基于大型商場銷售采集系統的營銷模型

張姣 范馨月

摘?要?針對零售行業企業管理的合理性，基于某大型商場銷售采集系統數據，構建適合零售運營商精準營銷的FRLMC模型，實現零售行業的精準營銷，優化會員管理制度.應用K-Means聚類分析方法構建合理實用的結構體系，精準識別會員消費特征，實現對會員消費行為畫像描繪.通過實際應用說明模型的準確率，在其他行業經過驗證可推廣應用.

關鍵詞??FRLMC模型;會員潛力挖掘;K-Means聚類方法;價格容忍度

中圖分類號?F276.44文獻標識碼?A

Abstract?Aiming at the rationality of retail business management， based on the data of a large shopping mall sales collection system， we establish a FRLMC model suitable for retail operators to achieve precision marketing， so as to achieve precision marketing in the retail industry and to optimize membership management system. The K-Means clustering analysis method is used to construct a rational and practical structure system， to accurately identify the characteristics of member consumption， and to describe the portrait of a member's consumption behavior. The accuracy of the model is illustrated by practical application， and it can be popularized in other industries.

Key words?FRLMC model; member potential mining; K-Means clustering method; price tolerance

1?引?言

隨著全球經濟一體化進程的加快，市場的激烈競爭和顧客幾近嚴苛的要求使得企業從過去以產品為中心逐步向以客戶為中心靠攏 [1].信息時代的到來，使得客戶獲取產品信息的渠道日益增多，零售運營商面臨更加嚴峻的市場競爭.顧客關系管理（CRM）是企業維系與顧客良好關系的重要戰略舉措[2]，對特殊顧客群體，尤其是會員個體的精準識別和精準營銷是提升企業盈利能力的關鍵.零售企業會員的不斷流失，給零售運營商造成了嚴重損失，運營商應該有針對性地實施營銷策略來加強與會員的良好關系.有人認為對老會員的維系成本太高，事實上，發展新會員的資金投入遠比采取一定措施來維系現有會員要高.因此，與顧客建立穩定、長期的關系是實體零售行業得以更好發展的關鍵.

會員的價值體現在持續不斷地為企業帶來穩定的銷售額和利潤，同時也為企業制度的制定提供數據支持.在銷售領域，RFM模型是一種對顧客識別和價值分析的經典模型[3]，被用來衡量顧客價值.用會員最近消費到觀測結束時間R（Recency）、會員消費頻次F（Frequency）和會員的累積消費金額M（Monetary），來識別顧客的長期或潛在價值.這3個指標來自于美國數據庫營銷機構的研究，現在逐漸成為會員價值研究以及會員營銷的通用模型了.本文對RFM模型進行改進，在RFM模型3個指標的基礎上，進一步考慮會員入會時間距觀測時間的天數L和會員在觀測期內高單價商品消費占比C兩個指標，這5個指標將構成衡量會員價值的特征.運用K-Means聚類分析方法構建合理實用的結構體系，建立一套更加適合會員個體精準識別的FRLMC模型，實現對會員的價值識別與挖掘.

2?FRLMC模型

對于新增的價格容忍度這個維度C，價格容忍度高的會員，運營商獲取的銷售和利益應該是最大的，如果推送給他們特價商品反而是失敗的營銷.高單價商品消費占比就是用來衡量會員容忍度的指標.會員入會時間距觀測時間的天數L，入會時間的長短作為分析會員狀態的一個特征，基于此建立FRLMC模型.

2.1?數據的采集和處理

本文資料及數據來源于貴州省貴陽市某大型商場所有銷售采集系統數據，將所有會員的詳細資料和消費流水作為數據集，以2015年1月1日-2018年1月3日作為觀測時間.從這些數據中，抽取觀測時間內所有會員顧客的數據，總共約四十幾萬條記錄.數據包括會員卡號、姓名、出身年月、身份證號、職業、電話、家庭住址、消費金額、辦卡日期及消費日期等信息.首先對數據集進行脫敏處理，包括數據缺失、異常處理、數據屬性的規約、清洗和變換.即剔除與FRLMC模型無關的記錄，保留所需的屬性.例如會員卡號、辦卡日期、消費記錄和消費金額等對該模型有用的信息，然后挑出錯誤和冗余的記錄，進一步處理得到比較合理的數據集[4].

