基于PCA和BP網(wǎng)絡(luò)的線上零售客戶價(jià)值細(xì)分研究

林明輝

(安徽新華學(xué)院商學(xué)院，安徽合肥 230031)

基于PCA和BP網(wǎng)絡(luò)的線上零售客戶價(jià)值細(xì)分研究

林明輝

(安徽新華學(xué)院商學(xué)院，安徽合肥 230031)

在互聯(lián)網(wǎng)經(jīng)濟(jì)和大數(shù)據(jù)營(yíng)銷環(huán)境下，正確識(shí)別客戶、細(xì)分客戶是發(fā)掘潛在客戶和維系老客戶、提供精準(zhǔn)營(yíng)銷和差異化營(yíng)銷的關(guān)鍵所在。本文通過PCA主成分分析，對(duì)指標(biāo)進(jìn)行降維處理，消除指標(biāo)間信息重復(fù)，運(yùn)用BP網(wǎng)絡(luò)高度的非線性映射能力對(duì)客戶價(jià)值細(xì)分指標(biāo)進(jìn)行收斂訓(xùn)練，最終得到擬合度較高的因子權(quán)重分布，為建立以消費(fèi)行為為導(dǎo)向的在線零售客戶價(jià)值模型提供參考和借鑒。

主成分分析；BP網(wǎng)絡(luò)；客戶價(jià)值細(xì)分

隨著OTO經(jīng)濟(jì)和移動(dòng)互聯(lián)技術(shù)的發(fā)展，傳統(tǒng)零售行業(yè)逐漸將重心轉(zhuǎn)移到用戶規(guī)模龐大、利潤(rùn)可觀的電子商務(wù)市場(chǎng)?；ヂ?lián)網(wǎng)環(huán)境下的消費(fèi)者購(gòu)買行為具有更大的隱蔽性和可誘導(dǎo)性，競(jìng)爭(zhēng)對(duì)手的策略滲透交互干擾著消費(fèi)者的決策過程。正確識(shí)別目標(biāo)客戶、有效引導(dǎo)消費(fèi)行為成為企業(yè)降低營(yíng)銷成本、獲得核心競(jìng)爭(zhēng)優(yōu)勢(shì)的關(guān)鍵，差異化、個(gè)性化的產(chǎn)品和服務(wù)可以更好地滿足消費(fèi)者的需求，也會(huì)進(jìn)一步鞏固和提升客戶的忠誠(chéng)度。

客戶價(jià)值細(xì)分是動(dòng)態(tài)營(yíng)銷和精準(zhǔn)營(yíng)銷的一個(gè)重要研究課題。在大數(shù)據(jù)環(huán)境下，企業(yè)面臨著海量的用戶消費(fèi)數(shù)據(jù)和個(gè)性化行為過程記錄。挖掘、識(shí)別、歸類有效數(shù)據(jù)，實(shí)現(xiàn)客戶價(jià)值細(xì)分是企業(yè)營(yíng)銷戰(zhàn)略所要解決的首要問題。目前，國(guó)內(nèi)外學(xué)者對(duì)客戶價(jià)值細(xì)分的研究成果主要集中于某些種類的行業(yè)應(yīng)用，如服裝業(yè)、零售業(yè)、通信業(yè)等。湯海霞利用協(xié)整矩陣分析客戶通信費(fèi)用以及通話時(shí)長(zhǎng)等數(shù)據(jù)的變化趨勢(shì)，預(yù)測(cè)客戶消費(fèi)行為偏好和離網(wǎng)傾向[1]。Alex. Berson等人從客戶關(guān)系管理的角度出發(fā)，利用決策樹和聚類分析理論研究零售業(yè)客戶細(xì)分[2]。蒙肖蓮等利用數(shù)據(jù)挖掘技術(shù)建立基于個(gè)人信用體系的商業(yè)銀行客戶價(jià)值識(shí)別模型，為金融行業(yè)綁定優(yōu)質(zhì)客戶、延伸客戶價(jià)值貢獻(xiàn)提供了判斷標(biāo)準(zhǔn)。劉芝怡在基于改進(jìn)K-means算法的RFAT客戶細(xì)分研究中，將客戶最近購(gòu)買時(shí)間(Recency)、購(gòu)買頻次(Frequency)、平均購(gòu)買額(Average Monetary)和購(gòu)買傾向(Trend)作為客戶價(jià)值細(xì)分變量，對(duì)零售業(yè)客戶進(jìn)行分類[3]?；谏鲜鲅芯浚疚膹牧硪晃⒂^角度進(jìn)一步研究特定消費(fèi)群體(網(wǎng)上零售客戶)的購(gòu)買行為傾向。通過監(jiān)測(cè)收集消費(fèi)者使用互聯(lián)網(wǎng)和移動(dòng)數(shù)據(jù)終端進(jìn)行網(wǎng)絡(luò)購(gòu)物的行為數(shù)據(jù)樣本，使用PCA和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建基于網(wǎng)絡(luò)消費(fèi)行為指標(biāo)的客戶細(xì)分模型，并利用BP網(wǎng)絡(luò)的自我學(xué)習(xí)效應(yīng)重構(gòu)網(wǎng)絡(luò)消費(fèi)群體價(jià)值分類體系。

