【摘 要】本文列舉了數(shù)據(jù)分析與挖掘在電子商務(wù)網(wǎng)站精細(xì)化運(yùn)營中的兩個(gè)典型應(yīng)用實(shí)例：一個(gè)是利用SPSS的K-Means聚類分析方法，對客戶進(jìn)行細(xì)分歸類劃分等級，對不同等級的客戶采用不同的營銷策略；一個(gè)是以大數(shù)據(jù)分析和挖掘?yàn)榛A(chǔ)的推薦系統(tǒng)在電商網(wǎng)站中的應(yīng)用。

【關(guān)鍵詞】數(shù)據(jù)分析；精細(xì)化運(yùn)營；轉(zhuǎn)化率；RFM模型；K-Means聚類；個(gè)性化推薦；協(xié)同過濾

對于大多電子商務(wù)公司來說，當(dāng)前獲取流量和新用戶的營銷成本越來越高，單純依靠“燒錢”補(bǔ)貼和打價(jià)格戰(zhàn)來開拓市場的方式已經(jīng)難以為繼。企業(yè)必須轉(zhuǎn)變觀念，從市場營銷觀念轉(zhuǎn)向客戶營銷觀念，通過大數(shù)據(jù)分析和挖掘的方法更加了解客戶，通過精細(xì)化運(yùn)營滿足客戶的個(gè)性化需求，著重挖掘單個(gè)客戶終生價(jià)值。

隨著“大數(shù)據(jù)”概念及技術(shù)的不斷深入和發(fā)展，很多企業(yè)把大數(shù)據(jù)分析和挖掘作為企業(yè)發(fā)展的重要戰(zhàn)略，用數(shù)據(jù)驅(qū)動(dòng)業(yè)務(wù)成為互聯(lián)網(wǎng)企業(yè)發(fā)展的核心競爭力。本文列舉了數(shù)據(jù)分析與挖掘在電子商務(wù)網(wǎng)站精細(xì)化營銷應(yīng)用的兩個(gè)典型實(shí)例：一個(gè)是利用SPSS的K-Means聚類分析方法根據(jù)用戶購買行為對客戶細(xì)分，對不同價(jià)值等級的客戶采取個(gè)性化運(yùn)營策略，對提升轉(zhuǎn)化率，實(shí)行精細(xì)化經(jīng)營從而提高經(jīng)營效益有很大實(shí)用性；一個(gè)是以大數(shù)據(jù)分析和挖掘?yàn)榛A(chǔ)的推薦系統(tǒng)在電商網(wǎng)站中的應(yīng)用，基于用戶維度和基于內(nèi)容維度的推薦，有針對性地給用戶展現(xiàn)不同的內(nèi)容，給信息過載的問題提供了一個(gè)很好的解決方案，改善了用戶體驗(yàn)。這兩個(gè)實(shí)例在電子商務(wù)中很常用且對于提高企業(yè)運(yùn)營決策的科學(xué)性和改善經(jīng)營利潤具有非常重要的價(jià)值。

一、客戶細(xì)分 — RFM模型

客戶細(xì)分比較經(jīng)典的分析模型是RFM模型，根據(jù)著名的“二八”原則，通常企業(yè)80%的利潤來自于20%的重要客戶，因此挑選出對企業(yè)最有價(jià)值的重點(diǎn)客戶，發(fā)掘潛在的新客戶，實(shí)施增量銷售和交叉營銷，保持客戶對企業(yè)的忠誠度是電子商務(wù)分析的重要策略。RFM 模型的三個(gè)關(guān)鍵指標(biāo)是客戶的最近一次消費(fèi)間隔（Regency）、消費(fèi)頻率（Frequency）以及消費(fèi)金額（Monetary），并根據(jù)這三個(gè)變量對客戶進(jìn)行細(xì)分從而衡量買家對平臺(tái)銷售業(yè)績的價(jià)值貢獻(xiàn)。理論上來說，最近購買產(chǎn)品或者服務(wù)的顧客，購買頻次更高的顧客，更有可能成為再次光顧的消費(fèi)者，對企業(yè)的營銷推廣信息也更為敏感。最近一周才在該平臺(tái)購買產(chǎn)品的顧客會(huì)比半年前甚至一年前消費(fèi)過的顧客更有可能打開該平臺(tái)的促銷郵件；每個(gè)月都在平臺(tái)購買產(chǎn)品的高頻用戶會(huì)比半年才購買一次的用戶更關(guān)注平臺(tái)的新品推薦信息；而消費(fèi)金額越多，當(dāng)然越是企業(yè)必須重視的高價(jià)值用戶，必須保持對這些用戶的聯(lián)系，維護(hù)好客戶關(guān)系。

