摘要：針對(duì)當(dāng)今流量時(shí)代下，流量獲取對(duì)企業(yè)的重要性而言，在傳統(tǒng)的客戶(hù)細(xì)分方法上，對(duì)RFM模型進(jìn)行改進(jìn)，提出新指標(biāo)T（referral traffic推薦流量），形成RFMT模型。并利用層次分析法確定各指標(biāo)的權(quán)重，利用SPSS軟件對(duì)某N新能源汽車(chē)企業(yè)的客戶(hù)行為數(shù)據(jù)進(jìn)行K-means聚類(lèi)分析，根據(jù)聚類(lèi)結(jié)果將客戶(hù)劃分為不同的客戶(hù)群體，并提出相應(yīng)的營(yíng)銷(xiāo)策略以實(shí)現(xiàn)精準(zhǔn)營(yíng)銷(xiāo)。

關(guān)鍵詞：流量時(shí)代;RFMT模型;K-means;客戶(hù)細(xì)分

近年來(lái)，新能源汽車(chē)如雨后春筍般在汽車(chē)行業(yè)中相繼誕生，競(jìng)爭(zhēng)愈加劇烈，每個(gè)企業(yè)都需要集中一切資源來(lái)獲取潛在客戶(hù)。那么如何在有限的資源條件下，可以高效的獲得優(yōu)質(zhì)客戶(hù)，潘俊[1]認(rèn)為客戶(hù)細(xì)分是企業(yè)進(jìn)行客戶(hù)關(guān)系管理并提升服務(wù)水平的有效手段，通過(guò)對(duì)客戶(hù)的消費(fèi)數(shù)據(jù)進(jìn)行數(shù)據(jù)分析，從而對(duì)不同類(lèi)型的客戶(hù)采取不同的營(yíng)銷(xiāo)策略，進(jìn)而實(shí)現(xiàn)精準(zhǔn)營(yíng)銷(xiāo)。

本文將在傳統(tǒng)的RFM模型基礎(chǔ)上，結(jié)合當(dāng)今流量時(shí)代下，流量獲取對(duì)企業(yè)發(fā)展?jié)撛谟脩?hù)的重要性，提出新指標(biāo)T（referral traffic推薦流量），形成改進(jìn)后的RFMT模型。利用AHP[2]確定各指標(biāo)的權(quán)重，通過(guò)K-means聚類(lèi)算法對(duì)客戶(hù)行為數(shù)據(jù)進(jìn)行分析，根據(jù)聚類(lèi)結(jié)果計(jì)算客戶(hù)價(jià)值，并提出相應(yīng)的營(yíng)銷(xiāo)策略。

1.客戶(hù)細(xì)分模型

1.1RFM模型與RFMT模型

傳統(tǒng)的RFM模型多適用于CRM中衡量客戶(hù)價(jià)值的重要工具和手段。該模型通過(guò)分析客戶(hù)的近期消費(fèi)行為、消費(fèi)頻率、總金額來(lái)描述客戶(hù)價(jià)值。其中R表示客戶(hù)最近一次消費(fèi)時(shí)間間隔;F表示客戶(hù)消費(fèi)次數(shù);M表示客戶(hù)消費(fèi)總額。

在當(dāng)今流量時(shí)代的背景下，流量的獲得對(duì)于企業(yè)來(lái)說(shuō)是至關(guān)重要的。而獲取流量最有效的方法便是用戶(hù)裂變。因此，基于傳統(tǒng)的RFM模型，并結(jié)合流量時(shí)代背景下用戶(hù)裂變的重要性，現(xiàn)提出RFMT模型。其中：R表示客戶(hù)最近一次消費(fèi)時(shí)間間隔;F表示消費(fèi)次數(shù);M表示平均消費(fèi)金額;T表示客戶(hù)通過(guò)用戶(hù)裂變方式獲得的推薦流量。

1.2RFMT模型的權(quán)重

本文將采用AHP確定RFMT模型中各指標(biāo)的權(quán)重，AHP通過(guò)建立兩兩指標(biāo)對(duì)比矩陣[3]以此來(lái)確定各指標(biāo)的權(quán)重，權(quán)重如下：[wR ，wF ，wM ，wT]=[0.1070，0.4501，0.8667，0.1866]。

2.數(shù)據(jù)的采集與整理

2.1 數(shù)據(jù)采集

從某N新能源汽車(chē)企業(yè)清理數(shù)據(jù)，得到2018至2020年度442名客戶(hù)的消費(fèi)數(shù)據(jù)，從中統(tǒng)計(jì)出每位客戶(hù)最近一次消費(fèi)時(shí)間間隔（R）、消費(fèi)次數(shù)（F）、平均消費(fèi)金額（M）和推薦流量（T）。某客戶(hù)的交易數(shù)據(jù)如下表所示。

