摘要： 基于大數(shù)據(jù)背景下的客戶關(guān)系管理，著眼于B2C電子商務(wù)企業(yè)，本文構(gòu)建了客戶分類指標(biāo)體系，采用因子分析和Bagging模型對(duì)一家電商銷售數(shù)據(jù)進(jìn)行了研究，展示了大數(shù)據(jù)背景下客戶關(guān)系管理的具體操作。本文發(fā)現(xiàn)，通過對(duì)以往消費(fèi)者行為數(shù)據(jù)的分類，管理者能夠區(qū)分出潛在、核心和流失客戶；Bagging模型能夠預(yù)判客戶類型，從而指導(dǎo)管理者進(jìn)行差異化的客戶關(guān)系管理。

關(guān)鍵詞：大數(shù)據(jù)；客戶關(guān)系管理；客戶分類；數(shù)據(jù)挖掘

中圖分類號(hào)：F224.1 文獻(xiàn)標(biāo)識(shí)碼：A

引言與文獻(xiàn)述評(píng)

隨著信息技術(shù)的發(fā)展，多種多樣、來源廣泛的數(shù)據(jù)以不同形式飛速增長(zhǎng)和積累。這些數(shù)據(jù)數(shù)量巨大，種類各異。在大數(shù)據(jù)時(shí)代中，如何從客戶信息挖掘價(jià)值，升級(jí)已有客戶關(guān)系管理模型，是一個(gè)全新的話題。具體而言，大數(shù)據(jù)的出現(xiàn)，提高了各種信息的復(fù)雜度，數(shù)據(jù)體量和產(chǎn)生速度，但同時(shí)也提高了每一個(gè)客戶的信息精準(zhǔn)度。對(duì)于現(xiàn)在的許多企業(yè)尤其是在網(wǎng)絡(luò)上進(jìn)行交易的電子商務(wù)企業(yè)，數(shù)據(jù)分析和信息獲取對(duì)其具有重要的商業(yè)意義。本文著眼于B2C企業(yè)，將給出基于大數(shù)據(jù)，利用數(shù)據(jù)挖掘技術(shù)進(jìn)行客戶關(guān)系管理的方法，我們主要著眼于電子商務(wù)領(lǐng)域中的B2C（即Business-to-Customer）電子商務(wù)企業(yè)。

近年來，“大數(shù)據(jù)”成為研究的熱點(diǎn)問題，在零售、醫(yī)療、電信、金融、制造等行業(yè)都得到了廣泛關(guān)注及研究[1]。同時(shí)，大數(shù)據(jù)也在學(xué)術(shù)界引起了廣泛的關(guān)注。Science期刊在2011年2月推出的關(guān)于數(shù)據(jù)處理的?？癉ealing with Data”，分析了數(shù)據(jù)洪流（Data Deluge）可能會(huì)帶來的挑戰(zhàn)，并進(jìn)一步說明大數(shù)據(jù)在今后科研領(lǐng)域的重要性[2]。

如今在買方市場(chǎng)環(huán)境的主導(dǎo)下，顧客角色從被動(dòng)采購(gòu)逐步轉(zhuǎn)換為企業(yè)新產(chǎn)品、新服務(wù)的共同開發(fā)者以及企業(yè)的合作者、價(jià)值創(chuàng)造者等?？蛻絷P(guān)系管理的研究最早源于西方的市場(chǎng)營(yíng)銷理論。Gartner Group公司率先提出客戶關(guān)系管理（Customer Relationship Management，CRM），即客戶關(guān)系管理是通過客戶細(xì)分來最大化了解客戶，組織管理企業(yè)，采取滿足客戶需求或加強(qiáng)客戶與供應(yīng)商之間的聯(lián)系的手段，并通過該手段增加企業(yè)收入以及提高客戶滿意度。早期研究主要側(cè)重理論的探討，后期發(fā)展集中在實(shí)用角度。Gartnet Group、Carlson Marketing Group、Hurwitz Group等大型公司都積極地推出他們的客戶關(guān)系管理理念。IBM、Oracle公司也相繼推出CRM系統(tǒng)[3]。部分學(xué)者也發(fā)現(xiàn)客戶價(jià)值與公司績(jī)效、公司價(jià)值之間具有較高的相關(guān)性。

