包志強(qiáng), 趙媛媛, 趙 研, 胡嘯天, 黃瓊丹

(西安郵電大學(xué) 通信與信息工程學(xué)院， 陜西 西安 710121 )

“百度外賣”是指百度公司向客戶提供外賣訂餐服務(wù)而構(gòu)建的專業(yè)外賣服務(wù)平臺(tái)[1]。為了核算客戶為百度外賣帶來的價(jià)值，對(duì)百度外賣進(jìn)行客戶價(jià)值分析，通過對(duì)客戶群體的細(xì)分，區(qū)別出不同價(jià)值的客戶群[1]，有利于企業(yè)有針對(duì)性地對(duì)不同價(jià)值的客戶提供服務(wù)，并及時(shí)調(diào)整企業(yè)的營銷策略。

目前，進(jìn)行客戶價(jià)值分析的相關(guān)文獻(xiàn)有，文獻(xiàn)[2]提出一種針對(duì)消費(fèi)數(shù)據(jù)挖掘的多指標(biāo)客戶細(xì)分方法，但該方法不適用于消費(fèi)次數(shù)較低的客戶群[3]。文獻(xiàn)[4]根據(jù)鐵路貨運(yùn)特征，引入近期發(fā)貨行為能力特征，提出貨運(yùn)客戶價(jià)值分類模型，該模型更適用于鐵路貨運(yùn)客戶價(jià)值分析，但對(duì)于直銷領(lǐng)域客戶價(jià)值分析的適用性較弱[5]。文獻(xiàn)[6]構(gòu)建了一種多指標(biāo)的電子商務(wù)客戶價(jià)值分析體系，該體系從內(nèi)部數(shù)據(jù)和外部數(shù)據(jù)兩個(gè)角度出發(fā)，對(duì)客戶進(jìn)行價(jià)值分析，但該方法對(duì)數(shù)據(jù)的完整性和規(guī)范性要求較高[7]。

RFM模型在反映客戶價(jià)值及客戶購買偏好方面具有良好的表征性，適合單次消費(fèi)金額相對(duì)較低、消費(fèi)頻次相對(duì)較高的直銷行業(yè)中，如電信、外賣和物流等行業(yè)[7]。采用RFM模型進(jìn)行客戶價(jià)值分析的相關(guān)文獻(xiàn)有，文獻(xiàn)[8]采用數(shù)據(jù)挖掘中的聚類技術(shù)和RFM模型對(duì)鐵路快捷貨物客戶進(jìn)行了客戶分類，但該文獻(xiàn)存在最近消費(fèi)時(shí)間指標(biāo)隨機(jī)性過大的不足，導(dǎo)致分類的結(jié)果不準(zhǔn)確[9]。文獻(xiàn)[10]提出基于熵值法的改進(jìn)RFM模型，計(jì)算電力客戶對(duì)每種繳費(fèi)渠道的偏好，但該文獻(xiàn)僅對(duì)指標(biāo)的權(quán)重進(jìn)行了分析，未對(duì)RFM模型的自身缺點(diǎn)進(jìn)行改進(jìn)，因此不能準(zhǔn)確地進(jìn)行電力客戶行為分析[11]。文獻(xiàn)[12]采用RFM模型，以電信行業(yè)流量包訂購業(yè)務(wù)為對(duì)象，完成了顧客價(jià)值分析及消費(fèi)行為預(yù)測(cè)，但采用該方法預(yù)測(cè)訂購該業(yè)務(wù)的客戶的準(zhǔn)確率為67%，準(zhǔn)確率較低[13]。文獻(xiàn)[14]提出基于購買行為和評(píng)論行為的改進(jìn)RFM模型，對(duì)大眾點(diǎn)評(píng)網(wǎng)的用戶進(jìn)行了客戶價(jià)值分析，但該文獻(xiàn)中對(duì)評(píng)論進(jìn)行貢獻(xiàn)值的評(píng)分具有主觀性[15]。

為實(shí)現(xiàn)百度外賣客戶價(jià)值分析，本文擬提出改進(jìn)RFM模型，將采用離差標(biāo)準(zhǔn)化方法[16]對(duì)改進(jìn)后RFM模型的指標(biāo)進(jìn)行規(guī)范化處理，將采用主成分分析法[17-18]對(duì)改進(jìn)后RFM模型的指標(biāo)進(jìn)行權(quán)重分析，采用K-means聚類算法[19-20]對(duì)客戶數(shù)據(jù)進(jìn)行分群，針對(duì)不同客戶群進(jìn)行指標(biāo)特征分析，以期得出各客戶群的價(jià)值。

