姚香秀，盛 冉，郭毓婷

（西安歐亞學(xué)院 金融學(xué)院，陜西 西安 710065）

1 網(wǎng)絡(luò)借貸與客戶細(xì)分

網(wǎng)絡(luò)借貸是用于滿足小微企業(yè)及個(gè)人的小額貸款需求的互聯(lián)網(wǎng)金融創(chuàng)新運(yùn)營(yíng)模式，其健康發(fā)展有賴于大量借款人與出借人的參與[1]。借款用戶是網(wǎng)絡(luò)借貸平臺(tái)的重要組成部分，有效客戶關(guān)系管理也已成為網(wǎng)絡(luò)借貸平臺(tái)盈利能力和競(jìng)爭(zhēng)優(yōu)勢(shì)的決定性因素，而任何高效的客戶關(guān)系管理都以扎實(shí)的客戶細(xì)分為基礎(chǔ)[2]。

客戶細(xì)分是企業(yè)在明確戰(zhàn)略和業(yè)務(wù)模式后，根據(jù)客戶的行為、偏好以及價(jià)值等因素對(duì)客戶進(jìn)行分類[2]?？蛻舴诸惣夹g(shù)通常被用來(lái)發(fā)現(xiàn)有價(jià)值的客戶[3]。Hughes（1994）等[4]提出的客戶關(guān)系管理，由3個(gè)要素組成，即最近一次消費(fèi)-消費(fèi)頻率-消費(fèi)金額（Recency-Frequency-Monetary，RFM）模型，廣泛應(yīng)用于客戶價(jià)值分析和分類。決策者可利用RFM模型有效識(shí)別價(jià)值客戶，制定有效的營(yíng)銷策略[5]。王文賢等[6]的研究表明，在預(yù)測(cè)客戶行為時(shí)，通過(guò)增加額外的變量可以提高RFM模型的預(yù)測(cè)性。本文在此基礎(chǔ)上，將RMF模型拓展為L(zhǎng)RFM模型，通過(guò)增加L（賬戶持有時(shí)間）變量有效識(shí)別有價(jià)值的客戶，爬取了拍拍貸2018年1月—2019年7月部分借款用戶的交易數(shù)據(jù)，使用兩步聚類的方法對(duì)借款用戶進(jìn)行聚類，并針對(duì)不同類別的用戶提出了相應(yīng)的營(yíng)銷建議。

2 LRFM模型與聚類算法

2.1 LRFM模型

本文選用拍拍貸網(wǎng)站作為研究對(duì)象。拍拍貸成立于2007年6月，是國(guó)內(nèi)首家P2P純信用無(wú)擔(dān)保網(wǎng)絡(luò)借貸平臺(tái)。根據(jù)RFM模型的基本原理以及網(wǎng)站用戶的數(shù)據(jù)特點(diǎn)，本文對(duì)LRFM的4個(gè)變量進(jìn)行定義，如表1所示。

表1 借款用戶借款行為變量定義

2.2 兩步聚類算法

兩步聚類分析方法是近年來(lái)才發(fā)展起來(lái)的聚類方法，分為兩大步驟：預(yù)聚類和正式聚類。預(yù)聚類過(guò)程主要針對(duì)每一個(gè)記錄，從根開(kāi)始進(jìn)入聚類特征數(shù)，并依照節(jié)點(diǎn)中條目信息的指引找到最接近的子節(jié)點(diǎn)，直到到達(dá)葉子節(jié)點(diǎn)為止；正式聚類過(guò)程利用層次聚類方法對(duì)聚類特征樹(shù)上的每個(gè)葉結(jié)點(diǎn)進(jìn)行組合。最后，根據(jù)貝葉斯信息規(guī)則（Bayesian Information Criterions，BIC）或者赤池信息量準(zhǔn)則（Akaike Information Criterion，AIC）對(duì)各種聚類方案進(jìn)行比較選擇，選定最佳聚類方案。在實(shí)踐中，兩步聚類主要解決群體劃分、用戶或消費(fèi)者行為細(xì)分等問(wèn)題。

