冀慧杰,倪 楓,劉 姜,趙 燚

(上海理工大學(xué) 管理學(xué)院,上海 200093)

客戶(hù)關(guān)系到企業(yè)的生存與發(fā)展,贏得客戶(hù)的青睞就能獲得市場(chǎng).市場(chǎng)營(yíng)銷(xiāo)理念在發(fā)展過(guò)程中越來(lái)越重視客戶(hù)的需求,以顧客為核心,把滿(mǎn)足顧客需求作為首要任務(wù).不斷提高顧客滿(mǎn)意度,培養(yǎng)忠誠(chéng)客戶(hù)對(duì)企業(yè)至關(guān)重要.根據(jù)中國(guó)電子商務(wù)報(bào)告,2018年我國(guó)電子商務(wù)交易規(guī)模繼續(xù)擴(kuò)大并保持高速增長(zhǎng)態(tài)勢(shì),全年實(shí)現(xiàn)電子商務(wù)交易額31.63 萬(wàn)億元,同比增長(zhǎng)8.5%.隨著網(wǎng)購(gòu)消費(fèi)者數(shù)量逐漸增加,對(duì)客戶(hù)的管理更加有必要而且方便有效.通過(guò)細(xì)分客戶(hù),分析每一類(lèi)客戶(hù)群體的購(gòu)買(mǎi)行為以獲得不同客戶(hù)群體的價(jià)值,有利于企業(yè)實(shí)施差異化營(yíng)銷(xiāo)策略.網(wǎng)絡(luò)的發(fā)展真正實(shí)現(xiàn)了精準(zhǔn)營(yíng)銷(xiāo),電子商務(wù)企業(yè)可以方便地獲得客戶(hù)的購(gòu)買(mǎi)記錄,包括購(gòu)買(mǎi)內(nèi)容、購(gòu)買(mǎi)時(shí)間以及購(gòu)買(mǎi)金額等,通過(guò)客戶(hù)購(gòu)買(mǎi)數(shù)據(jù)可以分析客戶(hù)偏好,準(zhǔn)確衡量客戶(hù)價(jià)值,制定出適合相應(yīng)細(xì)分客戶(hù)群的營(yíng)銷(xiāo)策略.

RFM 模型可用來(lái)衡量客戶(hù)利潤(rùn)貢獻(xiàn)度和忠誠(chéng)度,廣泛應(yīng)用于零售及其它行業(yè).Chen 等使用RFM 模型對(duì)在線(xiàn)零售商的客戶(hù)進(jìn)行分析,通過(guò)聚類(lèi)算法和決策樹(shù)識(shí)別每個(gè)客戶(hù)群的主要特征[1].徐翔斌等提出改進(jìn)的RFP 模型,用利潤(rùn)指標(biāo)替換金額指標(biāo)對(duì)電子商務(wù)網(wǎng)站客戶(hù)進(jìn)行細(xì)分,但是對(duì)指標(biāo)設(shè)定的權(quán)重是隨機(jī)的,缺乏一定的客觀性[2].徐文瑞用層次分析法(AHP)確定RFM 模型中的各指標(biāo)權(quán)重[3].包志強(qiáng)等通過(guò)改進(jìn)RFM 模型對(duì)百度外賣(mài)客戶(hù)進(jìn)行價(jià)值分析,用主成分分析確定各指標(biāo)權(quán)重[4].熊蘭等通過(guò)對(duì)零售企業(yè)的產(chǎn)品類(lèi)別進(jìn)行區(qū)分,將客戶(hù)的價(jià)值按產(chǎn)品類(lèi)別區(qū)分,創(chuàng)建多層級(jí)的客戶(hù)價(jià)值模型[5].Zhang 細(xì)化了RFM 指標(biāo),利用K-means 聚類(lèi)算法為體育文具產(chǎn)業(yè)進(jìn)行客戶(hù)數(shù)據(jù)挖掘給予指導(dǎo)[6].綜合各學(xué)者研究來(lái)看,RFM 模型仍是根據(jù)客戶(hù)消費(fèi)行為衡量客戶(hù)價(jià)值的有效方法,本文借鑒以往學(xué)者對(duì)RFM 模型各指標(biāo)的改進(jìn)并結(jié)合本文研究構(gòu)建RFMT模型.其次,以往文獻(xiàn)關(guān)于權(quán)重的確定大多采用層次分析法(AHP),有些學(xué)者會(huì)采用客觀法例如主成分分析和熵權(quán)法,然而皆未考慮RFM模型各指標(biāo)之間存在關(guān)聯(lián)的問(wèn)題.本文基于灰色系統(tǒng)理論利用灰色關(guān)聯(lián)度為改進(jìn)的RFMT 模型指標(biāo)確定權(quán)重,綜合整個(gè)因素指標(biāo)空間的影響,分析各指標(biāo)對(duì)衡量客戶(hù)價(jià)值的影響程度大小.最后,由于K-means算法存在對(duì)初始聚類(lèi)中心以及聚類(lèi)數(shù)敏感等缺點(diǎn),本文運(yùn)用K-means++和肘部法則對(duì)其進(jìn)行改進(jìn),進(jìn)而對(duì)在線(xiàn)零售商的客戶(hù)的購(gòu)買(mǎi)行為進(jìn)行分析,并將客戶(hù)分為價(jià)值由高到低的客戶(hù)群.