國(guó)內(nèi)針對(duì)客戶管理的研究更偏向理論性。王健康和寇紀(jì)淞[4]構(gòu)建了客戶關(guān)系價(jià)值鏈模型，齊佳音等[5]提出評(píng)價(jià)客戶-企業(yè)價(jià)值的價(jià)值評(píng)價(jià)體系；劉英姿等[6]構(gòu)建了一個(gè)將企業(yè)價(jià)值和客戶價(jià)值聯(lián)系起來的價(jià)值鏈模型，表明了企業(yè)價(jià)值與客戶價(jià)值之間聯(lián)系與互動(dòng)的過程，企業(yè)必須從客戶視角來分析企業(yè)的價(jià)值增值過程，結(jié)合客戶需求的狀況，通過更經(jīng)濟(jì)、更有效的方法提供更有價(jià)值的產(chǎn)品和服務(wù)，增大客戶感知價(jià)值，從而提高客戶忠誠(chéng)度，進(jìn)而提升企業(yè)的客戶價(jià)值。

綜合現(xiàn)有研究來看，客戶關(guān)系管理的研究中，較少涉及應(yīng)用大數(shù)據(jù)來指導(dǎo)企業(yè)的營(yíng)銷活動(dòng)。本文的研究將基于大數(shù)據(jù)背景下的客戶關(guān)系管理，著眼于B2C電子商務(wù)企業(yè)，構(gòu)建客戶分類指標(biāo)體系，采用因子分析和集成學(xué)習(xí)模型對(duì)一家電商銷售數(shù)據(jù)進(jìn)行了研究，展示了大數(shù)據(jù)背景下客戶關(guān)系管理的具體操作。

1、大數(shù)據(jù)與客戶關(guān)系管理

在大數(shù)據(jù)的背景下，企業(yè)必須通過對(duì)客戶交互信息的不斷搜集、處理、分析和挖掘來了解客戶的需求與喜好，借此來為客戶提供更加個(gè)性化的服務(wù)，從而實(shí)現(xiàn)客戶關(guān)系管理的目標(biāo)。

在我國(guó)，電子商務(wù)是從B2B（Business to Business）發(fā)展而來的，然后有了C2C（Consumer to Consumer）和B2C（Business to Business）兩種商業(yè)模式。在我國(guó)獨(dú)特的經(jīng)濟(jì)環(huán)境下，B2C商業(yè)模式的發(fā)展受居民生活水平、物流行業(yè)發(fā)展、在線支付的完善程度、網(wǎng)絡(luò)普及程度等因素的制約，這些決定了B2C的商業(yè)模式較適合一級(jí)城市和一些較為發(fā)達(dá)的二級(jí)城市。今天，B2C電子商務(wù)以其靈活的交易手段、低成本高收益的營(yíng)銷模式、快捷的物流配送支持等優(yōu)勢(shì)成為電子商務(wù)的業(yè)態(tài)中發(fā)展最迅速同時(shí)也是最具有生命力的商業(yè)模式。B2C商業(yè)形式的電子商務(wù)主要是指網(wǎng)絡(luò)零售業(yè)借助于互聯(lián)網(wǎng)開展在線的銷售活動(dòng)。同時(shí)，B2C電子商務(wù)正在深刻地改變著經(jīng)濟(jì)、市場(chǎng)和產(chǎn)業(yè)結(jié)構(gòu)，改變著產(chǎn)品、服務(wù)及競(jìng)爭(zhēng)模式，同時(shí)也改變著消費(fèi)者的價(jià)值和行為以及就業(yè)形勢(shì)和勞動(dòng)力市場(chǎng)結(jié)構(gòu)。

電子商務(wù)行業(yè)的快速發(fā)展和激烈競(jìng)爭(zhēng)，使這個(gè)行業(yè)的變化加快，對(duì)于電子商務(wù)企業(yè)的經(jīng)營(yíng)者，要想在瞬息萬變的行業(yè)趨勢(shì)中做出最快的反應(yīng)，就必須擁有準(zhǔn)確預(yù)判的能力，從而，學(xué)習(xí)運(yùn)用數(shù)據(jù)挖掘技術(shù)成為必要。因此，大數(shù)據(jù)挖掘?qū)τ陔娮由虅?wù)尤為重要。特別是傳統(tǒng)企業(yè)，如果想要在網(wǎng)絡(luò)上勝出，必須與互聯(lián)網(wǎng)接軌，將互聯(lián)網(wǎng)信息運(yùn)用到企業(yè)中。

