客户分类和识别潜在客户的方法

1、客户分类和识别潜在客户的方法在前一章，我们探讨了利用日常收集的客户数据来获取市场细分的方法。但同时存在许多情况，在试图开拓新型市场时， 您更有可能将客户归入现有市场细分中或预定义类别。一般来说，这种要求在您已经运用专用客户信息来定义分类，而这些信息只对一小部分客户是可用的（如客户调查数据或客户忠诚卡信息）的情况下是必要的。您现在可能想将所有客户分成这些类别。但问题在于：凭借手上日常收集到的客户信息，您能把这些客户全部归类吗？或者，您可能已经依据日常收集的数据将客户进行了分类，现在还有一些能与现有客户或潜在新客户相链接的附加数据（如人口统计学数据） 。您能单凭人口统计学数据就能发现潜在、能够创造

2、利润的客户吗？本章我们将关注数据挖掘技术，以期能够解决这类问题。5.1业务需求在前几章中，我们探讨了如何从日常收集的数据获得客户细分的问题。凭借分群数据挖掘技术，我们能够明白对不同类型客户没有任何预先认识的情况下也可推断客户细分是如何成为可能的。这是我们在第27 页节 “技术的类型”中所说的探索型数据挖掘的一个例子。我们还提供了现有业务规则细分，并且我们能够展示这些业务规则，即怎样才能将获得的细分映射到我们所发现的分群上。进行有效的映射需要在数个事务上聚集客户事务数据，通过识别号需要某些链接事务的工具。一个显而易见的问题是，是否能使用其它方法使客户与诸如业务规则细分等预定义类别相匹配？如果匹配

3、，则能否应用于单个事务数据？回答是肯定的，我们用以实现该过程的数据挖掘技术称为分类，它隶属于总标题“预测性数据挖掘”。在您的零售机构中有大量用于分类的潜在应用。事实上，在任何已对客户进行分类（或您能想到的其它任何事）的情况下，您都可以使用分类来发现怎样用相关数据对其它客户进行分类，将它们归入相同的类别。有关该过程的示例是通过采用专用信息获得的现有客户细分，如客户调查或焦点人群。收集这种类型的信息往往代价昂贵，并且您可能仅能提供给小部分客户。您也可将对小部分客户有用的日常收集到的数据用于您所有的客户（如事务数据） 。如果这些数据能用于决定一个客户从属于哪部分， 则毫无疑问您也能用同样的数据为所有

4、的客户进行分类。或者，您可能已通过使用日常收集的数据获得客户细分， 就如我们在前一章所做的那样，但现在您想确定能与最有赢利性的市场细分相匹配的潜在客户。在这种情况下，如果您能获得可用于现有和潜在客户相链接的外部数据（如人口统计学数据） ，您就可以根据人口统计学数据进行分类，以便确定现有客户的归属，然后用这种方法确定潜在客户是否属于最有赢利性的细分？无庸讳言，分类能用来做以上所有事情，但一般来说，该方法不可能100 正确地对所有客户进行分类。这个问题后来成为一个疑问：为了有效使用分类结果，您需要在确定客户属于哪类细分时抱有多大的信心呢？在下面的几个部分中，我们将向您讲述如何运用分类对客户进行归类

5、，如何说明分类器的表现，最重要的是提出建议以便指导怎样将结果应用到您的业务中，同时通过销售系统点及其它与客户打交道的部门，作为市场营销活动的指导。解决方案大纲通用数据挖掘方法的第一阶段 这部分也是首先将业务需求转化为可通过数据挖掘得以解决的一系列问题。在进行分类的情况下，可能会运用大量数据挖掘技术。难题在于要因地制宜，为解决该业务需求确定一项最合适的技术。所有的数据挖掘分类技术都可以构造出数据的数学表述，将客户不同性质的相关变量与已指派给小部分客户的预定义类别联系起来。我们称该数学表述为分类模型。在本章将描述的示例展示了如何构建这种模型，然后将展示其对尚未预定义的客户进行分类。该预定义类别可以

6、是您所选的任何项， 比如，我们已经描述过的客户细分， 或盈利性类别，或甚至可以是客户会转而投到竞争对手一方的可能性。要阐述进行分类的方法，我们将使用用于忠诚卡客户的预定义业务规则细分，关于忠诚卡客户已在前几章中定义。 我们已经知道， 如果使用聚集 NRS，那么这些客户可被成功地映射到业务规则细分中。我们的问题是：我们能否使用单个销售事务点的数据做同样的事情？如果能，那么因为我们拥有用于所有客户的信息，而不仅仅限于持有忠诚卡的客户，就可以用分类模型在销售点上为全部客户分类，并向他们提供适当的建议。数据挖掘技术能用以决定应该提供什么样的建议，这是第 137 页第六章所表达的主题“应该向客户推荐哪些

