電子商務(wù)中基于聚類的顧客滿意度影響因素分析*

楊　波，　黃曉蘭

(1.廣東財經(jīng)大學(xué) 華商學(xué)院 信息工程系，廣東 廣州 511300;2.廣東財經(jīng)大學(xué) 信息學(xué)院，廣東 廣州 510320)

激烈的競爭迫使電子商務(wù)公司發(fā)展創(chuàng)新的營銷策略，提高顧客滿意度和保留率[1].電子商務(wù)的爆炸式增長積累了大量的顧客數(shù)據(jù)可供分析，可以挖掘出影響顧客滿意度的重要因素，并對此進(jìn)行改善以留住重要顧客，阻止顧客流失，保持顧客的長期忠誠[2].提高公司的市場競爭力，降低管理成本，帶來更高的收入和利潤.顧客流失定義為在特定時期內(nèi)停止購買公司產(chǎn)品的傾向.為了在競爭激烈的市場中生存，許多不同領(lǐng)域的公司正在轉(zhuǎn)向數(shù)據(jù)挖掘技術(shù)，如金融服務(wù)、付費(fèi)電視公司、電信和航空市場等[3].然而，很少有人對電子商務(wù)的顧客流失以及他們?yōu)槭裁磿魇нM(jìn)行關(guān)注.為了避免顧客滿意度下降和流失，找出影響滿意度的主要因素至關(guān)重要.在本文中，基于RFM模型評分方法和聚類技術(shù)，提出一種電子商務(wù)中顧客滿意度影響因素分析方法.利用有序加權(quán)平均(ordered weighted average，OWA)方法來獲得RMF模型中各變量的權(quán)重.利用RFM模型對顧客的購買行為進(jìn)行分析，并給出在R、F和M方面的評分.基于各項(xiàng)評分，使用模糊C均值(fuzzy C-means clustering，F(xiàn)CM)聚類技術(shù)對顧客進(jìn)行聚類.通過集群的平均RFM值與整體平均RFM值的比較來發(fā)現(xiàn)流失的顧客類型.對這些顧客進(jìn)行問卷調(diào)查可以獲得影響這些顧客不滿意的主要因素，并對此做出改善方案，以挽留顧客.通過一個案例分析，證明了提出方案的有效性.

1　電商顧客流失分析模型

1.1　RFM模型

RFM模型[4]是一種用于評估客戶忠誠度、流失傾向的計算方法，在商業(yè)管理領(lǐng)域中廣泛應(yīng)用.RFM模型基于3個重要的屬性來識別不同類型的顧客，定義如下：(1)R為上次交易發(fā)生的時間和現(xiàn)在的時間間隔，間隔越長，R越大.(2)F為某一特定時期內(nèi)交易的次數(shù)，交易頻率越高，F(xiàn)越大.(3)M為某一特定時期內(nèi)的交易金額，交易量越大，M越大.

1.2　電商顧客滿意度因素分析模型框架

2　基于OWA的權(quán)重計算

本文采用有序加權(quán)平均(OWA)方法進(jìn)行決策獲得RFM的權(quán)重.N維的OWA相當(dāng)于一個具有權(quán)重向量w=[w1,w2,…,wn]T的相關(guān)映射F:Rn→R[7]，如

式中bj表示聚類集合中第j個最大的元素.不同的OWA運(yùn)算符通過對應(yīng)的權(quán)重向量wi區(qū)分.

然而，在OWA理論中，一個重要的問題是相關(guān)權(quán)重的確定.文獻(xiàn)中已經(jīng)提出了一些方法來獲取相關(guān)權(quán)重,例如[8]利用概率密度函數(shù)來生成權(quán)重分布.

本文采用了一種多數(shù)遞增OWA，是對算術(shù)平均值的一種改進(jìn).多數(shù)遞增OWA的定義如下：

式中g(shù)j表示在聚類過程中使用bj元素的時刻，hk表示聚類過程中每一個步驟的元素數(shù)量.

3　基于FCM的顧客聚類

4　案例分析

4.1　影響因素設(shè)置

關(guān)于影響顧客滿意度因素的研究文章有很多.這些研究更多地關(guān)注于電子商務(wù)本身，忽視了其他與電子商務(wù)有關(guān)的東西.本文采用了5個影響顧客滿意度的因素，分別為：(1) 產(chǎn)品因素，主要指所銷售產(chǎn)品的質(zhì)量和產(chǎn)品豐富性；(2) 技術(shù)因素，主要指電子商務(wù)公司網(wǎng)頁的響應(yīng)速度、使用方便性，以及智能推薦技術(shù)；(3) 物流因素，指物流派送的及時性和安全性；(4) 售后服務(wù)因素，主要指產(chǎn)品維修、退換時的流程和效率；(5) 網(wǎng)絡(luò)安全因素，主要指在電子商務(wù)網(wǎng)站購物時用戶信息的隱蔽性和資金賬號的安全性.

4.2　結(jié)果分析

根據(jù)國內(nèi)一家電商網(wǎng)絡(luò)的交易數(shù)據(jù)，建立一個包含1 824名顧客的電子商務(wù)數(shù)據(jù)集，利用本文提出的模型來分析顧客數(shù)據(jù).分析過程如下：

(1) 計算RFM中變量權(quán)重.邀請了5位專家估計RFM的權(quán)重，將語言值轉(zhuǎn)換為對應(yīng)的數(shù)值，如表1所示.