1 RFM模型

RFM模型[7]是一種針對(duì)客戶價(jià)值分析的統(tǒng)計(jì)劃分方法，包括最近消費(fèi)時(shí)間R(recency)、消費(fèi)頻率F(frequency)、消費(fèi)金額M(monetary)3個(gè)變量。

最近消費(fèi)時(shí)間R，指客戶在分析時(shí)間點(diǎn)和最近一次消費(fèi)時(shí)間點(diǎn)之間的間隔時(shí)間。理論上，最近消費(fèi)時(shí)間越短，客戶對(duì)企業(yè)提供的商品或服務(wù)也最有可能發(fā)生反應(yīng)，因此，最近消費(fèi)時(shí)間越小，表明客戶與企業(yè)再次發(fā)生交易的可能性越大。

消費(fèi)頻率F，指客戶在一定時(shí)期內(nèi)發(fā)生消費(fèi)行為的次數(shù)。消費(fèi)頻率越高的消費(fèi)者，忠誠度越高，給企業(yè)帶來的價(jià)值越大，因此，消費(fèi)頻率越大越好。

消費(fèi)金額M，指客戶在一定時(shí)期內(nèi)的消費(fèi)總金額。消費(fèi)金額是對(duì)企業(yè)產(chǎn)能最直接的衡量指標(biāo)，消費(fèi)金額越大，客戶給企業(yè)帶來的價(jià)值越大，因此，消費(fèi)金額越大越好。

根據(jù)客戶購買行為，RFM模型可以完成客戶群體的細(xì)分，評(píng)估客戶的價(jià)值，采用RFM模型進(jìn)行客戶價(jià)值分析的步驟如下。

步驟1得出最近消費(fèi)時(shí)間、消費(fèi)頻率、消費(fèi)金額3個(gè)客戶行為指標(biāo)。

步驟2采用規(guī)范化方法對(duì)RFM模型的指標(biāo)進(jìn)行規(guī)范化處理。

步驟3對(duì)RFM模型的指標(biāo)進(jìn)行權(quán)重分析。

步驟4采用K-means聚類算法對(duì)RFM模型的指標(biāo)進(jìn)行聚類分群。

步驟5針對(duì)每個(gè)客戶群進(jìn)行指標(biāo)特征分析，得出不同客戶群的價(jià)值。

2 改進(jìn)RFM模型的百度外賣客戶價(jià)值分析

為了更準(zhǔn)確地對(duì)百度外賣客戶進(jìn)行價(jià)值分析，提出改進(jìn)RFM模型，改進(jìn)的RFM模型采用平均訂單交易時(shí)間間隔、客戶一定時(shí)期內(nèi)的交易次數(shù)、平均單次訂單交易金額、客戶貢獻(xiàn)時(shí)間4個(gè)指標(biāo)對(duì)客戶行為進(jìn)行分析，得出不同客戶群為企業(yè)帶來的價(jià)值。

2.1 改進(jìn)RFM模型

在RFM模型中，最近消費(fèi)時(shí)間R隨機(jī)性較大，雖然考慮了消費(fèi)時(shí)間對(duì)顧客價(jià)值的影響，但新客戶和老客戶在最近消費(fèi)時(shí)間R指標(biāo)的表現(xiàn)可能相同，在參考時(shí)間段內(nèi)具有相似的最近消費(fèi)的記錄，企業(yè)無法根據(jù)該指標(biāo)判斷客戶的新老屬性。RFM模型中指標(biāo)F和指標(biāo)M之間存在共線性問題，忽略了客戶與企業(yè)間的互動(dòng)因素。為了更準(zhǔn)確地對(duì)百度外賣客戶進(jìn)行價(jià)值分析，提出一種改進(jìn)RFM模型，改進(jìn)RFM模型指標(biāo)構(gòu)成如下。

RAI為客戶一定時(shí)期內(nèi)的平均訂單交易時(shí)間間隔。

F1為客戶在一定時(shí)期內(nèi)發(fā)生訂單交易的次數(shù)。

MAM為客戶一定時(shí)期內(nèi)的平均單次訂單交易金額。

S為客戶貢獻(xiàn)時(shí)間，指客戶歷史第一次交易至參考時(shí)間的最后一次交易的時(shí)間間隔。

RAI指標(biāo)的公式為

(1)