7、产品？” 。要构建分类模型，首先有必要获得已指派给业务细分的客户组数据。我们称这组客户为“训练组”。我们所掌握的该组客户数据将分成我们用以开发分类模型的“ 训练数据集 ”，以及用以验证模型的“测试数据集 ”。在我们的示例中，所需数据是个体事务处理记录，但这与人口统计学数据或能从用于训练组和您想分类的客户组获得的其它信息一样简单。我们称该第二组客户为“目标组 ”。我们所掌握的目标组数据的类型与训练组的类型一样，但对这些客户我们没有预定义业务类别。我们称这类型数据为“因为这种类型数据是我们在将分类模型应用到业务上时要用到的。操作数据 ”，分类概念是，我们用客户的训练组构建分类模型，然后用该模型对目

8、标组中的客户进行分类。下图是 5-1 的示意图。图 5-1 培训、测试及申请应用分类模型5.2要使用的数据“通用挖掘方法的第二阶段” 将确定要用于构建分类模型的数据。在此示例中，我们运用第 53 页节 “推荐数据模型”描述的CLA 和 TLA 两种数据模型构建用来将客户归类到预定义业务规则细分的分类模型中。因为我们的训练组客户最初是使用 CLA 模型聚集的 NRS 被指派到业务细分的， 因而我们首先运用数据挖掘分类技术来展示这些数据是如何很好地支持最初所作的分类。 然后使用 TLA 模型展示目标组客户在单个事务限制使用 NRS 时是如何很好地将其归到相同的业务细分的。创建分类模型需要扩展 CL

9、A 和 TLA 数据模型。在这两种情况下，在训练组中的每个客户记录必须包含业务细分标签，然后才能成为分类的目标变量。同时也有必要创建一些附加变量，以供一些分类模型使用。这些附加变量来自于业务细分，每个附加变量对应相应的业务细分类别（如，一般购物者变量，家庭购物者变量）。如果业务细分标签与变量名称匹配，则每个新变量的值均设置为“ 1”，如果不匹配，则设置为“ 0”。当讨论分类模型的构造时，我们使用术语“ 目标变量 ”来称呼那些新变量。修改过的 CLA 和TLA数据模型的结构如图5.2 所示：图 5-2CLA 和 TLA 数据模型表的结构5.3初始化并预处理数据如果您已经准备好初始化数据以开始细分

10、，则您无需任何附加信息就可以开始通用数据挖掘方法的第三阶段 。然而，如我们已经讨论过的，构造分类模型需要创建两个单独的训练组客户数据示例训练数据集和测试数据集。这需要采取一些特定的预处理步骤。创建训练及测试数据集训练集用于开发初始模型。当建立模型后，测试数据集通过测量通常术语称之为“隐性数据”的性能进行验证模型。验证的关键部分是检测看是否出现了未知的“超负荷”现象。超负荷是指只能与训练数据相适应，但无法适应其它数据集的情况。分层采样如果您拥有大量客户，并在不同细分中客户数目有很大变化的情况下，那么有时需要您在现有的全部数据中进行采样，以开发测试及训练数据集。在这些情况下，在每个细分或类别的客户

11、记录中按一定比例采样是很重要的。该技术称为 分层采样 。在某些情况下，虽然单个细分或类别名称已被指派到一组客户中，但该细分中客户特点仍存在显著差异。我们在先前第四章中的一般购物者细分的示例中已见过此种状况。在这些例子中，通过首先在某时分群全部来自一个类别的客户，然后再从每个群集中采样。在客户细分并不均匀的情况下，该分层采样比较先进，已证实该分层采样可使分类性能得到显著提高。提示：诸如 IM for Data 这样的 数据挖掘产品具有诸多优势，您可挖掘所有数据，在此情况下，可无需分层采样。均衡样本存在一个一般性误解，使得开发分类模型前必须创建所谓的“均衡样本 ”。该误解主要来自于下述观点，如果在

12、特定的类别或细分中，客户数目记录存在巨大变化，那么有必要通过从每个类别或细分中创建包含相同数目的客户采样标本予以补偿。 正如我们将要展示的那样，分类器模型可生成一个输出， 其可评估客户从属于某个特定类别的可能性。如果训练组是您客户的典型样本，无任何理由对某个细分或类别特殊对待，那么也就无创建均衡样本的理由。通过考察样本示例，您就可以全面了解其中的情况。想象一下，就其NRS 而言，所有客户均具有相同特征，但您却已利用其它信息将其分配到细分和类别中。如果您试图通过 NRS 数据为这些客户分类，那么很明显，客户相互之间很难分辩彼此。那么他们从属于某特定细分的可能性就是最初指派到细分中客户数量与客户总

13、数量之比（如果90的客户是一般购物者，如果在其它量不变化的情况下，客户随机选取一般购物者的可能性比率仍然还是90）。如果您已使用均衡样本，分类器可能会得出结论，认为可能正常情况下，只有在您知道客户总数，并且训练组本身就是细分和类别的不均衡表现时才可使用均衡样本。例如，您可能知道在客户总数中，每个类中的客户数均相等，但在训练组中，由于某些采样原因样本分布不均匀。在这种情况下，均衡采样可用于解决均衡问题。在其它情况下，均衡可能是适当的，则其风险在于把客户错误地分类到一个类别中，而不是别的什么原因，这点对您来说非常重要。这个问题通过采用称为“出错加权”步骤也能够得以解决，我们将在第104 页 5.5

