■ 趙　瑋　博士生　李玉萍　副教授（1、首都經(jīng)濟貿(mào)易大學 北京100070 2、北京聯(lián)合大學 北京 100101 、鄭州師范學院數(shù)學與統(tǒng)計學院 鄭州 450044）

基于消費行為特征的在線用戶價值度量方法實踐研究

■ 趙瑋1，2博士生李玉萍3副教授（1、首都經(jīng)濟貿(mào)易大學 北京100070 2、北京聯(lián)合大學 北京 100101 3、鄭州師范學院數(shù)學與統(tǒng)計學院 鄭州 450044）

基于消費行為的用戶特征分析在網(wǎng)絡(luò)營銷領(lǐng)域得到廣泛關(guān)注。大數(shù)據(jù)環(huán)境背景下，將傳統(tǒng)領(lǐng)域的成熟方法提煉改進后應(yīng)用于新場景，能夠更好地滿足網(wǎng)絡(luò)營銷領(lǐng)域應(yīng)用的需求。本文基于數(shù)據(jù)分析對用戶特征進行量化，采用分批迭代的方法并在此基礎(chǔ)上對該方法進行拓展，通過各種指標進行獨立和組合研究，實現(xiàn)用戶價值度量，使其結(jié)果能夠有效地適用于多種網(wǎng)絡(luò)營銷領(lǐng)域的應(yīng)用。

用戶特征 用戶價值 度量 在線消費

用戶價值度量指標概述

對用戶特征進行分析，是為了深入了解用戶，可以從用戶的人口統(tǒng)計特征、消費行為特征等多個角度完成。而基于消費行為的用戶特征分析廣泛應(yīng)用于網(wǎng)絡(luò)營銷領(lǐng)域，其主流分析思路和技術(shù)是基于數(shù)據(jù)分析的用戶特征分析?；跀?shù)據(jù)分析的方法可以對用戶特征進行量化，量化結(jié)果可以準確有效地指導營銷領(lǐng)域的應(yīng)用，這個過程可以通過度量用戶價值來實現(xiàn)。首先需要選取和確定衡量用戶價值的指標，常用的指標包括：

第一，用戶最近消費時間：用戶在某個周期內(nèi)最近一次消費的時間。第二，用戶消費頻率：用戶在某個周期內(nèi)所消費的次數(shù)。第三，用戶消費總金額：用戶在某個周期內(nèi)消費的金額。第四，用戶消費最高單價：用戶在某個周期內(nèi)消費的商品最高價格。第五，特價商品消費比重：用戶在某個周期內(nèi)消費的特價商品的金額在其消費總金額中的比重。第六，高單價商品消費比重：用戶在某個周期內(nèi)高單價商品消費數(shù)量占其消費商品總數(shù)量的比重。

用戶價值度量方法分析

用戶價值可以通過上述指標進行單項分析，也可以組合在一起進行綜合分析，盡可能多角度全面地度量用戶價值。本文結(jié)合應(yīng)用場景和數(shù)據(jù)基礎(chǔ)，選取前三個指標進行單項和組合研究。

（一）用戶價值度量基礎(chǔ)

以用戶的最近消費時間（R）、消費頻率（F）、消費總金額（M）為例，若考察單項指標，用戶的最近消費時間最短、消費頻率最高、消費總金額最大代表用戶的價值越大；若考察指標組合，需要通過確定各指標權(quán)重計算綜合值，來度量用戶的價值。對于權(quán)重的確定，以往研究多采用層次分析法，但此方法受到專業(yè)主觀因素的影響。吉林大學段書勇從數(shù)據(jù)出發(fā)，提出通過數(shù)據(jù)分批迭代計算指標權(quán)重的方法，客觀合理度量了用戶價值。該方法的核心思想是：

1.以消費總金額為參考標準確定最有價值用戶。將某年度第六個月的消費用戶按照消費總金額劃分為3個等級，處于最高等級的用戶為最有價值用戶。

2.計算過去某段時間內(nèi)不同等級消費用戶占最有價值用戶的比例。將某年度前五個月的消費用戶按照消費金額分為7個等級，對每個等級用戶再按消費頻率分為7個等級，這樣前五個月消費用戶被分為49個等級。計算最有價值用戶在49個等級中的比例。按照此方法確定最近消費時間、消費頻率和消費總金額對最有價值用戶的影響程度。

