基于隨機(jī)森林模型的精準(zhǔn)營銷研究

■鐘楚彥

（同濟(jì)大學(xué)）

1 客戶畫像與精準(zhǔn)營銷

1.1 概念闡釋

客戶畫像指的是通過對產(chǎn)品客戶已有的消費(fèi)行為、社會屬性等信息對客戶進(jìn)行分類、標(biāo)簽化，一般由銷售方的分析師利用已有客戶數(shù)據(jù)完成。在對客戶進(jìn)行了完整的分析以后，銷售方能夠?qū)ζ滟徺I能力、產(chǎn)品忠誠度、個(gè)人喜好等作出評估，達(dá)到個(gè)性化服務(wù)的目的。而其中最重要的是，基于對客戶產(chǎn)品喜好、消費(fèi)水平的了解，銷售方能夠以最小的成本和負(fù)面影響對目標(biāo)進(jìn)行營銷，這也就是所謂的“精準(zhǔn)營銷”。目前，這種運(yùn)營模式和銷售策略已經(jīng)被廣泛應(yīng)用于服務(wù)業(yè)、互聯(lián)網(wǎng)行業(yè)、金融行業(yè)與零售行業(yè)。下文中將舉出幾個(gè)不同領(lǐng)域行業(yè)對客戶畫像模式的應(yīng)用案例。

1.2 商業(yè)應(yīng)用案例

1.2.1 音樂平臺

近年來，隨著流行音樂文化的普及以及互聯(lián)網(wǎng)娛樂業(yè)模式的興起，各大互聯(lián)網(wǎng)音樂平臺正在獲取越來越多的用戶。其中佼佼者在獲取了大體量的用戶信息后，已經(jīng)將客戶畫像工作完成得十分出色。最能體現(xiàn)其客戶畫像內(nèi)核的服務(wù)之一是“日推”機(jī)制：根據(jù)對用戶已收聽音樂的類型分析，收聽時(shí)段分析，每日在恰當(dāng)時(shí)機(jī)為用戶推送符合其喜好類型的歌曲。這種推薦模式幫助某些音樂平臺吸引了大量用戶，表現(xiàn)出大數(shù)據(jù)分析下客戶畫像的先進(jìn)性。

1.2.2 商業(yè)銀行

因?yàn)閷?shí)名認(rèn)證與用戶體量的原因，商業(yè)銀行擁有極為豐富的用戶數(shù)據(jù)。每個(gè)城市級單位的數(shù)據(jù)中心都管理著千萬級別的用戶。因此，商業(yè)銀行在客戶畫像項(xiàng)目上也擁有其他行業(yè)無法比擬的優(yōu)勢?；诖尜J款額度、頻率記錄；用戶的實(shí)名注冊信息，商業(yè)銀行內(nèi)部的數(shù)據(jù)分析部門可以做出精準(zhǔn)的客戶標(biāo)簽。將結(jié)果給予銷售部門，即可完成低成本、高準(zhǔn)確度的營銷工作。而營銷結(jié)果又一次作為新數(shù)據(jù)被寫入分析數(shù)據(jù)庫，最終達(dá)到了良性循環(huán)。

1.2.3 零售行業(yè)

零售行業(yè)作為對于銷售能力最為依賴的行業(yè)，客戶畫像模式對其的意義不言而喻。以星巴克為代表，各零售品牌對于客戶的精準(zhǔn)營銷主要通過會員制度、消費(fèi)記錄收集客戶數(shù)據(jù)，實(shí)現(xiàn)個(gè)性化服務(wù)[1]。Peter與Malkins(2017)對星巴克的營銷模式進(jìn)行了研究分析，其結(jié)論認(rèn)為會員制度收集的客戶數(shù)據(jù)對該品牌完成客戶畫像起到了關(guān)鍵作用，幫助其培養(yǎng)出良好的口碑與客戶忠誠度，創(chuàng)造了140%的額外營業(yè)額。由此可見，客戶畫像已經(jīng)在各行業(yè)領(lǐng)域中得到廣泛應(yīng)用，對行業(yè)運(yùn)營模式起到了重要影響，是數(shù)據(jù)分析領(lǐng)域的一大熱點(diǎn)。