1 基于網(wǎng)絡(luò)消費(fèi)行為的客戶細(xì)分指標(biāo)體系

消費(fèi)行為是消費(fèi)者在收集商品信息、甄選商品信息并最終作出購(gòu)買決策過程中所表現(xiàn)出來的一系列行為。理性的消費(fèi)者在單次消費(fèi)中所表現(xiàn)出來的行為具有一定的獨(dú)立性。通過學(xué)習(xí)效應(yīng)，消費(fèi)者的多次購(gòu)買行為將趨向類同性[4]。實(shí)踐證明，消費(fèi)者在單位價(jià)值較低、品牌差異度較小的商品購(gòu)買決策中，增加了購(gòu)買經(jīng)驗(yàn)，其交易成本和時(shí)間成本大大減少，并呈現(xiàn)出相似的購(gòu)買決策行為特征。

為了收集完備的客戶消費(fèi)行為指標(biāo)，我們通過頭腦風(fēng)暴的方式，進(jìn)行多輪論證，最終形成了以3類標(biāo)準(zhǔn)、26評(píng)價(jià)維度組成的基礎(chǔ)評(píng)價(jià)體系。在數(shù)據(jù)準(zhǔn)確性方面，采用某大型消費(fèi)類電子商務(wù)門戶網(wǎng)站的實(shí)名注冊(cè)用戶信息及其后臺(tái)數(shù)據(jù)為研究對(duì)象。3類評(píng)判標(biāo)準(zhǔn)分別為個(gè)人信息變量、消費(fèi)決策變量、消費(fèi)結(jié)果變量。

1.1 個(gè)人信息變量

該變量主要反映消費(fèi)者的基本情況，例如性別、年齡、職業(yè)、教育程度、個(gè)人收入、網(wǎng)絡(luò)消費(fèi)支出等數(shù)據(jù)來源于注冊(cè)會(huì)員的實(shí)名登記信息。

1.2 消費(fèi)決策變量

該變量主要反映消費(fèi)者在從進(jìn)入網(wǎng)絡(luò)零售界面(接觸)到完成交易(退出)過程中產(chǎn)生由在消費(fèi)動(dòng)機(jī)驅(qū)動(dòng)的購(gòu)買決策行為，是潛在客戶轉(zhuǎn)變?yōu)楝F(xiàn)實(shí)客戶的過程體現(xiàn)。例如，瀏覽目錄級(jí)次、頁(yè)面停留時(shí)間、注冊(cè)綁定銀行卡數(shù)、持卡類型等來源于網(wǎng)站數(shù)據(jù)中心的日志處理模塊(Log Preprocessing)。

1.3 消費(fèi)結(jié)果變量

該變量主要反映消費(fèi)者交易支出情況以及購(gòu)買后的行為，是顧客滿意度和忠誠(chéng)度的主要檢測(cè)指標(biāo)，例如日交易支出、累計(jì)交易支出、咨詢投訴成本、推薦他人購(gòu)買、分享購(gòu)買信息等是客戶價(jià)值測(cè)定的關(guān)鍵指標(biāo)，來源于財(cái)務(wù)數(shù)據(jù)庫(kù)以及售前支持和售后代理數(shù)據(jù)庫(kù)。

