崔彥君

摘? 要： 針對(duì)傳統(tǒng)電子商務(wù)客戶流失估計(jì)模型對(duì)RFM數(shù)值分析不準(zhǔn)確，估計(jì)誤差大的問(wèn)題，提出基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的電子商務(wù)客戶流失估計(jì)模型。利用改進(jìn)神經(jīng)網(wǎng)絡(luò)分析歷史數(shù)據(jù)，完成數(shù)據(jù)挖掘，分析客戶活躍度以及再交易的可能性，考察客戶潛在價(jià)值，建立貢獻(xiàn)分析評(píng)價(jià)流程，采用RFM模型確定權(quán)重，建立基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的電子商務(wù)客戶流失估計(jì)模型。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)方法相比，所提方法對(duì)RFM數(shù)值分析更加精準(zhǔn)，使電子商務(wù)客戶流失估計(jì)誤差明顯縮小，由此證明所提出的基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的電子商務(wù)客戶流失估計(jì)模型更加有效。

關(guān)鍵詞： 改進(jìn)神經(jīng)網(wǎng)絡(luò); 電子商務(wù); 模型構(gòu)建; 客戶流失; 數(shù)據(jù)挖掘; 價(jià)值分析

中圖分類號(hào)： TN915?34; TP393? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2020）13?0103?03

E?commerce customer churn estimation based on neural network

CUI Yanjun

（School of Data and Computer Science， Guangdong Peizheng College， Guangzhou 510830， China）

Abstract： In view of inaccurate RFM （recency， frequency， monetary） numerical analysis and big estimation error of the traditional e?commerce customer churn estimation model， a research on e?commerce customer churn estimation model based on the improved neural network is proposed. The improved neural network is used to analyze the historical data， complete the data mining， analyze the customer activity and the retransaction possibility， so as to investigate the customer potential value and establish the contribution analysis evaluation process. The RFM model is used to determine the weight for the establishment of e?commerce customer churn estimation model based on the improved neural network. The experimental results show that， in comparison with the traditional method， the proposed model is more accurate in the RFM numerical analysis and the estimation error of e?commerce customer loss is significantly reduced. Therefore， the proposed customer churn estimation model based on the improved neural network is more effective.

Keywords： improved neural network; e?commerce; model construction; customer churn; data mining; value analysis

0? 引? 言

電子商務(wù)客戶流失是客戶由于某些原因，不再選擇該公司所提供的服務(wù)，是一種較為常見(jiàn)的現(xiàn)象。對(duì)于電子商務(wù)網(wǎng)站的運(yùn)營(yíng)來(lái)說(shuō)，分析客戶流失的原因以及客戶流失速度是十分必要的[1]。與吸引新客戶相比，挽留老客戶所需要花費(fèi)的成本更低，且所能得到的利潤(rùn)更高，客戶的忠誠(chéng)度是電子商務(wù)發(fā)展的重要支撐?？蛻舻臐M意程度與客戶流失量之間有著無(wú)法忽視的重要聯(lián)系，客戶的忠誠(chéng)度越高，越能有效降低電子商務(wù)的服務(wù)成本，對(duì)電子商務(wù)企業(yè)的市場(chǎng)占有率，以及企業(yè)的收入有直接的影響[2]。降低客戶流失量，提高客戶滿意度，是電子商務(wù)企業(yè)維持經(jīng)營(yíng)并從中賺取利益，提高企業(yè)競(jìng)爭(zhēng)力的重要關(guān)鍵。為此，分析電子商務(wù)企業(yè)的隱形流失客戶以及顯性流失客戶的流失原因，并估計(jì)其流失程度。電子商務(wù)網(wǎng)站通常采用信息技術(shù)管理方法實(shí)現(xiàn)客戶資源共享，從而更好地管理客戶群體，提高客戶滿意度，保留住老客戶的同時(shí)，發(fā)展新的客戶群體，從而擴(kuò)大電子商務(wù)經(jīng)營(yíng)范圍[3]。

