基于FTRM模型和K-means算法的大學(xué)生知識付費(fèi)產(chǎn)品使用行為研究

巫 芯 宇

西南大學(xué) 圖書館，重慶 400715

2016年，被稱為知識付費(fèi)元年，自2016年以來，我國知識付費(fèi)行業(yè)始終保持快速增長趨勢．艾媒新經(jīng)濟(jì)產(chǎn)業(yè)研究中心報告顯示，2019年我國知識付費(fèi)行業(yè)用戶規(guī)模達(dá)3.6億人，行業(yè)市場規(guī)模達(dá)278億元，估計2020年會突破392億元人民幣，其中18～30歲的人群占比超過50%[1]．然而，知識付費(fèi)行業(yè)在保持快速增長的同時，也出現(xiàn)了市場競爭加劇、產(chǎn)品同質(zhì)化、產(chǎn)品價格不合理、廣告泛濫、缺乏知識產(chǎn)權(quán)保護(hù)等問題[2]，這對知識付費(fèi)行業(yè)的持續(xù)發(fā)展帶來了不利影響．此外，盡管我國知識付費(fèi)行業(yè)規(guī)模持續(xù)增長，但其同比增速卻在下降．

目前，我國知識付費(fèi)行業(yè)已進(jìn)入到精細(xì)化運(yùn)營時代，需要對用戶群體的差異化進(jìn)行分類研究．大學(xué)生是使用知識付費(fèi)產(chǎn)品的主要群體之一，但是目前針對該群體的研究主要集中在動機(jī)和影響因素等方面，而基于大學(xué)生群體知識付費(fèi)產(chǎn)品使用行為的用戶細(xì)分研究還相對較少．因此，本文基于傳統(tǒng)的RFM模型，結(jié)合知識付費(fèi)產(chǎn)品的特點(diǎn)，提出一種改進(jìn)的FTRM模型，利用K-means聚類算法，將大學(xué)生群體聚類為睡眠型(或流失型)用戶、忠實(shí)型用戶、未付費(fèi)轉(zhuǎn)化型用戶、沖動消費(fèi)型用戶4類用戶群體，并針對每一類群體提出差異化的營銷建議．

1 國內(nèi)外研究現(xiàn)狀

本文以“(大學(xué)生 + 高校學(xué)生)*知識付費(fèi)”作為檢索詞對知網(wǎng)數(shù)據(jù)庫進(jìn)行主題精確檢索，共檢索到相關(guān)文獻(xiàn)66篇．通過對這66篇文獻(xiàn)的分析發(fā)現(xiàn)，目前對大學(xué)生知識付費(fèi)產(chǎn)品使用行為的研究主要集中在大學(xué)生使用知識付費(fèi)產(chǎn)品的現(xiàn)狀、付費(fèi)意愿、影響因素以及知識付費(fèi)產(chǎn)品的有用性、易用性等方面．有關(guān)國內(nèi)大學(xué)生知識付費(fèi)相關(guān)研究主題(前10)如下所示(圖1)．

圖1 國內(nèi)大學(xué)生知識付費(fèi)相關(guān)研究主題(前10)

孫曉臻等[3]以青島大學(xué)為例，對大學(xué)生使用知識付費(fèi)產(chǎn)品的動機(jī)、態(tài)度等進(jìn)行了調(diào)研分析，提出了知識分享平臺應(yīng)堅持內(nèi)容為王的發(fā)展戰(zhàn)略和低收費(fèi)、多受眾的營銷策略．何慧雪等[4]基于技術(shù)接受模型和期望確認(rèn)理論，提出影響大學(xué)生持續(xù)使用知識付費(fèi)產(chǎn)品意愿的8個因素．陳娟等[5]基于修正后的技術(shù)接受模型TAM2和感知價值接受模型，構(gòu)建了知識付費(fèi)產(chǎn)品使用偏好模型．劉詩卉等[6]以性別、年級、月均消費(fèi)額(Average monthly consumption，簡稱A)等為自變量，以對知識付費(fèi)的態(tài)度為因變量進(jìn)行二元Logit回歸分析，認(rèn)為經(jīng)濟(jì)條件和內(nèi)容質(zhì)量是影響大學(xué)生知識付費(fèi)的主要因素，發(fā)現(xiàn)大學(xué)生知識付費(fèi)產(chǎn)品使用行為注重實(shí)用性和娛樂性等特點(diǎn)．劉瀾等[7]對大學(xué)生知識付費(fèi)產(chǎn)品使用行為、付費(fèi)需求和付費(fèi)態(tài)度等進(jìn)行了分析，并結(jié)合文化產(chǎn)業(yè)政策、數(shù)字出版市場、圖書館資源組織和閱讀服務(wù)等方面提出了數(shù)字付費(fèi)閱讀使用對策．

