余方超，徐 雷，張國鋒，葉宗鑫

(四川大學 機械工程學院，成都 610065）

0 引言

隨著互聯(lián)網(wǎng)技術(shù)、大數(shù)據(jù)以及5G通訊技術(shù)等新一代信息技術(shù)蓬勃發(fā)展，工業(yè)互聯(lián)網(wǎng)迎來了全所未有的機遇。信息技術(shù)和制造方式的加速融合，推進現(xiàn)代制造企業(yè)的技術(shù)創(chuàng)新。同時，信息技術(shù)與管理技術(shù)的深度融合能加快制造企業(yè)的管理升級[1]。當代企業(yè)能夠在新一輪的市場競爭中取得優(yōu)勢的關(guān)鍵在于企業(yè)能為顧客提供更好的利益和服務(wù)[2]。對于家電制造企業(yè)，提升企業(yè)競爭力的關(guān)鍵在于更短的時間和更少的成本向客戶提供多樣的定制產(chǎn)品，大規(guī)模定制是現(xiàn)代制造企業(yè)保持競爭力的關(guān)鍵[3]。定制服務(wù)是“制造—互聯(lián)網(wǎng)+”的生產(chǎn)模式，利用物聯(lián)網(wǎng)、人工智能、大數(shù)據(jù)等新一代信息技術(shù)，發(fā)展個性化設(shè)計、用戶參與設(shè)計，推進生產(chǎn)制造的智能化、柔性化[4]。

定制服務(wù)的核心是“以客戶為中心”，通過客戶需求分析，為客戶提供個性化的需求，使企業(yè)和客戶能建立穩(wěn)定、長遠的雙贏關(guān)系，逐漸獲得穩(wěn)定的客戶，最終讓企業(yè)獲得市場[5]。企業(yè)的發(fā)展離不開產(chǎn)品創(chuàng)新和客戶需求的緊密有效融合[6]，同時企業(yè)也認識到客戶之間的差別，對企業(yè)的貢獻也不同，企業(yè)也缺乏有效地挖掘客戶需求的工具。在這樣的情形下，為了滿足不同需求的客戶，通過有效的方法挖掘不同類型的客戶，根據(jù)不同客戶的需求提供個性化的服務(wù)，加深客戶與企業(yè)的關(guān)系，建立長久的忠誠度和維護客戶保持率，為企業(yè)創(chuàng)造更多的利潤[7]。

本文將結(jié)合大數(shù)據(jù)處理技術(shù)、定制服務(wù)特點以及現(xiàn)代管理技術(shù)，對家電產(chǎn)品定制客戶數(shù)據(jù)進行分析。期望能全面的反應(yīng)客戶價值，根據(jù)定制服務(wù)客戶價值分析對不同類型的客戶采用不同的銷售手段，為實現(xiàn)客戶個性化營銷及企業(yè)資源的有效分配提供理論方法。

1 定制客戶價值研究

1.1 定制客戶價值評價指標

客戶價值指標主要包括當前價值和潛在價值兩個方面[8]。對于當前價值的衡量，較多采用利潤率和購買量作為評價指標；對于潛在價值的衡量，較多是客戶與企業(yè)聯(lián)系的緊密度和未來預(yù)期的利潤值[9]，如重復購買次數(shù)，興趣度以及口碑等。定制服務(wù)模式是一種集企業(yè)、客戶、供應(yīng)商以及外界環(huán)境于一體的生產(chǎn)模式。當前價值可以從銷售總額、消費次數(shù)、消費時間等能直接方便得到的指標進行分析；潛在價值指未來能為企業(yè)帶來的經(jīng)濟效益，主要表現(xiàn)為對產(chǎn)品較高的關(guān)注度、興趣度以及對產(chǎn)品開發(fā)的參與度等方面。

1.2 RFM客戶價值模型研究

在客戶價值模型研究中RFM模型是研究客戶價值分類的主要方法。其中R（Recency），最近一次消費時間與截止時間的間隔；F（Frequency），某段時間內(nèi)的購買頻率；M（Monetary），某段時間內(nèi)的消費總額。RFM方法可以分析和識別用戶行為[10]，用客戶行為數(shù)據(jù)將客戶進行劃分，同時進行消費預(yù)測[11]。RFM模型能快速的根據(jù)客戶數(shù)據(jù)指標進行客戶價值細分，得到不同的客戶群體，是企業(yè)管理的有效方法。

