Investigating clustering techniques to establish target client groups efficiently
Nataliya I. Boyko · Sviatoslav Oliinyk · Bohdan Boiko
比较四种聚类算法在客户细分中的表现，提出面向决策的算法选择框架。
UCI Online Retail数据，RFM+产品多样性，比较K-Means、
AP内部结构最优但碎片化；K-Means稳定性最高、运行最快、簇更均衡，适合可重复运营细分。
可将该决策导向聚类框架迁移到农业客户/农户细分，并补充时序留出或田间实验验证业务效果。
该论文研究客户细分聚类算法，与三农、农业信息化、智慧农业等主题无关，不予入选。
本研究构建了一个面向决策的框架，用于比较客户细分算法，而非将技术基准测试本身视为贡献。研究将K均值（K-Means）、凝聚层次聚类（Agglomerative Hierarchical Clustering）、DBSCAN和近邻传播（Affinity Propagation）应用于2010年12月1日至2011年12月9日的公开UCI在线零售数据集。原始文件包含541,909条交易记录；经过预定义的清洗后，406,829条有效交易被聚合为4372个客户画像，以最近一次购买时间（Recency）、购买频率（Frequency）、货币价值（Monetary value）和产品多样性（Product Variety）表示。比较综合了内部效度、重采样稳定性、匹配运行时间、细分规模均衡性、画像区分度和部署可行性。部署可行性被视为决策支持，而非观测到的业务结果。近邻传播取得了最强的内部结构（轮廓系数=0.65±0.01；戴维斯-布尔丁指数=0.60±0.02），但产生了45个碎片化聚类，运行时间最长（14.60±0.83秒），并表现出中等稳定性（ARI=0.69）。K均值虽未取得最佳内部效度得分，但实现了最高稳定性（ARI=0.82）、最短运行时间（1.84±0.12秒）、十个相对均衡的聚类，以及基于质心的直接重新分配。因此，仅当需要可重复且可管理的运营细分时，才优先选择K均值；当结构分离是主要目标时，近邻传播更为可取。层次聚类支持探索性子细分，而DBSCAN支持密度与噪声诊断。本研究的贡献在于一个明确的选择协议，将结构效度、部署可行性和业务验证区分开来。由于该数据集为历史数据，且不包含营销活动、留存、客户终身价值或收入提升结果，所有CRM行动仍属假设，需要时间留出测试或现场实验加以验证。