客戶關(guān)系管理就是通過與信息技術(shù)的結(jié)合，收集、整理、分析客戶信息，對(duì)客戶行為深入研究，為了優(yōu)化企業(yè)資源配置，降低企業(yè)成本，以客戶為中心開展企業(yè)的各項(xiàng)業(yè)務(wù)，為企業(yè)決策提供依據(jù)的管理理念?？蛻絷P(guān)系管理最終要解決的是企業(yè)的市場(chǎng)和客戶資源分配問題。企業(yè)希望通過客戶關(guān)系管理能夠提高效率、為客戶提供更加優(yōu)質(zhì)的服務(wù)、擴(kuò)大銷售、降低成本，實(shí)現(xiàn)客戶和企業(yè)的雙贏局面。

以下典型的商業(yè)行為可以通過數(shù)據(jù)挖掘得以解決：以數(shù)據(jù)庫(kù)營(yíng)銷、客戶群體劃分、背景分析、交叉銷售等為主要方式的市場(chǎng)分析行為以及客戶流失性分析、客戶信用記分、欺詐發(fā)現(xiàn)等。數(shù)據(jù)挖掘廣闊的應(yīng)用平臺(tái)依賴于電子商務(wù)領(lǐng)域豐富的信息資源，并能極大地提高企業(yè)提煉信息的能力。本文主要討論數(shù)據(jù)挖掘在電子商務(wù)CRM中的應(yīng)用，其主要體現(xiàn)發(fā)現(xiàn)潛在客戶、分析客戶價(jià)值、客戶保持、建立推薦系統(tǒng)、分析客戶滿意度、改善網(wǎng)站設(shè)計(jì)、客戶信用分析等。

為保證數(shù)據(jù)挖掘完全有效地進(jìn)行，本文將電子商務(wù)企業(yè)用戶數(shù)據(jù)挖掘分成四個(gè)大階段，每個(gè)大階段中又細(xì)分成了很多個(gè)細(xì)節(jié)作為小階段，并且整個(gè)過程通過遞歸迭代的方式得到最優(yōu)模型，再將理論最優(yōu)模型從商業(yè)的角度進(jìn)行模式評(píng)估，確保理論與實(shí)際的統(tǒng)一，提高模型的準(zhǔn)確度。如下圖所示：

2、模型的構(gòu)建

電子商務(wù)企業(yè)面臨的顧客眾多，每天店鋪的點(diǎn)擊量、商品收藏?cái)?shù)、逗留時(shí)長(zhǎng)、消費(fèi)金額等數(shù)據(jù)非常繁雜。為了提高效益，企業(yè)可以從這些數(shù)據(jù)中挖掘有用的客戶信息，對(duì)客戶進(jìn)行分類，從而進(jìn)行差異化的營(yíng)銷手段，提高客戶關(guān)系管理水平。企業(yè)可以從交易記錄中獲取數(shù)據(jù)，電商企業(yè)的客戶交易數(shù)據(jù)能全面說明客戶的購(gòu)買行為，具有不涉及個(gè)人隱私、易獲得且高準(zhǔn)確度等特點(diǎn)。而在大數(shù)據(jù)時(shí)代，可以獲取結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)，包括客戶性別、年齡、關(guān)聯(lián)的社交賬號(hào)、商品鏈接分享、口碑傳遞等數(shù)據(jù)。

2.1 客戶分類指標(biāo)體系的構(gòu)建

（1）指標(biāo)體系構(gòu)建原則

建立客戶分類模型的基礎(chǔ)是指標(biāo)體系的構(gòu)建，指標(biāo)選擇的好壞直接決定客戶分類的質(zhì)量，因此，建立客戶分類指標(biāo)體系，應(yīng)遵循科學(xué)性原則、全面性原則、可操作性原則、恰當(dāng)性原則。