1? 基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的電子商務(wù)客戶流失估計(jì)模型

分析電子商務(wù)客戶的流失原因，采用改進(jìn)神經(jīng)網(wǎng)絡(luò)完成數(shù)據(jù)挖掘，考察客戶潛在價(jià)值，分析客戶活躍度以及再交易的可能性，建立基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的電子商務(wù)客戶流失估計(jì)模型。

1.1? 基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘

電子商務(wù)客戶流失率的估計(jì)需要大量的數(shù)據(jù)作為支撐，為此利用改進(jìn)神經(jīng)網(wǎng)絡(luò)完成數(shù)據(jù)挖掘。通過(guò)改進(jìn)神經(jīng)網(wǎng)絡(luò)建立信息數(shù)據(jù)接收處理以及能夠正確判斷的綜合系統(tǒng)，分析所得數(shù)據(jù)，完成非線性處理與邏輯操作[4]。利用輸入的數(shù)據(jù)信息自我學(xué)習(xí)，不斷調(diào)整各種參數(shù)，通過(guò)改進(jìn)神經(jīng)網(wǎng)絡(luò)的輸入層輸入值，估計(jì)神經(jīng)網(wǎng)絡(luò)所輸出的目標(biāo)值。電子商務(wù)網(wǎng)站能夠自由選擇改進(jìn)神經(jīng)網(wǎng)絡(luò)中每一個(gè)函數(shù)的表現(xiàn)形式，并利用該節(jié)點(diǎn)臨近值的加權(quán)總和完成函數(shù)相關(guān)計(jì)算，與此同時(shí)，不斷對(duì)比所得結(jié)果與輸出層的目標(biāo)數(shù)據(jù)，達(dá)到減小誤差的效果，具體過(guò)程如下所示：

式中：[NETi]為所輸入變量與相應(yīng)權(quán)重乘積之和;[M1]為第一個(gè)輸入節(jié)點(diǎn)的變量;[Mn]第[n]個(gè)輸入節(jié)點(diǎn)的變量;[Win]為第[n]個(gè)輸入變量的相應(yīng)權(quán)重;[Ni]為輸出變量;[F]為實(shí)際目標(biāo)與輸出結(jié)果間的誤差值。

通過(guò)上述計(jì)算得到改進(jìn)神經(jīng)網(wǎng)絡(luò)模型在數(shù)據(jù)挖掘中的應(yīng)用示意圖，如圖1所示。

根據(jù)上述改進(jìn)神經(jīng)網(wǎng)絡(luò)模型挖掘相關(guān)數(shù)據(jù)中所隱含的具有實(shí)際意義的信息，分析推斷其包含的內(nèi)容，完成數(shù)據(jù)的修正及變換。采用樸素貝葉斯算法瀏覽并理解數(shù)據(jù)，得到合理的概率假設(shè)[5]。若樣本有[n]個(gè)不同屬性（[A1，A2，…，An]），當(dāng)任意樣本[X]為[n]維空間中的任意一點(diǎn)時(shí)，則其屬性為（[x1，x2，…，xn]）。在既定條件下，屬性項(xiàng)之間無(wú)相互依賴關(guān)系，相互獨(dú)立，至此完成基于改進(jìn)神經(jīng)網(wǎng)絡(luò)模型的數(shù)據(jù)挖掘，從而進(jìn)一步分析客戶的潛在價(jià)值。

1.2? 電子商務(wù)客戶潛在價(jià)值分析

電子商務(wù)客戶的潛在價(jià)值具有多層次性，其影響因素多種多樣，但最為主要的因素在于客戶對(duì)于長(zhǎng)期凈現(xiàn)金流的創(chuàng)造能力[6]。結(jié)合實(shí)際情況，在客戶歷史交易記錄的基礎(chǔ)上，考察其潛在價(jià)值，分析客戶活躍度以及再交易可能性，建立電子商務(wù)客戶潛在價(jià)值的貢獻(xiàn)分析評(píng)價(jià)流程，其具體情況如圖2所示。