此外，筆者以類似的方法對EI數(shù)據(jù)庫進(jìn)行檢索，檢索到“online paid knowledge OR pay for knowledge”與“college student OR university student”關(guān)鍵詞組相關(guān)文獻(xiàn)149篇．通過對這些文獻(xiàn)進(jìn)行分析發(fā)現(xiàn)，外文期刊中對大學(xué)生知識付費(fèi)產(chǎn)品使用行為的研究并不多，且不少文獻(xiàn)是來自中國學(xué)者的研究，現(xiàn)有的研究也主要集中在知識付費(fèi)意愿(Willingness to pay)、使用決策模式(Decision Making)、在線教育(E-Learning)等方面(圖2)．盡管知識付費(fèi)相關(guān)概念和模式起源于國外，但是由于知識產(chǎn)權(quán)保護(hù)等原因，知識付費(fèi)產(chǎn)品在國外發(fā)展并不那么迅速[8]．而且，外文期刊中還沒有比較明確的知識付費(fèi)概念，相關(guān)研究成果較少，僅有少量國外媒體采用“online paid knowledge”來報道知識付費(fèi)相關(guān)內(nèi)容．

Xie Wei等[9]認(rèn)為知識付費(fèi)產(chǎn)品的功能價值、情感價值、社會價值均對購買意愿產(chǎn)生積極且顯著的正向影響．Moutaz Khouja等[10]指出不斷提升服務(wù)是影響付費(fèi)成員支付意愿的重要因素．另外，雷兵等[11]在對國內(nèi)外知識付費(fèi)研究進(jìn)展的文獻(xiàn)綜述中指出，國內(nèi)外現(xiàn)有研究較多關(guān)注平臺商業(yè)模式及個人行為的影響因素，缺乏更深層次研究，且相關(guān)文獻(xiàn)關(guān)注點(diǎn)較為集中，使研究存在一定的同質(zhì)性．

目前，國內(nèi)外學(xué)術(shù)界對大學(xué)生知識付費(fèi)主題的研究主要集中在知識付費(fèi)動機(jī)及行為影響因素兩方面．但大學(xué)生群體因性別、專業(yè)、月均消費(fèi)額等不同，在知識付費(fèi)產(chǎn)品使用行為上存在差異．楊舒怡[12]認(rèn)為，知識付費(fèi)平臺應(yīng)開展用戶研究，并深入挖掘用戶需求，而挖掘用戶需求不能單單以年齡、學(xué)歷、職業(yè)等標(biāo)簽劃分用戶群，而要找出更具個性化的標(biāo)簽來區(qū)分用戶．因此，本文根據(jù)大學(xué)生使用知識付費(fèi)產(chǎn)品的行為差異，將大學(xué)生群體劃分為不同類別，并制定差異化的營銷策略，實(shí)現(xiàn)精準(zhǔn)營銷，有助于進(jìn)一步推動知識付費(fèi)行業(yè)持續(xù)發(fā)展．以“(大學(xué)生 + 高校學(xué)生)*知識付費(fèi)*(聚類 + 分類 + 細(xì)分)”作為檢索詞在知網(wǎng)數(shù)據(jù)庫中進(jìn)行檢索，僅檢索到1篇相關(guān)論文，該論文對大學(xué)生知識付費(fèi)行為進(jìn)行了調(diào)研分析，并運(yùn)用SWOT分析方法對知識付費(fèi)市場需求提出了建議[13]．盡管該文使用了K-means聚類算法，但文章聚類的對象是影響知識付費(fèi)產(chǎn)品的變量，并非大學(xué)生用戶群體．

數(shù)據(jù)由愛思唯爾旗下的Engineering Village數(shù)據(jù)庫提供．圖2 國外大學(xué)生知識付費(fèi)相關(guān)研究主題

