础的模糊推理规则，形成四个基础规则库。基础规则使用if then的语句进行确定。根据步骤2中，确定的输入变量(V，F，L)，每个输入变量有三个论域(H，M，L)，则每个基础规则库有27条基础规则(3X3X3)，再结合四个场景，共有108条基础规则(4X27)。

例如：

在步骤2的需求场景1中，if购买价值is低and购买频次is低and客户粘性is高，then客户综合价值is低；其中，if代表如果，is代表是，and代表并且；

在步骤2的需求场景2中，if购买价值is低and购买频次is低and客户粘性is高，then客户综合价值is高。

步骤4，根据量化处理后的客户基础数据及基础规则库，基于Mamdani推理法对客户基础数据进行模糊推理计算，得到模糊关系，包括：

根据基础规则库，采用最小法计算基础规则库中每条规则条件中输入变量的模糊集合；采用最小法对每条规则中的输出变量，计算每条规则蕴含的模糊关系隶属度

其中，μ

例如客户购买价值is高，则(μ

采用最大法计算基础规则库中的全部规则所对应的模糊关系R；

步骤5，对新的输入变量，基于模糊关系进行合成模糊推理，得到输出变量的模糊取值；包括：

对新的输入变量，计算输入变量的模糊集合μ

采用合成运算公式对输入变量的模糊集合与模糊关系R进行合成模糊推理，得到输出变量的模糊取值μ

式中，∧表示模糊关系的交集，具体为取最小值的运算；∨表示模糊关系的并集，具体为取最大值的运算；μ

合成运算举例示意：

运算举例如下：

步骤6，对输出变量的模糊取值进行去模糊化处理，得到去模糊化后的输出结果，并将去模糊化后的输出结果作为客户的综合价值分层结果。

可以利用重心法进行去模糊化，记做U：

去模糊化的输出结果，取值范围在[0,1000]，评分越高，客户的综合价值越高。因客户的综合价值会随着时间变化而变化，因此该分层表情可按照固定周期(例如每月)或按需通过计算及大数据系统更新客户标识。将结果存储在大数据库或客户管理系统中。

本发明基于分场景模糊推理的客户价值分层方法，解决了现有客户分层方法可能造成的错误分类，即在不同的维度有相同的值时，会输出同样的分层结果，可以使得分层结果更加精准。本发明模糊推理的方法由人工判断的方式定义了基础规则库，因此客户价值分层结果具有更好的可解释性及可理解性。同时，本发明还解决了在不同的场景下，客户对于一家公司可能会有不同的价值等级，从而可以在不同的场景或不同的产品下，更好的评价客户的综合价值，并采取不同优先级的营销或客户管理方式。

实施例2

如图2所示，本实施例与实施例1的区别在于，本实施例提供了一种基于分场景模糊推理的客户价值分层系统，该系统用于实现实施1所述的一种基于分场景模糊推理的客户价值分层方法；该系统包括：

获取单元，用于确定输入变量和输出变量，获取与输入变量相关的客户基础数据，并进行量化处理；输入变量包括客户购买价值、购买频次和客户粘性；输出变量为客户的综合价值等级；

模糊化表示单元，用于对输入变量和输出变量进行模糊化表示；

确定基础规则库单元，用于根据不同的需求场景，确定基础的模糊化推理规则，并形成不同的基础规则库；

模糊关系获取单元，用于根据量化处理后的客户基础数据及基础规则库，基于Mamdani推理法对客户基础数据进行模糊推理计算，得到模糊关系；

模糊推理计算单元，用于对新的输入变量，基于模糊关系进行合成模糊推理，得到输出变量的模糊取值；

去模糊化单元，用于对输出变量的模糊取值进行去模糊化处理，得到去模糊化后的输出结果，并将去模糊化后的输出结果作为客户的综合价值分层结果。

各个单元的执行过程按照实施例1所述的一种基于分场景模糊推理的客户价值分层方法流程步骤执行即可，此实施例中不再一一赘述。

同时，本发明又提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种基于分场景模糊推理的客户价值分层方法。

同时，本发明又提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于分场景模糊推理的客户价值分层方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。