全生命周期客戶價(jià)值數(shù)據(jù)分析挖掘方法

徐曉敏,谷曉燕

(北京信息科技大學(xué) 信息管理學(xué)院，北京 100192)

0 引言

客戶價(jià)值是企業(yè)從與其具有長(zhǎng)期穩(wěn)定關(guān)系并愿意為企業(yè)提供產(chǎn)品和服務(wù)承擔(dān)合適價(jià)格的客戶中獲得的利潤，也即顧客對(duì)企業(yè)的利潤貢獻(xiàn)[1]。企業(yè)通過客戶的消費(fèi)行為等數(shù)據(jù)測(cè)度出客戶價(jià)值，基于客戶價(jià)值可以對(duì)客戶進(jìn)行差異化決策[2]。因此客戶價(jià)值分析是企業(yè)客戶關(guān)系管理的一項(xiàng)重要內(nèi)容。在電子商務(wù)蓬勃發(fā)展的今天，對(duì)于日趨龐大的網(wǎng)店經(jīng)營者來說，關(guān)注客戶價(jià)值是競(jìng)爭(zhēng)取勝的重要環(huán)節(jié)之一。通過分析顧客的購買行為，識(shí)別每個(gè)客戶的價(jià)值，根據(jù)客戶價(jià)值的不同采取有效的數(shù)據(jù)分析挖掘方法對(duì)客戶進(jìn)行分類以識(shí)別出可以為商家?guī)砀罄麧櫟念櫩蚚3]。通過精準(zhǔn)的營銷手段，全面提升客戶滿意度及忠誠度，以使得網(wǎng)店獲得更多的利潤。

本文以網(wǎng)店實(shí)際經(jīng)營數(shù)據(jù)為背景，基于網(wǎng)店實(shí)際交易數(shù)據(jù)，構(gòu)建客戶全生命周期客戶價(jià)值分析模型。通過綜合應(yīng)用數(shù)據(jù)分析挖掘方法，即RFM分析法和K-means聚類算法對(duì)客戶價(jià)值進(jìn)行分析研究。在客戶全生命周期的各個(gè)階段，根據(jù)其不同的價(jià)值對(duì)客戶進(jìn)行分類管理，滿足客戶不同的需求，制定相應(yīng)的經(jīng)營策略，以達(dá)到為商家經(jīng)營提供決策支持的目的。有助于商家維持現(xiàn)有客戶，發(fā)掘潛在客戶，提升客戶價(jià)值。

1 方法模型

一個(gè)顧客與企業(yè)的關(guān)系從建立再到終止的全過程，稱之為客戶全生命周期，它是客戶關(guān)系發(fā)展變化的水平軌跡記錄。在客戶關(guān)系管理研究中通常將其劃分為考察期、形成期、穩(wěn)定期和退化期4個(gè)時(shí)期[4]?；谌芷诳蛻魞r(jià)值數(shù)據(jù)分析挖掘方法綜合應(yīng)用了RFM分析法和K-means聚類算法。

RFM模型首先是在1994年由Hughes提出[5]。在本文研究中，RFM分析法主要涉及3個(gè)變量：最近購買時(shí)間(recency)，購買頻率(frequency)，購買金額(monetary)。以R表示顧客最近一次的購買時(shí)間和分析時(shí)間點(diǎn)之間的間隔天數(shù)，F(xiàn)表示統(tǒng)計(jì)期內(nèi)顧客購買商品的次數(shù)，M表示統(tǒng)計(jì)期內(nèi)顧客購買商品的總金額。

K-means聚類算法一般用于對(duì)大量數(shù)據(jù)進(jìn)行分析。它是從樣本中隨機(jī)選取K個(gè)點(diǎn)作為初始聚類中心，計(jì)算所有數(shù)據(jù)到各個(gè)聚類中心的距離，將距離聚類中心較近的點(diǎn)歸為一類[6]。在本文研究中將應(yīng)用此方法對(duì)RFM分析結(jié)果進(jìn)行聚類分析挖掘，得出基于客戶生命周期的分階段客戶群體。

基于RFM分析法和K-means聚類算法的客戶價(jià)值數(shù)據(jù)分析挖掘方法基本思路為：在店鋪一定時(shí)間段內(nèi)的穩(wěn)定交易數(shù)據(jù)記錄中選取主要字段：訂單創(chuàng)建時(shí)間、買家會(huì)員名及總金額，并從這些數(shù)據(jù)記錄中提取得出最近購買時(shí)間(R)、購買頻率(F)和購買金額(M)三個(gè)指標(biāo)進(jìn)行RFM分析，然后對(duì)得到的RFM分析結(jié)果求其等權(quán)重總分，最后再使用K-means算法對(duì)每個(gè)客戶的RFM總分進(jìn)行聚類分析，得出分階段客戶群聚類結(jié)果?；赗FM分析法和K-means聚類算法的客戶價(jià)值分析模型如圖1所示。