綜上所述，通過對當(dāng)前國內(nèi)外學(xué)者關(guān)于大學(xué)生知識付費(fèi)主題的研究現(xiàn)狀進(jìn)行分析，筆者認(rèn)為：目前學(xué)術(shù)界對大學(xué)生群體使用知識付費(fèi)行為進(jìn)行的用戶聚類、用戶細(xì)分等研究相對較少．目前，基于用戶分類的精準(zhǔn)營銷、精細(xì)化運(yùn)營已成為各類互聯(lián)網(wǎng)產(chǎn)品運(yùn)營必須采取的措施．因此，本文基于傳統(tǒng)的RFM模型，結(jié)合知識付費(fèi)產(chǎn)品的特點(diǎn)，提出了FTRM模型，并基于該模型利用K-means聚類算法[14]，將大學(xué)生群體細(xì)分為不同類別，并針對不同用戶特點(diǎn)提出差異化的營銷建議，以提高知識付費(fèi)產(chǎn)品的營銷效率，實(shí)現(xiàn)精準(zhǔn)營銷．

2 FTRM模型與K-means算法

2.1 FTRM模型

RFM模型是衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段，被廣泛應(yīng)用于用戶價值衡量、用戶細(xì)分等領(lǐng)域中．在RFM模型中，R(Recency)表示最近一次消費(fèi)時間到當(dāng)前時間的時間間隔，R值越大表示用戶價值越低；F(Frequency)表示某段時間內(nèi)消費(fèi)的次數(shù)，F(xiàn)值越大表示用戶價值越高；M(Monetary)表示某段時間內(nèi)消費(fèi)的總金額，M值越大表示用戶價值越高[15]．

傳統(tǒng)的RFM模型主要用于直銷產(chǎn)品，通過用戶付費(fèi)行為對用戶價值進(jìn)行衡量．然而，知識付費(fèi)產(chǎn)品作為一種基于互聯(lián)網(wǎng)的軟件產(chǎn)品，區(qū)別于傳統(tǒng)的消費(fèi)品，用戶日?；钴S行為也是衡量用戶價值的重要指標(biāo)，在App產(chǎn)品數(shù)據(jù)分析中，DAU(Daily Active Users，日活躍用戶數(shù))、MAU(Monthly Active Users，月活躍用戶數(shù))也是最重要的分析指標(biāo)．因此，本文基于傳統(tǒng)的RFM模型，結(jié)合知識付費(fèi)產(chǎn)品的特點(diǎn)，提出針對知識付費(fèi)產(chǎn)品行為分析的FTRM模型．其中，F(xiàn)，T用于衡量用戶的日?；钴S行為，R，M用于衡量用戶的付費(fèi)購買行為．FTRM具體含義如下：

F(Frequency)：使用頻率，表示用戶使用某App的月平均次數(shù)．

T(Time Length)：使用時長，表示用戶每次使用某App的時間長度(min)．

R(Recency)：最近一次付費(fèi)，表示用戶最近一次購買時間到當(dāng)前時間的時間間隔．

M(Monetary)：付費(fèi)金額，表示用戶在某段時間內(nèi)付費(fèi)購買的總金額．

2.2 K-means算法

K-means聚類算法是一種經(jīng)典的、最常用的無監(jiān)督學(xué)習(xí)聚類算法．通過K-means算法，可以將數(shù)據(jù)按照距離分為不同的簇，簇內(nèi)樣本相似度高，簇間樣本相似度低．其核心步驟如下：

S1：從數(shù)據(jù)集中選取K個數(shù)據(jù)對象作為初始聚類中心．

S2：逐一計算數(shù)據(jù)集中每個樣本到K個初始聚類中心的距離，并根據(jù)距離遠(yuǎn)近，將每個樣本聚類到距離其最近的聚類中心，形成不同的簇．

S3：計算每個簇中樣本的均值，將均值作為新的聚類中心．

S4：重復(fù)S1～S3，通過不斷迭代，直至聚類中心不再變化．

S5：評估聚類效果．由于聚類數(shù)量K是人為確定的，不同K值下聚類的結(jié)果不同，一般常用的K值確定方法是計算不同K值下的簇內(nèi)誤方差(SSE)和輪廓系數(shù)(Silhouette Coefficient)，當(dāng)K值位于SSE學(xué)習(xí)曲線變化的“肘部”位置或使得輪廓系數(shù)取最大值時，即為最佳K值．