1 模型建立

企業(yè)在進(jìn)行客戶(hù)關(guān)系管理時(shí),經(jīng)常使用RFM 模型來(lái)分析客戶(hù)價(jià)值,尤其是零售業(yè)的客戶(hù)管理.RFM 模型通過(guò)3 個(gè)指標(biāo)來(lái)衡量客戶(hù)的價(jià)值,即Recency (最近購(gòu)買(mǎi)時(shí)間)、Frequency (購(gòu)買(mǎi)頻率)以及Monetary (購(gòu)買(mǎi)金額).其中最近購(gòu)買(mǎi)時(shí)間R指的是客戶(hù)最后一次購(gòu)買(mǎi)產(chǎn)品的時(shí)間與對(duì)客戶(hù)購(gòu)買(mǎi)行為分析時(shí)間的間隔,間隔越小表明客戶(hù)對(duì)產(chǎn)品印象越深刻,因此對(duì)廣告、促銷(xiāo)活動(dòng)等反應(yīng)越快,更容易發(fā)生重復(fù)購(gòu)買(mǎi)行為;購(gòu)買(mǎi)頻率F表明客戶(hù)在一段時(shí)間內(nèi)購(gòu)買(mǎi)產(chǎn)品的次數(shù),頻率越大意味著客戶(hù)頻繁購(gòu)買(mǎi)產(chǎn)品,對(duì)企業(yè)品牌或該類(lèi)產(chǎn)品已形成偏好,更容易發(fā)展為忠誠(chéng)客戶(hù);購(gòu)買(mǎi)金額M是客戶(hù)直接為企業(yè)帶來(lái)的價(jià)值.高價(jià)值客戶(hù)往往購(gòu)買(mǎi)頻率高、購(gòu)買(mǎi)間隔時(shí)間短以及購(gòu)買(mǎi)金額高.