其中Tlast_time表示參考時(shí)間段內(nèi)客戶最后一次訂單交易時(shí)間，Tfirst_time表示參考時(shí)間段內(nèi)客戶第一次訂單交易時(shí)間。

MAM指標(biāo)的公式為

(2)

S指標(biāo)的公式為

S=Thfirst_time-Tlast_time。

(3)

其中Thfirst_time表示客戶歷史第一次交易時(shí)間。

在改進(jìn)的RFM模型中，采用平均訂單交易時(shí)間間隔RAI代替RFM模型中的最近消費(fèi)時(shí)間R，克服了RFM模型中R指標(biāo)隨機(jī)性較大的缺陷，對(duì)于交易頻次較高的老客戶，平均訂單交易時(shí)間間隔更具有代表性。采用客戶一定時(shí)期內(nèi)的平均單次訂單交易金額MAM代替RFM模型中的指標(biāo)M，消除了RFM模型中指標(biāo)F和指標(biāo)M之間的共線性問題，指標(biāo)MAM描述了客戶對(duì)于商家的客單價(jià)，相對(duì)于RFM模型中的指標(biāo)M有利于商家制定適宜的營銷策略。客戶貢獻(xiàn)時(shí)間指標(biāo)S在一定程度上反映了客戶的忠誠度與持續(xù)消費(fèi)能力，即客戶歷史第一次交易至參考時(shí)間的最后一次交易的時(shí)間間隔。

2.2 指標(biāo)規(guī)范化

由于改進(jìn)RFM模型的平均訂單交易時(shí)間間隔、客戶一定時(shí)期內(nèi)的交易次數(shù)、平均單次訂單交易金額、客戶貢獻(xiàn)時(shí)間4個(gè)指標(biāo)的取值范圍數(shù)據(jù)差異較大，為了消除數(shù)值對(duì)分類結(jié)果帶來的影響，采用離差標(biāo)準(zhǔn)化方法對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，規(guī)范化處理式為

(4)

其中x為樣本數(shù)據(jù)，x′為規(guī)范化處理后的樣本數(shù)據(jù)，xmin為樣本數(shù)據(jù)中的最小值，xmax為樣本數(shù)據(jù)中的最大值。

2.3 指標(biāo)權(quán)重分析

指標(biāo)權(quán)重[20]，是指被測(cè)對(duì)象各個(gè)考察指標(biāo)在整體中價(jià)值的高低和相對(duì)重要的程度。根據(jù)外賣行業(yè)客戶數(shù)量大、消費(fèi)數(shù)據(jù)多的特點(diǎn)，改進(jìn)RFM模型的4個(gè)指標(biāo)RAI、F1、MAM和S權(quán)重各不相同，對(duì)改進(jìn)RFM模型采用主成分分析法確定指標(biāo)權(quán)重。主成分分析法[17-18]，是一種通過降維技術(shù)把多個(gè)指標(biāo)轉(zhuǎn)化為少數(shù)幾個(gè)綜合指標(biāo)的統(tǒng)計(jì)分析方法。這些綜合指標(biāo)即主成分能夠反映原始變量的絕大部分信息，它們通常表示為原始變量的某種線性組合。各指標(biāo)的權(quán)重等于主成分的方差貢獻(xiàn)率，方差貢獻(xiàn)率越大，主成分的重要性越強(qiáng)[20]。

改進(jìn)RFM模型 4個(gè)指標(biāo)RAI、F1、MAM、S的權(quán)重確定過程如下，由L個(gè)用戶的RAI、F1、MAM、S指標(biāo)構(gòu)成的輸入矩陣AL×j中的列矩陣為

xj=[x1j,x2j,…,xLj],j=1,2,3,4,

計(jì)算xj的協(xié)方差矩陣C為

(5)

C=UΩUT。

(6)

其中

是矩陣C的特征值矩陣，U為矩陣C的特征向量，這樣得到的λ1,λ2,λ3,λ4為指標(biāo)的權(quán)重。

2.4 客戶分類

以改進(jìn)后RFM模型的平均訂單交易時(shí)間間隔、客戶一定時(shí)期內(nèi)的交易次數(shù)、平均單次訂單交易金額、客戶貢獻(xiàn)時(shí)間4個(gè)指標(biāo)為分類變量，采用K-means聚類算法[19-20]對(duì)進(jìn)行規(guī)范化處理和指標(biāo)權(quán)重分析后的指標(biāo)進(jìn)行聚類分析。

