●劉瑞琪 宋子琨

一、引言

數(shù)據(jù)是生產(chǎn)的關(guān)鍵要素之一，它已經(jīng)滲透到各行各業(yè)的功能領(lǐng)域。大數(shù)據(jù)又稱海量數(shù)據(jù)，主要是指其中所包含的數(shù)據(jù)規(guī)模龐大且結(jié)構(gòu)復(fù)雜、從而無法通過傳統(tǒng)的方式將信息轉(zhuǎn)化為可以直觀理解的數(shù)據(jù)信息。因此，通過對大數(shù)據(jù)進(jìn)行處理和分析，進(jìn)一步挖掘出更深層次的價(jià)值并加以利用，將顯著提升企業(yè)的決策能力。

近年來，我國正在全面利用大數(shù)據(jù)等信息技術(shù)推動(dòng)傳統(tǒng)產(chǎn)業(yè)的結(jié)構(gòu)轉(zhuǎn)型與發(fā)展，實(shí)現(xiàn)新的經(jīng)濟(jì)增長點(diǎn)及各產(chǎn)業(yè)間的融合發(fā)展。隨著移動(dòng)互聯(lián)網(wǎng)的迅猛發(fā)展，各類電商平臺的運(yùn)營逐漸趨于成熟，商家及用戶數(shù)量龐大、商品種類繁多，當(dāng)消費(fèi)者在網(wǎng)購平臺瀏覽商品時(shí)，大量無用商品的推薦無疑將會(huì)降低消費(fèi)者的購買率。因此，運(yùn)用大數(shù)據(jù)技術(shù)建立對用戶行為進(jìn)行分析的推薦系統(tǒng)，挖掘用戶行為特征并進(jìn)行個(gè)性化的商品推薦，從而有針對性地喚回老用戶并吸引新用戶，不僅可以降低用戶的選購時(shí)長并提高用戶對于網(wǎng)購平臺消費(fèi)體驗(yàn)的滿意度，還可以增加商家及網(wǎng)購平臺的收益。

基于此，本文利用天貓商城的真實(shí)消費(fèi)數(shù)據(jù)，使用RFM模型與K-Means聚類分析對天貓用戶進(jìn)行價(jià)值分類，從而為不同用戶提供個(gè)性化服務(wù)，實(shí)現(xiàn)了基于用戶分類的精準(zhǔn)營銷。

二、天貓消費(fèi)數(shù)據(jù)集的收集與預(yù)處理

本文的數(shù)據(jù)來源為天池平臺提供的天貓商城的真實(shí)消費(fèi)數(shù)據(jù)，該數(shù)據(jù)集中包括了用戶基本信息數(shù)據(jù)、用戶消費(fèi)數(shù)據(jù)及用戶購物行為數(shù)據(jù)3個(gè)部分，涵蓋了2018年4月1日至2019年3月31日期間在天貓平臺購買商品的用戶數(shù)據(jù)，共計(jì)539438條。其中，用戶基本信息數(shù)據(jù)集中主要記錄了性別、年齡層次、消費(fèi)檔次等字段；用戶購物行為數(shù)據(jù)集中主要記錄了商品種類編號、消費(fèi)者行為類型和訂單日期等字段。

在數(shù)據(jù)處理階段，本文對數(shù)據(jù)進(jìn)行去除重復(fù)值、處理缺失值、特征選擇等預(yù)處理。第一是將字符型格式等日期字段轉(zhuǎn)換為DateTime類型，并計(jì)算用戶購買時(shí)間與2019年4月1日的時(shí)間間隔。第二是使用timedelta類型屬性的days方法實(shí)現(xiàn)諸如“1”“2”等天數(shù)的提取。第三是篩選行為類型為“pv”的記錄，再根據(jù)日期分組排序，并統(tǒng)計(jì)每天對應(yīng)的購買記錄數(shù)量，即從用戶購物行為數(shù)據(jù)集中，篩選behavior_type字段等于“pv”的記錄，按照date字段分組同時(shí)進(jìn)行升序排列，并計(jì)算出每日進(jìn)行消費(fèi)的用戶數(shù)量。

三、天貓用戶價(jià)值分析

1.基于RFM模型的用戶價(jià)值分析。RFM模型通過消費(fèi)時(shí)間間隔、消費(fèi)頻率、消費(fèi)金額3個(gè)指標(biāo)對消費(fèi)者的活躍度進(jìn)行分層，從而實(shí)現(xiàn)對用戶價(jià)值的評估。其中，指標(biāo)R代表最近一次消費(fèi)（最近一次消費(fèi)到截止時(shí)間的間隔），可以類比為消費(fèi)者近期的活躍度；指標(biāo)F代表客戶消費(fèi)頻率，用以反映用戶近期的購物次數(shù)；指標(biāo)M代表消費(fèi)金額，用以反映消費(fèi)者的消費(fèi)能力。綜上所述，RFM模型就是對每一個(gè)用戶都從R、F、M三個(gè)維度進(jìn)行評估，并據(jù)此將用戶劃分為重點(diǎn)潛力用戶、重點(diǎn)發(fā)展用戶、重點(diǎn)喚回用戶、高價(jià)值用戶、低價(jià)值用戶、一般發(fā)展用戶、一般維系用戶和一般價(jià)值用戶等八類。