客戶細(xì)分在電子商務(wù)中的是常見的分析需求，我們可以利用IBM SPSS Statistics的“直銷—選擇方法—了解我的聯(lián)系人”功能，利用企業(yè)的客戶數(shù)據(jù)和交易數(shù)據(jù)進(jìn)行RFM分析，也可以利用SPSS的聚類分析功能進(jìn)行分析，下面用SPSS的聚類分析方法——K-Means聚類來舉例。

聚類分析能夠?qū)⒁慌鷺颖緮?shù)據(jù)根據(jù)其諸多特征，按照在性質(zhì)上的親疏程度（各變量特征上的總體差異程度）在沒有先驗(yàn)知識（沒有事先制定分類標(biāo)準(zhǔn)）的情況下進(jìn)行自動(dòng)分類，產(chǎn)生多個(gè)分類結(jié)果?，F(xiàn)收集了某電子商務(wù)平臺(tái)的部分買家數(shù)據(jù)進(jìn)行分析，共4個(gè)變量：客戶ID，購買次數(shù)，交易總金額，最近一次購買時(shí)間間隔。應(yīng)用SPSS做聚類分析需要符合兩個(gè)前提條件：

1.變量之間不存在較強(qiáng)的線性相關(guān)關(guān)系。

2.變量值之間不存在數(shù)量級上的差異。因此，需要先對這些樣本數(shù)據(jù)做相關(guān)性分析和描述性統(tǒng)計(jì)。

從描述性統(tǒng)計(jì)的運(yùn)行結(jié)果交易總金額的均值為12487.17，標(biāo)準(zhǔn)差為24672.38可以看出，數(shù)值之間的取值范圍比較大，不能直接做聚類分析，需要對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理并將標(biāo)準(zhǔn)化得分另存為變量。交易金額和交易次數(shù)之間的相關(guān)系數(shù)是0.481，存在弱相關(guān)性。可以使用SPSS的K-Means聚類功能對標(biāo)準(zhǔn)化后的變量進(jìn)行分析。為了避免分組太多，對各個(gè)分組群的客戶的理解不清晰，這里把聚類個(gè)數(shù)設(shè)置為3，運(yùn)行聚類分析得出結(jié)果：

從運(yùn)行結(jié)果表1的數(shù)據(jù)來看，按類別分組進(jìn)行單因素分析，從F值大小可以看出最近一次購買時(shí)間間隔（F值為11919.094）對聚類結(jié)果貢獻(xiàn)最大，其次是交易總金額，F(xiàn)值大小為3433.529，同時(shí)各變量對聚類均有顯著貢獻(xiàn)，各個(gè)類別之間的差異是顯著的。

結(jié)合聚類分析結(jié)果的數(shù)據(jù)看，我們把買家分為3類：第1類買家人數(shù)最少，只有322個(gè)，具有交易次數(shù)多，交易總金額高和最近一次購買時(shí)間間隔短的特性，這些買家應(yīng)該是企業(yè)的VIP級別買家，企業(yè)應(yīng)該給予特殊的重視，設(shè)置專門的貴賓客服通道，優(yōu)先解決這些買家糾紛投訴等問題，保持他們對網(wǎng)站的忠誠度；第二類買家人數(shù)為4430個(gè)，交易次數(shù)和交易總金額相對較低，最近一次購買時(shí)間相對較遠(yuǎn)，是重要保持和發(fā)展買家，應(yīng)該加強(qiáng)互動(dòng)，通過新品，促銷優(yōu)惠活動(dòng)信息通知等營銷方法保持他們的活躍度，提高用戶粘性；第三類買家人數(shù)2306個(gè)，交易次數(shù)和交易總金額比較低，最近一次購買時(shí)間遠(yuǎn)，可能是即將流失或者已經(jīng)流失的買家，要及時(shí)采取行動(dòng)進(jìn)行維護(hù)或喚醒，通過發(fā)送優(yōu)惠券，問卷調(diào)查，客服跟進(jìn)等方式了解買家流失原因有針對性地采取改進(jìn)措施。

