【摘 要】本文列舉了數(shù)據(jù)分析與挖掘在電子商務(wù)網(wǎng)站精細化運營中的兩個典型應(yīng)用實例：一個是利用SPSS的K-Means聚類分析方法，對客戶進行細分歸類劃分等級，對不同等級的客戶采用不同的營銷策略；一個是以大數(shù)據(jù)分析和挖掘為基礎(chǔ)的推薦系統(tǒng)在電商網(wǎng)站中的應(yīng)用。

【關(guān)鍵詞】數(shù)據(jù)分析；精細化運營；轉(zhuǎn)化率；RFM模型；K-Means聚類；個性化推薦；協(xié)同過濾

對于大多電子商務(wù)公司來說，當前獲取流量和新用戶的營銷成本越來越高，單純依靠“燒錢”補貼和打價格戰(zhàn)來開拓市場的方式已經(jīng)難以為繼。企業(yè)必須轉(zhuǎn)變觀念，從市場營銷觀念轉(zhuǎn)向客戶營銷觀念，通過大數(shù)據(jù)分析和挖掘的方法更加了解客戶，通過精細化運營滿足客戶的個性化需求，著重挖掘單個客戶終生價值。

隨著“大數(shù)據(jù)”概念及技術(shù)的不斷深入和發(fā)展，很多企業(yè)把大數(shù)據(jù)分析和挖掘作為企業(yè)發(fā)展的重要戰(zhàn)略，用數(shù)據(jù)驅(qū)動業(yè)務(wù)成為互聯(lián)網(wǎng)企業(yè)發(fā)展的核心競爭力。本文列舉了數(shù)據(jù)分析與挖掘在電子商務(wù)網(wǎng)站精細化營銷應(yīng)用的兩個典型實例：一個是利用SPSS的K-Means聚類分析方法根據(jù)用戶購買行為對客戶細分，對不同價值等級的客戶采取個性化運營策略，對提升轉(zhuǎn)化率，實行精細化經(jīng)營從而提高經(jīng)營效益有很大實用性；一個是以大數(shù)據(jù)分析和挖掘為基礎(chǔ)的推薦系統(tǒng)在電商網(wǎng)站中的應(yīng)用，基于用戶維度和基于內(nèi)容維度的推薦，有針對性地給用戶展現(xiàn)不同的內(nèi)容，給信息過載的問題提供了一個很好的解決方案，改善了用戶體驗。這兩個實例在電子商務(wù)中很常用且對于提高企業(yè)運營決策的科學性和改善經(jīng)營利潤具有非常重要的價值。

一、客戶細分 — RFM模型

客戶細分比較經(jīng)典的分析模型是RFM模型，根據(jù)著名的“二八”原則，通常企業(yè)80%的利潤來自于20%的重要客戶，因此挑選出對企業(yè)最有價值的重點客戶，發(fā)掘潛在的新客戶，實施增量銷售和交叉營銷，保持客戶對企業(yè)的忠誠度是電子商務(wù)分析的重要策略。RFM 模型的三個關(guān)鍵指標是客戶的最近一次消費間隔（Regency）、消費頻率（Frequency）以及消費金額（Monetary），并根據(jù)這三個變量對客戶進行細分從而衡量買家對平臺銷售業(yè)績的價值貢獻。理論上來說，最近購買產(chǎn)品或者服務(wù)的顧客，購買頻次更高的顧客，更有可能成為再次光顧的消費者，對企業(yè)的營銷推廣信息也更為敏感。最近一周才在該平臺購買產(chǎn)品的顧客會比半年前甚至一年前消費過的顧客更有可能打開該平臺的促銷郵件；每個月都在平臺購買產(chǎn)品的高頻用戶會比半年才購買一次的用戶更關(guān)注平臺的新品推薦信息；而消費金額越多，當然越是企業(yè)必須重視的高價值用戶，必須保持對這些用戶的聯(lián)系，維護好客戶關(guān)系。

客戶細分在電子商務(wù)中的是常見的分析需求，我們可以利用IBM SPSS Statistics的“直銷—選擇方法—了解我的聯(lián)系人”功能，利用企業(yè)的客戶數(shù)據(jù)和交易數(shù)據(jù)進行RFM分析，也可以利用SPSS的聚類分析功能進行分析，下面用SPSS的聚類分析方法——K-Means聚類來舉例。

聚類分析能夠?qū)⒁慌鷺颖緮?shù)據(jù)根據(jù)其諸多特征，按照在性質(zhì)上的親疏程度（各變量特征上的總體差異程度）在沒有先驗知識（沒有事先制定分類標準）的情況下進行自動分類，產(chǎn)生多個分類結(jié)果?，F(xiàn)收集了某電子商務(wù)平臺的部分買家數(shù)據(jù)進行分析，共4個變量：客戶ID，購買次數(shù)，交易總金額，最近一次購買時間間隔。應(yīng)用SPSS做聚類分析需要符合兩個前提條件：