本文在將數(shù)據(jù)引入RFM模型前，為了進(jìn)一步了解用戶的消費(fèi)習(xí)慣、消費(fèi)行為及用戶本身的特性，首先根據(jù)用戶的購買行為進(jìn)行數(shù)據(jù)分析與探索，計(jì)算用戶在各流程之間的漏斗模型，研究發(fā)現(xiàn)用戶在最后實(shí)際下單的流程中流失最多（見圖一、圖二）。

圖1 加購漏斗圖

圖2 收藏漏斗圖

接著，本文采用五分法（0.2、0.4、0.6、0.8）對經(jīng)過預(yù)處理后的R、F、M數(shù)據(jù)進(jìn)行分箱處理，將用戶等分為5個(gè)層級，分別標(biāo)記為1-5分并賦予每一個(gè)用戶其相應(yīng)的分類標(biāo)簽，據(jù)此便可以有針對性的進(jìn)行符合此類用戶特征的精準(zhǔn)營銷，同時(shí)實(shí)現(xiàn)了平臺資源的利益最大化。

經(jīng)數(shù)據(jù)處理后，天貓商城用戶消費(fèi)數(shù)據(jù)集中的用戶被分為8類，其中高價(jià)值用戶占比為21%，此類用戶為平臺的核心用戶，因此需要保證該類用戶的留存率，即可以分析此類用戶的行為特征或進(jìn)行用戶訪談，了解產(chǎn)品對于此類用戶的吸引力和平臺有待優(yōu)化的問題。重點(diǎn)喚回用戶占比為14%，此類用戶過去在平臺上消費(fèi)較多而最近并未產(chǎn)生消費(fèi)，此類用戶在產(chǎn)品中有一定財(cái)富積累，但最近沒有消費(fèi)可能是受競品影響或消費(fèi)習(xí)慣發(fā)生改變，因此需要根據(jù)用戶歷史偏好，推送個(gè)性化內(nèi)容從而喚回此類用戶。重要發(fā)展用戶和重點(diǎn)潛力用戶人數(shù)較少，占比僅為6.2%左右，此類用戶在平臺的消費(fèi)次數(shù)較少但是在金額上貢獻(xiàn)較大，說明用戶一旦活躍就會(huì)大筆消費(fèi)，因此需要提高此類用戶在平臺的活躍度。值得注意的是，低價(jià)值客戶占比為41.1%，在各種用戶類型中占比最大，此類用戶具有較大的流失風(fēng)險(xiǎn)，但可以不將其作為平臺的運(yùn)營重點(diǎn)。

2.基于K-Means聚類的用戶價(jià)值分析。K-Means算法是一種基于數(shù)據(jù)劃分的無監(jiān)督聚類算法，它以k為參數(shù)，把n個(gè)數(shù)據(jù)對象分成k個(gè)簇，使簇內(nèi)具有較高的相似度，而簇間的相似度較低。由于RFM模型只涉及了天貓用戶消費(fèi)數(shù)據(jù)集中order_count、time_gap、total_amount等變量，然而通過上述變量并不能充分挖掘用戶特征，因此本文使用K-Means聚類方法將其他變量引入，從而對用戶特征進(jìn)行進(jìn)一步挖掘。

由于K-Means算法中的隨機(jī)因數(shù)將導(dǎo)致每次運(yùn)行結(jié)果都存在差異，本文為減少結(jié)果的偶然性，對每個(gè)k值重復(fù)計(jì)算了10次并對比每次計(jì)算結(jié)果的趨勢圖，選擇最明顯的拐點(diǎn)所對應(yīng)的k值。受篇幅所限，本文并未報(bào)告拐點(diǎn)的趨勢圖，但計(jì)算結(jié)果顯示k=3時(shí)滿足要求，因此確定用戶被分為3類。接著，本文通過選取刻畫用戶的重要指標(biāo)，用戶的id、用戶的年齡及用戶的購物深度以及性別這4個(gè)重要指標(biāo)，將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，并通過K-Means聚類得到聚類后的3類。

K-Means聚類結(jié)果與RFM模型分類結(jié)果較為相似，其中聚類結(jié)果為一類的用戶特征較為明顯，此類用戶多為女性，購買頻次較高且消費(fèi)金額較大，因此一類用戶為高價(jià)值用戶，其用戶數(shù)量為27347人，占比為53.21%；聚類結(jié)果為0類的消費(fèi)群體年齡段較高，具有購買頻次多但消費(fèi)金額較小的消費(fèi)行為特征，因此0類用戶為中價(jià)值用戶，其用戶數(shù)量為13110人，占比為25.51%；聚類結(jié)果為二類的消費(fèi)者中各指標(biāo)均相對較低，因此二類用戶為低價(jià)值用戶，其用戶數(shù)量為10937人，占比為21.28%。