當(dāng)然這個(gè)例子只是RFM模型在精細(xì)營銷中客戶細(xì)分的一個(gè)簡單應(yīng)用，也有一些待改進(jìn)的地方：客戶細(xì)分只是考慮了交易次數(shù)，交易總金額和最近一次購買時(shí)間間隔三個(gè)變量，參考變量太少，且交易次數(shù)和交易總金額之間存在一定的多種共線性。在電商平臺(tái)的運(yùn)營分析中，可以增加用戶登錄，收藏，下單天數(shù)，評論等用戶行為相關(guān)的變量來搭建更復(fù)雜的會(huì)員等級系統(tǒng)。endprint

在運(yùn)營過程中，針對不同主題的營銷活動(dòng)，對客戶進(jìn)行識別細(xì)分，再有針對地制定營銷方案，必定會(huì)比盲目無針對性地發(fā)郵件或Push給所有用戶的轉(zhuǎn)化效果好。如針對一個(gè)B2B網(wǎng)站，要對某類批發(fā)類產(chǎn)品進(jìn)行促銷，可以定位之前買過相同或與其關(guān)聯(lián)性較強(qiáng)的品類產(chǎn)品，且有批量購買歷史等批發(fā)商用戶行為屬性的客戶，把促銷信息更精準(zhǔn)地推廣給這些客戶群體，從而提高銷售轉(zhuǎn)化率。

對客戶進(jìn)一步細(xì)分也應(yīng)用在分析用戶留存和用戶生命周期價(jià)值上，相關(guān)數(shù)據(jù)表明，開發(fā)一個(gè)新用戶的成本是維護(hù)一個(gè)老用戶成本的幾倍，因此，在招募到新用戶之后，企業(yè)更希望通過數(shù)據(jù)分析和挖掘來提升用戶在生命周期中所帶來的實(shí)際收入價(jià)值，確保營銷策略獲得最大的投資回報(bào)率。通過建立模型用聚類分析，關(guān)聯(lián)規(guī)則等方法來分析用戶流失特性，流失原因分析，根據(jù)用戶生命周期規(guī)律把用戶劃分為不同階段，對沉默用戶和即將流失的用戶及時(shí)進(jìn)行干預(yù)，執(zhí)行相應(yīng)的喚醒和挽留策略，更精細(xì)化地運(yùn)營，培養(yǎng)用戶的忠誠度，讓之為企業(yè)帶來最大化的收入。

二、電商網(wǎng)站個(gè)性化推薦系統(tǒng)

隨著互聯(lián)網(wǎng)行業(yè)的發(fā)展，互聯(lián)網(wǎng)用戶所能獲取的信息量激增，用戶每天被海量的信息淹沒，嚴(yán)重影響了獲取所需信息的效率。對于千萬級別產(chǎn)品量的電商平臺(tái)來說，如果用戶在瀏覽一段時(shí)間后沒有找到自己想要的商品，就很可能失去耐心關(guān)閉網(wǎng)頁。個(gè)性化推薦系統(tǒng)是精細(xì)化運(yùn)營的一個(gè)產(chǎn)物，它給出了一個(gè)不錯(cuò)的解決方案。通過大數(shù)據(jù)分析用戶的瀏覽日志和交易數(shù)據(jù)，通過關(guān)聯(lián)規(guī)則和聚類等分析方法，計(jì)算購買了某些產(chǎn)品的買家或者具有相同或類似標(biāo)簽的用戶會(huì)傾向購買哪些產(chǎn)品，從而更精準(zhǔn)地向買家推薦產(chǎn)品。

目前，淘寶網(wǎng)和京東等各大電子商務(wù)平臺(tái)也會(huì)根據(jù)買家信息偏好標(biāo)簽，買家搜索、收藏和加入購物車等用戶瀏覽行為數(shù)據(jù)和購買交易數(shù)據(jù)兩大維度擴(kuò)展來進(jìn)行判斷，給買家進(jìn)行個(gè)性化推薦，很多大型網(wǎng)站基本上實(shí)現(xiàn)了“千人千面”。

