摘  要： 面對電子商務(wù)模式下電商對客戶競爭的現(xiàn)狀，針對傳統(tǒng)的客戶分類方法的不足，設(shè)計了一種基于FCM模糊聚類算法客戶分類的并行算法。實驗結(jié)果表明設(shè)計的方法能準(zhǔn)確地對電商客戶分類，在MATLAB集群下并行算法的運行取得了明顯的并行效果。
關(guān)鍵詞： 電子商務(wù)客戶分類；FCM算法；MATLAB集群并行

　市場經(jīng)濟(jì)的發(fā)展和網(wǎng)絡(luò)技術(shù)的革新促使電子商務(wù)迅速普及。在競爭激烈的電子商務(wù)經(jīng)濟(jì)模式下，客戶成為電商競爭的焦點。電商想要對客戶進(jìn)行分析需要將客戶分類，找出優(yōu)質(zhì)客戶、挖掘潛在客戶才能制定出針對性的營銷策略。電商客戶分類是指根據(jù)客戶的歷史交易情況將客戶群劃分為不同的等級，從中找出共同的要素并對客戶的消費需求及消費行為進(jìn)行研究，制定并實施有效的銷售策略。
　傳統(tǒng)的客戶分類方法是基于經(jīng)驗或簡單統(tǒng)計方法[1]，依據(jù)電商客戶歷史交易數(shù)據(jù)對客戶過去和現(xiàn)在價值進(jìn)行分析，忽略了客戶的潛在價值和未來價值。這兩種方法分類主觀性強(qiáng)，與分類標(biāo)準(zhǔn)的關(guān)聯(lián)性大，分類效果不理想。FCM模糊聚類算法是多元統(tǒng)計算法中廣泛應(yīng)用于經(jīng)濟(jì)分析的算法，它是在聚類分析算法的基礎(chǔ)上，增加“隸屬度”，用數(shù)學(xué)的方法定量地確定每一個樣本點與各個類別的親疏關(guān)系，分類結(jié)果客觀。此外，面對電商網(wǎng)站運營產(chǎn)生的海量歷史交易數(shù)據(jù)，本文利用MATLAB集群可以發(fā)揮其適合執(zhí)行數(shù)據(jù)密集型任務(wù)的優(yōu)勢，解決“數(shù)據(jù)大，計算難”的問題，高效地計算出聚類結(jié)果。
　本文基于FCM模糊聚類算法設(shè)計了一個針對電商客戶分類的方法，以電商網(wǎng)站凡客誠品的歷史交易數(shù)據(jù)為例進(jìn)行實驗測試設(shè)計方法的有效性。同時在MATLAB集群中針對3個規(guī)模不同的數(shù)據(jù)進(jìn)行并行計算實驗，做并行化研究。實驗結(jié)果表明FCM模糊聚類算法能夠準(zhǔn)確地將電子商務(wù)客戶分類，利用MATLAB集群的多個節(jié)點并行計算數(shù)據(jù)，縮減了計算數(shù)據(jù)時間。
1 電子商務(wù)網(wǎng)站客戶分類算法
1.1電子商務(wù)網(wǎng)站客戶分類
　電子商務(wù)客戶分類是電商在收集和整理客戶交易信息的基礎(chǔ)上，按照客戶交易記錄把某一類的客戶分到一個群體的過程，其原理如圖1所示。

　首先收集電子商務(wù)客戶的原始交易記錄數(shù)據(jù)，利用電子商務(wù)后臺數(shù)據(jù)或者爬蟲技術(shù)爬取。其次是數(shù)據(jù)預(yù)處理環(huán)節(jié)，要對收集的數(shù)據(jù)進(jìn)行規(guī)約和清洗，刪除其中沒有用處的數(shù)據(jù)。最后通過FCM模糊聚類算法對輸入數(shù)據(jù)進(jìn)行聚類分析，獲得聚類分析結(jié)果。電商可以針對不同消費群體制定指定的銷售策略，實現(xiàn)穩(wěn)定盈利。
1.2 FCM模糊聚類算法