2 客戶畫像的全新模型：隨機(jī)森林

2.1 傳統(tǒng)的數(shù)字營銷模型

對于客戶畫像項(xiàng)目而言，建立模型，也即決定如何“標(biāo)簽化”用戶，創(chuàng)造哪些標(biāo)簽，相應(yīng)的對應(yīng)怎樣的營銷模式，是非常關(guān)鍵的一步。建模的成功與否直接決定了最終實(shí)現(xiàn)精準(zhǔn)營銷的效果。傳統(tǒng)的營銷模型是由分析者人為挑選入模變量，即按照市場常識或理性認(rèn)知判斷何種因素（消費(fèi)行為、社會屬性等）應(yīng)該被設(shè)置為“標(biāo)簽”，從而把相應(yīng)客戶歸為一類。舉例而言，零售行業(yè)的分析者很大可能會把客戶的購買頻率、產(chǎn)品傾向性、消費(fèi)水平等作為模型中重要的參數(shù)。在得到這些“標(biāo)簽”后，銷售方通過帶入以往數(shù)據(jù)，尋找同一“標(biāo)簽”內(nèi)的客戶的消費(fèi)共性，即可得到結(jié)論。如：新上市的產(chǎn)品A，在其銷售一個(gè)月后收集數(shù)據(jù)，發(fā)現(xiàn)帶有“年輕群體”、“女性”、“消費(fèi)水平高”這三個(gè)標(biāo)簽的客戶購買量明顯多于其他客戶，則可以確定產(chǎn)品受眾，實(shí)現(xiàn)精準(zhǔn)營銷。

然而，這種傳統(tǒng)的建模方式存在很大缺陷：標(biāo)簽的選取很大程度上依賴于分析者的個(gè)人認(rèn)知。也就是說，在諸多客戶數(shù)據(jù)類別中，分析者未必能夠選擇出最優(yōu)的“標(biāo)簽”，會導(dǎo)致之后的驗(yàn)證工作量變大，甚至預(yù)測模型不準(zhǔn)確。

2.2 隨機(jī)森林理論的起源

對于隨機(jī)森林，需要先介紹決策樹理論。決策樹是廣泛應(yīng)用的一種樹狀分類算法。當(dāng)輸入待分類樣本時(shí)，決策樹的每一處分支都進(jìn)行一次01判斷，最終獲取該樣本對應(yīng)的一條由根節(jié)點(diǎn)到葉節(jié)點(diǎn)的唯一路徑。該路徑的最后一個(gè)節(jié)點(diǎn)的類別就是樣本的所屬類別。

隨機(jī)森林最早源于1995年的貝爾實(shí)驗(yàn)室，Tin Kam Ho所提出的隨機(jī)決策森林(random decision forests)。后由美國科學(xué)家Leo Breiman將其整理為一種機(jī)器學(xué)習(xí)算法，于2001年發(fā)表[2]。隨機(jī)森林是以決策樹為基本分類器的一個(gè)集成學(xué)習(xí)模型，它包含多個(gè)決策樹。當(dāng)輸入待分類的樣本時(shí)，最終的分類結(jié)果由每個(gè)單個(gè)決策樹的輸出結(jié)果投票決定。換而言之，它是在樣本通過隨機(jī)選取的多個(gè)決策樹后，將這些決策樹的結(jié)果歸總整理出的分類結(jié)論。

2.3 隨機(jī)森林模型的應(yīng)用

該模型在被創(chuàng)造后，逐漸被廣泛的應(yīng)用于金融分析、科學(xué)研究等領(lǐng)域。近年來，隨著商業(yè)機(jī)構(gòu)的數(shù)字化轉(zhuǎn)型愈演愈烈，商業(yè)機(jī)構(gòu)能夠獲得的數(shù)據(jù)體量全面、維度升高，許多企業(yè)也開始應(yīng)用隨機(jī)森林模型進(jìn)行數(shù)據(jù)處理。在商業(yè)應(yīng)用中，隨機(jī)森林模型的運(yùn)轉(zhuǎn)模式大致如下：分析者將銷售方已有的所有數(shù)據(jù)集全部應(yīng)用，生成多個(gè)決策樹。而后，將樣本通過隨機(jī)森林模式進(jìn)行分類。這樣的分類過程會使得客戶得到最精準(zhǔn)的“標(biāo)簽”，也即接下來模型中將用到的入模變量。在得到這些具有代表性的變量后，分析者即可使用這些變量建模，代入數(shù)據(jù)后得到對客戶進(jìn)行產(chǎn)品營銷的效果預(yù)測。