表1 客戶價(jià)值細(xì)分指標(biāo)列表

2 基于BP網(wǎng)絡(luò)和主成分分析的客戶價(jià)值模型

神經(jīng)網(wǎng)絡(luò)是人工智能的方法之一，通過模擬生物神經(jīng)網(wǎng)絡(luò)功能來解決各個(gè)領(lǐng)域的實(shí)際問題，其中應(yīng)用最廣的是BP網(wǎng)絡(luò)。BP(back propagation)網(wǎng)絡(luò)是一種利用誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層次前饋神經(jīng)網(wǎng)絡(luò)。輸入層初始化權(quán)值后，通過隱藏層正向傳播信號(hào)，若輸出層不能得到理想的結(jié)果，則通過隱藏層反饋誤差信息，逐層修正連接權(quán)，經(jīng)過多次的學(xué)習(xí)和訓(xùn)練，在信號(hào)交替?zhèn)鬟f過程中實(shí)現(xiàn)網(wǎng)絡(luò)誤差的最小化[5]。

PCA主成分分析法是指將給定的一組變量指標(biāo)，通過線性變換轉(zhuǎn)化為另一組綜合度更高的變量指標(biāo)簇的統(tǒng)計(jì)分析方法[6]。在變換轉(zhuǎn)化過程中，根據(jù)指標(biāo)對(duì)信息對(duì)象的解釋程度，重新歸類定義綜合變量。實(shí)際上，綜合變量是原來的線性組合。由于初始指標(biāo)之間或多或少具有一定的相關(guān)性，在對(duì)實(shí)際問題的表述上存在信息重疊。從描述統(tǒng)計(jì)的角度看，主成分分析法能更加集中地概括出數(shù)據(jù)的本質(zhì)特征，體現(xiàn)數(shù)據(jù)的內(nèi)部結(jié)構(gòu)。

BP神經(jīng)網(wǎng)絡(luò)也存在一些局限性，如收斂速度慢、初始權(quán)值的選擇缺乏依據(jù)等。同時(shí)，本研究所采集的指標(biāo)數(shù)據(jù)較多，指標(biāo)之間存在一定的相關(guān)性，因此應(yīng)利用PCA法對(duì)指標(biāo)進(jìn)行降維，將得到的主成分作為初始數(shù)據(jù)進(jìn)行BP網(wǎng)絡(luò)信號(hào)輸入[7]。

3 在線零售客戶價(jià)值評(píng)價(jià)指標(biāo)體系的建立

3.1 PCA主成分分析

3.1.1 建立原始客戶細(xì)分指標(biāo)矩陣

3.1.2 指標(biāo)矩陣進(jìn)行標(biāo)準(zhǔn)化

在同一量綱規(guī)范內(nèi)，均值和方差可以對(duì)數(shù)據(jù)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化操作，而本研究的指標(biāo)參數(shù)在量綱的橫向比較上存在不一致，為了避免量綱不同而產(chǎn)生“偽偏和現(xiàn)象”，我們選用線性無量綱極值法對(duì)數(shù)據(jù)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理[8]。

由此可得V=(vki)m×n.

3.1.3 數(shù)據(jù)歸一化

歸一化是一種簡(jiǎn)化計(jì)算的方式，即將有量綱的表達(dá)式，經(jīng)過變換，化為無量綱的表達(dá)式，成為標(biāo)準(zhǔn)量，縮小量值差距，歸一化的數(shù)值頻動(dòng)范圍在[0,1]之間。

3.1.4 計(jì)算相關(guān)系數(shù)矩陣

3.1.5 計(jì)算特征值和特征向量確定主成分貢獻(xiàn)率

3.2BP網(wǎng)絡(luò)自適應(yīng)算法

(1)初始化，對(duì)輸入層至中間層的連接權(quán)值Wij(i=1,2,…，n；j=1,2,…，p)中間層至輸出層的連接權(quán)值Vjt(j=1,2,…，p;t=1,2,…，p)，以及中間層各個(gè)單元的輸出閾值θj，輸出層各個(gè)單元的輸出閾值γj，賦予(0,1)內(nèi)的隨機(jī)值；

