基于因子分析和聚类分析的客户偏好探究
一文献综述
二十世纪五十年代中期，美国学者温德尔史密斯提出了顾客细分理论。该理论指出，顾客由于其文化观念、收入、消费习俗等方面的不同可以分为不同的消费群体。企业在经营中应该针对不同的顾客提供针对性的服务，这样才能够利用有限资源进行有效的市场竞争。对顾客的细分从方法上讲有根据人口特征和购买历史的细分和根据顾客对企业的价值即基于顾客的消费金额、消费频率的细分。本文的细分是基于购买历史和人口特征的聚类分析。饭店作为一个古老的服务行业，在现阶段的高度竞争市场下的发展趋势最重要的方面便是服务趋于个性化，所以针对饭店的消费群体特征的聚类可以对饭店进行定位，在此基础上通过分析目标客户群体对消费质量评价的最主要影响因素可以达到其服务个性化的目标。波特把顾客的价值定义为买方感知性与购买成本的一种权衡。对顾客的个性化服务增加了买方的感知度从而加大了他们愿意为此付出的成本，于是饭店便可以增加营业额。聚类分析是把研究对象视作多维空间中的许多点并合理地分成若干类，即一种根据变量域之间的相似性而逐步归群成类的方法，它能客观地反映这些变量或区域之间的内在组合关系。故聚类算法是对顾客进行分析的一个有效方式。在聚类分析的众多算法中因子分析是研究如何以最少的信息丢失将众多原始变量浓缩成少数几个因子变量以及如何使因子变量具有较强的可解释性的一种多元统计分析方法。而典型的kmea
s算法以平方误差准则较好地实现了空间聚类对于大数据集的处理效率较高。在对顾客细分相关文献的研究过程中，主要运用的方法有神经网络分层聚类因子分析等方法。比如，在关于网络青少年用户的分类中，作者用层次聚类的方法，通过对青少年年龄性别民族网络可得性父母的观点等变量等变量定义不同的上网动机，在此基础上对其进行了分类。而在研究人寿保险持有者未来购买基金支持寿险可能性的文章中，通过灰度聚类和神经网络利用消费者的基本信息财产地位信息风险承受程度将消费者分为了忠实客户和非忠实客户。在对客户忠诚度的聚类中，作者用RFM的商业模型用DBI确定了Kmea
s的最优K值，并最终用kmea
s对客户忠诚度进行了聚类。经过综合分析，我们选择了这两种方法处理顾客数据和饭店的基本资料。即，通过kmea
s对客户进行聚类后通过因子分析分析不同类别客户的评价影响因素。为分析每类客户倾向的饭店特征，本文根据客户聚类结果对饭店数据进行r