1.變量之間不存在較強的線性相關(guān)關(guān)系。

2.變量值之間不存在數(shù)量級上的差異。因此，需要先對這些樣本數(shù)據(jù)做相關(guān)性分析和描述性統(tǒng)計。

從描述性統(tǒng)計的運行結(jié)果交易總金額的均值為12487.17，標準差為24672.38可以看出，數(shù)值之間的取值范圍比較大，不能直接做聚類分析，需要對數(shù)據(jù)進行標準化處理并將標準化得分另存為變量。交易金額和交易次數(shù)之間的相關(guān)系數(shù)是0.481，存在弱相關(guān)性?？梢允褂肧PSS的K-Means聚類功能對標準化后的變量進行分析。為了避免分組太多，對各個分組群的客戶的理解不清晰，這里把聚類個數(shù)設(shè)置為3，運行聚類分析得出結(jié)果：

從運行結(jié)果表1的數(shù)據(jù)來看，按類別分組進行單因素分析，從F值大小可以看出最近一次購買時間間隔（F值為11919.094）對聚類結(jié)果貢獻最大，其次是交易總金額，F(xiàn)值大小為3433.529，同時各變量對聚類均有顯著貢獻，各個類別之間的差異是顯著的。

結(jié)合聚類分析結(jié)果的數(shù)據(jù)看，我們把買家分為3類：第1類買家人數(shù)最少，只有322個，具有交易次數(shù)多，交易總金額高和最近一次購買時間間隔短的特性，這些買家應(yīng)該是企業(yè)的VIP級別買家，企業(yè)應(yīng)該給予特殊的重視，設(shè)置專門的貴賓客服通道，優(yōu)先解決這些買家糾紛投訴等問題，保持他們對網(wǎng)站的忠誠度；第二類買家人數(shù)為4430個，交易次數(shù)和交易總金額相對較低，最近一次購買時間相對較遠，是重要保持和發(fā)展買家，應(yīng)該加強互動，通過新品，促銷優(yōu)惠活動信息通知等營銷方法保持他們的活躍度，提高用戶粘性；第三類買家人數(shù)2306個，交易次數(shù)和交易總金額比較低，最近一次購買時間遠，可能是即將流失或者已經(jīng)流失的買家，要及時采取行動進行維護或喚醒，通過發(fā)送優(yōu)惠券，問卷調(diào)查，客服跟進等方式了解買家流失原因有針對性地采取改進措施。

當然這個例子只是RFM模型在精細營銷中客戶細分的一個簡單應(yīng)用，也有一些待改進的地方：客戶細分只是考慮了交易次數(shù)，交易總金額和最近一次購買時間間隔三個變量，參考變量太少，且交易次數(shù)和交易總金額之間存在一定的多種共線性。在電商平臺的運營分析中，可以增加用戶登錄，收藏，下單天數(shù)，評論等用戶行為相關(guān)的變量來搭建更復(fù)雜的會員等級系統(tǒng)。endprint

在運營過程中，針對不同主題的營銷活動，對客戶進行識別細分，再有針對地制定營銷方案，必定會比盲目無針對性地發(fā)郵件或Push給所有用戶的轉(zhuǎn)化效果好。如針對一個B2B網(wǎng)站，要對某類批發(fā)類產(chǎn)品進行促銷，可以定位之前買過相同或與其關(guān)聯(lián)性較強的品類產(chǎn)品，且有批量購買歷史等批發(fā)商用戶行為屬性的客戶，把促銷信息更精準地推廣給這些客戶群體，從而提高銷售轉(zhuǎn)化率。

對客戶進一步細分也應(yīng)用在分析用戶留存和用戶生命周期價值上，相關(guān)數(shù)據(jù)表明，開發(fā)一個新用戶的成本是維護一個老用戶成本的幾倍，因此，在招募到新用戶之后，企業(yè)更希望通過數(shù)據(jù)分析和挖掘來提升用戶在生命周期中所帶來的實際收入價值，確保營銷策略獲得最大的投資回報率。通過建立模型用聚類分析，關(guān)聯(lián)規(guī)則等方法來分析用戶流失特性，流失原因分析，根據(jù)用戶生命周期規(guī)律把用戶劃分為不同階段，對沉默用戶和即將流失的用戶及時進行干預(yù)，執(zhí)行相應(yīng)的喚醒和挽留策略，更精細化地運營，培養(yǎng)用戶的忠誠度，讓之為企業(yè)帶來最大化的收入。

二、電商網(wǎng)站個性化推薦系統(tǒng)