2.2 數(shù)據(jù)整理

在進(jìn)行數(shù)據(jù)分析之前，首先將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，利用標(biāo)準(zhǔn)化后的數(shù)據(jù)進(jìn)行分析。本文將采用min-max 標(biāo)準(zhǔn)化方法[4]對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，使原始數(shù)據(jù)進(jìn)行線(xiàn)性變換，將數(shù)據(jù)映射到[0，1]內(nèi)，轉(zhuǎn)換公式如下：

2.3聚類(lèi)結(jié)果與策略分析

本文將采用SPSS軟件對(duì)RFMT模型進(jìn)行聚類(lèi)分析，利用K-means聚類(lèi)算法對(duì)客戶(hù)消費(fèi)數(shù)據(jù)進(jìn)行聚類(lèi)分析，并將客戶(hù)細(xì)分為8類(lèi)不同的客戶(hù)類(lèi)型。RFMT 模型聚類(lèi)結(jié)果如下表所示。

其中高價(jià)值客戶(hù)約占8%，此類(lèi)客戶(hù)為企業(yè)帶來(lái)的利潤(rùn)額和客戶(hù)價(jià)值最高，消費(fèi)次數(shù)、總金額大，是企業(yè)的忠實(shí)用戶(hù)，企業(yè)應(yīng)投入大量的資源和服務(wù)，繼續(xù)與這類(lèi)客戶(hù)保持良好的合作關(guān)系，并提供更加優(yōu)質(zhì)的產(chǎn)品和服務(wù)。

一般價(jià)值客戶(hù)約占24%，有一定的購(gòu)買(mǎi)總金額，但消費(fèi)次數(shù)較低，口碑推薦能力、忠誠(chéng)度價(jià)值較低，但具備一定的潛在價(jià)值。因此，企業(yè)可以適當(dāng)投入資源，設(shè)置用戶(hù)增長(zhǎng)活動(dòng)，吸引用戶(hù)參加，不斷增加用戶(hù)的品牌認(rèn)同度，提升用戶(hù)忠誠(chéng)度和活躍度。

低價(jià)值客戶(hù)約占68%，此類(lèi)客戶(hù)消費(fèi)次數(shù)、總金額較低，對(duì)企業(yè)品牌和產(chǎn)品認(rèn)同感較低，忠誠(chéng)度價(jià)值、口碑推薦能力相對(duì)較低。企業(yè)無(wú)需投入過(guò)多資源，只需維持現(xiàn)狀，完善售后服務(wù)體系，依舊向其推送產(chǎn)品優(yōu)惠方案及活動(dòng)等。

3.結(jié)束語(yǔ)

在流量時(shí)代的背景下，流量的獲得對(duì)于企業(yè)來(lái)說(shuō)是至關(guān)重要的。在傳統(tǒng)的RFM模型基礎(chǔ)上，現(xiàn)加入指標(biāo)T（referral traffic），形成RFMT模型。在分析客戶(hù)消費(fèi)數(shù)據(jù)后，對(duì)其口碑推薦能力進(jìn)行分析，以此來(lái)更加全面的判斷客戶(hù)價(jià)值所在。利用K-means聚類(lèi)算法對(duì)指標(biāo)進(jìn)行聚類(lèi)分析，將客戶(hù)細(xì)分為8種不同的客戶(hù)類(lèi)型，并對(duì)不同客戶(hù)的行為特征進(jìn)行分析，提出不同的營(yíng)銷(xiāo)策略以此實(shí)現(xiàn)精準(zhǔn)營(yíng)銷(xiāo)。

參考文獻(xiàn)：

[1]潘俊，王瑞琴.基于選擇性聚類(lèi)集成的客戶(hù)細(xì)分[J].計(jì)算機(jī)集成制造系統(tǒng)，2015，21（6）：1662-1668.

[2]蔣國(guó)瑞，劉沛，黃梯云.一種基于 AHP 方法的客戶(hù)價(jià)值細(xì)分研究[J].計(jì)算機(jī)工程與應(yīng)用，2007，43（8）：238-241.

[3]PODVEZKO V.Application of AHP technique[J]. Journal of business Economics and Management， 2009， 10（2）; 181-189.

[4]包志強(qiáng)，趙媛媛，趙研等.基于RFA模型和聚類(lèi)分析的百度外賣(mài)客戶(hù)細(xì)分[J].計(jì)算機(jī)科學(xué)，2018，11（45）：436-438.

作者簡(jiǎn)介：孟凡禹（1996.9—），性別：女，民族：漢族，籍貫：江蘇省徐州市，學(xué)歷：碩士研究生。