1.1 改進(jìn)的RFM 模型

RFM 模型的優(yōu)點(diǎn)在于收集數(shù)據(jù)容易,3 個(gè)指標(biāo)能夠清楚地解釋顧客的行為.RFM 模型能夠清楚表征客戶(hù)當(dāng)前價(jià)值,然而在如今市場(chǎng)競(jìng)爭(zhēng)激烈的情況下,客戶(hù)的潛在價(jià)值即未來(lái)能夠帶給企業(yè)的價(jià)值更加重要.王客富認(rèn)為客戶(hù)的保持時(shí)間與忠誠(chéng)度有密切聯(lián)系[7].客戶(hù)的忠誠(chéng)度則是客戶(hù)潛在價(jià)值的體現(xiàn),因此擴(kuò)展RFM模型對(duì)客戶(hù)忠誠(chéng)度進(jìn)行度量.傳統(tǒng)的RFM 模型指標(biāo)不夠全面,并且指標(biāo)的權(quán)重確定大多以主觀判斷為主,影響結(jié)果的客觀性.為了更準(zhǔn)確地對(duì)在線(xiàn)零售商的客戶(hù)進(jìn)行當(dāng)前和潛在價(jià)值分析,提出改進(jìn)的RFM 模型,選取客戶(hù)的平均購(gòu)買(mǎi)時(shí)間間隔(R)、客戶(hù)在活躍時(shí)間內(nèi)的購(gòu)買(mǎi)頻率(F)、平均每筆訂單交易金額(M)和客戶(hù)在一年內(nèi)的活躍時(shí)間(T) 4 個(gè)指標(biāo)構(gòu)建RFMT 模型.為了抵消購(gòu)買(mǎi)頻率與購(gòu)買(mǎi)金額之間的多重共線(xiàn)性關(guān)系,用平均訂單交易金額代替總購(gòu)買(mǎi)金額;客戶(hù)的購(gòu)買(mǎi)頻率描繪客戶(hù)在一年內(nèi)的訂單數(shù)量,訂單數(shù)量越多,客戶(hù)的購(gòu)買(mǎi)金額越大,為企業(yè)貢獻(xiàn)的價(jià)值越大,RFM 的3 個(gè)指標(biāo)衡量了客戶(hù)的當(dāng)前價(jià)值.F和T指標(biāo)是對(duì)客戶(hù)潛在價(jià)值的衡量,客戶(hù)的活躍時(shí)間能夠反映客戶(hù)對(duì)企業(yè)的忠誠(chéng)度,活躍時(shí)間越長(zhǎng),購(gòu)買(mǎi)頻率越大,說(shuō)明客戶(hù)的滿(mǎn)意度越高,越容易發(fā)生購(gòu)買(mǎi)行為.所構(gòu)造的RFMT模型各指標(biāo)的計(jì)算公式如下:

其中,BT表示客戶(hù)在活躍時(shí)間內(nèi)發(fā)生購(gòu)買(mǎi)行為的天數(shù);MT表示總購(gòu)買(mǎi)金額;TL表示最遠(yuǎn)一次購(gòu)買(mǎi)時(shí)間;TF表示最近一次購(gòu)買(mǎi)時(shí)間.

1.2 基于灰色關(guān)聯(lián)度確定指標(biāo)權(quán)重

RFM 模型中各指標(biāo)對(duì)客戶(hù)價(jià)值的影響程度是不同的,通過(guò)對(duì)RFM 模型中的指標(biāo)賦予不同的權(quán)重能夠幫助企業(yè)更準(zhǔn)確地分析客戶(hù)行為,采取科學(xué)的管理措施.人們所面臨的實(shí)際決策問(wèn)題的各因素指標(biāo)之間的關(guān)系表面上看不明確,實(shí)際上卻并不是獨(dú)立的,常存在相互聯(lián)系,這是灰色的關(guān)聯(lián)性在起作用[8].灰色關(guān)聯(lián)分析的基本思想是通過(guò)確定參考數(shù)據(jù)列和比較數(shù)據(jù)列的幾何形狀相似程度來(lái)判斷其聯(lián)系是否密切,通?？梢赃\(yùn)用此方法來(lái)分析各個(gè)因素對(duì)于結(jié)果的影響程度.采用灰色關(guān)聯(lián)法確定指標(biāo)權(quán)重的優(yōu)點(diǎn)在于其可以挖掘出數(shù)據(jù)本身具有的關(guān)聯(lián)性,從而避免了如層次分析法等所包含的主觀因素的影響.本文在衡量電子商務(wù)客戶(hù)價(jià)值時(shí)所采用的實(shí)驗(yàn)數(shù)據(jù)是有限的,根據(jù)以往文獻(xiàn)對(duì)客戶(hù)價(jià)值的衡量在有限的信息下提煉出了RFMT 的4 個(gè)指標(biāo).RFMT 這4 個(gè)指標(biāo)是根據(jù)客戶(hù)購(gòu)買(mǎi)時(shí)間、客戶(hù)購(gòu)買(mǎi)金額以及客戶(hù)的訂單量4 個(gè)指標(biāo)計(jì)算得到,由計(jì)算公式可得各個(gè)指標(biāo)相互之間存在關(guān)聯(lián),RFMT 模型及指標(biāo)關(guān)聯(lián)性如圖1所示.各指標(biāo)在時(shí)間和購(gòu)買(mǎi)行為上存在一定的關(guān)聯(lián)性,因此可以將客戶(hù)價(jià)值看作是一個(gè)灰色系統(tǒng),通過(guò)灰色關(guān)聯(lián)度尋求RFMT各指標(biāo)對(duì)客戶(hù)價(jià)值的影響程度.通過(guò)灰色關(guān)聯(lián)度[9,10]確定各指標(biāo)權(quán)重,指標(biāo)的權(quán)重值即代表了對(duì)客戶(hù)價(jià)值的影響程度.