通過FTRM模型對使用行為進(jìn)行建模，再利用K-means算法對數(shù)據(jù)進(jìn)行聚類，對用戶使用情況進(jìn)行分析，挖掘不同用戶的使用特點(diǎn)．

3 數(shù)據(jù)的獲取與預(yù)處理

3.1 用戶行為的界定

用戶行為復(fù)雜多樣，主要受內(nèi)在心理和外在環(huán)境因素的影響，其研究涉及范圍較廣，囊括了經(jīng)濟(jì)學(xué)、傳播學(xué)、心理學(xué)、計算機(jī)技術(shù)等學(xué)科，課題研究綜合性較強(qiáng)．因此在知識付費(fèi)用戶行為研究中，對其范圍進(jìn)行界定也極為重要．董富強(qiáng)等[16]認(rèn)為用戶行為是指用戶在使用資源時所呈現(xiàn)出的規(guī)律．楊善林等[17]對用戶行為進(jìn)行了細(xì)致分類，將其分為消費(fèi)行為、參與行為和創(chuàng)造行為3類．消費(fèi)行為是指用戶對知識付費(fèi)產(chǎn)品購買，參與行為則是用戶與內(nèi)容生產(chǎn)者的交互，創(chuàng)造行為是指用戶獨(dú)立生產(chǎn)和創(chuàng)造一定的內(nèi)容．目前學(xué)術(shù)界并未對知識付費(fèi)行為有一個統(tǒng)一的界定，而是將其統(tǒng)稱為用戶對知識付費(fèi)產(chǎn)品的購買使用．

基于此，筆者對知識付費(fèi)產(chǎn)品行為做了一個簡單的歸納：對用戶購買和使用知識付費(fèi)產(chǎn)品等行為進(jìn)行搜集和分析，發(fā)掘出不同類型的用戶因自身的特點(diǎn)和需求在知識付費(fèi)產(chǎn)品使用上的不同特點(diǎn)，從而為其打造專屬的營銷策略．本文的用戶僅限大學(xué)生群體，用戶使用行為包括付款、購買等消費(fèi)行為、參與行為和創(chuàng)造行為．而活躍行為則是對使用行為狀態(tài)的描述，與潛水行為相對應(yīng)，具體指用戶在使用知識付費(fèi)產(chǎn)品時積極或消極的態(tài)度．用戶使用知識付費(fèi)產(chǎn)品越頻繁，體驗(yàn)感越好，購買欲望則越強(qiáng)．

并不是所有用戶在使用知識付費(fèi)產(chǎn)品時都存在購買的意愿，因此商家在宣傳時往往會打出“打折”“促銷”等口號，并采用優(yōu)惠拼團(tuán)或7天試用等方式，降低用戶感知價值的風(fēng)險．商家還會提供按篇購買、積分兌換、試讀部分章節(jié)等行為，通過較低的入場費(fèi)促進(jìn)用戶最終進(jìn)行購買消費(fèi)．用戶獲得了優(yōu)質(zhì)的知識內(nèi)容或解決了實(shí)際問題后，商家還設(shè)置了包月行為、包年行為、普通用戶行為、vip行為等供用戶選擇，最大限度地提升用戶的使用體驗(yàn)，以便吸引更多的用戶群體．用戶行為實(shí)際上是由商家提供的支撐行為決定的，不是獨(dú)立存在的，因此這些行為也將被轉(zhuǎn)換為用戶行為．

3.2 問卷設(shè)計與數(shù)據(jù)獲取

為了深入研究大學(xué)生使用知識付費(fèi)產(chǎn)品的情況，本文設(shè)計了調(diào)研問卷，對大學(xué)生基本屬性、動機(jī)、認(rèn)知及行為等方面進(jìn)行調(diào)研，并利用問卷星平臺獲取調(diào)研數(shù)據(jù)(只針對大學(xué)生群體進(jìn)行隨機(jī)發(fā)放)．