(2)提供p個(gè)學(xué)習(xí)樣本X1X2…Xp，目標(biāo)樣本T1T2…Tp和輸出值Y1Y2…Yp；

(3)計(jì)算輸出，利用sigmoid函數(shù)，用輸入層樣本X1X2…Xp，輸入層至中間層的連接權(quán)值Wij，中間層各個(gè)單元的輸出閾值θj，計(jì)算中間層輸出Sj；

(4)利用中間層輸出Sj，中間層至輸出層的連接權(quán)值Vjt，輸出層各個(gè)單元的輸出閾值γj，通過傳遞函數(shù)，計(jì)算輸出層輸出Lj；

(5)比較計(jì)算目標(biāo)向量與實(shí)際輸出的一般化誤差，利用Lj，Vjt計(jì)算中間層各單元一般化誤差，進(jìn)而修正連接權(quán)Vjt和閾值γj，同理，利用中間層各單元一般化誤差和修正后的Vjt，逆向修正連接權(quán)Wij和閾值θj；

4 實(shí)例分析

4.1 樣本選取

本研究以某大型消費(fèi)率電子商務(wù)門戶網(wǎng)站的實(shí)名注冊(cè)用戶為調(diào)查對(duì)象。其中，客戶個(gè)人特征信息來源于注冊(cè)用戶個(gè)人所填寫的信息，顧客消費(fèi)行為特征數(shù)據(jù)采集于后臺(tái)數(shù)據(jù)監(jiān)控中心，消費(fèi)結(jié)果信息來源于交易數(shù)據(jù)中心。同時(shí)通過問卷調(diào)查，模擬部分情景進(jìn)行數(shù)據(jù)測(cè)試，確保行為特征數(shù)據(jù)能代表客戶的真實(shí)意愿，同時(shí)修正了部分不對(duì)稱的信息。

4.2 主成分分析

選取100位零售業(yè)的專家和經(jīng)常網(wǎng)購(gòu)的消費(fèi)者對(duì)上述細(xì)分指標(biāo)進(jìn)行評(píng)定，對(duì)部分非量值指標(biāo)，如性別、教育程度、職業(yè)、支付方式等進(jìn)行數(shù)值化預(yù)處理，對(duì)收入支出類數(shù)據(jù)用均值進(jìn)行標(biāo)準(zhǔn)化處理。結(jié)合Matlab軟件對(duì)客戶消費(fèi)行為數(shù)據(jù)進(jìn)行主成分分析，其中累計(jì)方差貢獻(xiàn)率超過85%的有5項(xiàng)(表2)。

表2 主成分特征值及方差貢獻(xiàn)率

由表2可以看出，前5項(xiàng)主成分方差在總方差中占比90.662%，超過85%的判斷標(biāo)準(zhǔn)，可以代表原來的26項(xiàng)細(xì)分指標(biāo)，5項(xiàng)主成分形成的網(wǎng)絡(luò)輸入向量經(jīng)過標(biāo)準(zhǔn)化后部分如表3所示。

表3 網(wǎng)絡(luò)輸入部分?jǐn)?shù)據(jù)表

4.3 網(wǎng)絡(luò)訓(xùn)練及學(xué)習(xí)結(jié)果

表4 網(wǎng)絡(luò)訓(xùn)練誤差表

由表4可知，神經(jīng)元個(gè)數(shù)為14個(gè)時(shí)，網(wǎng)絡(luò)誤差值最小，建立5個(gè)輸入節(jié)點(diǎn)、14個(gè)隱含節(jié)點(diǎn)、1個(gè)輸出節(jié)點(diǎn)的BP網(wǎng)絡(luò)。使用傳遞函數(shù)traingdx進(jìn)行2593次學(xué)習(xí)，網(wǎng)絡(luò)在精度0.001的誤差范圍內(nèi)收斂且穩(wěn)定(圖1)。

