数据挖掘在物流客户细分中的应用摘要：针对物流客户细分的目标，对客户信息挖掘的需求，从数据挖掘的定义出发，介绍了物流客户细分中数据挖掘的目标以及相应的挖掘流程。为了进一步说明，以某批发商客户数据作为挖掘对象，利用数据挖掘软件SPSSClementine，建立K-means模型进行了聚类分析，得到挖掘结果。最后对挖掘结果进行分析，完成了该批发商的客户细分。关键词：数据挖掘；SPSSClementine；客户细分：F25文献标识码：A：16723198（2015）070044041引言随着计算机网络技术和数据库技术的迅速发展，信息化时代的来临，物流企业不能只依靠谁的仓库面积大，谁拥有的车辆船舶多来吸引客户，而必须清楚知道客户的需求，针对客户的需求提供让客户满意的客户才能在留住老客户的同时，吸引并发展更多的新用户。面对大量繁杂冗余的客户数据和信息，怎么才能找出真正有用的信息，挖掘出客户的需求。这是依靠传统方法所不能解决的问题。近年来，数据挖掘作为一种有效的工具，在信息处理方面有着巨大的发展，本文将介绍数据挖掘在物流客户细分中的应用。2客户细分数据挖掘简述2.1数据挖掘数据挖掘是从大量的、有噪声的、不完全的、模糊的、随机的实际应用数据中提取有效的、新颖的、潜在有用的知识的非平凡过程。数据挖掘又称作知识发现，由此可见，它并不是创造信息，而是在已有的数据和信息的基础上发现对决策分析有用的信息。由于数据挖掘处理海量数据发现有用信息方面有着得天独厚的优势，无疑数据挖掘能对物流中的客户管理提供强有力的支持和帮助。在本篇文章中，主要应用数据挖掘高度自动化地分析客户数据，对客户进行细分，从中挖掘出不同地区不同客户的需求特点，以便物流企业关注相关客户和货源的同时，对改进营销策略和客户管理策略提供帮助。2.2客户细分客户细分就是根据客户的属性、行为、需求、偏好以及价值等因素进行分类，把一个整体的客户群以相应的变量划分为不同的等级或子群体，以便从中寻找共同的要素，分门别类地研究客户行为与需求，并进行有效的客户管理，从而为企业充分获取客户价值提供理论和方法指导。数据挖掘可以把企业大量的客户以各自属性为基础分成不同的类。此外，数据挖掘还可以对新客户的各项属性进行类比和评分，以确定新客户是属于一般、目标、还是重点客户。2.3物流客户细分中数据挖掘的任务数据挖掘的主要任务主要有分类分析、聚类分析、关联分析、预测、时序模式、偏差分析等。而在物流客户细分中的任务主要有以下几个。（1）分类分析。物流客户数据存在不同的类型，如企业的性质、地域、服务需求种类、服务方式、服务频率等不同的属性。分类分析将对这些数据进行内在联系的分析，找出一个类别的概念描述，来代表这类数据的整体信息。如表1所示。分类分析的结果可进一步被用于规则的描述和相关的预测。（2）聚类分析。由于后文的案例与聚类分析相关，此部分内容将在后文详细介绍。（3）关联分析。关联就是两个或两个以上变量的取值之间存在某种规律性。关联分析即是通过一定的方法，发现数据项与属性之间的关联。比如在大量的物流客户数据中可能存在着某种规律与联系，我们可以将客户的地区与服务种类、货源等属性进行关联分析，得到某地的货源与某地区的客户有着特殊的关联。或者将客户与服务种类、服务频率等属性进行关联分析，得到客户需求服务的趋势走向，以便制定更适宜的客户策略。（4）预测。预测是利用历史数据找出变化规律，建立模型，并由此模型对未来数据的种类及特征进行预测。预测关心的是精度和不确定性，通常用预测方差来度量。历史的数据用于构造模型，来解释当前观察到的行为。当这个模型应用到当前的输入，给出的结果就是对未来的行为的预测。比如说通过对新客户和老客户的各种数据的对比和分析，我们可以预测该新客户对物流企业的重要程度，是一般客户、目标客户还是重点客户。3物流客户细分数据挖掘流程因为不同领域不同行业具体情况的不同，数据挖掘的任务、需要解决的问题以及对象的不同，数据挖掘的具体实施步骤也会有所不同。由于物流客户的数据作为一种普遍的客户数据调查样本，本文将介绍跨行业数据挖掘标准流程（Cross-...