（2）指標(biāo)體系的確定

在B2C電子商務(wù)中，客戶的信息可以分成三類：客戶人口統(tǒng)計(jì)學(xué)特征、行為特征、客戶價(jià)值信息[7，8]。對(duì)于人口統(tǒng)計(jì)學(xué)特征，我們選取年齡、性別以及個(gè)人月收入這三個(gè)指標(biāo)，受教育程度與婚姻狀況也是影響購(gòu)買行為的重要指標(biāo)，但是因?yàn)椴灰撰@得，因此舍棄；對(duì)于行為特征，選取了逗留時(shí)長(zhǎng)與瀏覽次數(shù)這兩個(gè)指標(biāo)；對(duì)于客戶價(jià)值，我們則選取了總消費(fèi)金額和年均消費(fèi)金額這兩個(gè)反映過去價(jià)值的指標(biāo)以及最近1個(gè)月消費(fèi)額和最近3個(gè)月消費(fèi)額這兩個(gè)反映當(dāng)前價(jià)值的指標(biāo)。詳細(xì)的指標(biāo)體系如表1。

2.2 客戶分類模型的建立

客戶分類模型的總體框架?；贐2C電子商務(wù)企業(yè)的客戶分類模型的總體框架如圖2，具體說明如下：

（1）提取指標(biāo)。根據(jù)設(shè)計(jì)好的客戶分類指標(biāo)體系，從客戶資料數(shù)據(jù)庫(kù)中提取相應(yīng)的指標(biāo)。

（2）因子分析。運(yùn)用因子分析法，找出潛在的那些影響對(duì)客戶進(jìn)行分類結(jié)果的因素，最終確定需要應(yīng)用的因子的個(gè)數(shù)、各因子的得分以及它們各自的權(quán)重。

（3）根據(jù)（2）的因子得分，進(jìn)行K-means聚類。

（4）用Kruskal-Wallis檢驗(yàn)算法對(duì)聚類結(jié)果進(jìn)行檢驗(yàn)。

（5）若聚類結(jié)果通過檢驗(yàn)，進(jìn)入（6），若沒有通過檢驗(yàn)，調(diào)整分類類別，直到通過為止。

（6）根據(jù)聚類結(jié)果，分析每一類客戶的性質(zhì)，定義客戶類型，并將分類結(jié)果反饋到客戶資料數(shù)據(jù)庫(kù)。

2.3 構(gòu)建預(yù)測(cè)模型

在對(duì)客戶進(jìn)行分類后，電商企業(yè)將得到不同類型客戶的具體特征，而根據(jù)這些特征我們可以采用Bagging等集成學(xué)習(xí)算法對(duì)未來的客戶進(jìn)行預(yù)測(cè)，來判斷一個(gè)客戶屬于什么類型，從而在開始便對(duì)客戶進(jìn)行有針對(duì)性的客戶關(guān)系管理以提高客戶的滿意度。Bagging算法是基于Bootstrap的采樣方式下的分類算法，其主要原理是通過投票這一自然方法來解決通過隨機(jī)選取的相同規(guī)模訓(xùn)練集所產(chǎn)生的不同歸納結(jié)果來進(jìn)行組合[9]。一般而言，由不同訓(xùn)練集所產(chǎn)生的可供投票的分類器越多，投票所產(chǎn)生的結(jié)果就越可靠。

（1）Bootstrap采樣方法

在這過程中，我們需要應(yīng)用Bootstrap的采樣方法，故以下先對(duì)Bootstrap采樣方法進(jìn)行介紹：

Bootstrap的思想是：基于放回采樣，對(duì)樣本規(guī)模為n的隨機(jī)數(shù)據(jù)集放回采樣n次，每次隨機(jī)抽出一個(gè)樣本，然后由著n個(gè)樣本構(gòu)成一個(gè)規(guī)模為n的訓(xùn)練集，這樣就會(huì)出現(xiàn)原來數(shù)據(jù)集中的有的樣本會(huì)不出現(xiàn)，有的會(huì)多次出現(xiàn)的情況。

