摘 ?要：RFM模型是客戶價(jià)值細(xì)分的一種方法和手段，在不同領(lǐng)域的應(yīng)用中會(huì)有一定的差異性。闡述了客戶價(jià)值分析的分析方法和分析過(guò)程，分析了影響奢侈品電商企業(yè)客戶購(gòu)買(mǎi)行為的重要因素，構(gòu)建了一種改進(jìn)的RFM模型為RFMLC模型，闡述了使用RFMLC模型實(shí)現(xiàn)大客戶跟蹤分析過(guò)程。該系統(tǒng)在業(yè)務(wù)運(yùn)行中表明有一定的使用價(jià)值，對(duì)開(kāi)發(fā)企業(yè)客戶價(jià)值分析系統(tǒng)有一定的參考價(jià)值和借鑒作用。

關(guān)鍵詞：RFM模型;客戶活躍度;消費(fèi)能力;K-means算法

中圖分類(lèi)號(hào)：TP18;TP391 ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：2096-4706（2021）13-0173-03

To Achieve Key Customer Tracking Analysis of E-commerce Enterprise ERP System Based on K-means Algorithm

DAI Yuanquan

（School of Information Engineering， Hubei Light Industry Technology Institute， Wuhan ?430070， China）

Abstract： RFM model is a method and means of customer value segmentation， and there will be some differences in the application of different fields. This paper expounds the analysis method and analysis process of customer value analysis， analyzes the important factors affecting the customer purchase behavior of luxury E-commerce enterprises， constructs an improved RFM model as RFMLC model， and expounds the implementation of key customer tracking analysis process by using RFMLC model. The system has certain use value in business operation， and has certain reference value and function for developing enterprise customer value analysis system.

Keywords： RFM model; customer activity; consumption capacity; K-means algorithm

0 ?引 ?言

某奢侈品經(jīng)銷(xiāo)企業(yè)主要通過(guò)天貓、淘寶、京東等第三方平臺(tái)銷(xiāo)售商品，同時(shí)，也通過(guò)拼多多、云集、短視頻平臺(tái)、微信銷(xiāo)售商品，甚至還通過(guò)線下實(shí)體店銷(xiāo)售商品。該電商企業(yè)銷(xiāo)售渠道復(fù)雜，貨源來(lái)源廣，客戶分布廣而且構(gòu)成復(fù)雜，需要整合各種資源，開(kāi)發(fā)電商企業(yè)的ERP系統(tǒng)。ERP系統(tǒng)中的大客戶跟蹤管理顯得尤為重要。電商企業(yè)需要針對(duì)不同類(lèi)型客戶，進(jìn)行精準(zhǔn)營(yíng)銷(xiāo)，實(shí)現(xiàn)利潤(rùn)最大化，建立合理的客戶價(jià)值評(píng)估模型，進(jìn)行客戶分類(lèi)，是解決問(wèn)題的關(guān)鍵。

1 ?分析方法與過(guò)程

該電商企業(yè)ERP系統(tǒng)中的大客戶跟蹤分析的目標(biāo)是首先根據(jù)客戶的相關(guān)數(shù)據(jù)，對(duì)客戶進(jìn)行聚類(lèi)分析，然后衡量客戶價(jià)值，識(shí)別出大客戶，再針對(duì)大客戶制定個(gè)性化的溝通和營(yíng)銷(xiāo)服務(wù)。

1.1 ?分析方法

RFM模型[1]是進(jìn)行客戶價(jià)值分析的一種方法。該方法是基于三個(gè)指標(biāo)即R、F和M。其指標(biāo)體系如表1所示。

應(yīng)用這些信息能夠預(yù)測(cè)客戶的購(gòu)買(mǎi)行為[2]。若采用傳統(tǒng)RFM模型分析，其缺點(diǎn)是細(xì)分客戶群太多，導(dǎo)致難以形成對(duì)每個(gè)客戶群的準(zhǔn)確把握，精準(zhǔn)營(yíng)銷(xiāo)成本太高。另外，由于RFM分析指標(biāo)中的購(gòu)買(mǎi)次數(shù)與同期總購(gòu)買(mǎi)金額存在多重共線性，即一個(gè)給定客戶每多購(gòu)買(mǎi)一次，總價(jià)值也相應(yīng)增加，這就降低了RFM分析的有效性[3]。實(shí)際應(yīng)用中還需考慮其他指標(biāo)。

