营销数据分析 教案 李永发 第2章基于聚类算法的价格带分析教案

第2章基于聚类算法的价格带分析教学内容一、问题的提出二、聚类算法三、价格带分析案例示范教学要求【知识目标】了解聚类分析的基本概念；了解聚类分析在营销领域的应用。【技能目标】掌握利用聚类分析方法对市场价格进行细分。教学重点聚类分析的应用；利用聚类分析进行市场价格细分。教学难点聚类分析的原理；模型评估与结果分析。教学方法讲授法、案例法、任务驱动法、演示法课时数6课时教学内容问题的提出一、价格带分析价格带（PriceZone）指的是某一类商品品种的价格由低到高所形成的价格幅度，其宽度决定了该类商品所面对的消费者的层次和数量。在商品价格带中，由于其价格高低幅度的不同，其中所包含的种类也有所不同。同时，由于各价格段的商品陈列量的差异，导致商店陈列呈现不同形态，最终形成商店的经营特点和特性，从而进一步满足顾客对商品丰富性的需求。价格带的本质是针对于小分类商品进行商品品类管理，这建立在商品品类管理的基础之上，其最终目标价值就是解决管理问题的其中一项指标。问题设计某商家计划近期举办一场营销活动，为确定促销商品的价格区间，该店铺通过问卷调查、顾客反馈以及市场类似商品的价格空间变化等市场调研方式，结合商品构成状态，来确定适合自己经营的价格。问题解决思路价格带的制定价格带分析不仅和单品价格有所联系，还需要与商品品牌、气候、促销等因素联合起来进行分析，制定适宜的价格带具体步骤如下：企业需要进入商品销售区域或卖场，把握竞争对手和顾客的消费习惯，了解商品的价格变化情况；根据经营情况和顾客的反馈，并结合竞争对手的经营策略，及时调整商品结构，加强竞争力；明确价格带分析的必要组成因素，即竞争者和企业自身产品的详细资料、公司内部的商品组织分析表以及分析报表；寻找商品品类中的“价格点”，这也是价格带分析的关键所在；根据价格线找到价格点，给出最终商品价格图。市场价格细分在进行产品行业聚类时找到具有代表性的指标；对相关指标利用聚类相关算法进行聚类分析；根据聚类分析所得出的结果进行可视化的数据分析，得出不同类型商品的特性；根据聚类和可视化分析的结果做市场价格细分。聚类算法一、聚类算法简介聚类分析是数据挖掘的重要技术之一，也是最常用的一类无监督机器学习算法，其目的是将数据划分为有意义或有用的组（也称为簇）。这些区分可以根据业务需求或建模需求进行，也可以纯粹用于辅助探索数据的自然结构和分布。K-Means算法原理k-means算法是一种简单的迭代聚类算法，它使用距离作为相似性指标来查找给定数据集中的k个类别。其中每个类的中心是根据类中所有值的均值得到，每个类用聚类中心来描述。聚类的目标是使用欧氏距离作为相似度指标，使得各类的聚类平方和最小。k-means的基本思想：通过迭代找到一种方法来划分出k个聚类，然后用这k个聚类的均值来表示对应样本时总体误差是最小的。其大致算法流程如下：首先选取数据空间中的k个对象作为初始中心，每个对象代表一个聚类中心；根据样本数据对象与聚类中心的欧氏距离，以距离最近为准则，分到距离最近的类，其中，欧氏距离表达式为：，，其中为点与点之间的欧氏距离；为点到原点的欧式距离。更新聚类中心并判断聚类中心和目标函数的值是否发生改变，若不变，则输出结果，若改变，则返回上一步。聚类算法的分类分析步骤具体说明基于划分的聚类算法基于划分的聚类算法的基本思想是将簇的质心作为聚类中心，其中簇的质心是由数据点构成的。接着依照距离的大小将数据对象进行簇类划分，以此来实现数据集的聚类操作。主要思想为将一个包括n个数据对象的数据集，将其划分为k个类簇，同时每个类簇代表数据集中的一组相似度最高的数据对象。比较经典的基于划分的聚类算法有K-means算法、CLARANS算法等。但是目前大多数的层次聚类算法都存在灵活性较差的问题，并且算法需要预先输入终止条件。基于层次的聚类算法基于层次的聚类算法主要按照“自底向上”和“自顶而下”的策略，将其分为凝聚层次聚类和分裂层次聚类。