圖1 RFMT 客戶(hù)價(jià)值分類(lèi)模型

利用灰色關(guān)聯(lián)度確定指標(biāo)權(quán)重的計(jì)算方法如下:

步驟1.根據(jù)數(shù)據(jù)處理結(jié)果選取購(gòu)買(mǎi)時(shí)間間隔、購(gòu)買(mǎi)頻率、平均購(gòu)買(mǎi)金額以及客戶(hù)活躍時(shí)間4 個(gè)指標(biāo)變量形成矩陣:

步驟2.從4 個(gè)指標(biāo)中選出各自的最優(yōu)值作為參考數(shù)據(jù)列,最優(yōu)值代表最理想的客戶(hù)類(lèi)型,即客戶(hù)價(jià)值最高.記為:

步驟3.指標(biāo)數(shù)據(jù)值的范圍相差較大,采用均值化方法進(jìn)行無(wú)量綱化處理.無(wú)量綱化后的數(shù)據(jù)形成新的矩陣:

步驟4.計(jì)算第i個(gè)數(shù)據(jù)的第k個(gè)指標(biāo)與參考序列相比較的關(guān)聯(lián)系數(shù):

其中,k=1,2,3,4,ρ為 分辨系數(shù),0 ＜ρ＜1,一般取ρ=0.5.

步驟5.對(duì)每一個(gè)指標(biāo)的關(guān)聯(lián)系數(shù)求平均值:

步驟6.做歸一化處理即可得到各指標(biāo)的權(quán)重:

2 改進(jìn)K-means 聚類(lèi)

K-means 算法是數(shù)據(jù)挖掘最經(jīng)典的聚類(lèi)算法,也是客戶(hù)細(xì)分經(jīng)常使用的方法.算法的基本思想是根據(jù)樣本之間的距離分類(lèi).先指定所需分類(lèi)類(lèi)別K類(lèi),隨機(jī)生成K個(gè)聚類(lèi)中心,將各個(gè)樣本分到離聚類(lèi)中心最近的一類(lèi),通過(guò)不斷迭代更新聚類(lèi)中心,達(dá)到最優(yōu)分類(lèi)效果.算法采用誤差平方和準(zhǔn)則函數(shù)SSE 作為聚類(lèi)準(zhǔn)則函數(shù).K-means 算法的缺點(diǎn)是對(duì)初始聚類(lèi)中心的選取是隨機(jī)的,聚類(lèi)的結(jié)果和所需時(shí)間依賴(lài)初始質(zhì)心的選擇,并且需要預(yù)先設(shè)定聚類(lèi)數(shù).為了解決K-means 對(duì)初始點(diǎn)敏感的問(wèn)題,Arthur 等提出了K-means++算法,對(duì)K-means 隨機(jī)選擇初始聚類(lèi)中心的方法進(jìn)行了改進(jìn),即在選取初始聚類(lèi)中心時(shí)使各聚類(lèi)中心點(diǎn)之間的距離盡可能遠(yuǎn),結(jié)果證明K-means++能顯著改善分類(lèi)結(jié)果的最終誤差[11].為了改善聚類(lèi)數(shù)設(shè)定的問(wèn)題,本文利用SSE 評(píng)價(jià)聚類(lèi)結(jié)果,通過(guò)肘部法則確定最佳聚類(lèi)數(shù).算法的具體步驟如下:

其中,x為每一簇內(nèi)的樣本點(diǎn),μi表示第i個(gè)簇的聚類(lèi)中心點(diǎn).