14、 节 “挖掘技术”中探讨分类器的不同类型时详述该问题。在我们举的数据集示例中，因为可挖掘所有数据，故而不需要任何分层采样。我们也知道训练组是客户总数的典型性样本，并且由于在此阶段，我们没有理由特殊对待某一组客户，无需任何形式的均衡样本。因此，可以通过随机分解数据开发测试和训练集，如可以在训练数据集中分解 50的训练组客户，另外的 50则在测试数据集中分解。您需要仔细考虑下列有关预处理步骤的重要事项：与您将使用结果模型进行分类的客户相比，客户的训练组如何具有典型性？您将如何使用分类结果？一个类别是否会比另一个更重要？5.4评估数据数据评估包括运用丢失值、溢出值和多余变量的解决问题。这是通用挖掘方

15、法的第四阶段。因为我们正使用与第四章一样的数据模型，所以应遵循第63 页中 4.4 节“评估数据”所涉及的相同程序。大部分分类模型对密切相关的特征变量是非常敏感的，因此用我们在第63 页 4.4 节 “评估数据”中所描述的步骤去移除或结合这种变量，需根据您将采用的分类技术类型仔细考虑。相关原因将在下一章节讨论。评估阶段的一个重要部分是确保检验和训练数据集准确反映全部客户数据集的统计特征。确认是否正确分割数据的一种好方法是使用单变量统计检查这些数据集（平均值、标准偏差和众数值）的统计，并检查测试与训练集的统计是否仍然与整个数据集统计相匹配。5.5挖掘技术通用数据挖掘方法的第五阶段 不仅可确定并选

16、取我们将要使用的适当数据挖掘技术，还将决定针对具体业务需求如何应用这些方法。如果进行客户分类，可以采取多种不同的数据挖掘技术。要决定哪种技术是最合适的，需要了解不同技术是如何构建分类器模型以及如何对其进行翻译的。本章节将探讨您可能用到的一些技术，以及如何应用它们。挖掘技术的分类在进行客户分类时，通常要使用多种技术，然后将结果进行比较或结合，以获得最佳的整体分类。这样做是因为不同的技术使用不同的方法执行分类任务，正如前一章的分群技术，这在执行中将会导致变化。以下是一些最常用的技术：决策树神经网络径向基函数在此，我们使用两种具有很大差别的技术：决策树和RBF 分类器。决策树的主要优点是可提供良好的

17、性能。其能够执行多重分类，所得结果最接近，并相对容易解释。相比之下， RBF 技术通常提供较好的性能，但结果不容易解释，而且一个类别只能执行一次分类。关注这两种不同方法的原因是要阐明其不同之处，以描述在创建分类模型时将采取的步骤，并展示如何把两种分类技术的结果联系在一起，增加您对最终结果的信心。决策树分类器决策树分类器是从客户记录的训练数据集中， 通过不断地将客户分成更小的组构建而成的。细分组的目的是让新组中某类客户类别比原先的组更纯。比如，如果原始组包含两类客户的混合，即一般购物者与家庭购物者，则可将该组分为两组，一组是占主要地位的一般购物者，另一组是家庭购物者，这就可以达到想要的目标。纯度

18、测量是通过在该组主要类别里的客户数目除以该组所有客户数目所得的比率。如果分离该组，这个测量标准的平均值会增加，这样该分离便增加了我们确定不同客户类别的能力。比如，如果我们从该组中随机选择一个客户，并将其标记为主要类别，则现在其正确的机会就更大了。提示：我们用于确定分离质量的实际测量称GINI 索引。 GINI 索引可测量分离的纯度，然后通过每组客户的数目对其加权。这会导致分离错误最小，同时避免仅将少量客户与其余客户分离的琐碎分离。如何进行每项分离的决定要通过检查每个特征变量，并找出可导致最纯分离的变量及其数值后作出的。一旦执行分离，则由此得出的每个组可使用其它变量或甚至使用同一变量进行再次分离

19、。然后继续该步骤，不断分成越来越小的组，直到组中只剩下一个类别的客户，或者获得可接受的纯度。这最终将产生树结构类型，如图5.3 所示：提示：图 5-3 所示的决策树产生于合成数据，用以说明不同的分类器是如何工作，而非来自于第 118 页 5.6 节 “解释结果” 评估的示例数据集。在购买 “婴儿产品与食品”中，合成数据集包含两个客户类别，每个类别有两个差别明显的特征行为。在此情况下，一般购物者的特点是或者他们在购买婴儿产品与食品时花销相对都比较高，或者两类花销都比较低。相比之下，家庭购物者的特点是在购买婴儿产品上的花销高，同时相应的食品花销就低，反之，食品花销高，婴儿产品的花销就低。图 5-3

