基于消費行為特征的在線用戶價值度量方法實踐研究

■ 趙　瑋　博士生　李玉萍　副教授（1、首都經濟貿易大學 北京100070 2、北京聯合大學 北京 100101 、鄭州師范學院數學與統計學院 鄭州 450044）

基于消費行為特征的在線用戶價值度量方法實踐研究

■ 趙瑋1，2博士生李玉萍3副教授（1、首都經濟貿易大學 北京100070 2、北京聯合大學 北京 100101 3、鄭州師范學院數學與統計學院 鄭州 450044）

基于消費行為的用戶特征分析在網絡營銷領域得到廣泛關注。大數據環境背景下，將傳統領域的成熟方法提煉改進后應用于新場景，能夠更好地滿足網絡營銷領域應用的需求。本文基于數據分析對用戶特征進行量化，采用分批迭代的方法并在此基礎上對該方法進行拓展，通過各種指標進行獨立和組合研究，實現用戶價值度量，使其結果能夠有效地適用于多種網絡營銷領域的應用。

用戶特征 用戶價值 度量 在線消費

用戶價值度量指標概述

對用戶特征進行分析，是為了深入了解用戶，可以從用戶的人口統計特征、消費行為特征等多個角度完成。而基于消費行為的用戶特征分析廣泛應用于網絡營銷領域，其主流分析思路和技術是基于數據分析的用戶特征分析。基于數據分析的方法可以對用戶特征進行量化，量化結果可以準確有效地指導營銷領域的應用，這個過程可以通過度量用戶價值來實現。首先需要選取和確定衡量用戶價值的指標，常用的指標包括：

第一，用戶最近消費時間：用戶在某個周期內最近一次消費的時間。第二，用戶消費頻率：用戶在某個周期內所消費的次數。第三，用戶消費總金額：用戶在某個周期內消費的金額。第四，用戶消費最高單價：用戶在某個周期內消費的商品最高價格。第五，特價商品消費比重：用戶在某個周期內消費的特價商品的金額在其消費總金額中的比重。第六，高單價商品消費比重：用戶在某個周期內高單價商品消費數量占其消費商品總數量的比重。

用戶價值度量方法分析

用戶價值可以通過上述指標進行單項分析，也可以組合在一起進行綜合分析，盡可能多角度全面地度量用戶價值。本文結合應用場景和數據基礎，選取前三個指標進行單項和組合研究。

（一）用戶價值度量基礎

以用戶的最近消費時間（R）、消費頻率（F）、消費總金額（M）為例，若考察單項指標，用戶的最近消費時間最短、消費頻率最高、消費總金額最大代表用戶的價值越大；若考察指標組合，需要通過確定各指標權重計算綜合值，來度量用戶的價值。對于權重的確定，以往研究多采用層次分析法，但此方法受到專業主觀因素的影響。吉林大學段書勇從數據出發，提出通過數據分批迭代計算指標權重的方法，客觀合理度量了用戶價值。該方法的核心思想是：

1.以消費總金額為參考標準確定最有價值用戶。將某年度第六個月的消費用戶按照消費總金額劃分為3個等級，處于最高等級的用戶為最有價值用戶。

2.計算過去某段時間內不同等級消費用戶占最有價值用戶的比例。將某年度前五個月的消費用戶按照消費金額分為7個等級，對每個等級用戶再按消費頻率分為7個等級，這樣前五個月消費用戶被分為49個等級。計算最有價值用戶在49個等級中的比例。按照此方法確定最近消費時間、消費頻率和消費總金額對最有價值用戶的影響程度。

3.依據最近消費時間、消費頻率和消費總金額對最有價值用戶的影響程度。采用數據分批迭代方法計算指標權重a、b、c，再根據公式計算用戶價值：RFM_SCORE=a×R_SCORE+b×F_ SCORE+c×M_SCORE。其中，RFM_ SCORE為用戶價值；R_SCORE、F_ SCORE、M_SCORE為用戶在最近消費時間、消費頻率和消費總金額指標上的等級；a、b、c為指標權重。

本文關于用戶價值的度量需要結合實際場景和應用，才能有效和準確的對用戶價值度量，需要在借鑒該方法的基礎上進行拓展，包括：第一，定義多個角度的最有價值用戶的標準，除消費總金額外，也分別選擇消費頻率、最近消費時間以及三者組合作為標準，從不同的角度對用戶價值進行度量。第二，面對不同類型的商品，用戶的消費特征不同，由此產生的用戶價值可能不同。因此，需要針對不同類型、不同層次商品的消費，對用戶價值進行深入評價和度量。