算法1.K-means++算法1) 從數(shù)據(jù)集中隨機(jī)選取一個(gè)樣本作為初始聚類(lèi)中心;2) 首先計(jì)算每個(gè)樣本與當(dāng)前已有聚類(lèi)中心之間的最短距離(即與最近的一個(gè)聚類(lèi)中心的距離),用D(x)表示;接著計(jì)算每個(gè)樣本被選為下一個(gè)聚類(lèi)中心的概率 ;3) 重復(fù)第2)步直到選擇出共K 個(gè)聚類(lèi)中心.4) 使用選出的聚類(lèi)中心用K-means 聚類(lèi).5) 比較不同聚類(lèi)數(shù)得到的SSE 值,利用肘部法則確定最終聚類(lèi)數(shù)目.D(x)2∑x∈X D(x)2

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

數(shù)據(jù)集從UCI Machine Learning Repository 數(shù)據(jù)庫(kù)中獲得,這是一個(gè)跨國(guó)數(shù)據(jù)集.該在線(xiàn)零售商總部位于英國(guó),成立于1981年,主要銷(xiāo)售各種場(chǎng)合的獨(dú)特禮品.該企業(yè)的主要客戶(hù)來(lái)自英國(guó)和歐洲各地,之前主要通過(guò)郵寄目錄,通過(guò)電話(huà)下訂單的模式經(jīng)營(yíng).目前,該企業(yè)已完全轉(zhuǎn)向了電子商務(wù),積累了大量客戶(hù)的數(shù)據(jù),因此可根據(jù)積累的數(shù)據(jù)集對(duì)客戶(hù)進(jìn)行管理.該數(shù)據(jù)集其中包含2010年12月1日至2011年12月9日之間在英國(guó)注冊(cè)的非商店在線(xiàn)零售的所有交易.該公司的許多客戶(hù)都是批發(fā)商,因此客戶(hù)與企業(yè)的每筆交易中可能包含多種商品,每筆交易有唯一的發(fā)票編號(hào),默認(rèn)為一次購(gòu)買(mǎi).數(shù)據(jù)集包含了4296 個(gè)客戶(hù)在一年內(nèi)的訂單數(shù)據(jù),共有406829 條交易記錄,包含7 個(gè)變量,各變量含義如表1所示.Python 是目前最流行的用來(lái)做數(shù)據(jù)分析與數(shù)據(jù)挖掘的語(yǔ)言,本文利用Python 軟件進(jìn)行實(shí)驗(yàn).對(duì)該數(shù)據(jù)集處理,構(gòu)造RFMT 模型以及進(jìn)行聚類(lèi)分析,驗(yàn)證所提客戶(hù)價(jià)值分類(lèi)模型的可行性,為電子商務(wù)企業(yè)的客戶(hù)管理提供參考.

3.2 數(shù)據(jù)預(yù)處理

首先從原始數(shù)據(jù)集中提取出有用的信息經(jīng)過(guò)分析得到的RFMT 數(shù)據(jù)表如表2所示.如編號(hào)為12346 的客戶(hù),平均購(gòu)買(mǎi)時(shí)間間隔為1 天,購(gòu)買(mǎi)頻率為4 次,平均購(gòu)買(mǎi)金額為22.25,活躍時(shí)間為1 天,說(shuō)明該客戶(hù)在一天內(nèi)發(fā)生了4 次購(gòu)買(mǎi)交易.

表1 數(shù)據(jù)集的變量描述

表2 RFMT 指標(biāo)數(shù)據(jù)樣本

其次利用灰色關(guān)聯(lián)度確定各指標(biāo)權(quán)重.從4 個(gè)指標(biāo)中選出最優(yōu)值即從購(gòu)買(mǎi)時(shí)間間隔數(shù)據(jù)中選取最小值,從購(gòu)買(mǎi)頻率、平均購(gòu)買(mǎi)金額以及客戶(hù)活躍時(shí)間數(shù)據(jù)中分別選出最大值組成參考數(shù)據(jù)列,參考數(shù)據(jù)列各指標(biāo)構(gòu)成了企業(yè)理想的客戶(hù)即價(jià)值最高的客戶(hù).經(jīng)過(guò)灰色關(guān)聯(lián)分析后得出的各指標(biāo)權(quán)重值如表3所示.

