基于數據挖掘的消費者價值細分模型研究

田雨聰 耿子月 謝安泰 袁伊珊 張淑芬

摘要：針對服裝電商客戶細分，設計了包含3種變量8個指標的多層RFM模型，在此基礎上，以某電商的服裝營銷數據為對象，利用SPSS工具對交易數據進行了數據分析，運用主客觀綜合法確定了各因素的權重，并采用K-Meam聚類方法對客戶的行為變量進行細分，根據細分結果，結合實際研究問題，分析客戶群特征，從而為消費者制定具有個性化的營銷策略，來逐步實現精準營銷。

關鍵詞：電子商務；RFM模型；K-Means聚類；消費者細分

中圖分類號：F724.6 文獻標識碼：A DOI：10.3969/j.issn.l003-6970.2017.08.022

引言

隨著網絡與信息技術的快速發展，電子商務的發展也迅速壯大，電商與消費者之間通過互聯網進行交易。在日益激烈的競爭環境中，對于服務消費者的電商來說，追蹤客戶的消費變化、了解客戶的消費需求、滿足客戶的消費期望、識別和細分客戶在企業競爭過程中尤為重要。

消費者細分理論首先由Smith提出，它是指企業根據客戶屬性、行為、需求、偏好以及價值等因素對消費者進行分類，并提供具有針對性的產品、服務和銷售模式的過程。對于服裝電商來說，不同的消費者具有不同的特征，不同的購買習慣。從消費者的價值角度分類這些消費者，將有利于電商企業去發掘和維持客戶價值較大的消費者，減少對客戶價值較小的消費者的投入，從而更精準的進行推送，用相同的成本為服裝電商企業帶來更大收益。

在營銷領域，RFM模型被廣泛地用來衡量客戶的價值，本文通過對RFM模型的研究，將傳統的RFM模型的三個指標進行擴充，設計了包含3種類型的8個指標，提出一種針對服裝電子商務行業的多指標客戶細分模型，并通過因子分析，提取細分變量，分析每個指標在因子上的載荷，同時運用層次分析法確定各個因子在客戶價值的權重，以客戶在各個因子上的得分和客戶價值作為劃分依據進行聚類，為服裝電商企業提供了參考依據。

1 基于數據挖掘的多指標RFM客戶細分

1.1 消費者細分挖掘流程

消費者交易數據細分挖掘，是以服裝電商的交易數據為依據，根據服裝交易數據的特征，確定消費者細分因素，從而建立消費者細分指標體系。

1.2 消費者細分指標體系的構建

傳統的RFM分析方法在每個因子上只有一個指標，不能全面地衡量消費者價值和行為特征。本文結合消費者習慣的多樣化，在傳統的RFM分析的基礎上，對RFM的三個因素進行指標的擴充，構建包含3種類型8個指標的多層指標體系的RFM細分模型，來刻畫消費者消費行為特征，如表1所示：

用多個指標代替原來的RFM模型中的消費進度（R）、頻次（F）和消費值（M），主要基于以下

在此基礎上，建立細分的RFM模型，利用主客觀綜合法確定了RFM模型的各因素權重，得到加權的新的交易數據，對新獲得的交易數據進行聚類分析，根據每個類的消費特征，進行消費者類型的識別，從而進行營銷策略的調整。具體消費者交易數據挖掘流程如圖1所示：

幾點考慮：

（1）通過次最近一次購買和最遠一次購買可以更清楚地了解該顧客的時間跨度，有利于辨別潛在消費者。

（2）用多個消費頻次代替整體的消費頻次，能更好地顯示消費者在特定時間段的購買的規律和集中性，為市場營銷提供參考依據。

（3）平均每次每件消費金額有利于確定消費者的購買力，結合總消費金額，可以判斷出對商家營銷貢獻大的消費者。

1.3 主客觀綜合法確定RFM指標體系權重本文在權重的選取上采用了第三類賦權法，即主客觀綜合賦權法（或稱組合賦權法）。主客觀組合賦權法的常用方法是“加法”集成法。其公式是：

其中表示第i個指標的組合權重；

別為第i個屬性的客觀權重和主觀權重。“加法”集成法實質上是線性加權，稱為線性加權組合賦權方法。當決策者對不同賦權方法存在偏好時，a能夠根據決策者的偏好信息來確定。

本文通過因子分析法確定客觀權重A，利用層次分析法確定主觀權重勿。

1.3.1 提取細分變量的因子分析法

在考慮多指標RFM模型中各個細分指標權重時，選用因子分析法，找出潛在影響客戶細分的因素，確定因子個數和客戶在因子上的得分，根據各因子解釋客戶細分的程度以確定各因子的權重。

因子分析是一種數據簡化的技術。它從所研究的全部指標中，通過探討相關的內部依賴結構，將主要信息集中在幾個主因子上。

對于P個變量指標

（1）將原始數據標準化處理。

考慮到服裝電商的數據庫存儲的都是原始數據，各單位不同量綱不同，故需要對數據進行標準化處理：

（3）計算R的特征根（特征值）和計算方差貢獻率：

其中5為第i個特征，

為第i個主因子的方差貢獻率，一般取確定為主因子，或累積貢獻率大于85%的成分為主因子，

設主因子分別為

（4）建立因子載荷矩陣實行方差最大正交旋轉。

（5）將P個指標按照高載荷分成m類，并結合專業知識對各個因子命名。

（6）由因子解釋總方差貢獻率可得m個主因

子的權重大小，設第i個主因子的貢獻率為，歸一化主因子貢獻率作為各因子的權重%，

（7）設客戶價值得分記為F，則：

1.3.2 層次分析法確定權重

運用層次分析法確定權重?時，需要對服裝電商和專家進行調研訪問，兩兩比較其重要程度，并按1-9賦值，結合2名電子商務專家和3位服裝企業高管對RFM三個變量的看法，將所有意見統計集中，作為確定權重的依據。