基本屬性包括性別、學(xué)歷、專業(yè)類別、月均消費(fèi)額等，其中專業(yè)類別按照教育部普通高校本科專業(yè)類別劃分標(biāo)準(zhǔn)設(shè)置；動機(jī)主要是使用知識付費(fèi)產(chǎn)品的原因；認(rèn)知包括對知識付費(fèi)產(chǎn)品的認(rèn)知程度，喜歡哪種類型的知識付費(fèi)產(chǎn)品，喜歡哪種知識提供者，目前知識付費(fèi)產(chǎn)品存在的問題等；行為主要包括日?；钴S行為和付費(fèi)購買行為，日?；钴S行為包括最近一年內(nèi)，月均使用頻率和每次使用的平均時長，付費(fèi)行為包括最近一次付費(fèi)時間和最近一年付費(fèi)的總金額．

3.3 數(shù)據(jù)預(yù)處理

本次調(diào)研共獲得問卷5 219份，數(shù)據(jù)預(yù)處理時首先剔除完全不了解知識付費(fèi)產(chǎn)品的問卷805份，最終獲得有效問卷4 414份．由于F，T，R，M這4個指標(biāo)量綱不同，為了避免量綱不同帶來的偏差，在數(shù)據(jù)預(yù)處理時，對這4個指標(biāo)進(jìn)行了歸一化處理，歸一化公式如下：

(1)

式(1)中，Xi為各指標(biāo)樣本集中每個樣本的值，Xmax和Xmin分別為各指標(biāo)樣本集的最大值和最小值．

4 大學(xué)生知識付費(fèi)產(chǎn)品使用行為描述性分析

4.1 動機(jī)與認(rèn)知描述性分析

在動機(jī)層面，大學(xué)生使用知識付費(fèi)產(chǎn)品的主要原因有獲取專業(yè)知識，獲取更有價值的信息以及滿足一定的社交需求等，也有少量原因是新鮮感、好奇心、從眾等心理因素(圖3)．

圖3 大學(xué)生使用知識付費(fèi)產(chǎn)品動機(jī)

在總體認(rèn)知層面，知識付費(fèi)產(chǎn)品在大學(xué)生群體中普及率達(dá)85%，平均熟悉程度為6.74分(總分10分)．其中，41%的大學(xué)生用戶表示對知識付費(fèi)產(chǎn)品熟悉程度達(dá)到8分及以上．而在不同類型知識付費(fèi)產(chǎn)品的喜好上，大學(xué)生群體更傾向于知識平臺類，如喜馬拉雅、得到、蜻蜓FM、豆瓣時間等，以及付費(fèi)文檔類，如百度文庫、豆丁文庫、道客巴巴等；而對于社區(qū)直播，如知乎Live、荔枝微課、千聊，以及社群類，如知識星球、小紅圈等使用相對較少．此外，對不同類型知識付費(fèi)內(nèi)容提供者的喜好上，大學(xué)生群體更傾向于專家學(xué)者和行業(yè)大咖(圖4)．此外，針對目前知識付費(fèi)產(chǎn)品存在的問題，63%的大學(xué)生用戶表示知識付費(fèi)產(chǎn)品定價較高或存在不合理現(xiàn)象；60%的大學(xué)生用戶表示知識付費(fèi)產(chǎn)品內(nèi)容質(zhì)量混雜，部分質(zhì)量較低；也有部分大學(xué)生用戶表示知識付費(fèi)產(chǎn)品廣告較多，降低了用戶體驗(yàn)度．

圖4 大學(xué)生使用知識付費(fèi)產(chǎn)品傾向與喜好

從動機(jī)與認(rèn)知層面可以看出，知識付費(fèi)產(chǎn)品在大學(xué)生群體中使用率相對較高；從動機(jī)和喜好看，知識付費(fèi)平臺的內(nèi)容質(zhì)量、專業(yè)程度是其關(guān)注的核心．

4.2 基本屬性與使用行為關(guān)系分析

一般而言，用戶屬性的差異會導(dǎo)致不同的使用行為．因此，本文進(jìn)一步挖掘了大學(xué)生群體的基本屬性與知識付費(fèi)產(chǎn)品使用行為之間的相關(guān)性，即探討性別、學(xué)歷、專業(yè)、月均消費(fèi)額A與F，T，M之間的相關(guān)性．