K-means聚類算法，將具有相似特征的對(duì)象聚集在一起，將不具有相似特征的對(duì)象劃分到不同的類中，通過迭代計(jì)算從每個(gè)點(diǎn)到聚類中心的距離，找到給定數(shù)據(jù)集的K個(gè)聚類中心。采用K-means聚類算法對(duì)客戶作聚類分群，對(duì)每個(gè)客戶群進(jìn)行指標(biāo)分析，分析不同客戶群的客戶價(jià)值高低。

3 實(shí)驗(yàn)結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)采用百度外賣企業(yè)某市某商家為期3個(gè)月的4 815條真實(shí)訂單交易歷史數(shù)據(jù)，數(shù)據(jù)中存在冗余特征且特征維數(shù)較多，如用戶姓名、商戶名稱、訂單狀態(tài)、商圈、支付類型、配送物流等，將原始數(shù)據(jù)進(jìn)行預(yù)處理，得到對(duì)客戶價(jià)值分析有用的行為特征，如得到符合改進(jìn)RFM模型的4個(gè)指標(biāo)，即平均訂單交易時(shí)間間隔、客戶一定時(shí)期內(nèi)的交易次數(shù)、平均單次訂單交易金額、客戶貢獻(xiàn)時(shí)間。部分訂單交易樣本數(shù)據(jù)，如表1所示。

表1 部分訂單交易樣本數(shù)據(jù)

表1中，用戶名為1001的客戶，平均訂單交易時(shí)間間隔為2.88天，客戶一定時(shí)期內(nèi)的交易次數(shù)為8次，平均單次訂單交易金額為38.5元，客戶貢獻(xiàn)時(shí)間為50.94天。用戶名為1002的客戶，平均訂單交易時(shí)間間隔為0天，客戶一定時(shí)期內(nèi)的交易次數(shù)為1次，平均單次訂單交易金額為26元，客戶貢獻(xiàn)時(shí)間為50.69天。

采用主成分分析法對(duì)4 815名客戶的各指標(biāo)進(jìn)行權(quán)重的計(jì)算，以R統(tǒng)計(jì)分析軟件中的princomp函數(shù)計(jì)算后的主成分的方差貢獻(xiàn)率為各指標(biāo)的權(quán)重，如表2所示。表2中，客戶平均訂單交易時(shí)間間隔的方差貢獻(xiàn)率為0.413，表征其權(quán)重為0.413，客戶交易次數(shù)的方差貢獻(xiàn)率為0.238，表征其權(quán)重為0.238，客戶平均單次訂單交易金額的方差貢獻(xiàn)率為0.207，表征其權(quán)重為0.207，客戶貢獻(xiàn)時(shí)間的方差貢獻(xiàn)率為0.142，表征其權(quán)重為0.142。

表2 各指標(biāo)變量的權(quán)重

3.2 客戶價(jià)值結(jié)果分析

客戶價(jià)值分析模型主要由兩個(gè)部分組成：第一部分，根據(jù)改進(jìn)RFM模型中的4個(gè)指標(biāo)的數(shù)據(jù)，將4815名客戶進(jìn)行聚類分群，得到不同價(jià)值的重要保持型客戶、忠誠型客戶、發(fā)展型客戶、一般客戶、低價(jià)值客戶5類客戶群體；第二部分，針對(duì)每個(gè)客戶群進(jìn)行特征分析，得出客戶的價(jià)值，并對(duì)客戶群進(jìn)行排名。

以改進(jìn)后RFM模型的指標(biāo)作為聚類變量，采用K-means聚類算法[19-20]，將客戶分為5類客戶群，客戶的分群聚類結(jié)果如表3所示。

表3 客戶的分群聚類結(jié)果

表3中，SAI表示經(jīng)過規(guī)范化處理后的平均訂單交易時(shí)間間隔，SF1表示經(jīng)過規(guī)范化處理后的客戶一定時(shí)期內(nèi)的交易次數(shù)，SAM表示經(jīng)過規(guī)范化處理后的平均單次訂單交易金額，SS表示經(jīng)過規(guī)范化處理后的客戶貢獻(xiàn)時(shí)間。