2.4 隨機(jī)森林模型的優(yōu)勢

如前文中所說，相較于傳統(tǒng)的客戶畫像模型，隨機(jī)森林模型能夠省去人工選擇“標(biāo)簽”的步驟，改為由機(jī)器學(xué)習(xí)模式下大量的擬合得出結(jié)論，這顯然使得分析工作工作量減小、準(zhǔn)確度提升。與此同時(shí)，相較于一般的決策樹模型，隨機(jī)森林也有明顯的優(yōu)勢[3]：對于很多種資料，可以產(chǎn)生高準(zhǔn)確度的分類器；可以在決定類別時(shí)，評估變數(shù)的重要性；如果有很大一部分的資料遺失，仍可以維持準(zhǔn)確度；可以避免決策樹模型的過擬合問題；善于處理高維數(shù)據(jù)集。

3 隨機(jī)森林模式下客戶畫像的展望

3.1 隨機(jī)森林?jǐn)?shù)據(jù)能力內(nèi)核

從前文討論中可以感受到該模型數(shù)據(jù)分析的強(qiáng)大能力。其數(shù)據(jù)處理結(jié)論的最大優(yōu)勢在于其是一種強(qiáng)目的性擬合方式，關(guān)注預(yù)測結(jié)果而非因果關(guān)系。簡而言之，具有某種社會屬性或者消費(fèi)行為的特定用戶群體可能擁有其他領(lǐng)域的共性，這種共性的來源是后部的高級因素決定的，即由某種內(nèi)在因素同時(shí)導(dǎo)致了兩種或者多種特質(zhì)。而這種新型的數(shù)據(jù)分析模型可以幫助我們跳過內(nèi)因分析，直接給出結(jié)論。舉例而言，數(shù)據(jù)擬合發(fā)現(xiàn)某商業(yè)銀行客戶群體中，高額存款用戶購買理財(cái)產(chǎn)品的可能性偏低。銷售方不需要分析這種因果關(guān)系的內(nèi)因，如推斷高存款用戶心理共性等，而可以直接取信數(shù)據(jù)建模，降低對高存款用戶理財(cái)產(chǎn)品推銷的優(yōu)先級。當(dāng)然，此種模式的前提是建模的數(shù)據(jù)體量應(yīng)當(dāng)足夠，否則會由偶然性得出錯誤結(jié)論。

3.2 數(shù)據(jù)信息跨領(lǐng)域商業(yè)合作

當(dāng)下行業(yè)內(nèi)的數(shù)據(jù)合作在比較普遍，其作用機(jī)理也更容易理解：更大的數(shù)據(jù)樣本能夠推得更準(zhǔn)確的結(jié)果。然而，這種合作也具有明顯的局限性：同行業(yè)內(nèi)的客戶可能有很大程度重復(fù)，重復(fù)的客戶數(shù)據(jù)只能夠增大個(gè)體數(shù)據(jù)量，對于模型建立沒有質(zhì)的幫助。而不重復(fù)的客戶數(shù)據(jù)很可能代表了兩個(gè)企業(yè)或品牌客戶的自然選擇，對另一方的客戶群體并無參考價(jià)值。

基于隨機(jī)森林模型對高維度數(shù)據(jù)處理的明顯優(yōu)勢，新型商業(yè)客戶畫像模型有能力對引入的其他維度數(shù)據(jù)進(jìn)行處理。由此，如果企業(yè)或者商業(yè)機(jī)構(gòu)能夠展開跨領(lǐng)域合作，則會有諸多更明顯的收益。

結(jié) 語

文章介紹了現(xiàn)有的商業(yè)數(shù)據(jù)分析模式，提出隨機(jī)森林模型在客戶畫像建模中的應(yīng)用，并基于此探討了數(shù)據(jù)分析優(yōu)勢的內(nèi)核，展望了跨領(lǐng)域數(shù)據(jù)合作的可能。目前國內(nèi)市場中，上述討論中的跨領(lǐng)域數(shù)據(jù)合作案例還很少。這一方面是因?yàn)榫薮篌w量的數(shù)據(jù)需求對多數(shù)銷售方來說十分困難，另一方面也是基于用戶信息安全的考量。未來市場中對用戶數(shù)據(jù)進(jìn)行跨領(lǐng)域商用是否能得到允許，其運(yùn)作方式與合法性究竟如何制定，還需要進(jìn)一步研究。但這其中包含的巨大利好，應(yīng)當(dāng)值得研究者發(fā)掘和嘗試。