2 RFMI模型構(gòu)建

2.1 RFMI模型分析

RFM模型不能準確的描述定制服務(wù)下客戶的價值劃分。面對家電定制制造生產(chǎn)模式，企業(yè)在發(fā)展的初級階段用會員制度吸引客戶，建立企業(yè)與客戶更加緊密的結(jié)構(gòu)關(guān)系，進一步滿足客戶的個性化需求，也有利于提升客戶粘性、改善客戶關(guān)系[12]。同時定制服務(wù)的用戶特點在于用戶參與設(shè)計、以及交互設(shè)計，所以用戶參與度也是定制服務(wù)的一個重要特征。為了完善RFM模型在定制服務(wù)中的應(yīng)用，引入個性化指標I（Individualization），I由客戶參與度組成，本文用客戶會員等級和客戶參與時間表示。RFMI模型流程如圖1所示，主要是目標數(shù)據(jù)集抽取、數(shù)據(jù)處理分析、模型構(gòu)建與結(jié)果分析。

圖1 RFMI模型流程圖

2.2 指標相關(guān)性分析

相關(guān)性指兩個變量之間關(guān)聯(lián)程度的大小，在客戶價值分析模型中若兩個變量有較強的相關(guān)性，可能導致模型存在多重共線性缺陷。在研究新的指標影響時，為增強模型正確性，應(yīng)盡量避免這種情況，為了能更加準確的描述變量間的相關(guān)性，采用計算相關(guān)系數(shù)的方法，相關(guān)性矩陣C(u,v)定義為：

其中u，v表示兩個不同的指標，當C＞0為正相關(guān)關(guān)系；C<0為負相關(guān)關(guān)系；當|C|≤0.3為極弱線性相關(guān)或不相關(guān)；0.3<|C|≤0.5為低線性相關(guān)；0.5<|C|≤0.8為顯著線性相關(guān)；|C|>0.8為高線性相關(guān)。

2.3 指標權(quán)值分析

用于權(quán)重分析的方法很多，一般包括主觀方法和客觀方法。主觀方法一般有專家咨詢法、多層次分析法，有很強的主觀性，準確性較差；客觀方法包括熵權(quán)法、離差及均方差法和主成分分析法等。由于在客戶劃分中實際數(shù)據(jù)量大，可以用熵權(quán)法通過數(shù)據(jù)差異確定權(quán)重。熵權(quán)法中信息的無序程度用信息熵表示，信息的無序程度越小，信息熵越小，信息的效用值越大[14]，賦權(quán)步驟如下：

Step1：數(shù)據(jù)規(guī)范化。采用離差標準化將各指標數(shù)值映射到[0,1]之間表示為：

其中u代表原始數(shù)據(jù)，v表示規(guī)范后的數(shù)據(jù)。

Step2：計算指標比重系數(shù)K。規(guī)范化后的第i個樣本的第j個指標vij占所有樣本的比重表示為：

Step3：計算信息熵。根據(jù)信息熵的定義以及指標比重系數(shù)，樣本中第j個指標的信息熵表示為：

其中n表示數(shù)據(jù)指標類型個數(shù)。

Step4：計算客觀權(quán)重。根據(jù)信息熵的定義，第j項數(shù)據(jù)的信息效用值等于1和Ej的差值，所以第j項指標權(quán)重表示為：

2.4 RFMI指標構(gòu)造

R指最近一次消費時間和窗口結(jié)束時間的時間間隔，R越小客戶價值越大；F指窗口期內(nèi)的消費次數(shù)，F(xiàn)越大客戶價值越大；M指窗口期內(nèi)消費的總額，M越大客戶價值越大；I指的是個性化指標如式(6)所示，I越大客戶價值越大。

其中u代表客戶參與時間，v表示客戶會員等級，n表示客戶數(shù)量。

2.5 K-means++算法

K-means算法是典型的通過距離計算的非層次聚類算法，傳統(tǒng)K-means方法初始聚類中心是隨機選擇的，可能使結(jié)果局部收斂，嚴重偏離全局最優(yōu)解。為了聚類結(jié)果更加準確，K-means++算法能優(yōu)化初始簇心能避免聚類結(jié)果嚴重偏離全局最優(yōu)解，同時加快算法收斂速度[15]。K-means++算法步驟如下：