客戶忠誠(chéng)度是指客戶對(duì)某一特定產(chǎn)品或服務(wù)、品牌、商家有較強(qiáng)的好感，并形成了偏好，進(jìn)而重復(fù)購(gòu)買(mǎi)的一種情感與態(tài)度趨向[4]。通過(guò)企業(yè)組織的各種活動(dòng)可以深入了解客戶，主動(dòng)把握客戶的需求，最終實(shí)現(xiàn)客戶的忠誠(chéng)度的提升?？蛻羧裟芎芊e極參與公司活動(dòng)，在一定程度上表明該客戶的忠誠(chéng)度高。因此選定指標(biāo)活躍度Liveness，計(jì)作L。

客戶的消費(fèi)能力決定著成交的金額，也可以縮短咨詢時(shí)間，更決定著這個(gè)單是否成交[5]。針對(duì)不同客戶的消費(fèi)能力制定銷(xiāo)售方法，有針對(duì)性的銷(xiāo)售方式可以大大增加產(chǎn)品銷(xiāo)售的成功率。因此選定指標(biāo)消費(fèi)能力consumption capacity，計(jì)作C。

基于以上分析，本案例中，作為電商企業(yè)識(shí)別客戶價(jià)值指標(biāo)，記為RFMLC模型。

1.2 ?分析過(guò)程

某電商企業(yè)ERP系統(tǒng)中的大客戶跟蹤分析的分析過(guò)程如圖1所示。

主要包括以下幾個(gè)步驟：

（1）ERP系統(tǒng)中的業(yè)務(wù)生產(chǎn)的數(shù)據(jù)存于關(guān)系數(shù)據(jù)庫(kù)、非結(jié)構(gòu)化數(shù)據(jù)以及檔案文件中。從數(shù)據(jù)源中抽取數(shù)據(jù)，包括選擇性抽取與新增數(shù)據(jù)抽取，形成歷史數(shù)據(jù)和增量數(shù)據(jù)。

（2）進(jìn)行數(shù)據(jù)處理，主要是缺失值與異常分析、數(shù)據(jù)清洗、數(shù)據(jù)的屬性規(guī)約和數(shù)據(jù)標(biāo)準(zhǔn)化處理。

（3）分析客戶購(gòu)買(mǎi)行為的影響因素，進(jìn)行建模，構(gòu)建RFMLC模型。

（4）編碼實(shí)現(xiàn)，采用K-means算法進(jìn)行客戶分群，進(jìn)行聚類(lèi)分析、分類(lèi)分析和關(guān)聯(lián)規(guī)則分析，識(shí)別有價(jià)值客戶。

（5）針對(duì)模型結(jié)果得到不同價(jià)值的客戶，采用不同的營(yíng)銷(xiāo)手段，提供定制化的營(yíng)銷(xiāo)服務(wù)，設(shè)計(jì)針對(duì)性的優(yōu)惠與關(guān)懷。

2 ?實(shí)現(xiàn)過(guò)程

2.1 ?抽取數(shù)據(jù)

一般原始數(shù)據(jù)通常包含很多字段，最為關(guān)心的就是3個(gè)字段：客戶編號(hào)、購(gòu)買(mǎi)時(shí)間、購(gòu)買(mǎi)金額。

R=當(dāng)前日期-最近一次購(gòu)買(mǎi)日期，轉(zhuǎn)換為天數(shù)。

F=給定時(shí)間內(nèi)購(gòu)買(mǎi)次數(shù)綜合

M=給定時(shí)間內(nèi)購(gòu)買(mǎi)金額總和

L=給定時(shí)間內(nèi)參加公司活動(dòng)的次數(shù)，從ERP的子系統(tǒng)“客戶關(guān)懷”數(shù)據(jù)庫(kù)表中統(tǒng)計(jì)。