（二）用戶價值度量路徑

1.定義最有價值用戶標準，確定最有價值用戶群。確定最有價值用戶群，要對指標數據進行離散化，有兩種方式：

第一，獨立式離散化。按照最近消費時間（R_14） 對用戶進行降序排列并按數量進行等分，比如等分為3份。對于消費頻率（F_14）和消費總金額（M_14）兩個指標也分別采用降序排列和等分的方法將用戶等分，這樣可以得到在最近消費時間（R_14）、消費頻率（F_14）和消費總金額（M_14）指標下的用戶等級。

第二，嵌套式離散化。先按照最近消費時間（R_14）將用戶等分為3份；在此基礎上，對3份用戶中的每1份用戶按照消費頻率（F_14）再劃分為3份，得到9份用戶集合；在此基礎上，對9份用戶中的每1份用戶再按消費總金額（M_14）劃分為3份，最終得到27份用戶集合。

在本文中采用獨立式離散化方法，選取2014年1月某網站用戶群A的消費數據，按照最近消費時間（R_14）、消費頻率（F_14）和消費總金額（M_14）指標對用戶群A數據分別進行離散化（得分分別用R_14_SCORE、F_14_SCORE、M_14_SCORE表示），將用戶劃分為“高”、“中”、“低”三個級別，用“3”、 “2”、“1”標注。

表3　用戶群記錄數數據說明

數據離散化完成后，針對用戶群A，分別選擇最近消費時間（R_14）、消費頻率（F_14）和消費總金額（M_14）作為參考標準，定義最有價值用戶群*_MVU_ A（依據參考標準不同，*代表R_14、F_14、M_14、RFM_14），如表1所示。

當以R_14作為參考標準，最有價值用戶群R_14_MVU_A為R_14_SCORE取值為“3”對應的用戶集合，即用戶群A中最近消費時間等級為3的用戶集合。

當以F_14作為參考標準，最有價值用戶群F_14_MVU_A為F_14_SCORE取值為“3”對應的用戶集合，即用戶群A中消費頻率等級為3的用戶集合。

當以M _14作為參考標準，最有價值用戶群M _14_MVU_A為M _14_SCORE取值為“3”對應的用戶集合，即用戶群A中消費總金額等級為3的用戶集合。

當以RFM_14作為參考標準，最有價值用戶群RFM_14_MVU_A為R_14_ SCORE、 F_14_SCORE、 M_14_SCORE至少兩項取值為“3”對應的用戶集合，指的是：

｛R_1 4_S C O R E=3，F_1 4_ SCORE=1，M_14_SCORE=3｝｛R_14_ SCORE=3，F_14_SCORE=2，M_14_ SCORE=3｝、｛R_14_SCORE=3，F_14_ SCORE=3，M_14_SCORE=3｝、｛R_14_ SCORE=2，F_14_SCORE=3，M_14_ SCORE=3｝、｛R_14_SCORE=1，F_14_ SCORE=3，M_14_SCORE=3｝、｛R_14_ SCORE=3，F_14_SCORE=3，M_14_ SCORE=1｝、｛R_14_SCORE=3，F_14_ SCORE=3，M_14_SCORE=2｝對應的用戶集合。即用戶群A中滿足消費時間、消費頻率、消費總金額中有兩項等級為3的用戶集合；或用戶群A中消費時間、消費頻率、消費總金額中等級均為3的用戶集合。

2.確定用戶在最有價值用戶群中的比例。選取2013年1月-12月某網站用戶群B的消費數據，按照最近消費時間（R_13）、消費頻率（F_13）和消費總金額（M_13）指標分別對用戶群B進行離散化（得分分別用R_13_SCORE、F_13_SCORE、M_13_SCORE表示），將用戶劃分為“高”、“中”、“低”三個級別，分別用“3”、“2”、“1”標注。對用戶群B，分別按照最近消費時間（R_13）、消費頻率（F_13）、消費金額（M_13）劃分的3個等級，計算處于不同等級的用戶群B中的用戶在最有價值用戶群*_MVU_A中出現的人數（#_Ct_ BMA）占用戶群B人數（#_Ct_B）的比例（#_Res_Rate）。以最近消費時間（R_14）作為標準劃分的最佳用戶群R_14_MVU_ A進行#_Res_Rate計算為例（依據劃分標準不同，#_代表R、F、M），計算要素如表2所示（其他參考標準的最有價值用戶群的#_Res_Rate計算，同理）。