1) 性別、學(xué)歷、專業(yè)與F，T，M的關(guān)系分析

由于性別、學(xué)歷、專業(yè)均為定性數(shù)據(jù)，而F，T，M均為定量數(shù)據(jù)，因此，本文使用方差分析方法，分析基本屬性的不同分類(如性別男、女)在特定使用行為指標(biāo)(如F)下的差異，如表1所示．

表1 性別、學(xué)歷、專業(yè)與F，T，M的關(guān)系分析

表格中P值為某基本屬性的不同分類在特定使用行為指標(biāo)下的差異，如F項的性別P值，表示性別基本屬性中，不同分類(男、女)在F上是否存在差異．如果p<0.05，則說明差異有統(tǒng)計學(xué)意義，即表現(xiàn)出一定的相關(guān)性．因此，由表1可知，性別、學(xué)歷、專業(yè)均對F，T差異無統(tǒng)計學(xué)意義，而對M均差異有統(tǒng)計學(xué)意義(p<0.05)，也就是說，性別、學(xué)歷、專業(yè)與F，T之間沒有相關(guān)性，而與M之間存在一定相關(guān)性．進(jìn)一步分析這種相關(guān)性可以發(fā)現(xiàn)，大學(xué)生群體中，男性知識付費(fèi)金額比女性高3%，而博士、碩士、本科知識付費(fèi)金額依次為3%，3%，10%．對不同專業(yè)大類，文學(xué)、歷史學(xué)、醫(yī)學(xué)等專業(yè)知識付費(fèi)金額相對較高，而工學(xué)、理學(xué)、經(jīng)濟(jì)學(xué)則相對較低(圖5)．

圖5 不同專業(yè)大類知識付費(fèi)金額(M值，歸一化后)

2) 月均消費(fèi)額A與F，T，M的關(guān)系分析

月均消費(fèi)額A與F，T，M均為定量數(shù)據(jù)，可使用相關(guān)性分析方法，分析這4個變量之間是否存在相關(guān)性．在進(jìn)行相關(guān)性分析之前，首先對定量數(shù)據(jù)進(jìn)行正態(tài)性檢驗(yàn)，本文采用K-S檢驗(yàn)，經(jīng)檢驗(yàn)，A，F(xiàn)，T，M差異有統(tǒng)計學(xué)意義(p<0.05)，即均不具有正態(tài)性特質(zhì)．

由于Pearson相關(guān)系數(shù)一般適用于正態(tài)數(shù)據(jù)分布，而以上數(shù)據(jù)指標(biāo)均不具有正態(tài)性特質(zhì)，因此，本文采用Spearman系數(shù)進(jìn)行相關(guān)性分析．

經(jīng)過計算，A與F，T，M之間的Spearman系數(shù)依次為0.049，0.057，0.073，說明A與F，T，M之間存在較弱的相關(guān)性(表2)．

表2 A與F，T，M關(guān)系分析

通過以上研究發(fā)現(xiàn)，大學(xué)生用戶的基本屬性，如性別、學(xué)歷、專業(yè)均與付費(fèi)金額等付費(fèi)購買行為之間存在一定相關(guān)關(guān)系，與使用頻率、使用時長等日?；钴S行為不存在顯著關(guān)系，而月均消費(fèi)額與付費(fèi)金額、使用頻率、使用時長等使用行為均不存在顯著相關(guān)關(guān)系．因此，知識付費(fèi)平臺在進(jìn)行營銷時，可針對特定人群進(jìn)行差異化營銷．

5 大學(xué)生知識付費(fèi)產(chǎn)品使用行為聚類分析

5.1 聚類結(jié)果實(shí)現(xiàn)

K-means算法中，SSE和輪廓系數(shù)是評估K值最常用的指標(biāo)．SSE即簇內(nèi)誤方差平方和，即經(jīng)過多次迭代后，數(shù)據(jù)集中每個樣本點(diǎn)到各簇質(zhì)心的距離平方的總和，一般來說，SSE學(xué)習(xí)曲線的“肘部”K值最佳．SSE公式如公式(2)所示，其中，x(i)表示樣本點(diǎn)i，u(j)表示第j簇的質(zhì)心：

(2)