20、简单决策树虽然我们称此为决策树分类器，但图示数据挖掘器通常将它画成倒置的树来表示。在图示的顶端，第一个分离称为根节点，随后继续推进分支部分的分离，分支部分的节点称为叶节点或简称为叶。这并不表明数据挖掘器自欺欺人，但我们必须谈论一下某些人费解的看待世界的方式。一般来说，分离可以继续到所有叶节点只包含一个客户类型，或直到出现可接受的错误。在限制中，分离能在决策树每个叶节点上产生一个客户。这是一个决策树数据超负荷的好例子。因为对训练数据的正确分类虽然能 100完成，但对测试数据集却不可能产生同样的结果。为阻止超负荷发生，并生成一个可应用于不可见情况下的树，则基本决策树必须被精减到训练数据集和测试数据

21、集都能获得可以接受的执行状况的水平。 这可以通过包括从简单的人工精减到全自动精减的许多途径得以实现。在后一种情况下，精减通常试图用树的复杂性来平衡错误的数量。一个非常复杂的树（带有大量分支）其错误较少，但在不可见数据上的表现可能并不比有多个错误多的简单树差。因为在每个节点上，分离是通过选择一个变量和该变量的适当值来实现的。这种决策树称为二叉树。提示：精减技术通常指的是最低描述长度精减，这是基于与Occams Razor相同的原则。该原则主要指应尽可能简单地表述事物，而不是较简单地表述。当您想利用树对一个新客户进行分类时，可将目标客户的变量与树顶端变量的值相比，并且根据对比结果，再比较分支。这样

22、一直延续下去，直到到达叶节点。在此，根据叶节点的训练集记录分配对客户进行分类。这样便可计算分类的可信度了。通向决策树的路径可以通过规则形式表现出来。比如：If Baby Products 2.1 (relatively high spend)and Food 1.6 (relatively low spend)THENClass = Family Shopper with a confidence of 100%这显示出该树已经正确鉴别了我们所定义的家庭购物者组之一， 并且使分类决策树的创建过程相对容易理解。这种透明度是决策树技术的主要优势之一。变量选择与预处理要求在进行每次分离时，一个特征变

23、量的每次明确选择使决策树容易解释。因为连续的分离能通过上面阐述的规则类型予以描述。同时，该特征选择的类型是实现最优分类的主要限定因素。通过仔细考虑图 5-4 所显示的情形，您便可理解其中的原因。图 5-4 显示了针对两个特征变量（ V1 和 V2）而划分的两类假定客户（ A 和 B ）的分布。图 5-4决策树如何执行分类在该情况下，两类客户均展示出两个变量V1 与 V2 间高度的相互关系，并且通过使用可将两组对开的分割线（a）能够“最好”地将这两组分开。然而，如果限制我们每次仅使用一个变量来分割两个类别，那么用单个分离是无法实现的，此时必须使用两个变量的每一个进行多次分离 （变量V1取值3.1

24、, 5.7 和 8.1；变量V2 取值5.4, 6.8, 8.6 和 9.0）。两个区域间最终的边界是现在所示的曲线（b），即为决策树对于a 线段的近似值。可以通过图 5-5 所示的相关决策树来理解执行分离的次序。图 5-5与图 5-4 相关的决策树该决策树可认为是描述图5-4 虚线所示区域，但应用该树的实际结果是决策边界（b）。如果在预处理步骤中可能计算一些新的特征变量，这样图5-4的线条（a）会垂直于新的变量，因此仅需进行一次分离，并且我们将会有一个简单的决策树。欲获得该变量的等量，将图 5-5 所示的图表座标旋转即可。提示：数学上，这只是变量V1 与 V2 的加权结合，此处的加权与线条（

25、a）的倾斜度是呈比例的。虽然此时这会相对容易看出，但具有多个变量时，一般很难对其确定。第27页的 3.3 节“数据挖掘技术”中所提及的主要组件分析和因素分析的统计技术能用于执行该类型的变量转化。在此情况下，如果已将座标旋转，我们只需进行更少的分离便可完成分类，并且决策树在不可见数据上可能表现得更好。但可能遭受这样的惩罚：用于进行分离的变量可能会变得更复杂，从而使对决策树本身的解释更加困难。一般在进行分类与您解释分类决策理由的能力之间一直存在一种平衡需要达成。这恰恰证明了这句格言： “天下没有免费的午餐”。出错加权构建任何类型的分类器时，您都需要问自己如下问题：在业务决策进程中所有的类别都同等重

26、要吗？假如，您要构建一个分类器，以对一般购物者和家庭购物者进行分类。在此情况下，您可能知道虽然家庭购物者不会反对被标志为一般购物者，反之则不然（主动向一般购物者出售尿布可能被认为是冒犯行为， 然而向家庭购物者出售日常货物是可接受的）。因此，您需要建立一个分类器，该分类器能够充分考虑将客户不正确地分类到错误类别中的风险。我们用以执行这个的过程称为出错加权。在该示例中，您想要对决策树进行加权，这样在分类决策中可能出现错误的地方将会发生偏差，错误地将家庭购物者归类为一般购物者，而不是偏移到其它周围路径。通过在可支持使用风险或出错加权的一般购物者的树上每个叶节点处分离决策， 可以执行上述目的。这种挑战