表3 灰色關(guān)聯(lián)度確定指標(biāo)權(quán)重值結(jié)果

表3結(jié)果表明,指標(biāo)F和T的權(quán)重值相對(duì)較大,平均購(gòu)買(mǎi)金額M的權(quán)重最小.分析可知該權(quán)重值結(jié)果以客戶(hù)潛在價(jià)值最大是影響客戶(hù)價(jià)值的最重要因素.對(duì)電子商務(wù)企業(yè)來(lái)說(shuō),客戶(hù)的潛在價(jià)值即客戶(hù)忠誠(chéng)度才是最重要的.客戶(hù)平均購(gòu)買(mǎi)金額與購(gòu)買(mǎi)頻率有關(guān),購(gòu)買(mǎi)頻率越大則總購(gòu)買(mǎi)金額越大,這在實(shí)際中反映了購(gòu)買(mǎi)金額的大小不能準(zhǔn)確體現(xiàn)出客戶(hù)的價(jià)值,即一次大金額的購(gòu)買(mǎi)行為可能沒(méi)有多次頻繁小批量購(gòu)買(mǎi)的客戶(hù)帶來(lái)的價(jià)值更高,因此購(gòu)買(mǎi)頻率更能體現(xiàn)出客戶(hù)的當(dāng)前價(jià)值.客戶(hù)活躍時(shí)間越久則忠誠(chéng)度越高,流失傾向越低,T指標(biāo)代表了客戶(hù)價(jià)值中的潛在價(jià)值,因此T指標(biāo)的權(quán)重值較高.平均購(gòu)買(mǎi)時(shí)間間隔與購(gòu)買(mǎi)頻率息息相關(guān),購(gòu)買(mǎi)頻率越多則平均購(gòu)買(mǎi)時(shí)間間隔越小,R指標(biāo)越低,意味著客戶(hù)需求量大且對(duì)企業(yè)產(chǎn)品形成偏好.分析權(quán)重結(jié)果及各指標(biāo)的實(shí)際意義,平均購(gòu)買(mǎi)金額越大的購(gòu)買(mǎi)頻率和活躍時(shí)間對(duì)客戶(hù)價(jià)值高低影響最大,平均購(gòu)買(mǎi)金額影響最小.

最后由于選取的平均購(gòu)買(mǎi)時(shí)間間隔、購(gòu)買(mǎi)頻率、平均購(gòu)買(mǎi)金額以及客戶(hù)活躍時(shí)間4 個(gè)指標(biāo)的意義不同、數(shù)據(jù)范圍差異較大,為了消除對(duì)聚類(lèi)結(jié)果的影響,對(duì)數(shù)據(jù)按下列公式進(jìn)行無(wú)量綱化處理.

3.3 基于K-means++的聚類(lèi)結(jié)果

本文首先使用K-means++算法進(jìn)行聚類(lèi),設(shè)置分類(lèi)數(shù)目K的范圍為[1,8],根據(jù)聚類(lèi)代價(jià)函數(shù)即誤差平方和SSE繪制分類(lèi)效果圖如圖2所示.然后根據(jù)肘部法則聚類(lèi)數(shù)應(yīng)為K=2,但分為兩個(gè)簇時(shí)誤差較大,考慮到對(duì)客戶(hù)分群的需要,確定聚類(lèi)數(shù)為K=4,這時(shí)的誤差平方和較小且能對(duì)客戶(hù)群進(jìn)行細(xì)致的劃分.設(shè)定聚類(lèi)數(shù)目為4 時(shí),分群結(jié)果及客戶(hù)價(jià)值排名如表4所示.

圖2 不同聚類(lèi)數(shù)目下SSE 值

表4 聚類(lèi)結(jié)果

根據(jù)聚類(lèi)結(jié)果每一客戶(hù)群的聚類(lèi)中心點(diǎn)并結(jié)合上節(jié)各指標(biāo)權(quán)重值對(duì)每一客戶(hù)群體的消費(fèi)行為進(jìn)行分析,發(fā)現(xiàn)客戶(hù)群在平均購(gòu)買(mǎi)金額上沒(méi)有體現(xiàn)出太大的差異,但結(jié)合頻率來(lái)看總購(gòu)買(mǎi)金額差異較大.這也正好說(shuō)明了該企業(yè)需要關(guān)注的是客戶(hù)的購(gòu)買(mǎi)頻率和購(gòu)買(mǎi)時(shí)間間隔.表4結(jié)果表明在平均購(gòu)買(mǎi)時(shí)間間隔、購(gòu)買(mǎi)頻率和客戶(hù)活躍時(shí)間3 個(gè)指標(biāo)上各客戶(hù)的行為差異顯著.