輪廓系數(shù)結(jié)合內(nèi)聚度和分離度2種因素，其取值為[-1，1]，一般來說，輪廓系數(shù)的值越接近1，聚類越好．輪廓系數(shù)公式如公式(3)所示，其中，a(i)為樣本i到同簇樣本點(diǎn)的平均距離，b(i)為樣本點(diǎn)i到其他每個簇距離平均值的最小值[16]：

(3)

本文采用sklearn.cluster中的Kmeans類進(jìn)行K-means聚類分析，并采用sklearn.metrics的silhouette score類計算輪廓系數(shù)．然后將K值從2～10逐次循環(huán)，并繪制不同K值下的學(xué)習(xí)曲線．由圖6可知，當(dāng)K=4時，SSE達(dá)到“肘部”，且輪廓系數(shù)達(dá)到最大值，即表示在2種評價指標(biāo)下，K取4時聚類效果最佳．

圖6 不同K值下的簇內(nèi)誤方差(SSE)和輪廓系數(shù)

最后，基于FTRM模型和K-means算法對清洗后的數(shù)據(jù)進(jìn)行聚類，得到4類數(shù)據(jù)，然后對每一類數(shù)據(jù)的F，T，R，M值分別計算均值和標(biāo)準(zhǔn)差，最終所得數(shù)據(jù)如表3所示，其中樣本數(shù)量和樣本比例以N和P′兩個指標(biāo)代替．

表3 每一類數(shù)據(jù)的F，T，R，M值的均值、標(biāo)準(zhǔn)差及N，P′

5.2 聚類結(jié)果分析

通過對4類群體聚類結(jié)果的F，T，R，M值分析可以發(fā)現(xiàn)：

1) cluster_1，此分類群體的F，T，M值均較小，R值最大，說明該群體在知識付費(fèi)產(chǎn)品的日常活躍行為和付費(fèi)購買行為上都表現(xiàn) “較差”，尚未真正養(yǎng)成使用知識付費(fèi)產(chǎn)品的習(xí)慣或曾經(jīng)使用知識付費(fèi)產(chǎn)品，但基于一些原因已經(jīng)流失，屬于睡眠型(或流失型)用戶，這類用戶占總體比例的19.44%．

2) cluster_2，此分類群體的F，T值均較大，M值次之，R值較小，說明該群體在知識付費(fèi)產(chǎn)品的日常活躍行為和付費(fèi)購買行為上都表現(xiàn) “優(yōu)異”，已經(jīng)養(yǎng)成使用知識付費(fèi)產(chǎn)品的習(xí)慣，屬于忠實(shí)型用戶，這類用戶占總體比例的13.82%．

3) cluster_3，此分類群體的F，T，R值均較大，M值很小，說明該群體在知識付費(fèi)產(chǎn)品的日?；钴S行為中表現(xiàn)“較優(yōu)”，但付費(fèi)購買行為表現(xiàn)“較差”，即經(jīng)常使用知識付費(fèi)產(chǎn)品，但尚未轉(zhuǎn)換成真正的付費(fèi)用戶，屬于未付費(fèi)轉(zhuǎn)化型用戶，這類用戶占總體比例的49.66%．

4) cluster_4，此分類群體的F，T，R值相對較小，M值最大，說明該群體在知識付費(fèi)產(chǎn)品的日?；钴S行為中表現(xiàn)“較差”，但付費(fèi)購買行為表現(xiàn)“優(yōu)異”，即經(jīng)常付費(fèi)購買知識付費(fèi)產(chǎn)品，但并未真正有效使用，屬于沖動消費(fèi)型用戶，這類用戶占總體比例的17.08%．

5.3 營銷建議

1) 睡眠型(或流失型)用戶．針對此類用戶，需要針對其睡眠或流失的原因進(jìn)一步深入挖掘，然后制定針對性措施．如首先改善其日常活躍行為，再制定促銷措施，刺激其付費(fèi)購買．

2) 忠實(shí)型用戶．針對此類用戶，可以按照其日?；钴S行為、付費(fèi)購買行為等進(jìn)一步劃分忠實(shí)等級，并給予一定的獎勵，運(yùn)用粉絲經(jīng)濟(jì)、社群經(jīng)濟(jì)的思維進(jìn)行精細(xì)化運(yùn)營．如B站在UP主達(dá)到一定粉絲數(shù)量后，會逐次開放一些特權(quán)，如頭像加標(biāo)識、頒發(fā)實(shí)體勛章等，用以增強(qiáng)用戶的認(rèn)同感；此外，還可以制定一些轉(zhuǎn)發(fā)、介紹獎勵政策，進(jìn)一步刺激忠實(shí)用戶介紹新的用戶，如拼購、轉(zhuǎn)發(fā)有禮、拉新有禮等．