凝聚层次聚类是先进行合并，将数据集中所有的数据对象分别看成一个类簇，然会对簇进行一定规则的合并操作，直到合并的簇族满足预定的类簇族或者划分的类簇满足某个预设终止条件，则为完成聚类运算。分裂层次聚类是先进行划分，将所有的数据对象看成一个簇，然后对簇进行子簇的划分，递归划分直到划分出的子簇满足终止条件，则为完成聚类运算。基于层次的聚类算法可以在不同的层次上展示数据集的聚类结果情况，并且可以通过绘制树状图实现聚类结果的可视化，从而进一步凸显出聚类算法中包含的物理意义。目前应用比较广泛的层次聚类算法有CURE算法、BIRCH算法等。基于密度的聚类算法基于密度的聚类算法主要是利用样本点分布紧凑程度，使用样本点的数量大小代替距离测度，从而实现对数据样本点间相似性的度量。同时，基于密度的聚类算法在一些方面弥补了一些类别聚类算法的不足，例如，它解决了一些类别聚类算法只能发现球型簇的问题。目前比较经典的基于密度的聚类算法主要有：DBSCAN算法、OPTICS算法以及DENCLUE算法等。基于网格的聚类算法基于网格的聚类算法主要通过人为构建网格数据结构，利用数据集的数据填充网格单元，从而实现对数据集的间接压缩，接着通过对网格中包含的数据样本点个数进行信息统计，最后按照网格单元中的统计信息对数据集进行聚类操作。目前比较典型的基于网格的聚类算法主要有STING算法、CLIQUE算法以及WAVECLUSTER算法等。同时，基于网格的聚类算法具有的优点是聚类处理时间比较短，适合处理低维数据集。但其具有一定的局限性，即网格的划分粗细在不同程度上会影响算法的效率和精度。对于高维数据集，数据集的划分可能会过于稀疏，从而导致聚类效果达不到理想的状态。基于模型的聚类算法基于模型的聚类算法需要为每组类别的数据对象构建数学模型，数学模型中的参数是根据数据集数据对象的真实分布情况所得，接着从数据集中寻找与模型匹配度高的具体数据对象，以此进一步完成聚类操作。目前比较典型的基于模型的聚类算法主要有SOM算法、COBWEB算法等。基于模型的聚类算法是依据概率的方式，通过构建模型来完成对数据集的聚类操作，其算法思想和操作规程都比较简单，但局限是时间复杂度较高、模型建立时假设条件不能保证一定成立，模型选取的参数也比较敏感等。聚类算法的应用对世界的分析和描述中，在概念上为有意义的具有公共特性的对象组的类，起着很重要的作用。在实践中，人类擅长将对象划分为组（簇），并将特定对象分配到这些组或分类中。例如，即使是非常年幼的孩子也可以快速识别照片中的物体，将其分类为建筑物、车辆、人物、动物、植物等。就数据理解而言，簇是潜在的类别，而聚类分析是研究自动发现这些类别的技术。聚类算法用于许多现实世界的问题，这里有一些具体的例子。查找信息百度包含数亿个web网页，网络搜索引擎可以返回数千个页面。这里可以使用聚类将搜索结果分成若干簇，其中每个簇捕获查询的特定方面。例如，搜索词“电影”返回的网页可以分为评论、电影预告片、电影明星、电影院等类别。每个类别（簇）可以划分为多个子类别（子簇），创建一个层次结构，帮助用户进一步探索查询结果。企业并购绩效评价并购已经成为影响上市企业业绩的重要行为之一，传统的企业并购绩效评价方法主要是事件研究法和财务指标研究法，但基于层次聚类算法的企业并购绩效评价方法通过构建并购绩效评价模型，可以以行业的角度来评价企业并购绩效，从而可以对企业的并购行为有更加全面和深层次的认识。客户细分企业会收集有关当前和潜在客户的大量信息。聚类可用于将客户分组以进行进一步分析和营销活动。例如，最流行的客户价值判断模型RFM经常与聚类分析结合使用，从而确定客户价值得分水平。价格带分析案例示范探索数据源案例主要采用了与“电脑椅”相关的商品数据，共400条记录。特征选择将“销售价最低”数据设置为特征，为算法运用创造条件。设置K均值与聚类训练对K均值进行设置时，将K值设置为“7”，代表了一共会形成7个类，分别对应7个价格带。归一化的方法选择为MinMaxScaler。根据聚类训练的基本算法步骤，预测结果共有数据400条，其中prediction字段为对应的类别。聚合通过对聚类训练的输出结果进行聚合，获