　K-means聚類分析算法是依據(jù)實驗數(shù)據(jù)本身具備的定性或定量的特征來對數(shù)據(jù)進(jìn)行分組歸類的方法，方便了解數(shù)據(jù)集的內(nèi)在結(jié)構(gòu)，是數(shù)據(jù)挖掘的主要數(shù)據(jù)分析方法[2]。算法優(yōu)勢是操作簡單、聚類速度快。算法存在的缺陷是容易陷入局部最優(yōu)值，這樣獲得的聚類結(jié)果是局部最優(yōu)解而不是全局最優(yōu)解。由于K-means聚類分析算法的缺陷，用于電子商務(wù)客戶分類的聚類效果不理想。
　模糊聚類分析算法FCM（Fuzzy C-Means algorithm）是在K-means聚類分析算法的基礎(chǔ)之上，增加“隸屬度”，用數(shù)學(xué)方法定量地確定樣本點與其他各個樣本的親疏關(guān)系，客觀地劃分樣本集類型。能夠客觀地計算出每一個客戶屬于各類樣本的概率，分析效果更加精確[3]。FCM模糊聚類算法步驟如下：
　FCM模糊聚類分析算法的目標(biāo)函數(shù)是：

 
   表1是實驗取得的隸屬度矩陣表，結(jié)尾保留4位有效小數(shù)。列代表客戶編號，行代表4個類別。對應(yīng)的數(shù)值就是每一個客戶屬于每一類的概率。每一列概率數(shù)值相加之和為1，代表概率越大，屬于那一類的可能性越大。
2.2 舉例實驗分析
    本文先后分別對這100個客戶數(shù)據(jù)進(jìn)行聚類，分為3類、4類和5類。結(jié)果如圖4和圖5所示。

     第一類潛在客戶：該類消費群體關(guān)心價格，喜歡打折促銷。流失傾向偏大，對網(wǎng)站信任度低。雖然具有一定的價值，但給企業(yè)帶來的利潤小。
    第二類小客戶：該群體主要購買飾品，企業(yè)從這類消費群體可以獲得的利潤較小。流失傾向偏小，應(yīng)該通過營銷方法使其成為一般客戶。維持該類客戶對電子商務(wù)的發(fā)展仍具有一定的意義。
第三類優(yōu)質(zhì)客戶：群體主要購買服裝，這類群體是企業(yè)可以從中獲得利潤最大的群體。該類群體購買優(yōu)質(zhì)產(chǎn)品，且購買的數(shù)量多，是企業(yè)的高端顧客。該網(wǎng)站的客戶忠誠度高，在一定時間內(nèi)購買的商品種類和交易數(shù)量多，是企業(yè)需要重點維護(hù)的對象。
    第四類一般客戶群體：主要購買服裝，該類客戶偏向于購買普通服裝，電商的該類客戶數(shù)量最多。對網(wǎng)站的產(chǎn)品持肯定態(tài)度，雖然沒有為電商提供高利潤，但是交易會穩(wěn)定持續(xù)地進(jìn)行，是企業(yè)穩(wěn)定生存的基礎(chǔ)。
3 MATLAB集群并行化
    MATLAB是一套高性能的數(shù)值計算和可視化軟件，集數(shù)值分析、矩陣運算、圖形處理和信號處理于一體。MATLAB最大的優(yōu)勢在于它的強(qiáng)大的科學(xué)計算能力，專用工具箱具備全面的數(shù)學(xué)函數(shù)，能夠執(zhí)行數(shù)據(jù)復(fù)雜型任務(wù)和數(shù)據(jù)密集型任務(wù)[4]。
    （1）實驗環(huán)境：由3臺PC機(jī)搭建的MATLAB集群。硬件配置：Intel（R）Core（TM）、i3CPU530@2.93 GHz（2CPUs），2 GB內(nèi)存。軟件配置：系統(tǒng)環(huán)境Windows XP、MATLAB（R2011b）。文件大小：規(guī)模大小為1 GB、2.2 GB、3 GB的3個數(shù)據(jù)表。