3 實(shí)證分析

3.1 數(shù)據(jù)描述

本文利用爬蟲(chóng)軟件抓取了拍拍貸2018年1月—2019年7月4 836位借款用戶在的交易記錄，使用SPSS 19.0軟件進(jìn)行數(shù)據(jù)挖掘。由于部分交易記錄具有缺省值，所以先對(duì)數(shù)據(jù)進(jìn)行清洗，最終確定4 437位借款用戶為研究對(duì)象。

數(shù)據(jù)處理之后，統(tǒng)計(jì)出每位用戶在此期間關(guān)于性別、年齡和工作性質(zhì)的R，F(xiàn)，M變量，并計(jì)算L變量。為了能進(jìn)一步準(zhǔn)確定位與描述每一類別用戶的特征，本文將用戶的基本信息（性別、年齡和工作性質(zhì)）作為描述變量、用戶的交易行為數(shù)據(jù)統(tǒng)計(jì)特征，如表2所示。

表2 不同性別、年齡、工作性質(zhì)下L，R，F(xiàn)，M的不同特征

3.2 聚類結(jié)果分析

利用兩步聚類算法進(jìn)行聚類，并將每類用戶的LRFM平均值與總LRFM均值進(jìn)行比較。如果單個(gè)用戶類別的均值大于總均值，則給該指標(biāo)一個(gè)向上的箭頭“↑”標(biāo)記，反之則用“↓”，如表3所示。

首先，第一類和第二類借款用戶屬于同一種類型的用戶，是網(wǎng)絡(luò)借貸平臺(tái)的核心用戶，占總體用戶數(shù)量的16.9%。這兩類用戶L值、F值和M值均高于總體用戶的均值，說(shuō)明是平臺(tái)的老用戶，與平臺(tái)的借款交易頻繁、借款金額大，對(duì)于平臺(tái)的貢獻(xiàn)度、忠誠(chéng)度很高；同時(shí)，該類用戶R值低于均值，說(shuō)明其重復(fù)在該平臺(tái)借款的可能性較大，潛在價(jià)值較高。

其次，第三類屬于不確定型用戶，占總用戶數(shù)量的48.9%。該類用戶的L值、F值和M值均低于總體用戶的均值，說(shuō)明其實(shí)際貢獻(xiàn)和忠誠(chéng)度都較低；其R值最大，說(shuō)明較長(zhǎng)時(shí)間未在平臺(tái)進(jìn)行借款行為，具有流失傾向。不確定性用戶往往是一個(gè)大的群體，通常代表了50%的客戶群，卻僅帶來(lái)10%的收益，屬于“劣質(zhì)”用戶。

最后，第四類屬于活躍用戶，占總用戶數(shù)量的34.3%。該類用戶的F值及L值約等于均值，M值小于均值，說(shuō)明其在平臺(tái)交易時(shí)間較長(zhǎng)，操作頻率高，但為平臺(tái)創(chuàng)造的利潤(rùn)較少；但其R值最小，說(shuō)明經(jīng)常在平臺(tái)進(jìn)行借款交易，較為活躍，可能對(duì)于平臺(tái)的選擇更為謹(jǐn)慎。

表3 聚類結(jié)果描述

4 結(jié)語(yǔ)

基于分類結(jié)果，本文有針對(duì)性地設(shè)計(jì)營(yíng)銷策略，具體如下：第一類與第二類同屬于核心用戶，因此，企業(yè)需要將最主要資源投入到保持和發(fā)展與其關(guān)系上，對(duì)每個(gè)客戶設(shè)計(jì)和實(shí)施一對(duì)一的客戶保持策略，最好的客戶是最值得贊賞和給予特殊待遇。第三類用戶屬于短期借款客戶，極易轉(zhuǎn)換，平臺(tái)需要對(duì)其再次劃分，對(duì)于新用戶或?qū)ζ脚_(tái)評(píng)價(jià)較高的用戶，可以采取營(yíng)銷策略進(jìn)行挽留，而對(duì)于此類的其他用戶不必投入更多的營(yíng)銷成本。第四類用戶的忠誠(chéng)度高、借款需求較多，重點(diǎn)在于提高其借款金額，提升對(duì)平臺(tái)的信任度與熟悉度。利用上述成果，網(wǎng)絡(luò)借貸平臺(tái)可以合理地管理客戶成本，有效地實(shí)施客戶關(guān)系管理，實(shí)現(xiàn)平臺(tái)利益的最大化。