3.依據(jù)最近消費時間、消費頻率和消費總金額對最有價值用戶的影響程度。采用數(shù)據(jù)分批迭代方法計算指標權(quán)重a、b、c，再根據(jù)公式計算用戶價值：RFM_SCORE=a×R_SCORE+b×F_ SCORE+c×M_SCORE。其中，RFM_ SCORE為用戶價值；R_SCORE、F_ SCORE、M_SCORE為用戶在最近消費時間、消費頻率和消費總金額指標上的等級；a、b、c為指標權(quán)重。

本文關(guān)于用戶價值的度量需要結(jié)合實際場景和應(yīng)用，才能有效和準確的對用戶價值度量，需要在借鑒該方法的基礎(chǔ)上進行拓展，包括：第一，定義多個角度的最有價值用戶的標準，除消費總金額外，也分別選擇消費頻率、最近消費時間以及三者組合作為標準，從不同的角度對用戶價值進行度量。第二，面對不同類型的商品，用戶的消費特征不同，由此產(chǎn)生的用戶價值可能不同。因此，需要針對不同類型、不同層次商品的消費，對用戶價值進行深入評價和度量。

（二）用戶價值度量路徑

1.定義最有價值用戶標準，確定最有價值用戶群。確定最有價值用戶群，要對指標數(shù)據(jù)進行離散化，有兩種方式：

第一，獨立式離散化。按照最近消費時間（R_14） 對用戶進行降序排列并按數(shù)量進行等分，比如等分為3份。對于消費頻率（F_14）和消費總金額（M_14）兩個指標也分別采用降序排列和等分的方法將用戶等分，這樣可以得到在最近消費時間（R_14）、消費頻率（F_14）和消費總金額（M_14）指標下的用戶等級。

第二，嵌套式離散化。先按照最近消費時間（R_14）將用戶等分為3份；在此基礎(chǔ)上，對3份用戶中的每1份用戶按照消費頻率（F_14）再劃分為3份，得到9份用戶集合；在此基礎(chǔ)上，對9份用戶中的每1份用戶再按消費總金額（M_14）劃分為3份，最終得到27份用戶集合。

在本文中采用獨立式離散化方法，選取2014年1月某網(wǎng)站用戶群A的消費數(shù)據(jù)，按照最近消費時間（R_14）、消費頻率（F_14）和消費總金額（M_14）指標對用戶群A數(shù)據(jù)分別進行離散化（得分分別用R_14_SCORE、F_14_SCORE、M_14_SCORE表示），將用戶劃分為“高”、“中”、“低”三個級別，用“3”、 “2”、“1”標注。

表3　用戶群記錄數(shù)數(shù)據(jù)說明

數(shù)據(jù)離散化完成后，針對用戶群A，分別選擇最近消費時間（R_14）、消費頻率（F_14）和消費總金額（M_14）作為參考標準，定義最有價值用戶群*_MVU_ A（依據(jù)參考標準不同，*代表R_14、F_14、M_14、RFM_14），如表1所示。

當以R_14作為參考標準，最有價值用戶群R_14_MVU_A為R_14_SCORE取值為“3”對應(yīng)的用戶集合，即用戶群A中最近消費時間等級為3的用戶集合。

當以F_14作為參考標準，最有價值用戶群F_14_MVU_A為F_14_SCORE取值為“3”對應(yīng)的用戶集合，即用戶群A中消費頻率等級為3的用戶集合。

當以M _14作為參考標準，最有價值用戶群M _14_MVU_A為M _14_SCORE取值為“3”對應(yīng)的用戶集合，即用戶群A中消費總金額等級為3的用戶集合。

當以RFM_14作為參考標準，最有價值用戶群RFM_14_MVU_A為R_14_ SCORE、 F_14_SCORE、 M_14_SCORE至少兩項取值為“3”對應(yīng)的用戶集合，指的是：