對(duì)于電子商務(wù)客戶的價(jià)值貢獻(xiàn)識(shí)別分析，主要在于為企業(yè)帶來(lái)一定價(jià)值的客戶，其他無(wú)法為電子商務(wù)企業(yè)創(chuàng)造價(jià)值或是所創(chuàng)造價(jià)值過(guò)小的客戶，不包含在潛在價(jià)值分析的范圍[7]?？蛻糁g的差異較大，地區(qū)以及收入或是需求方面都大不相同，導(dǎo)致其對(duì)于企業(yè)的潛在價(jià)值差異。為此需量化評(píng)估客戶群體，計(jì)算客戶價(jià)值，識(shí)別出對(duì)電子商務(wù)企業(yè)有價(jià)值的客戶群體。采用RFM模型確定權(quán)重，使[R]，[F]，[M]三個(gè)指標(biāo)的權(quán)重相同，則對(duì)客戶潛在價(jià)值的衡量結(jié)果一致。但由于不同的行業(yè)在頻度、近度以及值度上的衡量方法是有差異的，[R]，[F]，[M]三個(gè)指標(biāo)對(duì)于電子商務(wù)客戶的潛在價(jià)值衡量標(biāo)準(zhǔn)也將有所差異，則權(quán)重也將有所差異[8]。為此結(jié)合實(shí)際情況，采用層次分析法計(jì)算指標(biāo)權(quán)重。

首先構(gòu)建層次結(jié)構(gòu)，提取客戶潛在價(jià)值的決定性因素，將其按照屬性分解成若干層次。由于處在相同層次上的不同因素，在承受下一層次影響的同時(shí)，會(huì)對(duì)上一層產(chǎn)生一定量的影響，則位于最上層的目標(biāo)層只有在準(zhǔn)則過(guò)多時(shí)，分解出子準(zhǔn)則層[9]。隨機(jī)選取某個(gè)時(shí)間段調(diào)整相關(guān)數(shù)值權(quán)重，使其響應(yīng)率達(dá)到最大值，則該時(shí)間點(diǎn)權(quán)重為電商企業(yè)最合適權(quán)重。計(jì)算各個(gè)能夠構(gòu)成對(duì)比矩陣的最大特征根，以及與其所相應(yīng)的特征向量，利用一致性指標(biāo)與一致性比率檢驗(yàn)其一致性。檢驗(yàn)合格后，則歸一化的特征向量即為權(quán)重向量[10?11]，從而完成對(duì)于電子商務(wù)客戶的潛在價(jià)值分析。

1.3? 電子商務(wù)客戶流失估計(jì)模型構(gòu)建

在完成電子商務(wù)客戶的潛在價(jià)值分析后，構(gòu)建客戶流失估計(jì)模型。從所收集到的電子商務(wù)客戶資料，以及歷史交易記錄等信息中，提取所需要的信息數(shù)據(jù)，并上傳至數(shù)據(jù)庫(kù)中，根據(jù)相關(guān)屬性計(jì)算各信息增益指數(shù)，得到客戶流失影響因素。利用改進(jìn)神經(jīng)網(wǎng)絡(luò)分析所得到的影響因素，從中提取出導(dǎo)致客戶流失的主要屬性[12?13]，將其與客戶潛在價(jià)值同時(shí)輸入改進(jìn)神經(jīng)網(wǎng)絡(luò)，作為輸入元素，訓(xùn)練數(shù)據(jù)集，輸出最終客戶流失率，其具體過(guò)程如圖3所示。

根據(jù)上述過(guò)程，估計(jì)客戶流失情況，采用改進(jìn)神經(jīng)網(wǎng)絡(luò)訓(xùn)練非線性映射，優(yōu)化其存在的問(wèn)題。將改進(jìn)神經(jīng)網(wǎng)絡(luò)中所輸入的各項(xiàng)指標(biāo)設(shè)定為[m1，m2，…，mx]，將所輸出的各項(xiàng)指標(biāo)設(shè)定為[n]，則得到函數(shù)關(guān)系式如下：