C值計(jì)算較為復(fù)雜。電商上的交易數(shù)據(jù)，“最低消費(fèi)金額”“最高消費(fèi)金額”“平均每次購(gòu)買(mǎi)消費(fèi)金額”，通過(guò)這幾個(gè)指標(biāo)來(lái)計(jì)算出一個(gè)值，表示一個(gè)消費(fèi)者的消費(fèi)能力強(qiáng)弱。即為C值。本案例中，采用PERT分析模型的三點(diǎn)估算法。即：

期望消費(fèi)金額=（最高消費(fèi)金額+4×平均消費(fèi)金額

+最低消費(fèi)金額）/6

2.2 ?數(shù)據(jù)處理

首先數(shù)據(jù)清洗。對(duì)數(shù)據(jù)進(jìn)行初步加工，因?yàn)閿?shù)據(jù)源中很多臟數(shù)據(jù)，會(huì)影響我們的分析結(jié)果，需要先將其篩選出去，比如一些空值、異常值、特殊文本顯示等等。主要對(duì)數(shù)據(jù)進(jìn)行缺失值和異常值分析。查找每列屬性觀測(cè)值中空值、0值、最大值、最小值，丟棄數(shù)據(jù)項(xiàng)為NULL的記錄，丟棄F、M、C值為0的記錄。得到如表2所示的樣本數(shù)據(jù)。

然后，規(guī)約屬性。在RFMLC模型中，R值為最近一次購(gòu)買(mǎi)距離當(dāng)前日期的間隔，轉(zhuǎn)換為天數(shù)。理論上R值越小的客戶是價(jià)值越高的客戶，與F、M等指標(biāo)是負(fù)相關(guān)性。在進(jìn)行分析計(jì)算是采用1/R的倒數(shù)的形式。

再進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理。數(shù)據(jù)標(biāo)準(zhǔn)化最典型的就是數(shù)據(jù)的歸一化，即將數(shù)據(jù)統(tǒng)一映射到[0，1]區(qū)間上。本案例采用z-score法。

z-score標(biāo)準(zhǔn)化是將原始數(shù)據(jù)x的均值（mean）、標(biāo)準(zhǔn)差（standard deviation）使用z-score標(biāo)準(zhǔn)化到y(tǒng)。這種方法適用于屬性A的最大值和最小值未知的情況，或有超出取值范圍的離群數(shù)據(jù)的情況[6]。

2.3 ?編碼實(shí)現(xiàn)

本案例使用Java語(yǔ)言編寫(xiě)，采用K-means算法。K-means作為一種無(wú)監(jiān)督聚類(lèi)算法在各種業(yè)務(wù)場(chǎng)景中得到較為普及的運(yùn)用。K-means是將給定數(shù)據(jù)集中的數(shù)據(jù)使用其不同特征進(jìn)行聚類(lèi)的算法模型，將數(shù)據(jù)集分為K個(gè)不同的簇，且每個(gè)簇的聚類(lèi)核心點(diǎn)采用簇中所含值的平均值計(jì)算而來(lái)[7]。

編寫(xiě)方法為getClustering（DataArraydataArray，int k），實(shí)現(xiàn)K-means的聚類(lèi)，聚類(lèi)后的數(shù)據(jù)存于ClusterArray中，代碼具體為：

/**運(yùn)行k-means算法進(jìn)行聚類(lèi)*/

public ClusterArraygetClustering（DataArraydataArray， int k） {

ClusterArrayclusterArray = new ClusterA（）;

dataArray.clearIsAllocated（）; ?//清除數(shù)據(jù)分配

//創(chuàng)建初始的簇

clusterArray.add（createClusterWithRandomlySelectedDataPoint（dataArray））;

//如果簇沒(méi)達(dá)到所定義的簇?cái)?shù)量，則創(chuàng)建新簇

while （clusterArray.size（） < k） {

clusterArray.add（createClusterBasedFurthestData（dataArray， clusterArray））;

