基于RFM模型的商場會員價值識別

申鄭

摘 要：RFM模型是衡量客戶價值和客戶創(chuàng)利能力的常用模型。本文基于某大型百貨商場2016年的銷售流水和會員信息等數(shù)據，利用EXCEL和SQL Server等工具統(tǒng)計了會員的各項指標，使用主成分綜合評價的方法建立商場會員價值識別模型，模型結果符合常理，具有參考價值，對商場管理者的會員精細化管理和精準營銷提供數(shù)據支持。

關鍵詞：商場會員;RFM模型;主成分綜合評價;會員價值

一、引言

在百貨商場行業(yè)中，會員價值體現(xiàn)在能源源不斷地為商場帶來穩(wěn)定的營業(yè)額與銷售利潤，同時也為商場管理者的策略制定提供數(shù)據支持。商場會采取各種不同方法來吸引更多的人成為會員，并且盡可能識別出價值較高的會員。有人認為對老會員的維系成本太高，事實上，發(fā)展新會員的資金投入遠比采取一定措施來維系現(xiàn)有會員要高。實現(xiàn)會員的價值識別，加強對現(xiàn)有會員的精細化管理，定期向其推送產品和服務，與會員建立穩(wěn)定的關系是百貨商場行業(yè)得以更好發(fā)展的有效途徑。本文以2018年全國大學生數(shù)學建模競賽C題提供的某大型百貨商場的數(shù)據為例，基于RFM模型和主成分綜合評價的方法，給出會員價值識別的一個案例。

二、RFM模型

RFM模型是衡量會員價值的常用模型，這里R、F、M指某個時間窗口內會員的三個指標。本文選取的時間窗口為2016年1月1日到2016年12月31日，文中所有會員數(shù)據都在這個時間段內統(tǒng)計，其中R指最近一次消費，也叫近度（Recency），本文R指標的具體計算方法是會員在2016年最后一次消費的日期距離2017年1月1日的天數(shù);F指消費頻率，也叫頻度（Frequency），本文F指標的具體計算方法是會員2016年內在商場刷卡消費的次數(shù);M指消費金額，也叫額度（Monetary），M指標的具體計算是指會員在2016年全年消費總金額。

本文使用EXCEL和SQL Server從原始數(shù)據中共統(tǒng)計出了2016年在該商場有消費記錄的15784名會員的各項RFM指標值，形成一個15784行、3列的原始數(shù)據矩陣X，矩陣X的部分數(shù)據如下：

三、主成分綜合評價

從原始數(shù)據矩陣X出發(fā)，對會員價值進行識別研究，通常采用的方法有：聚類分析法、層次分析法等，但通過聚類分析對會員進行分類，顯得量化研究不夠充分;層次分析法中的權重通常是主觀賦權，結果不夠客觀且存在變數(shù)。我們希望采取比較客觀的方法，并且有唯一的結果，即找到一個以會員價值為因變量、以會員的R、F、M值為自變量的函數(shù)，從而計算出每位會員的“價值”，再對會員的價值進行排名，識別出價值高與價值低的會員。主成分綜合評價是一個客觀評價的方法，如果我們把綜合評價的得分視作會員的“價值”，那么就可以找到上述要求中的“價值”函數(shù)。

1.數(shù)據標準化處理

由于原始數(shù)據矩陣X中各項指標下的數(shù)據量綱各不相同，所以首先需要對數(shù)據進行去量綱的數(shù)據標準化處理，本文采用z-score數(shù)據標準化處理方法，計算公式如下：

2.使用Matlab進行主成分綜合評價

由上述公式計算出的每位會員在三個主成分下的指標值。Matlab軟件的自帶的主成分分析函數(shù)pca已經為我們計算好了每一位會員在三個主成分指標下的數(shù)據值，具體數(shù)據見score矩陣。latent矩陣存放的是三個主成分的特征值，每個主成分的特征值除以特征值的總和即為該主成分的權重，此權重為客觀權重，由原始數(shù)據矩陣X所唯一決定，所以克服了主觀賦權帶來的模糊性。由于我們的目的是對每位會員的價值進行排名，所以在做主成分分析的時候，不需要舍棄權重偏小的主成分，因此三個主成分都參與綜合得分的計算，這樣還有一個好處就是保持原始數(shù)據信息量100%無損失。在Matlab中計算每個主成分權重的具體計算代碼為：

得到的矩陣explained即為主成分的權重矩陣，本文中計算得出的三個主成分的權重依次為0.5994、0.2736、0.1271。根據主成分的指標值和權重就可以計算每位會員的綜合得分JZ，計算公式為：

每位會員的綜合得分就當做每位會員的“價值”，根據綜合得分對會員價值從高到低排序，即可識別出每位會員的價值高低。

四、會員價值識別

從表3中可以看出，會員綜合得分排名最高的五位會員都是在臨近截止日期（2017年1月1日）前來消費過（R值），全年刷會員卡消費的次數(shù)都在500次以上（F值），全年消費金額（M值）巨大，除了第一位會員由于刷卡消費次數(shù)（3303次）遙遙領先于其他會員使得綜合得分排名第一外，其他4位會員的全年消費金額都在40萬以上并且另外兩項指標的數(shù)據也很可觀，所以這5位會員的價值最高無可爭議。從表5中可以看出，綜合得分排名最低的會員已經很久沒來消費過了，全年只消費了一次并且消費金額小，這樣的會員價值最低也無可厚非。綜上所述，使用主成分綜合評價對會員價值識別的結果符合生活實際，故評價結果有參考價值。

五、會員精細化管理

對15784名會員的原始數(shù)據矩陣X做了主成分綜合評價后得到的綜合得分即為每位會員的價值綜合得分，根據計算結果，所有會員的價值綜合得分的平均值為0，但這不妨礙我們對所有會員的價值從高到低進行排名。受到商場運營成本的制約，商場不可能對所有會員采取無差別的個性化服務，商場只能將維系會員的資源集中在少數(shù)幾類對商場重要的會員上，根據會員價值得分排名情況，商場應該優(yōu)先將資源投放到價值得分較高的會員身上，比如將價值得分排名前100的會員定義為VIP黑卡級別的會員，商場應該對這一類的會員進行會員畫像，分析每一位VIP黑卡級別會員的消費偏好，對其建立私人客服系統(tǒng)，維系好與他們的關系，定期向其推送符合他們消費偏好的產品，最終實現(xiàn)會員的精細化管理。

六、結語

本文基于RFM模型和主成分綜合評價對商場會員價值進行識別，識別結果客觀可信，并且在Matlab中主成分綜合評價的程序已經很成熟了，在我們實際操作中可以很方便的使用。商場管理者對于會員價值識別的結果可以用于會員的精細化管理和精準營銷，與高價值會員建立穩(wěn)定的關系是百貨商場行業(yè)得以更好發(fā)展的有效途徑。

參考文獻：

[1]姜啟源，謝金星，葉俊.數(shù)學模型（第五版）.高等教育出版社，2018.

[2]汪曉銀.數(shù)學模型方法入門及其應用.科學出版社，2018.

[3]林盛，肖旭.基于RFM模型的電信客戶市場細分方法.哈爾濱工業(yè)大學學報，2006（05）：758-760.