式中[α]為輸入各項(xiàng)與輸出各項(xiàng)間的映射關(guān)系。

若在保證其他自變量不發(fā)生改變的前提下，只改變自變量[m]，則能夠得出，在輸入[mi]后，輸出值[n]的變化量。在此基礎(chǔ)上計(jì)算每個(gè)輸入變量對(duì)所輸出指標(biāo)的貢獻(xiàn)率，最終得到電子商務(wù)客戶的流失估計(jì)：

式中[nimvar]為所輸出變量[n]的絕對(duì)變化量。

由上述計(jì)算可知，根據(jù)已有的客戶數(shù)據(jù)對(duì)其進(jìn)行流失估計(jì)，除去不適用或是數(shù)據(jù)有缺失的客戶信息，分析客戶的歷史交易信息，考慮客戶未來(lái)價(jià)值，制定對(duì)其的定位標(biāo)準(zhǔn)，至此建立基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的電子商務(wù)客戶流失估計(jì)模型。

2? 仿真實(shí)驗(yàn)結(jié)果與分析

為準(zhǔn)確驗(yàn)證所提出的基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的電子商務(wù)客戶流失估計(jì)模型的有效性，采用傳統(tǒng)電子商務(wù)客戶流失估計(jì)模型與本文模型進(jìn)行對(duì)照實(shí)驗(yàn)。隨機(jī)選取6個(gè)月內(nèi)的電子商務(wù)客戶相關(guān)數(shù)據(jù)作為實(shí)驗(yàn)對(duì)象，利用FineBI智能分析軟件分析其RFM數(shù)值，RFM數(shù)值通常指客戶的最近一次消費(fèi)，消費(fèi)頻率以及消費(fèi)金額，分析其數(shù)值規(guī)律，從而達(dá)到衡量客戶價(jià)值和客戶創(chuàng)利能力的目的[14?15]，得到對(duì)于客戶流失的估計(jì)結(jié)果。將所提出的改進(jìn)神經(jīng)網(wǎng)絡(luò)電子商務(wù)客戶流失估計(jì)結(jié)果范圍與傳統(tǒng)估計(jì)模型進(jìn)行比較，其具體對(duì)比結(jié)果如圖4所示。通過(guò)圖4的對(duì)照分析能夠得出，傳統(tǒng)的估計(jì)模型將跨類目商品的購(gòu)買(mǎi)率分析結(jié)果作為客戶忠誠(chéng)度的衡量標(biāo)準(zhǔn)，但由于跨類目的商品不具有可比性，且在[F]值與[M]值為定值時(shí)，[R]值對(duì)于客戶的細(xì)分作用較弱，導(dǎo)致傳統(tǒng)模型對(duì)RFM數(shù)值的分析不夠準(zhǔn)確。而本文所提出的基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的電子商務(wù)客戶流失估計(jì)模型與傳統(tǒng)模型相比，優(yōu)化了這一缺陷，對(duì)RFM數(shù)值的分析更為精準(zhǔn)，使得估計(jì)誤差明顯縮小。為了使本次實(shí)驗(yàn)結(jié)果的嚴(yán)謹(jǐn)性得到保障，本文進(jìn)行了多次的客戶流失估計(jì)數(shù)值模擬實(shí)驗(yàn)。經(jīng)過(guò)多次實(shí)驗(yàn)論證得出，所提出的基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的電子商務(wù)客戶流失估計(jì)模型更為有效。

3? 結(jié)? 語(yǔ)

由于網(wǎng)絡(luò)市場(chǎng)的競(jìng)爭(zhēng)日益激烈，導(dǎo)致電子商務(wù)企業(yè)的生存環(huán)境艱難，對(duì)客戶資源也變得十分重視。為此提出基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的電子商務(wù)客戶流失估計(jì)，分析客戶的潛在價(jià)值、流失率以及客戶流失的相關(guān)影響因素。利用改進(jìn)神經(jīng)網(wǎng)絡(luò)建立數(shù)據(jù)處理系統(tǒng)，完成相關(guān)非線性處理操作。分析電子商務(wù)客戶的潛在價(jià)值，并估算其再交易的可能性及再交易金額，根據(jù)層次結(jié)構(gòu)計(jì)算權(quán)重，構(gòu)建電子商務(wù)客戶流失估計(jì)模型。實(shí)驗(yàn)結(jié)果證明，采用基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的電子商務(wù)客戶流失估計(jì)模型能夠得到更精準(zhǔn)的估計(jì)結(jié)果，為電子商務(wù)企業(yè)提供相應(yīng)依據(jù)。