四、結(jié)論

運(yùn)用大數(shù)據(jù)的技術(shù)建立用戶推薦系統(tǒng)，挖掘用戶行為特征并進(jìn)行個(gè)性化商品的推薦，不僅可以降低用戶的選購時(shí)長并提高用戶對于網(wǎng)購平臺消費(fèi)體驗(yàn)的滿意度，還可以增加網(wǎng)購商家及網(wǎng)購平臺的收益。本文利用天池平臺提供的天貓商城的真實(shí)消費(fèi)數(shù)據(jù)，首先對數(shù)據(jù)進(jìn)行了相應(yīng)的預(yù)處理，最終數(shù)據(jù)集中包含51394條購買記錄，接著分別基于RFM模型和K-Means聚類方法實(shí)現(xiàn)了對天貓用戶的分類，從而為平臺為用戶提供精準(zhǔn)營銷提供了相應(yīng)建議。

RFM模型的分析結(jié)果顯示，重點(diǎn)發(fā)展客戶占比5%，高價(jià)值客戶占比22%，應(yīng)重點(diǎn)關(guān)注這兩類客戶并提高用戶付費(fèi)率，維系高價(jià)值用戶、重點(diǎn)發(fā)展用戶的忠誠度，保持企業(yè)良好收入。在客戶總數(shù)中占比為21.9%的高價(jià)值客戶和占比13.8%的重點(diǎn)發(fā)展客戶貢獻(xiàn)了85.8%的銷售額，因此，應(yīng)當(dāng)提高高價(jià)值客戶和重點(diǎn)發(fā)展客戶的消費(fèi)金額，或是把重點(diǎn)發(fā)展客戶轉(zhuǎn)化為高價(jià)值客戶，即提升該客戶群的消費(fèi)頻次。重要挽留客戶為1090人，首先應(yīng)當(dāng)考慮是否在計(jì)算周期內(nèi)有大型促銷或降價(jià)活動(dòng)，若有則轉(zhuǎn)化這部分客戶的難度會(huì)較大，平臺應(yīng)重點(diǎn)發(fā)展其他類型客戶，若沒有則應(yīng)當(dāng)分析此類顧客的購買產(chǎn)品的特性從而提高其消費(fèi)頻率并培養(yǎng)其在此平臺的消費(fèi)習(xí)慣。新客戶人數(shù)為2143人，由于需要先把新客戶轉(zhuǎn)化為留存用戶，因此，在實(shí)際運(yùn)營過程中，可以考慮把這部分客戶和重要挽留客戶放在一起轉(zhuǎn)化，提升消費(fèi)頻率。流失客戶人數(shù)為1400人，對于銷售金額的貢獻(xiàn)占比較低，因此，需要進(jìn)一步分析此類用戶群體的消費(fèi)商品和消費(fèi)時(shí)間，但由于此類用戶人數(shù)較多，對其進(jìn)行分析耗時(shí)較長故可將其作為提升銷量的次要考慮因素。重要喚回客戶人數(shù)占比約為12%，此類用戶人數(shù)較少，但消費(fèi)意愿和消費(fèi)價(jià)值較高，可作為短期提升銷量的重點(diǎn)關(guān)注對象，通過運(yùn)營活動(dòng)，優(yōu)惠活動(dòng)刺激消費(fèi)。

K-Means聚類分析的結(jié)果顯示，聚類結(jié)果中消費(fèi)能力高，購物深度與層次較高，年齡指數(shù)較小，性別指數(shù)較大，這部分群體可能多為年輕女士，比較追求時(shí)尚、品牌及服務(wù)，對于此類在平臺有消費(fèi)記錄且過往消費(fèi)頻率和金額較高的用戶，屬于具有較高價(jià)值的核心用戶，本文認(rèn)為可以為這類用戶提供VIP特權(quán)和更多的專屬服務(wù)，后續(xù)還可以對客戶追根溯源，找到高價(jià)值用戶對應(yīng)標(biāo)簽的客戶的個(gè)人信息，重點(diǎn)關(guān)注此類用戶的行為路徑或者對其開展用戶訪談，了解產(chǎn)品的優(yōu)勢及反饋。針對近期活躍度較低、過往消費(fèi)頻率和金額都較高的用戶，需要將其進(jìn)行喚回并重新成為平臺的核心用戶。此外，還應(yīng)當(dāng)提高一般維系用戶、一般發(fā)展用戶的活躍度，并將其轉(zhuǎn)化為潛在客戶。