方法模型具體描述如下：

1)數(shù)據(jù)獲取。具體選擇一家網(wǎng)店，獲取一定時(shí)間內(nèi)具有一定規(guī)模的連續(xù)交易數(shù)據(jù)作為分析樣本。

2)數(shù)據(jù)清洗整理。①選取字段：從網(wǎng)店交易數(shù)據(jù)Excel文件中提取所要進(jìn)行數(shù)據(jù)分析的相應(yīng)字段：訂單創(chuàng)建時(shí)間、買家會(huì)員名和總金額。②生成RFM分?jǐn)?shù)表：對(duì)提取字段進(jìn)行載入，根據(jù)分析工具數(shù)據(jù)處理要求將其格式調(diào)整為可以識(shí)別的數(shù)據(jù)模式后進(jìn)行相應(yīng)的操作計(jì)算，生成分別具有R、F、M三項(xiàng)每項(xiàng)得分的分?jǐn)?shù)表。然后將R、F、M分別依照由大到小、由多到少的順序進(jìn)行排列，再按照排列順序?qū)⒆罱徺I日期、購買頻率及購買金額3個(gè)指標(biāo)分別劃分為5個(gè)等份。對(duì)于每項(xiàng)指標(biāo)，規(guī)定最前面20%的顧客5分，其次20%的顧客4分，以此類推分別賦予3分、2分與1分。分?jǐn)?shù)越高代表客戶價(jià)值越高。

3)數(shù)據(jù)分析挖掘。①分值計(jì)算：對(duì)上一步得到的RFM分?jǐn)?shù)表中每一項(xiàng)數(shù)據(jù)按照等權(quán)賦值方式進(jìn)行總分?jǐn)?shù)計(jì)算，得到加權(quán)總分值。②分值聚類：將加權(quán)總分值進(jìn)行K-means聚類計(jì)算，得到聚類結(jié)果。

4)數(shù)據(jù)結(jié)果分析。通過以上步驟，可以得到店鋪在指定周期內(nèi)所有客戶按照其客戶價(jià)值分類的聚類結(jié)果，在此基礎(chǔ)上將客戶劃分為4類:重要保持客戶、重要發(fā)展客戶、一般重要客戶和一般客戶。其中：重要保持客戶是可以為店鋪帶來最大價(jià)值的客戶，對(duì)店鋪具有高度認(rèn)同；重要發(fā)展客戶對(duì)店鋪已有較強(qiáng)認(rèn)同，是潛在的忠誠客戶；一般重要客戶是基數(shù)較大的客戶，是店鋪銷售訂單的主要來源；一般客戶是店鋪的基石，所有顧客都是經(jīng)過一般客戶這個(gè)階段而逐步提升。在聚類結(jié)果中可以根據(jù)客戶的用戶名清楚地查詢到每一客戶屬于上述哪一種客戶類型，也可以根據(jù)類型查看到每一聚類客戶中都包含有哪些客戶。

根據(jù)聚類結(jié)果所劃分的4類客戶，分別給出各類客戶在客戶全生命周期各個(gè)階段的表現(xiàn)特點(diǎn)及相應(yīng)營銷策略，詳見表1。以此為店鋪經(jīng)營者的經(jīng)營決策提供支持。

2 方法應(yīng)用

2.1 數(shù)據(jù)獲取

選取淘寶網(wǎng)某C2C網(wǎng)店作為應(yīng)用研究對(duì)象。該店鋪主要經(jīng)營外貿(mào)女裝，屬于女士服裝精品層次，2008年網(wǎng)店開始營業(yè)，在官方的賣家信用體系中擁有103 191個(gè)賣家信用，屬于淘寶四皇冠賣家。用于客戶價(jià)值分析的數(shù)據(jù)來源于該店鋪2017年11月1日至2018年10月31日完整一年的穩(wěn)定交易數(shù)據(jù)，共17 462條訂單數(shù)據(jù)。

2.2 數(shù)據(jù)清洗整理

2.2.1 選取字段

下載該店鋪日常經(jīng)營數(shù)據(jù)所生成的原始網(wǎng)店交易記錄總表，經(jīng)過對(duì)相關(guān)字段的抽取整理，形成網(wǎng)店交易基本數(shù)據(jù)表，從中提取進(jìn)行客戶價(jià)值分析所需的數(shù)據(jù)：買家會(huì)員名、訂單創(chuàng)建時(shí)間和總金額作為分析數(shù)據(jù)。經(jīng)整理后的分析數(shù)據(jù)表如圖2所示。

表1 全生命周期客戶價(jià)值分析及相應(yīng)對(duì)策

為保證數(shù)據(jù)分析的有效性，需要對(duì)數(shù)據(jù)表單中的極端數(shù)據(jù)分析結(jié)果影響進(jìn)行進(jìn)一步處理，主要處理方法：