27、将会发现一个正确的加权， 可以最大限度地增加确定目标客户组的机会，同时将不正确或虚假分类的数量降低到最少。该类型的出错加权还能用于一种重要类别，该类别代表一个相对较小的客户组，其中的客户很容易与另一类别发生混淆。 这能在整个一般购物者组中代表能获高额利润的小客户组。在此情况下，通过为训练集使用适当的出错加权将会使该组得以确定，但有一些一般购物者会被错误分类。也可以使用另一种方式替代出错加权，即用平衡取样创建训练数据集和测试数据集。在第 101 页章节的“创建训练数据和测试数据集”中，我们探讨了创建平衡样本的问题。与出错加权等同的做法是：通过从您认为重要的分类中进行过量采样来创建平衡样本。这仅仅

28、是在训练数据集中多次使用同样客户记录的问题，但在测试数据集中只能使用一次。提示：为诸如决策树分类器等多类别分类器创建这种样本是极为复杂的，一般最好使用出错加权以取得最后结果。在分类器执行二元决策的情况下，相对容易执行过量采样。径向基函数（RBF ）RBF 是一种不同类型的挖掘技术，我们可以用它来预测应将客户分配到哪一类别中。通常来说， RBF 技术一般用于预测连续变量（目标变量），该变量通常是一个或多个其它变量的函数。如果我们需要用到RBF 技术进行分类，我们将目标变量限定为“1”或者“0”，然后在 RBF 中使用 0 到 1 范围内的值预测该类别。这种预测是客户可能属于哪一目标类别的概率。为

29、预先准备使用RBF 分类器所需数据，我们首先将训练集中每个客户标记为是或否属于目标类别。 然后再指定一个新的二元变量。这些工作在准备第100 页 5.2 节 “将要使用的数据”所描述的已修改过的 CLA 和 TLA 数据模型时就已完成。决策树分类器能处理多重目标类别，而 RBF 每次只处理一个类别，而且对于每个类别都必须构建一个独立的分类器。提示：我们本应在决策树分类器中使用同样的方法。在某些情况下，当我们想注重一个特定类别时，其可以提高分类性能。RBF 构建模型的方法与决策树分类器有些相似。RBF 通过使用特征变量定义区域间的边界，可将两个类别的客户分割成几个区域。 RBF 技术并不限于每次

30、只选取一个变量，因此区域间的边界可能是线（当有两个变量时） ，平面（当有三个变量时）或所谓的超平面（当有多于三个变量时） 。该区域在目标变量具有相似值（在此情况下， “1”代表家庭购物者， “0”代表其它所有购物者类型，在本数据集中，只有一般购物者这个类型）的地方将客户分离开。在每个区域中，该技术可放置一个调整中心，在每个调整中心均有一个基本函数。该基本函数可测量一个客户归属区域的置信度，它定义一个客户记录离调整中心越远，其置信度就越低。因此，该类型分类器就称为径向基函数分类器。如果我们使用用以描述决策树分类器如何构建其模型相同的合成数据集来构建类器模型的话，则 RBF 分类器将生成四个区域和

31、四个调整中心，如图RBF56 所示：分图 56 径向基函数因为该分解并不限于每次只用一个变量， 所以这会产生由当前不垂直于图轴上变量的虚线所指示的区域边界。图 5 6 展示了 RBF 可将四个基本函数放置到哪些地方，范围为覆盖四个区域的中心 C1 到 C4 。客户归属于某个特定区域的概率是到调整中心距离的函数。在基本函数重叠处，概率计算为不同区域函数的加权求和的结果。算入该加权是为了在分类所有客户时将所有错误降低到最少。在决策树分类器的示例中，通过观察决策树我们可以解释如何执行分类。解释RBF 分类器的执行过程也可运用直观显示技术予以实现。在此示例中，我们使用一个类似于在第四章描述过的簇结果的

32、直观显示技术，只是将其中的簇代之以RBF 的区域。在RBF中实行直观显示技术的效果图示例如图5 7 所示。图 57 RBF 区域直观显示效果图在此，每一线条表示一个不同的RBF 区域和分配到区域每个客户记录的变量分布。如二变量和簇的直观效果示意图所示，该分布就好比所有客户的变量分布。区域的排序是根据区域里所有客户目标变量的中间值而定。该中间值显示在每条线的左手边。每一条线的第一个柱状图显示区域中客户目标变量的分布。在图5 7 所示的顶端区域中只有家庭购物者，因此目标变量“购物类型N ”只具有值“ 1”。该区域的平均数相应地为1.0。类似地，底端区域取值“0”，而其平均值为0.0。我们已经讨论过

33、， 区域中目标变量已预测值取决于与区域中心和客户被分配到的区域及其它区域相联系的客户的位置。 第二个柱状图展示了这些客户的预测值与其实际值之间的错误分布。因为我们是将 RBF 当作二元分类器使用，所以预测值实际上是对客户属于目标类别的概率的一种估计。提示：每条线条的右手边的值是该错误分布的RMS 错误。应该注意的是这是在预测中间值附近的错误， 而不是线条右手边所示的区域内客户的实际中间值错误。当正如所愿，RBF 被当作一个二元分类器时，事实上存在一个相对来说比较大的RMS 错误。如果每个明显的客户组中只有一个基本函数（如这个示例中出现的一样）域的概率将依据其与调整中心距离而变化。，则客户归属于