設(shè)數(shù)據(jù)集規(guī)模為n，則某個(gè)樣本被選中的概率是1/n，不被選中的概率為（1-1/n），因?yàn)樾律傻臄?shù)據(jù)集，即訓(xùn)練集規(guī)模也為n，因此某個(gè)數(shù)據(jù)不在訓(xùn)練集的概率為：

對(duì)于一個(gè)合理大的數(shù)據(jù)源而言，新生成的訓(xùn)練集大約包含0.632的數(shù)據(jù)集樣本。

但在這種情況下，訓(xùn)練集僅有約63%的樣本，因此其訓(xùn)練集的樣本使用率是較低的，為了彌補(bǔ)這一缺點(diǎn)，提高數(shù)據(jù)的使用率，一般是采取將測(cè)試集錯(cuò)誤率和訓(xùn)練集錯(cuò)誤率結(jié)合的方式來估計(jì)產(chǎn)生的模型的預(yù)測(cè)錯(cuò)誤率。Bootstrap采樣方法通過下面的公式來對(duì)最終預(yù)測(cè)錯(cuò)誤率進(jìn)行確定，記最終預(yù)測(cè)錯(cuò)誤率為e，則：

Bootstrap算法需要多次反復(fù)進(jìn)行放回式采樣，來以此生成不同的訓(xùn)練集和測(cè)試集，最后取預(yù)測(cè)錯(cuò)誤率的平均值作為最終結(jié)果。

（2）集成學(xué)習(xí)算法的步驟

在Bootstrap的采樣方法的基礎(chǔ)上，集成學(xué)習(xí)算法的主要步驟如下。

給定一個(gè)訓(xùn)練集S和一個(gè)弱訓(xùn)練器h，在每次應(yīng)用訓(xùn)練集對(duì)訓(xùn)練器進(jìn)行訓(xùn)練后，從S中通過Bootstrap采樣取出樣本集Si，并用該樣本集建立一個(gè)對(duì)應(yīng)的基訓(xùn)練器hi，進(jìn)行λ次這樣的訓(xùn)練，就可以得到基分類器h1，h2，…，當(dāng)有一個(gè)測(cè)試集u需要分類時(shí)，就可以分別用基分類器h1，h2，…，對(duì)它進(jìn)行分類，最后用投票的方法形成最終的分類結(jié)果。

3、實(shí)證分析

3.1 數(shù)據(jù)采集與分析

本文以某B2C家具企業(yè)的數(shù)據(jù)為例。數(shù)據(jù)中包括客戶信息?；陔[私考慮，這些客戶的具體信息只括每個(gè)客戶性別、年齡、平均每次逗留時(shí)長(zhǎng)、瀏覽次數(shù)、購(gòu)買平均單價(jià)、總消費(fèi)金額、總購(gòu)買次數(shù)、最近六個(gè)月的消費(fèi)金額、最近一年消費(fèi)金額、瀏覽的其他店鋪、付款方式、互動(dòng)、類別等。我們的研究也將建立在這些數(shù)據(jù)的基礎(chǔ)上。

表2 變量描述表

3.2 客戶價(jià)值提取

本節(jié)給出基于客戶信息，進(jìn)行客戶價(jià)值的提取過程。具體地，我們希望根據(jù)客戶價(jià)值的不同對(duì)客戶進(jìn)行分類，因此我們選擇平均逗留時(shí)長(zhǎng)、瀏覽次數(shù)、平均購(gòu)買價(jià)格、總消費(fèi)金額、總購(gòu)買數(shù)、最近6個(gè)月消費(fèi)金額、最近一年消費(fèi)金額，這七個(gè)最能代表客戶價(jià)值或客戶潛在價(jià)值的指標(biāo)進(jìn)行分析。

首先，我們采用因子分析對(duì)上述指標(biāo)降維。在進(jìn)行因子分析前必須考察變量之間的相關(guān)性，判斷是否適合用因子分析法進(jìn)行分析。下圖是標(biāo)準(zhǔn)化的變量之間的相關(guān)系數(shù)表，從表格中可以看到總逗留時(shí)長(zhǎng)和瀏覽次數(shù)具有很高的相關(guān)性，相關(guān)系數(shù)為0.692，總逗留時(shí)長(zhǎng)和瀏覽次數(shù)與其他變量之間的相關(guān)度低。而平均購(gòu)買單價(jià)、總消費(fèi)金額、購(gòu)買數(shù)量、最近6個(gè)月消費(fèi)金額、最近一年消費(fèi)金額這5個(gè)變量之間具有很強(qiáng)的相關(guān)性，除了購(gòu)買數(shù)量與最近6個(gè)月消費(fèi)金額的相關(guān)系數(shù)為0.481以外，其他變量之間的相關(guān)系數(shù)都超過了0.5。因此可以使用因子分析法。