輸入：樣本集X，簇心數(shù)K。

輸出：對應(yīng)的簇心C和K個類。

Step1：K個初始簇心的選擇。

1）從X中隨機選擇一個數(shù)據(jù)作為第一個簇心。

2）計算簇心與X中每一個數(shù)據(jù)點間的距離。

3）選擇距離最大的數(shù)據(jù)點作為新的簇心。

重復1～3，直到選出K個簇心。

Step2：計算K個簇心和每條數(shù)據(jù)間的距離。同時利用了兩邊之和大于等于第三邊,以及兩邊之差小于第三邊的三角形性質(zhì)，來減少距離的計算。

Step3：按照“距離最近”原則，將每條數(shù)據(jù)都劃分到最近的簇類中。

Step4：數(shù)據(jù)劃分完后，K個簇心重新計算。

Step5：迭代執(zhí)行Step2～Step4，直到K個簇心不再改變，或者滿足給定條件。

3 實驗研究與分析

3.1 實驗數(shù)據(jù)處理與分析

實驗數(shù)據(jù)來自某家電企業(yè)2015年4月1日至2017年3月31日的實際銷售數(shù)據(jù)，其中包含客戶基本信息數(shù)據(jù)、商品信息數(shù)據(jù)、銷售數(shù)據(jù)等。針對RFMI模型生成原始數(shù)據(jù)表，主要包含最后一次購買時間、購買的次數(shù)、消費的總金額、會員等級、用戶參與時間、折扣率等相關(guān)指標。原始數(shù)據(jù)共67582條數(shù)據(jù)，通過數(shù)據(jù)預(yù)處理刪除其中異常數(shù)據(jù)以及分布不合理數(shù)據(jù)，最終得到62020條有效數(shù)據(jù)用于實驗分析。

通過式(1)對實驗數(shù)據(jù)選擇的指標進行相關(guān)性分析，得到相關(guān)性矩陣如圖2所示：

圖2 指標相關(guān)性矩陣圖

從圖2中可以看到原始數(shù)據(jù)表中不同指標間的相互關(guān)聯(lián)程度，除去R、F、M三個指標的聯(lián)系，VIP_TIER（會員等級）和M（消費總額）程較高的正相關(guān)關(guān)系，直接用客戶會員等級作為衡量衡量指標會加大模型誤差，AVG_DIS（平均折扣）和M、VIP_TIER有較弱的正相關(guān)和其他指標相關(guān)性不強，這是因為折扣在活動期間會有很大的波動，顧不適合用于模型分析，PAT_TIME（用戶參與時間）和其他指標相關(guān)性均不強，對于該模型可以作為一個衡量標準。

3.2 RFMI權(quán)值分析

會員等級和用戶參與時間的量綱、范圍均不相同，通過式(2)進行數(shù)據(jù)規(guī)范化處理，采用熵權(quán)法進行賦權(quán)，通過式(3)～式(5)得到VIP_TIER權(quán)重為0.793，PAR_TIME權(quán)重為0.175，通過式(6)加權(quán)得到指標I的值，將I的數(shù)據(jù)值添加至原有數(shù)據(jù)集中得到最終實驗數(shù)據(jù)，如表1所示。

表1 最終實驗數(shù)據(jù)分布表

同樣通過熵權(quán)法對R、F、M、I四個指標進行權(quán)重確定，最終得到R的權(quán)重為0.229，F(xiàn)的權(quán)重為0.333，M的權(quán)重為0.275，I的權(quán)重為0.163，如圖3所示。

圖3 各指標權(quán)重圖

3.3 聚類結(jié)果與客戶分類

為了方便后面指標分析，先將最終的到的實驗數(shù)據(jù)通過差商標準化，以分數(shù)的大小衡量客戶價值的高低。運用K-means++算法對R、F、M、I指標進行聚類，得到的指標的簇心分布如表2所示：