對于主客觀綜合法，一般地取a=0.5，即把主觀賦權和客觀賦權視為同等重要，計算得到m個主因子的權重：

形成新的數據集，即：

1.4 基于劃分的消費者細分聚類算法

以形成的新客戶數據集和客戶價值得分，作為劃分依據進行聚類，基于K-Means聚類法的消費者分類過程應用K-均值聚類法。K-均值算法的主要思想是先在需要分類的數據中尋找K組數據作為初始聚類中心，然后計算其他數據到聚類中心的距離，將數據歸入與其距離最近的聚類中心，之后再對這K個聚類的數據計算均值，作為新的聚類中心，繼續以上步驟，直到新的聚類中心與上一次的聚類中心值相等時結束聚類。

本文將主客觀分析法修訂的數據集和客戶價值作為聚類依據，對客戶進行細分聚類。

2 實例驗證

2.1 因子分析法確定RFM指標體系權重

為了對多指標RFM模型的客戶細分方法進行說明，以某電商數據為數據源，選取了2013年1月-2013年5月內的銷售數據作為數據源。該數據集共有21250條銷售記錄，由15089個客戶產生。

對原數據進行KMO檢驗，得出的KMO=0.756，P值為0.000，適合做因子分析。根據2>1原則，提取三個主因子，前三個因子的信息利用率達到了

81.85%，且變量共同度都在80%以上，說明提取的因子已經包含了原始變量的大部分信息，針對這三個主因子，以最大方差的方式進行旋轉，得到旋轉成分矩陣，如表2所示：

將8個指標按照高載荷分成3個因子，因子1在總體購買頻次、最大購買頻次、最小購買頻次上有較大載荷，說明這三個指標有一定相關性，可歸為一類，即消費頻次（Frequency）”；因子2在平均消費間隔、最近日期、最遠日期上占有較大載荷，這三個指標主要表現購買時間，S卩“最近購買（Recency）”，因子3主要在總金額和平均每件購買金額上載荷較大，即“消費金額（Monetary）”。因子分析結果與消費者細分指標體系相吻合，可以驗證其建立的比較合理。

由因子解釋總方差貢獻率表（如表3所示）可得三個因子的權重大小，并對其歸一化處理。

3個主因子的權重分別為，將各個主因子所包含的指標的權重歸一化得。

同時，利用層次分析法，通過查閱文獻，結合專家咨詢方式對RFM模型各指標權重進行比較分析。在分別得到五位專家兩兩比較打分后，采取平均的方法得到下表的評價矩陣。

評價矩陣通過一致性檢驗，通過一致性檢驗，并計算出最大特征根的特征向量為2=3.003，標準化后作為權向量。

取a=0.5，得到最終的權重系數，將原始數據按照權重處理，得到各主因子的新的數據，通過新的數據進行聚類。

2.2 消費者類型識別分析

通過新的賦權后的直銷數據進行RFM分析，本文選取K-means聚類。

將顧客的價值進行分類定義，將每類客戶的RFM平均值和總RFM平均值作比較，每次對比有兩個結果：大于（等于）平均值和小于平均值，通過對比得到每類客戶RFM的變動情況。消費者分類依據如下，大于（等于）平均值的記為“2”，于平均值的記為“1”，如表4所示為分類依據表。

以加權RFM為指標，將具有相近的顧客價值的消費者進行分類，，運用SPSS對數據重新進行聚類。K-means聚類可以自行設置聚類數。設置聚類數為8，進行聚類，聚類結果如表5所示。

由聚類結果顯示，值<0.05，說明分類結果顯著依據表4，將對聚類的消費者進行識別，結果如表6所示。

多層RFM分析利用主客觀法綜合了主觀因素和客觀評判，并通過K-Means聚類將企業的消費者群體劃分成一般挽留消費者、潛在消費者、重點保持消費者、重點發展消費者、高價值消費者等五個級別，各消費者群體的消費級別如表4所示。消費者分級不僅揭示了消費者在級別上的差異，而且反映了消費者在行為上的特性和變化傾向。通過RFM分析可將現有顧客劃分為不同的消費者等級，針對不同等級的消費者，采取不同的管理策略。

3 結論

基于電商消費數據挖掘的消費者行為細分方法，是在傳統的RFM細分模型上擴充了RFM的指標，本文設計了包含三種類型的8個指標作為改進的RFM細分模型，通過主客觀綜合法確定RFM各指標權重，同時結合因子分析，將主觀評價和客觀評價對結果的偏差降低，并利用K-Means聚類將消費者進行細分，并分析和闡述了每一類消費者的消費特征，同時，結合實例，驗證了本方法的可行性和實用性，利于電商企業分析客戶行為特征，極大化客戶價值，更合理的采用營銷策略，達到客戶和商家“雙贏”的效果。