（4）提取公因子。提取公因子時(shí)，我們采用最大方差旋轉(zhuǎn)。使用最大方差旋轉(zhuǎn)后，我們從下表可以看到前兩個(gè)公因子旋轉(zhuǎn)后的累計(jì)方差貢獻(xiàn)率為77.912%，可以認(rèn)為前兩個(gè)公因子提供了7個(gè)變量的足夠信息。因此提取兩個(gè)公因子。

表4 解釋的總方差

（5）因子旋轉(zhuǎn)。提取兩個(gè)公因子后，用最大方差法對(duì)因子載荷進(jìn)行旋轉(zhuǎn)，使得每個(gè)指標(biāo)僅在一個(gè)公因子上有較大的載荷，而在另一個(gè)公因子上的載荷較小。如表5所示。

表5 成份得分系數(shù)矩陣

根據(jù)旋轉(zhuǎn)成份矩陣，可以看出第一個(gè)公因子在平均購(gòu)買價(jià)格、總消費(fèi)金額、總購(gòu)買數(shù)、最近6個(gè)月消費(fèi)金額、最近一年消費(fèi)金額上有較大的系數(shù)，因此可以把公因子1命名為價(jià)值因子。第二個(gè)公因子在平均逗留時(shí)長(zhǎng)和平均瀏覽次數(shù)上有較大的系數(shù)，可以把公因子2命名為瀏覽因子。把價(jià)值因子和瀏覽因子作為新的變量，得到每個(gè)顧客在新的變量上的值。

3.3 客戶分類

通過因子分析法，得到兩個(gè)新的變量，分別是價(jià)值因子和瀏覽因子。然后用K-means聚類方法對(duì)客戶進(jìn)行分類，來確定不同類型的顧客對(duì)企業(yè)的價(jià)值。

K-means聚類方法需要先確定k個(gè)點(diǎn)為“凝聚點(diǎn)”，然后，根據(jù)和這k個(gè)點(diǎn)的距離遠(yuǎn)近，把所有點(diǎn)分成k類。再把這k類的中心（均值）作為新的凝聚點(diǎn)，再重新按照距離分類。如此疊代下去，直到達(dá)到停止疊代的要求。在分析中，我們選擇將客戶分成3類。

從表8的方差分析表中可以看到，K-means聚類的效果非常顯著，因此分類效果良好。從表7結(jié)果可以看到，第一類顧客的價(jià)值因子較小，為0.32，而瀏覽因子較大，為0.92，說明此類顧客在店鋪消費(fèi)金額較小，但是經(jīng)常瀏覽該店鋪；第二類顧客的價(jià)值因子比第一類顧客的大，為1.0，瀏覽因子為0.97，說明此類顧客在店鋪消費(fèi)較多，且瀏覽頻繁；第三類顧客的價(jià)值因子最大，為1.53，而瀏覽因子較小，為0.12，說明此類顧客在店鋪的消費(fèi)多，但是瀏覽次數(shù)較小。

根據(jù)顧客分類的以上特征，可以把第一類客戶定義為潛在客戶，他們當(dāng)前的價(jià)值較小，但是瀏覽次數(shù)較多或?yàn)g覽時(shí)間較長(zhǎng)；第二類客戶定義為核心客戶，他們的價(jià)值大且瀏覽次數(shù)多，瀏覽時(shí)間長(zhǎng)；第三類客戶定義為流失客戶，他們的價(jià)值最大但是瀏覽次數(shù)很少，瀏覽時(shí)間短。從K-means聚類的結(jié)果中可以看到在1693個(gè)客戶里面，有722個(gè)潛在客戶，647個(gè)核心客戶以及324個(gè)流失客戶。