客戶(hù)群1 在購(gòu)買(mǎi)頻率和活躍時(shí)間上是所有群體中表現(xiàn)最差的,但是平均購(gòu)買(mǎi)時(shí)間間隔是最小的,結(jié)合購(gòu)買(mǎi)時(shí)間間隔和活躍時(shí)間來(lái)看可以說(shuō)明客戶(hù)群1 的客戶(hù)處于兩種狀態(tài):已流失和新客戶(hù).客戶(hù)群2 的活躍時(shí)間是最長(zhǎng)的、購(gòu)買(mǎi)頻率和購(gòu)買(mǎi)金額最高,平均購(gòu)買(mǎi)時(shí)間間隔也較短.客戶(hù)群3 的活躍時(shí)間較長(zhǎng),但是在平均購(gòu)買(mǎi)時(shí)間間隔和購(gòu)買(mǎi)頻率上表現(xiàn)均較差.客戶(hù)群4 在平均購(gòu)買(mǎi)時(shí)間間隔上和購(gòu)買(mǎi)頻率上表現(xiàn)較為顯著,但是活躍時(shí)間較短.

本文根據(jù)該實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行聚類(lèi)分析得出的結(jié)果,結(jié)合對(duì)每一客戶(hù)群各個(gè)指標(biāo)的分析,按照價(jià)值排名和客戶(hù)群的行為特征將該企業(yè)客戶(hù)分別定義為:重要保持客戶(hù)、重要發(fā)展客戶(hù)、重點(diǎn)關(guān)注客戶(hù)和一般價(jià)值客戶(hù).

對(duì)重要保持客戶(hù),即客戶(hù)群2.該客戶(hù)群體人數(shù)為831 人,他們價(jià)值排名第一,是企業(yè)所有客戶(hù)中最為理想的客戶(hù)類(lèi)型.該客戶(hù)群的生命周期最長(zhǎng)、購(gòu)買(mǎi)最頻繁、交易的金額也最大,說(shuō)明該客戶(hù)群是滿(mǎn)意度最高的,已對(duì)該企業(yè)產(chǎn)品形成偏好,能持續(xù)為企業(yè)帶來(lái)價(jià)值.面向該類(lèi)客戶(hù)群,企業(yè)需要積極提供售后服務(wù),定期回訪與關(guān)懷,主要是向該客戶(hù)咨詢(xún)其關(guān)于產(chǎn)品和服務(wù)的看法,對(duì)該客戶(hù)群采取服務(wù)差異化的策略,維持好與該客戶(hù)群的關(guān)系,發(fā)展該客戶(hù)群成為企業(yè)的忠誠(chéng)客戶(hù)群.

對(duì)重要發(fā)展客戶(hù),即客戶(hù)群3.該客戶(hù)群價(jià)值排名第2,有913 人.該客戶(hù)群在平均購(gòu)買(mǎi)時(shí)間間隔、購(gòu)買(mǎi)頻率和購(gòu)買(mǎi)金額上僅次于重要保持客戶(hù)群,但活躍時(shí)間較低.為避免該客戶(hù)群發(fā)生流失行為,企業(yè)應(yīng)該投入更多的精力和資源去關(guān)注這類(lèi)客戶(hù),面向該客戶(hù)群體進(jìn)行宣傳以實(shí)現(xiàn)精準(zhǔn)營(yíng)銷(xiāo),并給予該客戶(hù)群一些購(gòu)買(mǎi)優(yōu)惠,促使該客戶(hù)發(fā)生持續(xù)購(gòu)買(mǎi)行為,延長(zhǎng)該類(lèi)客戶(hù)的生命周期,使該客戶(hù)群發(fā)展為企業(yè)的高價(jià)值客戶(hù).