由于原始數據并沒有直接給出所需的5個指標，于是需要通過一系列的統計計算才能得到F、R、L、M及C這5個屬性，具體為L（會員入會日期到觀測時間結束日期）（單位：天數）、R（最近一次消費時間到觀測結束時間的天數）、F（在觀測時間內消費的次數，以小票張數為基準）、M（會員在觀測時間內消費的金額總數）（單位：元）和C（高單價消費占比），即會員顧客在此期間消費的高單價金額與金額總數的比值.值得注意的是，在計算指標C的時候，商品的高單價沒有統一的標準進行刻畫，本文先求出數據集中所有會員顧客消費金額的均值μ及標準差σ，把高于上限μ+hσ的消費金額作為商品高單價商品的最低金額，利用公式就可求出指標C.這里，h>0稱為模型基于觀測數據的待優化參數，本企業可令h=1.這樣經過選擇、刪除、整理后就得到FRLMC模型所需要的屬性，從而構成新的數據集，總共有89358條記錄（部分會員特征數據見表1）.

3?模型識別

判斷會員顧客對企業的貢獻度及其會員價值，把F、R、L、M和C這5個指標作為聚類變量，這里運用K-means聚類方法對客戶群進行分類.根據客戶的不同購買情況將其分為8類群體，用Python實現了聚類結果.而與傳統的客戶分類方法相比較，聚類方法不僅考慮了會員顧客的價值（歷史價值、當前價值及潛在價值等因素）的差異，還綜合了客戶行為（交易的變化、流失的趨勢和走向等行為）的變化，是比較可行實用的的方法.但由于K-means聚類方法存在其自身的一些缺陷，例如初始值不同，其聚類結果也會發生改變，所以在聚類的過程中粗略地判斷了聚類的情況，然后進行多次聚類，篩選出了較好的聚類情況，作為最終的結果.整理聚類結果見表2.

FRLMC是會員消費的行為特征，容易獲得，也是企業非常重要的價值分析資料，其思想就是通過這5個行為因素來判斷會員顧客的價值[7].對會員顧客價值的分析研究，目的是通過分析不同會員的消費情況了解其綜合價值進而判斷出他們對企業的忠誠度，最終確定企業從不同類別的顧客中獲取收益的多少.由表2的聚類結果對這8類客戶群進行特征分析，不難得出這8類客戶群的特征情況，且每個客戶群都有自己顯著的特征.由這5個指標的定義可知，F，L，M和C越高，R越低其顧客的價值越高.于是總結歸納出它們各自的優勢及劣勢特征，將其情況整理見表3.

根據聚類結果表及特征分析表的統計信息，將其聚類結果及顯著特征進行歸納概括，將所有的會員顧客進行分類，為提高聚類結果的表征性，構建會員的價值魔方.傳統的RFM模型認為RFM的值對客戶的價值影響是同等的，Hughes， Arthur也認為RFM在衡量一個問題上的權重是一致的，因而并沒有給予不同的劃分.但是Stone， Bob則通過對信用卡實證分析，表示各個指標的權重并不相同，應該給予頻度最高，近度次之，值度最低的權重[8].這里將利用AHP求得RFM的權重，步驟為：

客戶群6指標L明顯異常，對標準化結果的影響特別大，于是在對L進行標準化時做了一個簡易處理，即把其指標L剔除后再進行計算，以平衡其他客戶群數據標準化的結果.得到Q、L、C這3個新指標的標準化結果之后，求其均值為：

以Q、L和C建立空間坐標系，理論上大于均值的數據處于坐標軸的正半軸，反之在負半軸.但在實際操作中，由于某些客戶群數據的接近，可能會導致最終結果相同而處于同一個區域.此時，將根據各自的指標做一些調整，縱然客戶群的某個指標相對突出也要綜合其他因素進行分類，得到細分結果圖見圖1.

4 ?結?論

FRLMC模型更能準確判斷會員顧客的忠誠度，對不同類型的顧客針對性實施營銷策略，從而為企業帶來最大化收益.把這些會員顧客分為8類進行分析：

由以上信息及數據可以看出，客戶群1的消費次數與消費金額較為一般，這可能是入會時間短導致的，但新鮮度及高單價消費高，說明這類客戶應該是企業的新客戶，跟其他客戶群相比，這類客戶具有較大的潛在價值.企業應當采取針對性的營銷手段吸引這類客戶群，提高他們的購買頻次，因為他們具有這樣的潛能.再者這類客戶群占比較大，只要維持與他們的關系，就能為企業帶來更多的利潤.所以把這類客戶視為企業的增長性客戶.

