Retail Customer Segmentation Using Machine Learning-Based Clustering Techniques
本文通过对 4,338 名英国客户的 RFM 数据集应用 K-Means 聚类分析，旨在解决将零售交易数据转化为可操作洞察的挑战，揭示了两个截然不同的细分群体，并批判性地审视了方法论局限性与伦理考量。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代零售业那庞大且轰鸣的仓库中，一场静悄悄的革命正在发生，它并非依靠新的机械设备，而是源于对走进这些大门的人们的更深层理解。几十年来，企业一直在与一个简单的悖论作斗争：它们拥有关于每一次购买行为的海量数据，却往往将每一位顾客都视为完全相同的个体。一家商店可能会向一年只买一次单件商品的人和每周都购物的人发送同样的传单，从而忽略了人们实际行为中细微但至关重要的差异。为了解决这个问题，研究人员转向了一种称为“聚类”的分组方法，这本质上是一种让数据自我表达的方式。这种方法不再根据年龄或地点将客户强行塞进预设的框框里，而是观察三种特定的行为：一个人最近一次购买的时间、回访的频率以及消费的金额。通过将行为相似的人归为一类，零售商可以停止猜测并开始理解，从而量身定制符合其服务对象实际习惯的优惠方案。
来自印度桑吉瓦尼大学（Sanjivani University）的研究员帕万·菲姆帕莱（Pawan Phimpale）最近的一项研究，利用来自英国一家大型在线零售商的真实数据集对这一理论进行了测试。研究人员从一份包含超过五十万笔个人交易的庞大日志开始，这是一股记录了 2010 年至 2011 年间每一件售出商品的混乱数字流。第一个挑战是使这些原始材料变得有意义。数据中包含了错误、退货以及许多买家身份缺失的条目，因此研究人员仔细过滤了列表，剔除了任何不能代表已知客户完成的明确购买行为的条目。这一过程将庞大的日志缩减为一份干净、结构化的名单，包含 4,338 名独特的客户，每位客户都有经过计算的购物习惯历史。
在掌握了干净的数据集后，研究人员应用了一种被称为 K-Means 聚类的机器学习技术。想象一个挤满了身高体重各异的人的房间；如果你要求他们根据谁看起来最像邻居来进行分组，他们自然会形成簇。计算机也做了类似的事情，只不过是用数字进行的。它观察了三种关键行为——近期性、频率和货币价值，并试图找到将这 4,338 名客户划分为不同组的最佳方式。目标是找到一个分组数量，使得每个组内的人彼此非常相似，而与其他组的人非常不同。研究人员测试了许多不同的数据划分方式，并使用旨在衡量分组凝聚力的数学工具来检查每次划分的质量。
结果揭示了一个显著且有些令人惊讶的模式。数据并没有分裂成各种类型的购物者，如“寻常价者”、“频繁浏览者”和“奢侈品买家”的平衡组合。相反，最有效的划分结果仅产生了两个组。第一组规模巨大，包含了 4,312 名客户，代表了该零售商的大部分客群。这些人是具有典型习惯的常规购物者，偶尔购买且消费金额适中。第二组规模极小，仅由 26 人组成。他们不仅仅是稍好一点的客户，而是极端的离群值，其消费金额显著更高，且购物频率远高于其他人。事实上，这 26 人的表现如此之不同，以至于计算机算法将他们完全分离出来，将其视为一个独立的类别。
这一结果凸显了现实世界中数据表现的一个关键现实。研究发现，这 26 个人的消费习惯过于极端，以至于主导了数学计算，有效地将分组的边界从其余人群中拉开。虽然该方法成功识别了这些高价值的离群值，但研究人员指出，这一结果深受特定数据性质的影响。该数据集几乎完全由来自英国的客户组成，这意味着发现的模式可能并不适用于其他国家的购物者。此外，数据清洗的方式意味着许多交易（例如未登录的访客交易）被排除在外，这可能会扭曲对平均客户的描绘。
该研究得出结论，虽然机器学习是发现客户行为隐藏模式的强大工具，但它并不是能自动产生完美营销名单的魔杖。分析表明，在这个特定的数据集中，最明显的划分是在普通购物者与少数超级消费者之间，而不是在不同类型的客户之间呈现出一个细致的谱系。研究人员强调，这些发现具有探索性质，并带有重要的限制条件。这种组别之间的极端不平衡表明，算法是对少数几个巨大的数值做出了反应，而非对人类行为自然、平衡的多样性的反应。在企业利用这些分组做出实际决策之前，他们需要考虑这些偏差，例如通过调整处理极端消费数据的方式，或者收集来自更多元化客户的信息。最终，这项工作提醒我们，在每一个算法背后，都存在着关于保留哪些数据和丢弃哪些数据的选择，而这些选择塑造了数据所讲述的故事。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。