｛R_1 4_S C O R E=3，F(xiàn)_1 4_ SCORE=1，M_14_SCORE=3｝｛R_14_ SCORE=3，F(xiàn)_14_SCORE=2，M_14_ SCORE=3｝、｛R_14_SCORE=3，F(xiàn)_14_ SCORE=3，M_14_SCORE=3｝、｛R_14_ SCORE=2，F(xiàn)_14_SCORE=3，M_14_ SCORE=3｝、｛R_14_SCORE=1，F(xiàn)_14_ SCORE=3，M_14_SCORE=3｝、｛R_14_ SCORE=3，F(xiàn)_14_SCORE=3，M_14_ SCORE=1｝、｛R_14_SCORE=3，F(xiàn)_14_ SCORE=3，M_14_SCORE=2｝對應(yīng)的用戶集合。即用戶群A中滿足消費時間、消費頻率、消費總金額中有兩項等級為3的用戶集合；或用戶群A中消費時間、消費頻率、消費總金額中等級均為3的用戶集合。

2.確定用戶在最有價值用戶群中的比例。選取2013年1月-12月某網(wǎng)站用戶群B的消費數(shù)據(jù)，按照最近消費時間（R_13）、消費頻率（F_13）和消費總金額（M_13）指標分別對用戶群B進行離散化（得分分別用R_13_SCORE、F_13_SCORE、M_13_SCORE表示），將用戶劃分為“高”、“中”、“低”三個級別，分別用“3”、“2”、“1”標注。對用戶群B，分別按照最近消費時間（R_13）、消費頻率（F_13）、消費金額（M_13）劃分的3個等級，計算處于不同等級的用戶群B中的用戶在最有價值用戶群*_MVU_A中出現(xiàn)的人數(shù)（#_Ct_ BMA）占用戶群B人數(shù)（#_Ct_B）的比例（#_Res_Rate）。以最近消費時間（R_14）作為標準劃分的最佳用戶群R_14_MVU_ A進行#_Res_Rate計算為例（依據(jù)劃分標準不同，#_代表R、F、M），計算要素如表2所示（其他參考標準的最有價值用戶群的#_Res_Rate計算，同理）。

3.確定各指標對最有價值用戶的影響程度。在表2中，對各等級的R_Res_Rate、F_Res_Rate、M_Res_Rate進行降序排列，等級為3的R_Res_Rate、F_ Res_Rate、M_Res_Rate排列結(jié)果反映了R、F、M對最有價值用戶的影響程度。4.確定指標權(quán)重，按照公式RFM_SCORE=a×R_SCORE+b×F_ SCORE+c×M_SCORE計算用戶綜合價值。假定由（3）得到F_Res_ Rate＞R_Res_Rate＞M_Res_Rate，按照RFM_SCORE=a×R_SCORE+b×F_ SCORE+c×M_SCORE計算用戶綜合價值的方法步驟如下：

第一，將R_SCORE、F_SCORE、M_SCORE標準化。第二，計算a、b、c權(quán)重值。根據(jù)假定F_Res_Rate＞R_ Res_Rate＞M_Res_Rate，得到b＞a＞c，并且a+b+c=1。那么，滿足這兩個條件的權(quán)重組合有：｛a=0.2，b=0.7，c=0.1｝｛a=0.3，b=0.6，c=0.1｝｛a=0.4，b=0.5，c=0.1｝｛a=0.3，b=0.5，c=0.2｝。第三，假定選擇最近消費時間（R_14）作為參考標準，找到同時出現(xiàn)在最有價值用戶群R_14_MVU_ A和用戶群B中的用戶，應(yīng)用第二步中的四組權(quán)重，計算RFM_SCORE，其結(jié)果按照［0，0.25）、［0.25，0.5）、［0.5，0.75）、［0.75，1］分成4組。其中，［0.75，1］對應(yīng)的用戶群人數(shù)記為Ct_RFM_MVU_A。第四，應(yīng)用第二步中的四組權(quán)重計算用戶群B的RFM_SCORE，按照［0，0.25）、［0.25，0.5）、［0.5，0.75）、 ［0.75，1］分成4組。其中，［0.75，1］對應(yīng)的用戶群人數(shù)記為Ct_ RFM_MVU_B。第五，計算W_Rate=Ct_ RFM_MVU_A/ Ct_RFM_MVU_B，最高值對應(yīng)的權(quán)重組合為最佳權(quán)重。第六，按照公式RFM_SCORE=a×R_SCORE+b×F_ SCORE+c×M_SCORE計算用戶綜合價值。