將聚類后的客戶分群結(jié)果進(jìn)行分析，如圖1所示。圖1中，客戶群1在貢獻(xiàn)時(shí)間指標(biāo)上偏大，在平均訂單交易時(shí)間間隔、客戶一定時(shí)期內(nèi)的交易次數(shù)、平均單次訂單交易金額3個(gè)指標(biāo)上最小?？蛻羧?在指標(biāo)平均訂單交易時(shí)間間隔和交易次數(shù)兩個(gè)指標(biāo)上達(dá)到最大，在客戶貢獻(xiàn)時(shí)間指標(biāo)上達(dá)到最小。客戶群3在平均單次訂單交易金額上達(dá)到最大，在平均訂單交易時(shí)間間隔、客戶一定時(shí)期內(nèi)的交易次數(shù)、客戶貢獻(xiàn)時(shí)間3個(gè)指標(biāo)上表現(xiàn)不明顯?？蛻羧?在平均訂單交易時(shí)間間隔、客戶一定時(shí)期內(nèi)的交易次數(shù)、平均單次訂單交易金額、客戶貢獻(xiàn)時(shí)間4個(gè)指標(biāo)上的表現(xiàn)均不太顯著。客戶群5在貢獻(xiàn)時(shí)間指標(biāo)上達(dá)到最大，在平均訂單交易時(shí)間間隔、客戶一定時(shí)期內(nèi)的交易次數(shù)、平均單次訂單交易金額3個(gè)指標(biāo)上表現(xiàn)不顯著，為劣勢(shì)特征。

圖1 客戶分群分析

通過對(duì)上述客戶群的指標(biāo)分析，將百度外賣的客戶視作為：重要保持型客戶、忠誠型客戶、發(fā)展型客戶、一般客戶、低價(jià)值客戶5種客戶類別，每類客戶群的特征如下。

(1)重要保持型客戶。這類客戶群(客戶群3)的平均單次訂單交易金額指標(biāo)達(dá)到最大，消費(fèi)頻率較高，貢獻(xiàn)時(shí)間也較高，是企業(yè)的高價(jià)值客戶，也是最為理想的客戶類型，但該類客戶群所占的比例較小，企業(yè)應(yīng)該投入更多的精力和資源，并對(duì)他們進(jìn)行差異化地服務(wù)和精準(zhǔn)營銷，延長該類客戶的貢獻(xiàn)時(shí)間。

(2)忠誠型客戶。這類客戶群(客戶群5)的平均單次訂單交易金額相對(duì)較高，貢獻(xiàn)時(shí)間指標(biāo)為優(yōu)勢(shì)特征，客戶的貢獻(xiàn)時(shí)間久，對(duì)企業(yè)的貢獻(xiàn)度相對(duì)較高，企業(yè)應(yīng)重點(diǎn)發(fā)展此類客戶，使這類客戶逐漸轉(zhuǎn)化為企業(yè)的高價(jià)值客戶。

(3)發(fā)展型客戶。這類客戶群(客戶群2)的平均單次訂單交易時(shí)間最長，消費(fèi)頻率最高，平均單次訂單交易金額適中，但其貢獻(xiàn)時(shí)間較短，企業(yè)應(yīng)重點(diǎn)發(fā)展此類客戶群，延長其貢獻(xiàn)時(shí)間。

(4)一般客戶。這類客戶群(客戶群4)在平均訂單交易時(shí)間間隔、客戶一定時(shí)期內(nèi)的交易次數(shù)、平均單次訂單交易金額、客戶貢獻(xiàn)時(shí)間4個(gè)指標(biāo)上的表現(xiàn)均不太顯著，外賣企業(yè)應(yīng)該根據(jù)這類客戶的最近消費(fèi)時(shí)間和消費(fèi)次數(shù)的變動(dòng)情況，推測(cè)客戶的異動(dòng)情況，采取一定的營銷手段，延長客戶的生命周期。

(5)低價(jià)值客戶。這類客戶群(客戶群1)的平均單次訂單交易時(shí)間最低，貢獻(xiàn)時(shí)間較長，但其消費(fèi)頻率和平均單次訂單交易金額最低，為企業(yè)的低價(jià)值客戶群。