1)交易次數(shù)。通過對(duì)買家會(huì)員名字段進(jìn)行數(shù)據(jù)透視，得出基于顧客購買次數(shù)的統(tǒng)計(jì)表。統(tǒng)計(jì)期內(nèi)共有8526名顧客在該商鋪內(nèi)進(jìn)行交易17 462次，購買1次的顧客13 379人，顧客數(shù)占比為76.62%；購買2次的顧客有2144人，顧客數(shù)占比為12.28%；其中購買次數(shù)達(dá)到13次及以上的顧客數(shù)只有82人，顧客數(shù)占比只有0.47%，這部分顧客在總顧客數(shù)中所占比例極小，所以將該部分顧客剔除。

2)購買金額。通過對(duì)客戶購買金額進(jìn)行數(shù)據(jù)透視，可以看出顧客單筆交易訂單產(chǎn)生較大購買金額的訂單極少，在總的交易訂單中所占比例較低，考慮這部分訂單直接用于RFM分析，會(huì)對(duì)消費(fèi)金額的波動(dòng)區(qū)間產(chǎn)生較大影響，故將該部分消費(fèi)金額過大、顧客數(shù)占比又很小的客戶進(jìn)行剔除。

2.2.2 生成RFM分?jǐn)?shù)表

將經(jīng)過處理的數(shù)據(jù)導(dǎo)入SPSS statistics 17.0中，采用其分析選項(xiàng)中的RFM分析模型進(jìn)行交易數(shù)據(jù)分析。根據(jù)分析要求，選擇訂單創(chuàng)建時(shí)間對(duì)應(yīng)交易日期；總金額對(duì)應(yīng)交易金額；買家會(huì)員名對(duì)應(yīng)客戶標(biāo)識(shí)符。在輸出選項(xiàng)卡中選擇塊計(jì)數(shù)圖、塊計(jì)數(shù)表可以清晰地表示出RFM分?jǐn)?shù)表結(jié)果。

其中RFM 塊計(jì)數(shù)圖表示的是離線后的塊分布。橫軸表示按照客戶購買頻率將客戶分為4級(jí)，縱軸表示按照客戶最后一次消費(fèi)時(shí)間將客戶分為5級(jí)。共分為20塊。在每塊中又根據(jù)客戶消費(fèi)金額將客戶細(xì)分為5級(jí)，顯示出柱狀圖，從左到右客戶的消費(fèi)金額依次增大，高低表示該項(xiàng)得分的客戶樣本量的大小。塊計(jì)數(shù)圖如圖3所示。

與塊計(jì)數(shù)圖相對(duì)應(yīng)的塊計(jì)數(shù)表可以更加詳細(xì)清晰地顯示每個(gè)分塊中具有的樣本數(shù)量，RFM分?jǐn)?shù)表如圖4所示。

2.3 數(shù)據(jù)分析挖掘

2.3.1 分值計(jì)算

根據(jù)上一步得到的RFM分?jǐn)?shù)表，給RFM 模型中的3個(gè)指標(biāo)賦予相同的權(quán)重進(jìn)行加權(quán)，計(jì)算得到每個(gè)客戶的RFM分?jǐn)?shù)的加權(quán)總分值如圖5所示。

2.3.2 分值聚類

最后使用K-means聚類算法對(duì)上一步得到的RFM分?jǐn)?shù)的加權(quán)總分值進(jìn)行聚類。使用SPSS statistics 17.0中的分析選項(xiàng)中的K-means聚類，運(yùn)行后生成客戶價(jià)值聚類結(jié)果及每個(gè)類別的客戶樣本數(shù)量如圖6所示。

2.4 數(shù)據(jù)結(jié)果分析

從圖6中可以看出1類數(shù)據(jù)集有1114名客戶，2類數(shù)據(jù)集有2766名客戶，3類數(shù)據(jù)集有4073名客戶，4類數(shù)據(jù)集有533名客戶。

結(jié)合RFM的分析結(jié)果以及對(duì)客戶實(shí)際交易數(shù)據(jù)的對(duì)比分析，可以做出如下定義：聚集于第4類的樣本客戶為重要保持類客戶;聚集于第2類的樣本客戶為重要發(fā)展類客戶;聚集于第3類的樣本客戶為一般重要類客戶;聚集于第1類的樣本客戶為一般類客戶。

進(jìn)一步的數(shù)據(jù)分析統(tǒng)計(jì)得知：該店鋪的重要保持類客戶533人，占總客戶數(shù)的6.3%；重要發(fā)展類客戶2766人，占總客戶數(shù)的32.59%；一般重要類客戶4073人，占總客戶數(shù)的47%；一般類客戶1114人，占總客戶數(shù)的13.11%。

3 結(jié)束語

從本文數(shù)據(jù)結(jié)果分析可以看出：重要發(fā)展客戶與一般重要客戶占比較大，網(wǎng)店經(jīng)營者可以結(jié)合客戶生命周期各階段的特點(diǎn)進(jìn)一步分析各類客戶的具體情況，進(jìn)而采取相應(yīng)的營銷策略，促使其升級(jí)成為店鋪的重要保持類客戶。網(wǎng)店實(shí)例對(duì)分析挖掘方法的實(shí)際應(yīng)用，證實(shí)了基于RFM分析法和K-means聚類算法的客戶生命周期價(jià)值分析挖掘方法的有效性。