34、该区因为目标变量的实际值只能为“ 1”或“ 0”，所以每个预测总是存在一个错误。在此情况下，基本函数之间很少有重叠的现象，展示在每个区域错误分布将反映调整中心附近的客户分布（每行的第二个柱状图） 。当目标类别和具有类似客户数目的非目标类别之间的分布存在一个重叠， 预测的概率可以预期为 0.5。在此，因为目标变量是 “ 1”或“0”，我们可能一般预期 RMS 错误概率在 0.5 左右。我们可以使用第 126 页节“RBF 结果（ TLA 模型）”中的客户数据示例来看这是如何得出的。其它柱状图展示在区域里的客户变量分布，我们可以使用这些来描述家庭购物者（顶端两个区域）与非家庭购物者，在本例中是一般

35、购物者（底端两个区域） ，之间的不同特征。该类型效果直观图因而将帮助您理解不同区域客户的特征。如果该组客户也被分割开，则相对来说理解如何作出分类决定会容易一些， 因为客户归属于该区域的概率取决于该客户与区域中调整中心的距离。然而，正如我们上面讨论过的一样，如果不同的客户组相互之间很接近或者相互重叠，则客户处在类别“ 1”或类别“ 0”的概率是不同区域的加权之和。区域显现出的图象则会变得更难解释。另一个可供选择的表示法是如图58 所示的分位点图。在该图示中，客户根据对客户归属于类别“ 1”概率估计基础上的已预测值进行排序。图 58 RBF 分位点效果图在此，首行展示了归属于类别“ 1”概率最高（

36、 98 100）的 2客户特征，随后一行展示的是概率在 90 98范围的客户特征， 以后依次类推。 该类型直观图展示了分类决定的质量和每个分位点的客户特征，但没能解释分类决定是如何作出的。因为 RBF 技术相对不拘泥于在哪个区域里构建，所以一般来说，其将生成一个比决策树分类器更好的结果，特别是在不同客户类别之间特征非常相似的情况下。这种权衡再次介于精确性与您解释分类决定理由的能力之间。使用分类模型制定决策分类模型可决定概率，该概率是客户属于可能被放置其中的每种可能类别。如何将客户分配到哪个类别通常会成为这样一个问题：用最高的概率选择类别（通常用术语获得类别），并声明客户属于该类别。然而，可能会

37、存在某些情况，该类别的概率不够高而无法作出决策，在此情况下您必须赞同一个“未知”类别。在获得多重类别的地方，您可了解获得类别的最低概率必须高于1 除以类别数目得到的值。同样，在分类时存在错误分类的风险，特别是在您使用错误加权对风险进行估计时，尤为重要的是定义一个最低阈值去与风险概率相减。这个观点在图5 9 中得以阐明。图 59 分类决策和未知类别使用决策树分类器时，认识到总是超过最低阈值是很重要的，但如果确定风险阈值，则可能将在风险阈值之下取得分类可信度。您还应注意分类规则是自始至终的，因此当执行分类时很可能取得一个数据记录很高的分类概率。该数据记录的变量（正用于执行该分类的变量）并不在训练组

38、的范围之内。因此您应确定由分类器生成的数据在范围之内。这种情况不会发生在RBF 分类器上，此时数据记录远离调整中心，分类概率趋向于零，而在这些情况下很可能获得一个低于最低阈值的概率。因为很难用RBF 分类器决定哪种特征用于执行分类，但并不总是可能检查所用数据是否处于范围之内。运用最低阈值能在某种程度上减少一些对这些检查的要求。5.6解释结果使用 CLA 和 TLA 数据模型时，不同的分类技术可以被用于构建示例数据集分类模型。这部分描述决策树和RBF 分类模型的执行及如何解释其结果。本部分是通用数据挖掘方法的第六阶段。决策树分类器（使用CLA 数据模型）您可使用下列方法构建基于CLA 数据模型的

39、分类模型：将在产品组层上聚集的客户测量的 NRS 作为模型的输入变量；将业务细分名作为模型的目标变量。使用示例数据集最后产生的决策树如图510 所示：图 510 CLA数据模型的决策树该决策树展示了通过使用CLA 数据模型的聚集NRS，可以几乎不出错误的将客户划分为一般购物者，家庭购物者和业余购物者等正确的业务细分，只在业余酒类和富足的购物者类别之间出现一些错误。针对训练数据集和检验数据集而产生的实际错误的统计概要请参见图511 与图 5 12。图 511 CLA数据模型训练集的模糊矩阵图 512 CLA数据模型测试集的模糊矩阵以上展示的两个图示用术语表达称为“模糊矩阵”。其均展示了目标类别分