3.確定各指標對最有價值用戶的影響程度。在表2中，對各等級的R_Res_Rate、F_Res_Rate、M_Res_Rate進行降序排列，等級為3的R_Res_Rate、F_ Res_Rate、M_Res_Rate排列結果反映了R、F、M對最有價值用戶的影響程度。4.確定指標權重，按照公式RFM_SCORE=a×R_SCORE+b×F_ SCORE+c×M_SCORE計算用戶綜合價值。假定由（3）得到F_Res_ Rate＞R_Res_Rate＞M_Res_Rate，按照RFM_SCORE=a×R_SCORE+b×F_ SCORE+c×M_SCORE計算用戶綜合價值的方法步驟如下：

第一，將R_SCORE、F_SCORE、M_SCORE標準化。第二，計算a、b、c權重值。根據假定F_Res_Rate＞R_ Res_Rate＞M_Res_Rate，得到b＞a＞c，并且a+b+c=1。那么，滿足這兩個條件的權重組合有：｛a=0.2，b=0.7，c=0.1｝｛a=0.3，b=0.6，c=0.1｝｛a=0.4，b=0.5，c=0.1｝｛a=0.3，b=0.5，c=0.2｝。第三，假定選擇最近消費時間（R_14）作為參考標準，找到同時出現在最有價值用戶群R_14_MVU_ A和用戶群B中的用戶，應用第二步中的四組權重，計算RFM_SCORE，其結果按照［0，0.25）、［0.25，0.5）、［0.5，0.75）、［0.75，1］分成4組。其中，［0.75，1］對應的用戶群人數記為Ct_RFM_MVU_A。第四，應用第二步中的四組權重計算用戶群B的RFM_SCORE，按照［0，0.25）、［0.25，0.5）、［0.5，0.75）、 ［0.75，1］分成4組。其中，［0.75，1］對應的用戶群人數記為Ct_ RFM_MVU_B。第五，計算W_Rate=Ct_ RFM_MVU_A/ Ct_RFM_MVU_B，最高值對應的權重組合為最佳權重。第六，按照公式RFM_SCORE=a×R_SCORE+b×F_ SCORE+c×M_SCORE計算用戶綜合價值。

5.針對不同類型和層次的商品進行用戶價值計算。將商品分類，針對不同類型和層次商品對應的用戶集重復上述步驟，計算參考商品類別劃分的用戶價值。

表1　最有價值用戶群定義

表2　Res_Rate計算要素

表4　Res_Rate計算結果

用戶價值度量實驗

（一）實驗數據說明

根據用戶價值度量思路，選取某網站2014年1月用戶數據作為用戶群A，選取2013年1月-12月用戶數據作為用戶群B。結合商品分類，其對應的用戶群記錄數如表3所示。

（二）實驗結果與分析

1.基于不同最有價值用戶群針對單一類型商品的指標權重定義分析。本實驗選擇“日用百貨”類商品消費對應的用戶進行價值度量分析。依據度量思路，呈現其中兩個重要的結果：

一是計算Res_Rate。參照最有價值用戶群，計算Res_Rate，根據其結果判斷權重值a、b、c的大小關系。針對用戶群A，在商品分類情況下，以最近消費時間（R_14）做參考標準為例，確定最有價值用戶群R_14_MVU_A。針對用戶群B，按最近消費時間（R_13）、消費頻率（F_13）、消費總金額（M_13）計算R_ Res_Rate、F_Res_Rate、M_Res_Rate。

從表4中得到：

等級3：F_Res_Rate（0.029）＞R_ Res_Rate（0.028）＞M_Res_Rate（0.024）

等級2：F_Res_Rate（0.013）＞R_ Res_Rate（0.012）=M_Res_Rate（0.012）

等級1：M_Res_Rate（0.010）＞F_ Res_Rate（0.009）＞R_Res_Rate（0.006）

選擇等級為3的結果作為判斷權重大小的標準，進而得到權重b＞a＞c，并且a+b+c=1，a、b、c取值步長定義為0.1。滿足上述條件的組合有｛a=0.2，b=0.7，c=0.1｝、｛a=0.3，b=0.6，c=0.1｝、｛a=0.4，b=0.5，c=0.1｝、｛a=0.3，b=0.5，c=0.2｝。

二是計算a、b、c權重值。以最近消費時間（R_14）作為參考標準，找到同時出現在最有價值用戶群R_14_ MVU_A和用戶群B中的用戶，分別應用四組權重組合｛a=0.2，b=0.7，c=0.1｝、｛a=0.3，b=0.6，c=0.1｝、｛a=0.4，b=0.5，c=0.1｝、｛a=0.3，b=0.5，c=0.2｝，計算RFM_ SCORE，其結果按照［0，0.25）、［0.25，0.5）、［0.5，0.75）、［0.75，1］分成4組。其中，［0.75，1］對應的用戶群人數記為Ct_RFM_ MVU_A。