}

//開(kāi)始迭代

int i=0;

for （; i<clusteringIterations; i++） {

//基于質(zhì)心和數(shù)據(jù)點(diǎn)的距離，分配沒(méi)有分配的數(shù)據(jù)

assignUnallocatedDataPoints（dataArray， clusterArray）;

//更新質(zhì)心，取每個(gè)簇所有數(shù)據(jù)點(diǎn)的各維度的均值

clusterArray.updateCentroids（）;

if （i<clusteringIterations - 1） {

//清空簇，重新迭代

clusterArray.clear（）;

}

}

return clusterArray;

}

其中DataArray 為產(chǎn)生的數(shù)據(jù)，K聚類(lèi)個(gè)數(shù)。簇的個(gè)數(shù)K是手動(dòng)指定的，每一個(gè)簇經(jīng)過(guò)其聚類(lèi)核心點(diǎn)（即簇中所有點(diǎn)的中心）來(lái)描述。本例中K為5，如表3所示。

3 ?模型應(yīng)用

根據(jù)聚類(lèi)分析得到的客戶群結(jié)構(gòu)如表4所示。

針對(duì)不同的客戶，實(shí)施客戶關(guān)懷和營(yíng)銷(xiāo)方案。對(duì)重要價(jià)值客戶進(jìn)行提醒或促銷(xiāo)活動(dòng)，提高客戶滿意度;對(duì)重要深耕客戶實(shí)施客戶跟蹤分析;對(duì)重要挽留客戶從公司的活動(dòng)入手。

4 ?結(jié) ?論

RFM模型是測(cè)算消費(fèi)者價(jià)值最重要也是最容易的方法，這充分的表現(xiàn)了這三個(gè)指標(biāo)對(duì)營(yíng)銷(xiāo)活動(dòng)的指導(dǎo)意義。但在奢侈品行業(yè)的電商企業(yè)中，業(yè)務(wù)方除了消費(fèi)金額、頻次以外，還會(huì)考慮客戶的跨場(chǎng)景使用，客戶的活躍度和消費(fèi)能力是主要的影響因子。本案例中改進(jìn)了RFM模型，采用K-Means算法對(duì)客戶數(shù)據(jù)進(jìn)行客戶分群，聚成五類(lèi)，在實(shí)際開(kāi)發(fā)中得到了應(yīng)用，并且效果較好。

參考文獻(xiàn)：

[1] 林盛，肖旭.基于RFM的電信客戶市場(chǎng)細(xì)分方法 [J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2006（5）：758-760.

[2] 楊玉梅.基于信息熵改進(jìn)的K-means動(dòng)態(tài)聚類(lèi)算法 [J].重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，28（2）：254-259.

[3] 蒲曉川，黃俊麗，祁寧，等.基于密度信息熵的K-Means算法在客戶細(xì)分中的應(yīng)用 [J].吉林大學(xué)學(xué)報(bào)（理學(xué)版），2021，59（5）：1245-1251.

[4] 陳新華.基于K-Means改進(jìn)的算法在客戶聚類(lèi)中的應(yīng)用 [J].信息通信，2020（9）：35-37.

[5] 喬文瑄，楊小勇.平臺(tái)經(jīng)濟(jì)下消費(fèi)力的發(fā)展及其提升研究 [J].消費(fèi)經(jīng)濟(jì)，2021，37（3）：12-19.

[6] 姜朋，李挺.基于大數(shù)據(jù)的航空客戶價(jià)值分析 [J].民航學(xué)報(bào)，2019，3（3）：1-4.

[7] 馬培梁.基于K-means算法的數(shù)據(jù)挖掘與客戶細(xì)分研究 [J].市場(chǎng)研究，2019（11）：66-67.

作者簡(jiǎn)介：戴遠(yuǎn)泉（1965—），男，漢族，湖北黃梅人，副教授，碩士研究生，研究方向：軟件開(kāi)發(fā)、大數(shù)據(jù)應(yīng)用開(kāi)發(fā)。