40、类的错误数目。在训练集的例子中，总错误率是4.8，而在测试集中只有6.4的极小增长。这样良好的结果并不令人吃惊，因为从前一章中我们知道，最初分配到群集中的客户是基于NRS 的评估。使用决策树分类器上的规则生成功能，我们可以检查特定的分类决定是如何制定的。图5 13 对该示例进行了展示。图 513分类规则示例用于执行初始分类的业务规则比展示在图513 的规则更具定性。 比如相关的业务规则是：一般购物者：其特点为主要支出花销在食物和家用品上，而在酒类和婴儿产品及业余爱好上的支出相对较少。决策树规则可确认该定义，但在此量化了术语“相对较少”的对于三个产品组中每一个的实际含义。 因此该技术已经发现了一

41、种执行分类的定量方法， 并提供了将新的 “忠诚”卡客户准确分类到业务细分的方法。决策树分类器（使用TLA 模型）当以上结果确认了分类技术将聚集客户数据很好地进行了分类， 此时这些客户必须是忠诚卡客户，并且可能只代表全部客户基础的很小比例。这个例子的主要目的是解决能否使用来自单个事务的购买记录数据将您的客户分类到同样业务细分中的问题。正如我们在前一章中已经探讨的，如果一个客户在单个事务中购买大量物品，则聚集的 NRS 和单个事务 NRS 可能相似，并且将会预期一个良好的分类。然而，当只购买少量物品时，将会出现什么结果则不太明显。为解决该问题，您可以使用在子生产小组层上聚集的TLA 模型中的NRS

42、 ，以支持单个事务，并将该数据用于客户的训练组，构建决策树模型。用示例数据集所得的决策树展示于图 5 14 中。图 514 TLA数据模型决策树虽然该决策树此时非常复杂，反映了单个事务NRS 的更大可变性，但通过鉴定决策树的质量，您能注意到其可得到极好的平衡，易于理解，而且其分解显得非常高明。该决策树展示了针对一些客户类别和这些客户类别里的子集，可以很好地执行分类（例如，一些家庭购物者和富裕购物者）。每个叶节点可以使用一项规则予以描述，该规则可鉴别节点处客户的特征。因此，具有这些特征的客户将以极高的概率进行分类。在一些叶节点处仍然混杂着来自不同类别的客户，对具有这些特征的客户进行分类是很困难的

43、，这将以较低的概率反映出来。图 515 与图 5 16 显示了相关的测试与训练集的模糊矩阵。图 515 TLA数据模型训练集的模糊矩阵图 516 TLA数据模型测试集模糊矩阵在此，训练集中全部数据的错误率为 18.9，在测试集数据中为 21；虽然如决策树本身显示的那样，在分类中有一些“叶子” ，此处执行的分类比在其它叶子处要好的多。正如所料，该分类不如对 CLA 数据执行的好，但正如我们将要看到的，对于某些类型的应用，这种表现仍然是可以接受的标准。下一个问题是， 您如何评估对个体业务细分进行的分类有多大好处？在此所用的一个重要的技术称为利润图，这将在下一章节进一步描述。测量分类执行状况（利润图

44、）利润图蕴涵的概念是指测试或训练数据集中的客户顺序或客户级别，这种数据集是基于他们所属目标类别的可信度。例如，假设我们希望针对一般购物者类别通过这种方式将我们的客户进行分级，一个可能的分级方法是：简化顺序猜测，并根据猜测将客户排列到名单中。为了测量分类执行的效果，我们可以从名单顶端开始，查看客户所属的实际类别。如果我们猜测的正确，则给自己计分为“1”，反之为 “0”。当我们的等级下移时，应将所有计分相加，直到达到名单的底端。如果我们将针对客户等级的得分用图形表示出来，则可得如图517 所示的曲线。图 517一般购物者类别利润图曲线 (a) 显示了在平均意义上， 我们能够正确鉴别出一般购物者与名

45、单上的客户数量成正比。要正确鉴定所有一般购物者，我们必须将所有客户分类成一般购物者，并接受该结果：我们将由于 50%的客户进行了错误分类而终止。通过使用实际客户细分，然后先用一般购物者对其进行分级，并在我们的名单次序下移时重复计分练习，可以获得另一种可选的分级方法。在此情况下，我们可以得到如图517 所示的曲线 (b) 。这是我们能获得的最好结果，因为这是基于完备的客户知识基础之上的。如果我们使用分类模型为客户分级，则在决策树叶节点上的购物者类型决定客户归属于一般购物者的可信度，然后可以得到与图5 17 中曲线 (c)相似的曲线。 如果我们所得的叶节点上只有一般购物者类型，则可信度为100，这

46、些客户将被分级到名单中的最高级，这样，最初的曲线(c)与最优的曲线(b)相合。当我们移动到包含混合一般购物者和其它类型购物者的叶节点处时，我们的可信度降低，并且开始在分类中介入错误；因而正如所示的那样，我们位于最优曲线的下面。如果分类器很完美，则曲线(c)与曲线 (b) 重合为一条线。 如果分类器生成随机决策， 则其将与曲线 (a) 相匹配， 如果将分类器错误地偏置， 其将位于曲线 (b) 的下方。 从随机猜测中测量我们分类器的执行效果如何，可用术语称之为“增益”或“利润”，因此图表的利润或增益图正如图517 所示。通过使用 TLA 决策树分类器得出的结果，五个购物者类型中的每个均可产生图51