5.針對不同類型和層次的商品進行用戶價值計算。將商品分類，針對不同類型和層次商品對應(yīng)的用戶集重復上述步驟，計算參考商品類別劃分的用戶價值。

表1　最有價值用戶群定義

表2　Res_Rate計算要素

表4　Res_Rate計算結(jié)果

用戶價值度量實驗

（一）實驗數(shù)據(jù)說明

根據(jù)用戶價值度量思路，選取某網(wǎng)站2014年1月用戶數(shù)據(jù)作為用戶群A，選取2013年1月-12月用戶數(shù)據(jù)作為用戶群B。結(jié)合商品分類，其對應(yīng)的用戶群記錄數(shù)如表3所示。

（二）實驗結(jié)果與分析

1.基于不同最有價值用戶群針對單一類型商品的指標權(quán)重定義分析。本實驗選擇“日用百貨”類商品消費對應(yīng)的用戶進行價值度量分析。依據(jù)度量思路，呈現(xiàn)其中兩個重要的結(jié)果：

一是計算Res_Rate。參照最有價值用戶群，計算Res_Rate，根據(jù)其結(jié)果判斷權(quán)重值a、b、c的大小關(guān)系。針對用戶群A，在商品分類情況下，以最近消費時間（R_14）做參考標準為例，確定最有價值用戶群R_14_MVU_A。針對用戶群B，按最近消費時間（R_13）、消費頻率（F_13）、消費總金額（M_13）計算R_ Res_Rate、F_Res_Rate、M_Res_Rate。

從表4中得到：

等級3：F_Res_Rate（0.029）＞R_ Res_Rate（0.028）＞M_Res_Rate（0.024）

等級2：F_Res_Rate（0.013）＞R_ Res_Rate（0.012）=M_Res_Rate（0.012）

等級1：M_Res_Rate（0.010）＞F_ Res_Rate（0.009）＞R_Res_Rate（0.006）

選擇等級為3的結(jié)果作為判斷權(quán)重大小的標準，進而得到權(quán)重b＞a＞c，并且a+b+c=1，a、b、c取值步長定義為0.1。滿足上述條件的組合有｛a=0.2，b=0.7，c=0.1｝、｛a=0.3，b=0.6，c=0.1｝、｛a=0.4，b=0.5，c=0.1｝、｛a=0.3，b=0.5，c=0.2｝。

二是計算a、b、c權(quán)重值。以最近消費時間（R_14）作為參考標準，找到同時出現(xiàn)在最有價值用戶群R_14_ MVU_A和用戶群B中的用戶，分別應(yīng)用四組權(quán)重組合｛a=0.2，b=0.7，c=0.1｝、｛a=0.3，b=0.6，c=0.1｝、｛a=0.4，b=0.5，c=0.1｝、｛a=0.3，b=0.5，c=0.2｝，計算RFM_ SCORE，其結(jié)果按照［0，0.25）、［0.25，0.5）、［0.5，0.75）、［0.75，1］分成4組。其中，［0.75，1］對應(yīng)的用戶群人數(shù)記為Ct_RFM_ MVU_A。

接下來，應(yīng)用四組權(quán)重組合｛a=0.2，b=0.7，c=0.1｝、｛a=0.3，b=0.6，c=0.1｝、｛a=0.4，b=0.5，c=0.1｝、｛a=0.3，b=0.5，c=0.2｝，計算用戶群B的RFM_SCORE，按照［0，0.25）、［0.25，0.5）、［0.5，0.75）、 ［0.75，1］分成4組。其中，［0.75，1］對應(yīng)的用戶群人數(shù)記為Ct_RFM_ MVU_B。

計算W_Rate=Ct_RFM_MVU_A/ Ct_RFM_MVU_B，最高值對應(yīng)的權(quán)重組合為最佳權(quán)重，結(jié)果如表5所示。在表5中，從依據(jù)四組權(quán)重計算W_ Rate的結(jié)果看到，｛a=0.4，b=0.5，c=0.1｝和｛a=0.3，b=0.5，c=0.2｝對應(yīng)的W_Rate（0.032）相等并且大于｛a=0.2，b=0.7，c=0.1｝、｛a=0.3，b=0.6，c=0.1｝對應(yīng)的W_ Rate。因此，以｛a=0.4，b=0.5，c=0.1｝和｛a=0.3，b=0.5，c=0.2｝兩組平均值｛a=0.35，b=0.5，c=0.15｝作為最佳權(quán)重進行用戶價值的度量。