參考文獻(xiàn)

[1] 武小軍，孟蘇芳.基于客戶細(xì)分和AdaBoost的電子商務(wù)客戶流失預(yù)測(cè)研究[J].工業(yè)工程，2017，20（2）：99?107.

[2] 王斐玉，文華，王紅梅.語(yǔ)義挖掘結(jié)合神經(jīng)網(wǎng)絡(luò)的電商網(wǎng)頁(yè)推薦方案[J].控制工程，2018，25（1）：149?153.

[3] 張小敏，伍小平，豐婷，等.基于最優(yōu)加權(quán)組合的電信客戶流失預(yù)測(cè)模型設(shè)計(jì)研究[J].赤峰學(xué)院學(xué)報(bào)（自然科學(xué)版），2017，33（12）：3?4.

[4] 韋琦，楊明.改進(jìn)神經(jīng)網(wǎng)絡(luò)算法的智能電網(wǎng)短期負(fù)荷預(yù)測(cè)[J].哈爾濱理工大學(xué)學(xué)報(bào)，2017，22（4）：65?69.

[5] 吳才德，章玉明，田領(lǐng)川，等.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的地鐵車(chē)站深基坑位移反分析[J].科技通報(bào)，2017，33（1）：142?146.

[6] 王秋實(shí)，王小敏.基于FTA與改進(jìn)神經(jīng)網(wǎng)絡(luò)的軌道電路紅光帶診斷方法[J].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2017，61（4）：147?153.

[7] 陳德華，洪靈濤，潘喬.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的糖尿病生化指標(biāo)值預(yù)測(cè)[J].微型機(jī)與應(yīng)用，2017，12（5）：54?56.

[8] 張憲紅，張春蕊.一種改進(jìn)的細(xì)胞神經(jīng)網(wǎng)絡(luò)圖像邊緣提取方法[J].暨南大學(xué)學(xué)報(bào)（自然科學(xué)與醫(yī)學(xué)版），2017，38（2）：178?184.

[9] 辛建英.改進(jìn)神經(jīng)網(wǎng)絡(luò)的大學(xué)物理實(shí)驗(yàn)教學(xué)質(zhì)量評(píng)價(jià)[J].現(xiàn)代電子技術(shù)，2017，40（15）：146?149.

[10] 姜逢源，董勝，張?chǎng)?基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的板樁結(jié)構(gòu)可靠性分析[J].海洋湖沼通報(bào)，2018（2）：103?109.

[11] 吳曦，姚楠，許建剛.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)算法的變電站變壓器裂紋圖像識(shí)別[J].現(xiàn)代電子技術(shù)，2017，40（13）：66?69.

[12] 劉翔.改進(jìn)神經(jīng)網(wǎng)絡(luò)的數(shù)字調(diào)制信號(hào)識(shí)別[J].內(nèi)蒙古師范大學(xué)學(xué)報(bào)（自然科學(xué)漢文版），2017，46（2）：200?203.

[13] 翟梅杰，高鵬.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的汽車(chē)ABS故障診斷[J].中小企業(yè)管理與科技，2017，21（28）：173?174.

[14] 劉佩瑤，郝振純，王國(guó)慶，等.新安江模型和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型在閩江水文預(yù)報(bào)中的應(yīng)用[J].水資源與水工程學(xué)報(bào)，2017，28（1）：40?44.

[15] 黃璇，郭立紅，李姜，等.改進(jìn)粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的目標(biāo)威脅估計(jì)[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2017，47（3）：996?1002.