接下來，應用四組權重組合｛a=0.2，b=0.7，c=0.1｝、｛a=0.3，b=0.6，c=0.1｝、｛a=0.4，b=0.5，c=0.1｝、｛a=0.3，b=0.5，c=0.2｝，計算用戶群B的RFM_SCORE，按照［0，0.25）、［0.25，0.5）、［0.5，0.75）、 ［0.75，1］分成4組。其中，［0.75，1］對應的用戶群人數記為Ct_RFM_ MVU_B。

計算W_Rate=Ct_RFM_MVU_A/ Ct_RFM_MVU_B，最高值對應的權重組合為最佳權重，結果如表5所示。在表5中，從依據四組權重計算W_ Rate的結果看到，｛a=0.4，b=0.5，c=0.1｝和｛a=0.3，b=0.5，c=0.2｝對應的W_Rate（0.032）相等并且大于｛a=0.2，b=0.7，c=0.1｝、｛a=0.3，b=0.6，c=0.1｝對應的W_ Rate。因此，以｛a=0.4，b=0.5，c=0.1｝和｛a=0.3，b=0.5，c=0.2｝兩組平均值｛a=0.35，b=0.5，c=0.15｝作為最佳權重進行用戶價值的度量。

（三）基于不同最有價值用戶群針對不同類型商品的權重綜合比較分析

本實驗分別按照最近消費時間、消費頻率、消費金額及三項綜合指標定義最有價值用戶群，針對不分類商品和分類后的4類商品按照用戶價值度量思路，進行a、b、c權重計算，對權重進行綜合分析和比較，結果如表6所示。得到如下結論：

第一，無論是在商品分類還是不分類情況下，針對不同類型的最有價值用戶群，消費金額對最有價值用戶群的影響是最弱的。在20組權重比較結果中，有14組最近消費時間對最有價值用戶群的影響最大，消費頻率的影響次之。第二，在商品不分類的情況下，針對不同類型最有價值用戶群，各指標的影響程度是一致的，即最近消費時間影響最大；消費頻率次之；消費金額最弱。

第三，在商品分類的情況下表現出如下特征：一是針對不同類型最有價值用戶群，面向“電腦整機”和“家用電器”兩類商品的8組權重比較中，影響力排名第一的是最近消費時間；有7組顯示影響力排名第二的是消費頻率，只有1組消費金額影響力第二；有2組消費頻率和消費金額的影響力相同。二是針對不同類型最有價值用戶群，面向“日用百貨”和“手機數碼”兩類商品的8組權重比較中，有7組影響力排名第一的是消費頻率；有6組顯示影響力排名第二的是最近消費時間。

表5　權重選擇結果

表6　綜合比較結果

結論

用戶價值度量滿足了網絡營銷領域對基于消費行為的用戶特征量化的需求。本文基于數據分析的方法對用戶特征進行量化，先用定性方式確定最近消費時間、消費頻率和消費總金額對用戶價值的影響程度；再用數據分批迭代的定量方式確定三個指標的權重值。并在此基礎上對其進行拓展，選擇不同最有價值用戶群作為參考標準，結合商品分類，從多個角度和層次對用戶價值進行度量，以得到最佳度量結果，使其結果能夠有效的適用于多種網絡營銷領域的應用。

2.段書勇.基于客戶價值細分的推薦方式研究［D］.吉林大學，2011

3.閆學元，張蕊.我國網絡消費行為影響因素實證研究［J］.商業時代，2014（33）

4.廖衛紅.移動互聯網環境下消費者行為研究［J］.科技管理研究，2013（14）

5.范秋英，方醒.基于層次分析法的網上消費者行為分析［J］.物流工程與管理，2013，35（1）

6.黃飛.大學生網絡消費偏好識別及影響因素研究［D］.中南大學，2013

7.張曉東，朱敏.網絡口碑對消費者購買行為的影響研究［J］.消費經濟，2011（3）

8.王召義，雷麗麗.基于改進RFM模型的協同過濾推薦算法研究［J］.安陽工學院學報，2015，14（2）

9.鄧峰，張永安.基于多屬性效用的協同過濾推薦系統［J］.計算機應用，2015，35（7）

10.王淵.基于RFM模型的協同過濾算法及其在個性化推薦中的應用［D］.杭州電子科技大學，2013

11.蔣國瑞，劉沛，黃梯云.一種基于AHP方法的客戶價值細分研究［J］.計算機工程與應用，2007，43（8）

F724.6

A