目前的推薦算法中，最為廣泛采用的是基于協(xié)同過濾的推薦方法，主要有基于用戶協(xié)同過濾和內(nèi)容協(xié)同過濾兩個(gè)大的方向：

1.基于用戶緯度的推薦，就是通過用戶的購買和瀏覽行為多維度挖掘用戶之間的相似度，形成與目標(biāo)用戶相似度較高的用戶集合，再把這個(gè)集合中用戶喜歡的而目標(biāo)用戶沒有購買過的商品對目標(biāo)用戶進(jìn)行推薦。

2.基于內(nèi)容的推薦，就是根據(jù)用戶瀏覽或購買的服務(wù)和商品內(nèi)容的相似度進(jìn)行推薦。通過提取商品名稱和描述的關(guān)鍵字，給商品打上各種標(biāo)簽：3C電子產(chǎn)品類，家居用品類，運(yùn)動(dòng)戶外類等等。粒度劃分越細(xì)，推薦結(jié)果就越精確，從而利用關(guān)鍵字的相似度來做推薦。

舉個(gè)例子，你最近想換一部華為手機(jī)，在網(wǎng)站上瀏覽了但是沒有下單，在你下次登陸的時(shí)候，網(wǎng)站就會(huì)向你推薦你瀏覽過的手機(jī)相關(guān)的商品，這個(gè)是根據(jù)用戶的瀏覽記錄來進(jìn)行推薦；當(dāng)你下單以后，在加入購物車頁面，網(wǎng)站又會(huì)向你自動(dòng)推薦“購買了該商品的用戶還購買了”，“您可能還需要”等一些關(guān)聯(lián)商品。這些就是基于用戶和基于內(nèi)容維度的推薦。協(xié)同過濾的推薦算法的實(shí)現(xiàn)主要有收集用戶偏好數(shù)據(jù)，找到相似用戶和物品，計(jì)算推薦三個(gè)步驟。在當(dāng)前大數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)技術(shù)的高速發(fā)展下，推薦算法的應(yīng)用越來越廣泛，也越來越科學(xué)和智能。

總之，精細(xì)化運(yùn)營的個(gè)性化推薦系統(tǒng)能夠很好地解決信息過載問題，更高效地幫助買家找到自己想要的商品，改善用戶體驗(yàn)，而對于商家來說，也可以讓商家更精細(xì)地把流量投放給目標(biāo)用戶，從而提升營銷的轉(zhuǎn)化率和營銷活動(dòng)的投資回報(bào)率。

綜上所述，在大數(shù)據(jù)時(shí)代，只有重視數(shù)據(jù)的價(jià)值，把數(shù)據(jù)分析和挖掘貫徹到日常的精細(xì)化運(yùn)營中，才有可能在激烈的競爭中取勝。

參考文獻(xiàn)：

[1]周歡.基于RFM分析模式的零售業(yè)客戶分群實(shí)現(xiàn)過程[J].金陵科技學(xué)院學(xué)報(bào).2008.3.

[2]林盛.基于RFM的電信客戶市場細(xì)分方法[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào).2006.5.

[3]薛薇.《統(tǒng)計(jì)分析與SPSS的應(yīng)用》[M].中國人民大學(xué)出版社色.第二版.

[4]李翠平.大數(shù)據(jù)與推薦系統(tǒng)[J].大數(shù)據(jù).2015.3.

[5] 王茜.大數(shù)據(jù)環(huán)境下電子商務(wù)個(gè)性化推薦服務(wù)發(fā)展動(dòng)向探析[J].商業(yè)研究.2014.08.

[6] 韓莉.大數(shù)據(jù)時(shí)代的個(gè)性化推薦技術(shù)分析[J]. 晉中學(xué)院學(xué)報(bào). 2016.3.

[7]孫耀.RFM模型的改進(jìn)及客戶策略研究[J].現(xiàn)代經(jīng)濟(jì)信息.2010.22.

作者簡介：

李海麗（1990—），女，廣東羅定人，學(xué)歷：研究生，工作單位：對外經(jīng)濟(jì)貿(mào)易大學(xué)，研究方向：大數(shù)據(jù)與互聯(lián)網(wǎng)經(jīng)濟(jì)。endprint