    （2）實驗結(jié)果及分析：本文采用數(shù)據(jù)分割的方式對FCM模糊聚類算法進(jìn)行集群并行計算。實驗分別在單節(jié)點與多節(jié)點環(huán)境下執(zhí)行，首先在雙節(jié)點環(huán)境下的運行時間小于單節(jié)點下運行的時間，并行效果明顯。其次又分別在4個節(jié)點與6個節(jié)點下分別執(zhí)行聚類計算，實驗結(jié)果表明時間縮短的增量與集群節(jié)點數(shù)目成正比，隨著集群節(jié)點的增加而增大。說明用MATLAB集群來處理本文的數(shù)據(jù)是有效的，發(fā)揮了MATLAB集群處理數(shù)據(jù)密集型任務(wù)的優(yōu)勢，體現(xiàn)了MATLAB集群的高性能。實驗結(jié)果如表4所示。
　
　通過對圖6單節(jié)點與雙節(jié)點環(huán)境下運行時間的對比，可以看出并行計算時間短于串行計算的時間，且隨著數(shù)據(jù)規(guī)模的加大，時間縮短增量逐漸提高。圖7顯現(xiàn)了加速比的變化，不同規(guī)模大小數(shù)據(jù)的加速比均隨著集群節(jié)點數(shù)目的增大而增大。由此可以證實，F(xiàn)CM模糊聚類算法在并行集群中應(yīng)用于電子商務(wù)客戶分類適用，能夠取得良好的并行效果，輸出結(jié)果時間縮短。充分說明了FCM模糊聚類算法并行化的可行性和MATLAB集群的高性能性。
　電子商務(wù)處于蓬勃發(fā)展階段，如何準(zhǔn)確有效地對消費客戶進(jìn)行分類并制定針對性的營銷策略是其盈利的關(guān)鍵。本文針對這一現(xiàn)實問題，選定多元統(tǒng)計分析中的FCM模糊聚類算法進(jìn)行客戶分類并做了并行化研究。實驗結(jié)果表明，在MATLAB集群中運行并行后的FCM模糊聚類算法能夠取得良好的并行效率，同時也驗證了MATLAB集群在處理數(shù)據(jù)密集型任務(wù)的高效性。本文設(shè)計的方法可以應(yīng)用于電子商務(wù)中，對電子商務(wù)客戶分析方面有一定的實際意義。
參考文獻(xiàn)
[1] 朱晶晶.電子商務(wù)網(wǎng)站分類體系理解的用戶心智模型研究[D].南京：南京理工大學(xué)，2010.
[2] SELIM S Z. K-Means-type algorithms： A generalized convergence theorem and characterization of local optimality[J]. IEEE Transactions on Pattern Analysis and Machine Intelligce， 1984，6（1）： 81-87.
[3] DUNN J C. A fuzzy relative of the IOSDATA process and its use in detecting compact well separated clusters[J].Cybemet.3，197：32-57.
[4] MathWorks. MATLAB Distributed Computing Server 5 System Administrator′s Guide[EB/OL]. http：//www.mathworks.com/access/helpdesk/help/pdf_doc/mdce/mdce.pdf， 2010.
[5] 徐瑞，黃兆東，閻鳳玉.MATLAB2007科學(xué)計算與工程分析[M].北京：科學(xué)出版社，2008.
[6] 瞿小寧.K均值聚類算法在商業(yè)銀行客戶分類中的應(yīng)用[J].計算機(jī)仿真，2011，28（6）：357-360.
[7] 李容.基于K均值聚類算法的圖書商品推薦仿真系統(tǒng)[J].計算機(jī)仿真，2010，27（6）：346-349.