基于RFM和AHP的商品組合選擇方法

劉紫蓮，葉 開

（電子科技大學 經濟與管理學院，成都 611731）

電子商務迅猛發展，銷售數據與市場需求隨顧客偏好實時更新，挖掘商品組合以促進營銷策略制定，是企業利潤提升所關注的重要問題［1］。網絡數據具有海量性、實時性，商品組合的選擇要考慮價值、頻繁、實時性，才能使綜合制定的營銷策略滿足瞬息萬變的市場競爭要求［2－7］。

在RFM模式中，R（Recency）表示客戶最近一次購買的時間有多遠，F（Frequency）表示客戶在最近一段時間內購買的次數，M（Monetary）表示客戶在最近一段時間內購買的金額。文章先對商品組合得分進行標準化，再分別采用全局平均、AHP、未賦權重三種方法對RFM中三變量的重要程度加以賦權。其中全局平均方法，是將所有頻繁商品組合的、、進行標準化（如式1）后進行平均作為相應的權重，根據式2得到商品組合得分。

基于RFM增長算法。在挖掘商品組合過程中，采用類FP－growth算法 RFM－growth算法，構建 RFM－pattern－tree。

本文數據選用SQLserver2005中超市零售數據foodmart的銷售數據，取1998年數據進行測試，包括2690個用戶的18325條交易記錄；再取1997年活躍度較高的3000個顧客的購買記錄進行對比實驗。測試實驗進行6次，在給定衰減速度δ＝0.1的前提下，分別測試最小支持度α、β、γ取不同值時RFM－pattern項集數及相應的準確率，并根據公式2確定頻繁三項集最終排序。 對比實驗在 δ＝0.1，α＝0.1，β＝0.2%，γ＝500 時與已有的文獻結果進行對比，并進行結果分析。

測試實驗結果表明：（1）運用RFM-growth算法挖掘出的頻繁二項集準確度較高，并且隨著的增大準確率下降。（2）對于RFM－pattern，在三個參數分別變化時，頻繁項集隨參數的增大而減少，特別的，影響較大，次之。可見，超市的商品組合收到實時性和價值性影響較重。

對商品組合三項集、和進行標準化，根據專家打分確定WR、WF和 WM分別為 0.402，0.224，0.375， 對比試驗對比實驗在 δ＝0.1，α＝0.1，β＝0.2%，γ＝500 與先前實驗結果（參考文獻［1］）進行對比，發現對于奶酪、湯、香波、甜點、薯片等RFM值較高的商品而言，組合的二項集、三項集得分較高，這類商品組合銷售可獲得更高的利潤，對于商家來說應對此制定好銷售策略。

本文提出了一種基于RFM和AHP的商品組合選擇模型，該模型不僅通過RFM思想考慮了商品組合選擇的價值問題、熱度問題、市場需求變化等問題，而且采用類FP－growth算法加以技術支持，為企業快速有效的獲得商品組合全面信息提供了保障，實驗方法也為企業有針對性的制定營銷策略提供了可能。這種商品組合方法豐富了商品組合方法體系，并能給商家帶來高利潤，為決策者有針對性的制定營銷策略提供了保障。

［1］張志宏，寇紀淞，陳富贊，等.基于關聯分析的多目標商品組合選擇方法［J］.系統工程學報，2011，26（1）：132－138.

［2］Wong R CW， Fu A W C， Wang K.Data M ining for I nventory I tem S election with C ross －S elling C onsiderations［J］.Data M ining and K nowledge D iscovery，2005， 11（1）： 81－112.

［3］Brijs T， Swinnen G， Vanhoof K， et al.Building an A ssociation R ules F ramework to I mprove P roduct A ssortment D ecisions［J］.DataMiningand Knowledge Discovery， 2004， 8（1）： 7－23.

［4］Ha Y H， Yeh TW.Discovering V aluable F requent P atterns B ased on RFM A nalysis w ithout C ustomer I dentification I nformation ［J］.Knowledge－Based Systems， 2014（61）：76－88.

［5］Han J，Kamber M，Pei J.Data M ining：Concepts and T echniques［M］.Morgan Kaufmann， 2011： 243－271.

［6］R Agrawal and R Srikant.Fast A lgorithms for M ining A ssociation R ules//Proc.1994 Int.Conf.Very Large Data Bases （VLDB’94），1994：487 －499，Santiago，Chile.

［7］Pei，J， Han，J， Mortazavi－Asl， B， Zhu，H.Mining A ccess P atterns E fficiently from W eb L ogs//Proceeding of the 2000 Pacific－Asia C onference on K nowledge D iscovery and D ata M ining （PAKDD’00），Kyoto，Japan，2000：396-407.