圖1 BP網(wǎng)絡(luò)誤差收斂曲線

4.4 結(jié)果檢驗(yàn)

為了驗(yàn)證模型的準(zhǔn)確性，使用同批次剩余的20個(gè)測(cè)試樣本作為輸入值，通過驗(yàn)證誤差、訓(xùn)練誤差和測(cè)試誤差比較可以得到，模型的擬合性較高，適應(yīng)性較好(圖2)。

圖2 驗(yàn)證誤差、收斂誤差、測(cè)試誤差對(duì)比圖

5 結(jié)語(yǔ)

消費(fèi)者的購(gòu)買行為影響因素眾多，除了個(gè)人心理特征外，環(huán)境因素和營(yíng)銷刺激也會(huì)改變消費(fèi)者的購(gòu)買動(dòng)機(jī)。為了將消費(fèi)動(dòng)機(jī)具象化，本研究從消費(fèi)者行為結(jié)果出發(fā)構(gòu)造消費(fèi)者決策過程變量，運(yùn)用主成分分析法提取典型的具有代表性的特征指標(biāo)，作為區(qū)分不同客戶屬性的標(biāo)識(shí)，降低了指標(biāo)的復(fù)雜性，同時(shí)也優(yōu)化了BP網(wǎng)絡(luò)輸入效率，提高了網(wǎng)絡(luò)的學(xué)習(xí)效率和泛化能力。

通過研究，我們找出了在線零售客戶價(jià)值細(xì)分的行為特征指標(biāo)，通過因子權(quán)重分析，發(fā)現(xiàn)客戶價(jià)值不僅表現(xiàn)為消費(fèi)者當(dāng)期消費(fèi)為企業(yè)所帶來的收入，還表現(xiàn)在客戶潛在需求的滿足程度、對(duì)企業(yè)的產(chǎn)品和服務(wù)的滿意度和忠誠(chéng)度、對(duì)企業(yè)形象和價(jià)值的傳播和推廣意愿。鑒于此，企業(yè)應(yīng)該在促銷優(yōu)惠、會(huì)員制個(gè)性化管理等方面，進(jìn)一步豐富用戶購(gòu)買過程的體驗(yàn)性，提高他們的購(gòu)買滿足感，增加用戶粘性，進(jìn)而為企業(yè)帶來長(zhǎng)遠(yuǎn)的價(jià)值。

[1]湯海霞.移動(dòng)通信企業(yè)客戶管理模型與方法研究[D].南京:東南大學(xué),2014.

[2]Carrie M1Heilman,Kent Nakamoto.Pleasant Surprises: Consumer Response to Unexpected In-Store Coupons[J]. Journal of Marketing Research,2002(2):242-234.

[3]劉芝怡,陳功.基于改進(jìn) K-means 算法的RFAT客戶細(xì)分研究[J].南京理工大學(xué)學(xué)報(bào),2014(8):532-533.

[4]董長(zhǎng)虹.Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用[M].北京:國(guó)防工業(yè)出版社,2007.

[5]劉朝華,梅強(qiáng),蔡淑琴.基于RFM的客戶分類及價(jià)值評(píng)價(jià)模型[J].技術(shù)經(jīng)濟(jì)與管理研究,2012(5):33-36.

[6]朱艷麗.基于消費(fèi)行為的客戶細(xì)分模型應(yīng)用研究[D].成都:四川師范大學(xué),2007.

[7]王克富.基于數(shù)據(jù)挖掘技術(shù)的AFH客戶分類應(yīng)用研究[J].技術(shù)經(jīng)濟(jì)與管理研究,2012(11):24-28.

[8]翁淑珍.網(wǎng)絡(luò)消費(fèi)行為與傳統(tǒng)消費(fèi)行為的比較分析[J].產(chǎn)業(yè)觀察,2014(3):23-24.

2015-06-29

林明輝(1982-)，男，福建福州人，安徽新華學(xué)院商學(xué)院講師，碩士，從事客戶關(guān)系及消費(fèi)者行為研究。

F724.2

A

2095-7602(2015)12-0167-05