以R為例，5位專家給出的評估值分別是L,L,H,F,F.現(xiàn)在對評估值按照L,L,F,F,H進(jìn)行排名.那么，第一步中元素數(shù)量h1為h1=p11+p12+p13+p14+p15=3，其中，p11=1，p12=0，p13=1，p14=0，p15=1.同樣，h2=3，h3=1，h4=1，h5=1.可獲得5個專家的權(quán)重，即we1=1/(3×3×1×1)=1/9，we2=1/3，we3=1/9，we4=1/3，we5=1/9.那么，R的總體評估值為3/9+3/3+5/9+5/3+7/9=4.333.F和M的評估值可以通過同樣的方法獲得.最終可以計算出RFM中的權(quán)重，如表2所示.

(2) 基于FCM的顧客聚類.通過FCM算法將顧客劃分為8個組.表3給出了每個組對應(yīng)的顧客數(shù)量和平均RFM值.最后一行表示所有顧客的總體RFM平均值.將每一組的平均值與總體平均值比較，如果一個組的平均RFM值超過了總體平均RFM值，那么就標(biāo)記一個向上的箭頭↑.表3的最后一列展示了每個組的RFM具體樣式.不同的群組代表不同的顧客狀態(tài).例如，RFM具體樣式為R↑F↓M↑的第6組被認(rèn)為是顧客流失狀態(tài).

表1　語言值和數(shù)字

表2　RFM的評估值和權(quán)重

表3　聚類結(jié)果

表4　聚類結(jié)果的排名

(4) 識別流失的顧客.在表3中，第6組的RFM形式為R↑F↓M↑.這個組的特點(diǎn)是R值很大(即最近一次交易的時間間隔很長)，F(xiàn)值很小(即交易的頻率很低)，M值很大(即每次交易的金額很大).這個群組的總交易金額是36 763元，意味著這個群組的顧客對電子商務(wù)公司來說是非常重要的.因此，了解哪些因素導(dǎo)致了他們的不滿和流失是非常關(guān)鍵的.

(5) 顧客問卷調(diào)查及流失因素排名.顧客滿意問卷調(diào)查是用來分析流失因素而實(shí)施的.從流失的顧客中隨機(jī)選擇一些顧客，并發(fā)送包含產(chǎn)品因素、技術(shù)因素、物流因素、售后服務(wù)因素和網(wǎng)絡(luò)安全因素這5個方面的問卷.答復(fù)選項(xiàng)中可包含不滿意、非常不滿意、一般滿意、滿意和非常滿意等.在收到有效問卷后，計算出問卷調(diào)查中顧客不滿意主要原因的評估結(jié)果，并進(jìn)行重要性排序.電商可以針對這些排序后的問題進(jìn)行整改，例如提高電商的服務(wù)質(zhì)量，開發(fā)推薦系統(tǒng)為顧客做出合理準(zhǔn)確的推薦，為有價值的顧客提供一些折扣和贈品，與物流公司之間加強(qiáng)合作等.通過這些努力，可以進(jìn)一步保留住顧客.

5　結(jié)　論

本文提出一種基于RFM模型評分方法和聚類技術(shù)的電子商務(wù)顧客滿意度影響因素分析方法.運(yùn)用OWA算法確定RFM中的權(quán)重.從RFM角度所描述的用戶生命周期概念，通過FCM將顧客聚類到多個分組中，以此找出流失顧客和主要不滿意因素.實(shí)驗(yàn)結(jié)果表明，該模型可以根據(jù)顧客生命周期價值對顧客進(jìn)行有效的排名，給出導(dǎo)致顧客流失的主要因素，不僅可以改善對顧客的服務(wù)，還可以幫助決策者識別潛在的流失顧客，從而制定出更有效的策略.

[1]王偉, 徐平平, 王華君,等. 基于概率回歸模型和K-最近鄰的電子商務(wù)個性化推薦方案[J]. 湘潭大學(xué)自科學(xué)報, 2016, 38(1):97-100.

[2]李貫峰, 秦飛舟, 納利軍,等. 基于ILOWGA算子的B2C電子商務(wù)顧客滿意度評價方法[J]. 寧夏大學(xué)學(xué)報(自然版), 2013, 34(2):156-159.

[3]由麗萍, 王嘉敏. 基于情感分析和VIKOR多屬性決策法的電子商務(wù)顧客滿意感測度[J]. 情報學(xué)報, 2015, 34(10):1098-1110.

[4]YOUNG S C, SI C N, SONG C M. Weighted mining association rules based quantity item with RFM score for personalized u-commerce recommendation system[C]// International Conference on Grid and Pervasive Computing. Berlin, Heidelberg：Springer,2013:367-375.

[5]LU S. Evaluation on suppliers selection in the context of e-commerce based on trapezoidal fuzzy order weighted average operator[J]. Journal of Software, 2012, 7(10):113-117.

[6]邵琳琳. 基于混合蛙跳模糊聚類的電子商務(wù)協(xié)同過濾推薦[J]. 科學(xué)技術(shù)與工程, 2013, 13(12):3452-3456.

[7]DE A, DIAZ E D. A fuzzy ordered weighted average (OWA) approach to result merging for metasearch using the analytical network process[C]// Second International Conference on Emerging Applications of Information Technology. IEEE, 2011:17-20.

[9]張付志, 常俊風(fēng), 周全強(qiáng). 基于模糊C均值聚類的環(huán)境感知推薦算法[J]. 計算機(jī)研究與發(fā)展, 2013, 50(10):2185-2194.

[10]PRABHU P, ANBAZHAGAN N. FI-FCM algorithm for business intelligence[C]// International Conference on Mining Intelligence and Knowledge Exploration. New York：Springer-Verlag，2013:518-528.