表2 各指標簇心分布表

在RFMI模型中，為了使每個指標影響一致，在劃分客戶時R的值?。?-R），根據(jù)各指標原始的數(shù)值范圍和得到的聚類結(jié)果，為了使各個指標能更加合理的評價客戶價值，根據(jù)數(shù)據(jù)層次，將R、F、I乘100，M乘1000。結(jié)合各個指標的權(quán)重，得到各指標分類得分情況，結(jié)果如表3所示。

表3 各指標分類得分表

根據(jù)定制客戶價值研究，將客戶當前價值定義為最近購買時間R、購買次數(shù)F以及消費總額M之和，將客戶潛在價值定義為最近購買時間R以及個性化指數(shù)I之和，客戶價值為客戶當前和客戶潛在價值兩者之和。

結(jié)合客戶各類價值分類定義可以得到客戶價值分類詳情，結(jié)果如圖4所示。對當前價值、潛在價值以及客戶價值分類排序，結(jié)果從高到底排序依次均為類型3、類型5、類型2、類型4和類型1。

圖4 客戶價值分類圖

3.4 策略分析

通過分析表3和圖4，可以得到客戶等級劃分以及占比情況，如表4所示。

表4 客戶等級劃分表

通過表4可知類型3是Ⅰ級客戶，這類客戶是企業(yè)的高價值用戶，是最為理想的客戶類型。企業(yè)應(yīng)該優(yōu)先將資源放在這類客戶上，實行差異性管理和一對一的個性化服務(wù)，提高滿意度和忠誠度。類型5是Ⅱ級客戶，這類客戶是企業(yè)的中高等價值用戶，是重要的客戶類型。企業(yè)應(yīng)該投入足夠的資源和獨特的服務(wù)，加強這類客戶的滿意度，提高轉(zhuǎn)向競爭對手的轉(zhuǎn)移成本，進一步提高客戶忠誠度。類型2是Ⅲ級客戶，這類客戶的價值不確定性很高，是重要挽留客戶類型。企業(yè)應(yīng)該掌握客戶的最新消息、維持與客戶之間的互動，采用一定的促銷手段，加強客戶聯(lián)系，延長客戶生命周期，為企業(yè)創(chuàng)造更多利潤。類型4是Ⅳ級客戶，是一般客戶類型。這類客戶當前、潛在價值都偏低，可能是新用戶群體，也有可能是出現(xiàn)較大優(yōu)惠才消費的低消費群體，企業(yè)應(yīng)該投入適當?shù)馁Y源和營銷策略，努力吸引這類客戶，進一步發(fā)展客戶間的關(guān)系。類1是Ⅴ級客戶，這類客戶是企業(yè)的低價值客戶。這類客戶當前、潛在價值都很低，未來能為企業(yè)帶來的收入很少，企業(yè)應(yīng)該降低對該類客戶的投入，降低服務(wù)成本。

根據(jù)RFMI模型的指標特點，實際應(yīng)用中可以將R、F、M、I四個指標看成四個維度，每一個維度可以按照重要程度的不同進行進行劃分，例如每個維度都有重要、中等和不重要三個等級，那么實際得到的RFMI模型將有81種不同的客戶類型，針對不同的客戶類型能進一步的對不同客戶實施精確的個性化服務(wù)，提高企業(yè)的利益和競爭力。

4 結(jié)語

客戶價值評價是一個企業(yè)發(fā)展的重要環(huán)節(jié)，本文通過定制服務(wù)下客戶價值研究，在RFM模型基礎(chǔ)上針對定制服務(wù)特點提出RFMI模型。通過對家電定制企業(yè)數(shù)據(jù)的實驗分析，有效地對不同的客戶根據(jù)價值進行分類得到不同的客戶等級，同時針對不同客戶等級進行不同的策略分析，為定制企業(yè)對不同的客戶群體管理，實現(xiàn)各類客戶的個性化需求提供了科學的依據(jù)。但在實際應(yīng)用中也存在一些不足，本模型沒有涉及售后評價層面的分析，同時采用歷史數(shù)據(jù)進行建模，為了提高模型穩(wěn)定性，更加全面地了解新老客戶行為特征，家電定制企業(yè)應(yīng)該根據(jù)自身特點，建立合理的定期訓練模型時間。