47、8所示的一系列利润图。图 518使用 TLA 模型的五种购物者类型中每种类型的利润图因为我们已使用 TLA 数据模型来构建该分类器，在此情况下，可通过将事务而非客户进行分级获得利润图。该结果显示出分类能以对所有类别的高度可信度进行，并且在业余购物者与业余酒类购物者的示例中，如果接近最优，则分类器模型将进行分类。我们使用利润图来比较不同分类模型性能的方法在第规则的计分” 有所描述， 而用于目标客户的方法则在第中有所描述。158 页节的“生成包括组织167 页 6.7 节的“应用挖掘结果”结果（ TLA 模型）使用RBF技术，您也可以同构建决策树分类模型中所用到的一样，运用CLA和TLA两个数据模

48、型来构建其分类模型，但在此须包括每个购物者类型的额外二元变量。在此例中，我们已用到TLA模型和用以生成五个不同购物者类型RBF 分类者的示范数据集。由此而得出的模型在第111 页节的“径基函数（RBF）”中有所描述，图519 显示了一般购物者类型分类的结果。图 519 一般购物者分类器 RBF 示意图图 5 19 展了 8 个不同 RBF 区域。区域的数量取决于指定用于定义区域的最小客户事务数或指定所需的区域数。在该示例中，研究不同数量的区域预测的稳定性后，我们选择 8 个区域。 结果显示， 由于使用了单个事务的 NRS，顶部三个区域仍主要是一般购物者，底部三个区域主要是非一般购物者。中间两个

49、区域不确定。注意，在本例中最不确定的地方， RMS 的误差是 0.46，如果我们的预测值为 5.0，则这一误差正是我们希望看到的。在该例中，区域本身给出了很好的分类指示，这在图5 20所显示的结果“分位点”图示中得以确认。图 520一般购物者 RBF 结果分位点图示正如我们在第 111 页 5.5.3 中的“径向基函数 (RBF) ”中所阐述的，分位点由每条线段右手边百分点排列确定。每个分位点中的客户取决于目标变量的预测值，目标变量实际值的平均值则显示在右手边上。 正如我们所期望的， 中间分位点的大RMS 误差约为 0.5。此外，在这些分位点中的预测概率也约为0.5，并且在该分位点中存在着混杂

50、的购物者类型（在每行的第一个柱状图中可以看到）。类似的， 上部三个分位点 (75% - 100%)的平均 RMS 误差为 0.25，这几乎完全是由于预测概率在0.75 左右，因为这些分位点中的大部分客户都是一般购物者。相似的推论得出了下部三个分位点(0% - 25%) 的解释，此处的预测概率约为 0.23，平均 RMS 误差约为 0.27，并且这些区域主要由非一般购物者组成。因此，我们期望模型的预测性能良好，并可通过使用利润图加以确认。对每个购物者类型执行RBF 分类，并对其使用利润图比较RBF 结果。该过程显示于图5 21。图 521使用 TLA 模型的 RBF 分类器利润图此外，该结果还显

51、示了水平相当高的分类性能，特别是对业余购物者和业余酒类购物者的分类。决策树和 RBF 结果的比较决策树和 RBF 结果通过使用利润图可以很容易对其进行比较。不同类型购物者的一系列比较显示在图5 22 中。图 522 TLA数据模型的决策树与 RBF 分类器的比较在一般购物者类别的示例中， RBF 和决策树的结果非常相似，但在富裕购物者类别中，决策树的最初表现要比 RBF 好，但超过 800 事务点时， RBF 的结果更好。对于其它类别， RBF 总是优于决策树分类器。这种结果处于意料之中，因为 RBF 分类器在每次分离时，不必限制使用单个变量便可分割变量空间，总之，这种额外的灵活性产生了更好的

52、分类效果。可以使用多种方法将两种分类结果结合起来，以生成一个整体结果。如果您正处于显著上升态势，您可通过最高的可信度获取分类器结果对每个客户进行分类。如果您对目前的态势不乐观，则可反其道而行之。总之，如果是您特别谨慎的话，可以对两个结果所预测地概率取简单的平均值。5.7应用挖掘结果将分类模型应用到您的零售业务中有许多种可能的方法。本章叙述 通用挖掘方法第七阶段，也是最后一个阶段，如果要充分发挥执行数据挖掘的全部价值，这也是关键步骤，需要仔细计划和执行。在这一节中，我们将探讨两种可能的方法，通过这两种方法，可以使用从我们的示例数据中获得的分类结果。这不仅是可能性，而且它们确实能指明可使用的不同方法以及您需要考虑的各种事情。在第一个示例中，我们分析了如何将分类结果用作有指导作用的营销活动的一部分。在第二个例子中，我们探讨了如何将分类结果用于销售点，或售货亭，或者其它客户常去的地方。直接邮件与针对性的营销活动直接邮件或针对性的营销活动可以假定您能够与您的客户通过某种方式直接联系。您想将重点放在关于我们一直讨论的市场细分类型的活动上，则您必须具备某种方法，将客户与用于定义该细分的事务数据相链接。如果该链接允许您聚集事务记录，您可以用 CLA 数据模型构建