隨著互聯(lián)網(wǎng)行業(yè)的發(fā)展，互聯(lián)網(wǎng)用戶所能獲取的信息量激增，用戶每天被海量的信息淹沒，嚴重影響了獲取所需信息的效率。對于千萬級別產(chǎn)品量的電商平臺來說，如果用戶在瀏覽一段時間后沒有找到自己想要的商品，就很可能失去耐心關(guān)閉網(wǎng)頁。個性化推薦系統(tǒng)是精細化運營的一個產(chǎn)物，它給出了一個不錯的解決方案。通過大數(shù)據(jù)分析用戶的瀏覽日志和交易數(shù)據(jù)，通過關(guān)聯(lián)規(guī)則和聚類等分析方法，計算購買了某些產(chǎn)品的買家或者具有相同或類似標簽的用戶會傾向購買哪些產(chǎn)品，從而更精準地向買家推薦產(chǎn)品。

目前，淘寶網(wǎng)和京東等各大電子商務(wù)平臺也會根據(jù)買家信息偏好標簽，買家搜索、收藏和加入購物車等用戶瀏覽行為數(shù)據(jù)和購買交易數(shù)據(jù)兩大維度擴展來進行判斷，給買家進行個性化推薦，很多大型網(wǎng)站基本上實現(xiàn)了“千人千面”。

目前的推薦算法中，最為廣泛采用的是基于協(xié)同過濾的推薦方法，主要有基于用戶協(xié)同過濾和內(nèi)容協(xié)同過濾兩個大的方向：

1.基于用戶緯度的推薦，就是通過用戶的購買和瀏覽行為多維度挖掘用戶之間的相似度，形成與目標用戶相似度較高的用戶集合，再把這個集合中用戶喜歡的而目標用戶沒有購買過的商品對目標用戶進行推薦。

2.基于內(nèi)容的推薦，就是根據(jù)用戶瀏覽或購買的服務(wù)和商品內(nèi)容的相似度進行推薦。通過提取商品名稱和描述的關(guān)鍵字，給商品打上各種標簽：3C電子產(chǎn)品類，家居用品類，運動戶外類等等。粒度劃分越細，推薦結(jié)果就越精確，從而利用關(guān)鍵字的相似度來做推薦。

舉個例子，你最近想換一部華為手機，在網(wǎng)站上瀏覽了但是沒有下單，在你下次登陸的時候，網(wǎng)站就會向你推薦你瀏覽過的手機相關(guān)的商品，這個是根據(jù)用戶的瀏覽記錄來進行推薦；當你下單以后，在加入購物車頁面，網(wǎng)站又會向你自動推薦“購買了該商品的用戶還購買了”，“您可能還需要”等一些關(guān)聯(lián)商品。這些就是基于用戶和基于內(nèi)容維度的推薦。協(xié)同過濾的推薦算法的實現(xiàn)主要有收集用戶偏好數(shù)據(jù)，找到相似用戶和物品，計算推薦三個步驟。在當前大數(shù)據(jù)存儲、數(shù)據(jù)挖掘和機器學習技術(shù)的高速發(fā)展下，推薦算法的應(yīng)用越來越廣泛，也越來越科學和智能。

總之，精細化運營的個性化推薦系統(tǒng)能夠很好地解決信息過載問題，更高效地幫助買家找到自己想要的商品，改善用戶體驗，而對于商家來說，也可以讓商家更精細地把流量投放給目標用戶，從而提升營銷的轉(zhuǎn)化率和營銷活動的投資回報率。

綜上所述，在大數(shù)據(jù)時代，只有重視數(shù)據(jù)的價值，把數(shù)據(jù)分析和挖掘貫徹到日常的精細化運營中，才有可能在激烈的競爭中取勝。

參考文獻：

[1]周歡.基于RFM分析模式的零售業(yè)客戶分群實現(xiàn)過程[J].金陵科技學院學報.2008.3.

[2]林盛.基于RFM的電信客戶市場細分方法[J].哈爾濱工業(yè)大學學報.2006.5.

[3]薛薇.《統(tǒng)計分析與SPSS的應(yīng)用》[M].中國人民大學出版社色.第二版.

[4]李翠平.大數(shù)據(jù)與推薦系統(tǒng)[J].大數(shù)據(jù).2015.3.

[5] 王茜.大數(shù)據(jù)環(huán)境下電子商務(wù)個性化推薦服務(wù)發(fā)展動向探析[J].商業(yè)研究.2014.08.

[6] 韓莉.大數(shù)據(jù)時代的個性化推薦技術(shù)分析[J]. 晉中學院學報. 2016.3.

[7]孫耀.RFM模型的改進及客戶策略研究[J].現(xiàn)代經(jīng)濟信息.2010.22.

作者簡介：

李海麗（1990—），女，廣東羅定人，學歷：研究生，工作單位：對外經(jīng)濟貿(mào)易大學，研究方向：大數(shù)據(jù)與互聯(lián)網(wǎng)經(jīng)濟。endprint