基于RFM特征与K-Means聚类的时尚零售SKU细分市场分析及补货、商品组合与促销决策应用

《AI》:Comparison of K-Means and K-Medoids in Product Clustering Using RFM and Frequent Closed Itemset

【字体: 大 中 小 】 时间:2026年09月21日 来源:AI 6.5

编辑推荐:

   摘要 管理大型库存单位(SKU)目录的零售商需要一种紧凑且可审计的视图来了解单个产品的表现,以便规划补货、商品组合与促销活动。我们提出了一条可解释的分析流水线:从一年的时尚零售交易数据(40,760 个 SKU;101,144 笔订单)中提取 SKU 级别的最近购买时间、频

  摘要管理大型库存单位(SKU)目录的零售商需要一种紧凑且可审计的视图来了解单个产品的表现,以便规划补货、商品组合与促销活动。我们提出了一条可解释的分析流水线:从一年的时尚零售交易数据(40,760 个 SKU;101,144 笔订单)中提取 SKU 级别的最近购买时间、频次与金额(RFM)特征,在明确的内部验证下进行基于原型的聚类以划分商品目录,并结合通过闭包项集挖掘得到的共购层解读各细分市场,最终通过已部署的 Web 应用向品类经理交付结果。模型选择是显式的而非默认假设的:K-Means 与 K-Medoids 在相同聚类数下,依据轮廓系数与 Davies–Bouldin 指数(DBI)进行比较。两种方法在 $k=2$ 时表现相当,而在所有更大的聚类数下 K-Means 均明显更优;所选配置(K-Means,$k$)取得轮廓系数 0.577、DBI 0.624,而最优 K-Medoids 配置为 0.522 与 0.762。所得细分市场将一小群快销品与一条长尾的低频产品区分开来;在金额维度上对这些市场进行画像表明,这种区分与价值贡献相一致:7.1% 的被聚类 SKU 贡献了 28.8% 的金额,而 19 个快销品的贡献约为每 SKU 平均水平的 11 倍。我们阐述了每个细分市场如何映射到补货、商品组合与促销决策,以及每种映射在采用前所需的验证工作。阅读结果时应注意两个适用范围限定条件:聚类仅使用最近购买时间与频次两个维度,金额价值仅作为细分市场的描述性属性加以报告,而非作为聚类输入;此外,由于该商品目录中的购物篮平均仅含 1.16 个 SKU,共购层建立在极低的支持度之上,因此所得项集属于探索性锚点,而非关联规则。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号