（三）基于不同最有價值用戶群針對不同類型商品的權(quán)重綜合比較分析

本實驗分別按照最近消費時間、消費頻率、消費金額及三項綜合指標定義最有價值用戶群，針對不分類商品和分類后的4類商品按照用戶價值度量思路，進行a、b、c權(quán)重計算，對權(quán)重進行綜合分析和比較，結(jié)果如表6所示。得到如下結(jié)論：

第一，無論是在商品分類還是不分類情況下，針對不同類型的最有價值用戶群，消費金額對最有價值用戶群的影響是最弱的。在20組權(quán)重比較結(jié)果中，有14組最近消費時間對最有價值用戶群的影響最大，消費頻率的影響次之。第二，在商品不分類的情況下，針對不同類型最有價值用戶群，各指標的影響程度是一致的，即最近消費時間影響最大；消費頻率次之；消費金額最弱。

第三，在商品分類的情況下表現(xiàn)出如下特征：一是針對不同類型最有價值用戶群，面向“電腦整機”和“家用電器”兩類商品的8組權(quán)重比較中，影響力排名第一的是最近消費時間；有7組顯示影響力排名第二的是消費頻率，只有1組消費金額影響力第二；有2組消費頻率和消費金額的影響力相同。二是針對不同類型最有價值用戶群，面向“日用百貨”和“手機數(shù)碼”兩類商品的8組權(quán)重比較中，有7組影響力排名第一的是消費頻率；有6組顯示影響力排名第二的是最近消費時間。

表5　權(quán)重選擇結(jié)果

表6　綜合比較結(jié)果

結(jié)論

用戶價值度量滿足了網(wǎng)絡(luò)營銷領(lǐng)域?qū)谙M行為的用戶特征量化的需求。本文基于數(shù)據(jù)分析的方法對用戶特征進行量化，先用定性方式確定最近消費時間、消費頻率和消費總金額對用戶價值的影響程度；再用數(shù)據(jù)分批迭代的定量方式確定三個指標的權(quán)重值。并在此基礎(chǔ)上對其進行拓展，選擇不同最有價值用戶群作為參考標準，結(jié)合商品分類，從多個角度和層次對用戶價值進行度量，以得到最佳度量結(jié)果，使其結(jié)果能夠有效的適用于多種網(wǎng)絡(luò)營銷領(lǐng)域的應(yīng)用。

2.段書勇.基于客戶價值細分的推薦方式研究［D］.吉林大學，2011

3.閆學元，張蕊.我國網(wǎng)絡(luò)消費行為影響因素實證研究［J］.商業(yè)時代，2014（33）

4.廖衛(wèi)紅.移動互聯(lián)網(wǎng)環(huán)境下消費者行為研究［J］.科技管理研究，2013（14）

5.范秋英，方醒.基于層次分析法的網(wǎng)上消費者行為分析［J］.物流工程與管理，2013，35（1）

6.黃飛.大學生網(wǎng)絡(luò)消費偏好識別及影響因素研究［D］.中南大學，2013

7.張曉東，朱敏.網(wǎng)絡(luò)口碑對消費者購買行為的影響研究［J］.消費經(jīng)濟，2011（3）

8.王召義，雷麗麗.基于改進RFM模型的協(xié)同過濾推薦算法研究［J］.安陽工學院學報，2015，14（2）

9.鄧峰，張永安.基于多屬性效用的協(xié)同過濾推薦系統(tǒng)［J］.計算機應(yīng)用，2015，35（7）

10.王淵.基于RFM模型的協(xié)同過濾算法及其在個性化推薦中的應(yīng)用［D］.杭州電子科技大學，2013

11.蔣國瑞，劉沛，黃梯云.一種基于AHP方法的客戶價值細分研究［J］.計算機工程與應(yīng)用，2007，43（8）

F724.6

A