對(duì)重點(diǎn)關(guān)注客戶(hù),即客戶(hù)群1.客戶(hù)群1 的人數(shù)是最多的,同時(shí)因?yàn)榇祟?lèi)客戶(hù)處于兩個(gè)狀態(tài):已流失或者新客戶(hù),這說(shuō)明企業(yè)中存在大量流失的客戶(hù)或新增很多新客戶(hù).對(duì)電子商務(wù)企業(yè)來(lái)說(shuō),這兩類(lèi)客戶(hù)至關(guān)重要.客戶(hù)流失率較大的話(huà),企業(yè)很難培養(yǎng)出龐大的忠誠(chéng)客戶(hù)群,同時(shí)該企業(yè)的口碑會(huì)受到影響.新客戶(hù)較多時(shí),企業(yè)應(yīng)該盡量保留住該客戶(hù)群.如果流失客戶(hù)人數(shù)占比較多,企業(yè)需要關(guān)注導(dǎo)致客戶(hù)流失的原因,分析流失客戶(hù)群購(gòu)買(mǎi)的產(chǎn)品,發(fā)現(xiàn)問(wèn)題后及時(shí)調(diào)整其產(chǎn)品和服務(wù)策略,降低流失率;如果新客戶(hù)數(shù)量居多,企業(yè)需要分析是由于特殊節(jié)日還是最近的營(yíng)銷(xiāo)活動(dòng)所帶來(lái)的新客戶(hù),同時(shí)在未來(lái)的一段時(shí)間里需要經(jīng)常面向這些新客戶(hù)宣傳,在客戶(hù)心中留下印象,關(guān)注該類(lèi)客戶(hù)的動(dòng)態(tài),促使新客戶(hù)發(fā)生重復(fù)購(gòu)買(mǎi)行為,使其成為長(zhǎng)期客戶(hù).

對(duì)一般價(jià)值客戶(hù),即客戶(hù)群4.雖然他們的活躍時(shí)間相對(duì)較久,但購(gòu)買(mǎi)頻率較少,平均購(gòu)買(mǎi)時(shí)間間隔也較長(zhǎng),說(shuō)明該類(lèi)客戶(hù)不經(jīng)常發(fā)生購(gòu)買(mǎi)行為,只在有需要的時(shí)候會(huì)想到該企業(yè)并發(fā)生購(gòu)買(mǎi)行為.且該客戶(hù)人數(shù)較少,為企業(yè)帶來(lái)的價(jià)值較低,是低價(jià)值客戶(hù),因此企業(yè)只需做好廣告營(yíng)銷(xiāo),不用投入過(guò)多精力去關(guān)注該客戶(hù)群.

4 結(jié)語(yǔ)

電子商務(wù)企業(yè)能夠收集到豐富的客戶(hù)購(gòu)買(mǎi)行為信息,通過(guò)對(duì)客戶(hù)行為信息進(jìn)行分析有助于企業(yè)更好地實(shí)施營(yíng)銷(xiāo)活動(dòng).針對(duì)現(xiàn)有模型普遍基于RFM 和K-means對(duì)客戶(hù)價(jià)值進(jìn)行分類(lèi),對(duì)指標(biāo)權(quán)重的確定大多采用AHP 法,沒(méi)有考慮到RFM 模型指標(biāo)相互之間的聯(lián)系.本文對(duì)真實(shí)的電子商務(wù)客戶(hù)龐大的交易信息進(jìn)行分析,根據(jù)數(shù)據(jù)集所包含的客戶(hù)行為數(shù)據(jù)的信息,提出改進(jìn)的RFMT 模型選取合適指標(biāo),采用灰色關(guān)聯(lián)的權(quán)重確定方法,并結(jié)合數(shù)據(jù)挖掘算法對(duì)客戶(hù)進(jìn)行聚類(lèi)分析.使用改進(jìn)的RFMT 模型及灰色關(guān)聯(lián)度的權(quán)重確定方法,能更好地衡量客戶(hù)價(jià)值;根據(jù)肘部法則確定聚類(lèi)數(shù)目,運(yùn)用K-mean++聚類(lèi)分析的結(jié)果誤差更小,基于RFMT模型對(duì)客戶(hù)群的分類(lèi)更加細(xì)致,能幫助企業(yè)識(shí)別出需要重點(diǎn)關(guān)懷的客戶(hù)和重點(diǎn)關(guān)注的客戶(hù),提高企業(yè)對(duì)流失客戶(hù)群的防范意識(shí)和對(duì)新客戶(hù)群體的重視.本文對(duì)客戶(hù)價(jià)值細(xì)分的方法也適用于其它電子商務(wù)企業(yè),該模型能夠?qū)蛻?hù)價(jià)值進(jìn)行合理的辨別,通過(guò)識(shí)別出不同客戶(hù)群的價(jià)值及行為特征,有助于企業(yè)針對(duì)不同客戶(hù)群體采用不同的客戶(hù)關(guān)系管理手段,合理安排資源投入,實(shí)現(xiàn)效率最大化.