3.4 基于集成學(xué)習(xí)模型的客戶

在對(duì)客戶進(jìn)行分類后，我們得到了三種不同類型的客戶，分別潛在客戶、核心客戶和流失客戶，并且得到了每種類型客戶的具體特征。接下來，根據(jù)這些特征我們可以采用集成學(xué)習(xí)算法，Bagging算法對(duì)未來的客戶進(jìn)行識(shí)別，來判斷一個(gè)客戶屬于什么類型，從而在開始便對(duì)客戶進(jìn)行有針對(duì)性的客戶關(guān)系管理以提高客戶的滿意度。

Bagging算法處理后，錯(cuò)誤率收斂到0.15，大大提高了判斷精度。根據(jù)bagging算法可以判斷客戶的類型，從而電商企業(yè)可以根據(jù)客戶類型進(jìn)行差異化的客戶關(guān)系管理。對(duì)于潛在客戶，企業(yè)可以推送商品的優(yōu)惠信息，以吸引潛在客戶購(gòu)買；對(duì)于核心客戶，企業(yè)可以展示客戶關(guān)懷，在節(jié)假日送上問候，以及在快遞包裝上體現(xiàn)企業(yè)的特色，以提高客戶的忠誠(chéng)度；對(duì)于流失客戶，企業(yè)同樣也可以推送優(yōu)惠信息吸引其購(gòu)買或者聯(lián)系客戶得到改進(jìn)的建議。

4、結(jié)論

在大數(shù)據(jù)時(shí)代背景下，誰能更有效地利用數(shù)據(jù)里面的信息，誰就能搶占市場(chǎng)的先機(jī)，得到制勝的法寶。而作為線上交易的電子商務(wù)企業(yè)有其獨(dú)特的優(yōu)勢(shì)，若能從大數(shù)據(jù)中獲取有用的信息，加以處理，對(duì)客戶進(jìn)行個(gè)性化的營(yíng)銷，展示不一樣的客戶關(guān)懷，提高客戶滿意度，從而提高企業(yè)的經(jīng)濟(jì)效益。本文詳細(xì)研究了大數(shù)據(jù)背景下B2C電子商務(wù)企業(yè)的客戶關(guān)系管理，探究了數(shù)據(jù)挖掘在商業(yè)客戶關(guān)系管理的應(yīng)用，介紹了電子商務(wù)企業(yè)數(shù)據(jù)挖掘流程和方法，并建立了客戶關(guān)系管理的分析模型。通過因子分析，本文將客戶分為潛在客戶、核心客戶和流失客戶，潛在客戶的價(jià)值因子較低，但瀏覽因子較高；而核心客戶的價(jià)值因子和瀏覽因子都比較高；而流失客戶的價(jià)值因子較高，而瀏覽因子較低。根據(jù)不同類型客戶的特征，本文建立了bagging模型預(yù)測(cè)客戶的類型，幫助企業(yè)識(shí)別客戶，從而達(dá)到差異化的營(yíng)銷目標(biāo)。

參考文獻(xiàn)

[1] McKinsey Global Institute. Big data： The next frontier for Innovation Competition and Productivity [R]. USA： McKinsey & Company， 2011

[2] Dealing with data [J]. Science，2011.

[3] Big Data. Nature， 2008.

[4] 王健康，寇紀(jì)淞. 客戶關(guān)系管理價(jià)值鏈研究 [J]. 管理工程學(xué)報(bào)， 2002， 16（4）.

[5] 齊佳音，韓新民，李懷祖. 一種新的客戶-企業(yè)價(jià)值評(píng)價(jià)體系的設(shè)計(jì) [J]. 管理工程學(xué)報(bào)， 2002， 16（4）.

[6] 劉英姿，姚蘭，嚴(yán)赤衛(wèi). 基于價(jià)值鏈的客戶價(jià)值分析 [J].管理工程學(xué)報(bào)， 2004， 18（4）.

作者簡(jiǎn)介：賈應(yīng)麗，博士研究生，中央財(cái)經(jīng)大學(xué)商學(xué)院，研究方向：營(yíng)銷風(fēng)險(xiǎn)管理、企業(yè)戰(zhàn)略規(guī)劃、商務(wù)信用評(píng)估。