3) 未付費(fèi)轉(zhuǎn)化型用戶．此類客戶是整個用戶群體中占比最大的，達(dá)到49.66%，企業(yè)應(yīng)該重點(diǎn)針對此類用戶制定營銷策略，促進(jìn)其轉(zhuǎn)化購買，如根據(jù)使用時長贈送積分，并采用積分+現(xiàn)金的組合方式優(yōu)惠購買付費(fèi)產(chǎn)品；利用Apiorio算法進(jìn)行付費(fèi)產(chǎn)品大數(shù)據(jù)挖掘，發(fā)現(xiàn)關(guān)聯(lián)知識，提高付費(fèi)單價等．

4) 沖動消費(fèi)型用戶．針對此類用戶，應(yīng)該制定有效的活躍政策，提升其日?；钴S行為，加強(qiáng)其學(xué)習(xí)的效果，增強(qiáng)其有用性體驗(yàn)．否則長期購買但不使用，會使用戶產(chǎn)生產(chǎn)品無用、浪費(fèi)錢等觀點(diǎn)，不利于品牌口碑傳播，因此需要特別注意．提升用戶日?；钴S行為的方法有設(shè)置定期、連續(xù)打卡，并對打卡行為給予獎勵；一些付費(fèi)內(nèi)容設(shè)置學(xué)習(xí)時間期限，到期前定期提醒；日常簽到、學(xué)習(xí)時長積分，積分換禮等；此外，調(diào)研結(jié)果顯示，部分大學(xué)生群體使用知識付費(fèi)產(chǎn)品的動機(jī)之一是滿足社交需求，因此，可以建立學(xué)習(xí)社區(qū)，社區(qū)選拔KOL，建立完善的社區(qū)管理機(jī)制，加強(qiáng)日常管理，增加用戶活躍度．

此外，大學(xué)生用戶的基本屬性，如性別、學(xué)歷、專業(yè)均與付費(fèi)金額等付費(fèi)購買行為之間存在一定相關(guān)關(guān)系，因此，知識付費(fèi)平臺在進(jìn)行營銷時，可針對特定人群進(jìn)行差異化營銷．

6 結(jié) 語

本文首先對大學(xué)生使用知識付費(fèi)產(chǎn)品的動機(jī)和認(rèn)知進(jìn)行了詳細(xì)的分析，通過分析發(fā)現(xiàn)，知識付費(fèi)產(chǎn)品在大學(xué)生群體中使用比較普及，從喜好上看，大學(xué)生群體最關(guān)注的是知識付費(fèi)平臺的內(nèi)容質(zhì)量和專業(yè)程度．另外通過分析發(fā)現(xiàn)，大學(xué)生用戶的基本屬性，如性別、學(xué)歷、專業(yè)與付費(fèi)金額等付費(fèi)購買行為之間存在相關(guān)關(guān)系，與使用頻率、使用時長等日?；钴S行為之間不存在顯著關(guān)系，同時發(fā)現(xiàn)月均消費(fèi)額與付費(fèi)金額、使用頻率、使用時長等使用行為之間均不存在顯著相關(guān)關(guān)系．最后，運(yùn)用本文提出的FTRM模型，再采用K-means聚類算法，將大學(xué)生群體聚類為睡眠型(或流失型)用戶、忠實(shí)性用戶、未付費(fèi)轉(zhuǎn)化型用戶、沖動消費(fèi)型用戶4類用戶群體，并針對不同用戶群體的特點(diǎn)提出差異化的營銷建議．

本文基于傳統(tǒng)的RFM模型，結(jié)合知識付費(fèi)產(chǎn)品的特點(diǎn)，提出了一種改進(jìn)的FTRM模型，但研究中并未對該模型的權(quán)重進(jìn)行深入探討，因此，模型權(quán)重是下一步的研究方向之一．此外，針對睡眠型用戶或流失型用戶產(chǎn)生的具體原因進(jìn)一步深入挖掘，也是下一步的研究方向之一．