3.3 實(shí)驗(yàn)結(jié)果驗(yàn)證

分析得到客戶的價(jià)值后，從回歸客戶訂單交易的原始數(shù)據(jù)中，對(duì)改進(jìn)后RFM模型進(jìn)行百度外賣客戶價(jià)值分析結(jié)果進(jìn)行驗(yàn)證，現(xiàn)以部分客戶經(jīng)過RFM模型和改進(jìn)RFM模型的客戶價(jià)值指標(biāo)及客戶分類結(jié)果為例，說明改進(jìn)RFM模型的可信性，如表4和表5所示。

表4 RFM模型聚類結(jié)果

表5 改進(jìn)后RFM模型聚類結(jié)果

表4和表5中，用戶名為1001顧客為交易次數(shù)較高的老客戶，用戶名為1002顧客為新客戶，其最近消費(fèi)時(shí)間相近，故最近消費(fèi)時(shí)間指標(biāo)不能很好地描述顧客價(jià)值，而平均訂單交易時(shí)間間隔克服了最近消費(fèi)時(shí)間指標(biāo)的這一缺陷，對(duì)于交易次數(shù)較高的老客戶，平均訂單交易時(shí)間間隔更具有代表性。將原始數(shù)據(jù)通過RFM模型和改進(jìn)后的RFM模型進(jìn)行百度外賣客戶價(jià)值分析，得到客戶群聚類結(jié)果。通過各指標(biāo)分析得出平均訂單交易時(shí)間間隔越小、交易次數(shù)越高、平均單次訂單交易金額越大、客戶貢獻(xiàn)時(shí)間越久，客戶相對(duì)于企業(yè)的價(jià)值越高。

數(shù)據(jù)表明，RFM模型將用戶名為1001的顧客劃分為價(jià)值較低的第4類客戶群即一般客戶群，由于該客戶的消費(fèi)頻率和消費(fèi)金額較高，客戶貢獻(xiàn)時(shí)間久，該客戶應(yīng)屬于價(jià)值較高的客戶群，改進(jìn)RFM模型將用戶名為1001顧客劃分為價(jià)值較高的第3類客戶群即重要保持型客戶。 RFM模型將用戶名為1002的顧客劃分為價(jià)值較高的第2類客戶群即發(fā)展型客戶，由于該客戶的消費(fèi)頻率較低，消費(fèi)金額較少，該客戶應(yīng)屬于價(jià)值較低的客戶群，改進(jìn)RFM模型將用戶名為1002的顧客劃分為價(jià)值較低的第4類客戶群即一般客戶。因此，改進(jìn)RFM模型的客戶細(xì)分結(jié)果更為準(zhǔn)確。

上述實(shí)驗(yàn)分析結(jié)果表明，改進(jìn)后RFM模型不僅能消除RFM模型的不足，而且改進(jìn)后RFM模型的客戶細(xì)分結(jié)果與RFM模型的客戶細(xì)分結(jié)果相比較更為準(zhǔn)確，基于改進(jìn)后的RFM模型可更準(zhǔn)確地對(duì)百度外賣客戶進(jìn)行價(jià)值分析。

4 結(jié)語

為了分析百度外賣客戶的價(jià)值，提出一種基于改進(jìn)后RFM模型的客戶價(jià)值分析方法。包括平均訂單交易時(shí)間間隔、客戶一定時(shí)期內(nèi)的交易次數(shù)、平均單次訂單交易金額、客戶貢獻(xiàn)時(shí)間4個(gè)指標(biāo)，運(yùn)用離差標(biāo)準(zhǔn)化方法對(duì)指標(biāo)進(jìn)行規(guī)范化處理，采用主成分分析法計(jì)算4個(gè)指標(biāo)的權(quán)重，4個(gè)指標(biāo)與指標(biāo)對(duì)應(yīng)權(quán)重的乘積之和為客戶的價(jià)值，采用K-Means聚類算法將客戶細(xì)分為不同價(jià)值的客戶群。以2017年百度外賣企業(yè)某商家為期3個(gè)月的4 815名客戶的訂單交易數(shù)據(jù)為例進(jìn)行客戶價(jià)值分析，結(jié)果表明，4 815名客戶可以被劃分為不同價(jià)值的5類客戶群體，分別為重要保持型客戶、忠誠型客戶、發(fā)展型客戶、一般客戶、低價(jià)值客戶。改進(jìn)后的RFM模型可以更準(zhǔn)確地對(duì)百度外賣客戶進(jìn)行價(jià)值分析。