客戶群2的R（流失時間）最長且明顯高于其他客戶群，與企業的接觸頻次也不高，在指標L（入會時長）和M（消費總額）上更是不占優勢，即這類客戶群成為會員的時間比較短且很久沒有消費記錄，但C（高單價消費占比）卻是這8類客戶群中最高的，說明這類客戶群購買力較高但是他們與企業的交易存在一定的偶然性[10]，并不是企業的忠誠會員，是企業的沉默客戶.

客戶群3的F（購買頻次）最高且離最近一次消費時間間隔短，說明這類客戶很活躍，然而M（消費總額）和C（高單價消費占比）都較低，且L（入會時長）也很短，說明他們的消費能力較低，給企業帶來的利潤很少，但適當維持與這類客戶的關系也是有必要的，因為他們可能是附近的居民，以后也會長期與企業保持頻繁的交易.所以，這類客戶是企業的活躍客戶.

客戶群4的F（購買頻次）較低，且新鮮度不高，但是L（入會時長）跟M（消費金額）處于中上水平，說明這類客戶對企業比較忠誠.企業可以完善服務，預測客戶的需求提高他們的滿意度，增加與企業的接觸率，畢竟服務是企業參與市場競爭的王牌武器.因此，把這類客戶群歸屬為企業的潛在客戶.

客戶群5雖然C（高單價消費占比）較高，但從購買頻次、流失時間和購買量三方面來分析，這類客戶群都顯得拙劣與平庸，顯然是流失客戶.然而這類客戶群人數占比不低，這對企業是大大的考驗.面對這類客戶，企業應當分析其中利弊，加大其投入可能會存在失敗風險，但如果營銷到位，就可以利用這類客戶群人數多和高單價消費占比高兩個優勢為企業創造利潤.

客戶群6相對于其他幾類客戶群顯得尤為特殊，只有卡號為‘9001000320和‘9001000209的2位會員.對其分析，不難發現她們都是女性，應當有穩定的經濟來源，而且她們成為會員的時間很長、消費金額非常高，遠遠超過其他客戶群的指標.不僅如此，她們與企業的接觸頻次、購買高價產品的數目和新鮮度都較高.說明這類客戶群是企業的忠實會員，屬于高端客戶.

客戶群7入會時間長、購買頻次高、消費金額高且高單價消費也不容小覷，但由于較長時間沒有與企業交易，可能會因為某些原因離開企業.針對這類客戶群，企業應當致力于為顧客創造良好的消費環境，并超越顧客的期望值，為企業創造價值.可以把這類客戶群視為企業的優質客戶.

客戶群8所占比例最大，高達總人數的32.94%，這類顧客的C（高單價消費占比）是其優勢且新鮮度可觀，然而F（購買頻次）、M（購買量）及L（入會時長）都較低，無法給企業帶來豐厚的利潤.這與客戶群1情況類似，但從這幾個指標來看這類客戶群的潛在價值較客戶群1低，可以把這類客戶群視為目標客戶.

基于傳統的RFM模型，引入的指標C（高單價消費占比）是否對分類結果有影響，做了一個比較，在剔除指標C的情況下，聚類結果見表6.

經分析，剔除指標C后分類結果大有不同，依照前文分析的方法可知，客戶群1～客戶群8分別可視為流失客戶、沉默客戶、活躍客戶、潛在客戶、高端客戶、目標客戶、增長性客戶和優質客戶8類.同引入指標C相比不僅每類客戶群的人數、聚類中心發生變化，相應的類別也有所改變.例如對于引入指標C時，特殊客戶群6只有卡號為‘9001000320和‘9001000209的2位會員，他們是高端客戶.在未引入指標C的模型中，分別被聚類到了客戶群1為流失客戶和客戶群4為潛在客戶.據以上分析可以總結，指標C對客戶群分類結果有著重要的影響和意義.

根據以上對會員顧客價值的細分研究，可以將這幾類客戶群分為增長性客戶、沉默客戶、潛在客戶、流失客戶、高端客戶、高端客戶、優質客戶和目標客戶8類.單從這幾個指標來看，企業應當根據這5類客戶群的不同顯著特征提供超越期望值的服務，有針對性、合理地分配企業資源，為企業獲得更多的收益.利用本文所提出的的客戶細分模型FRLMC，企業就可以針對現有的會員顧客根據其價值進行分析評價，然后據此區別出不同價值的顧客群體，針對各自的優勢劣勢特征做出相應的策略，比如合理分配企業資源、做促銷活動及電話營銷等等，實現企業長期價值最大化[11].

參考文獻

[1]?尚永偉.基于客戶價值的客戶關系管理研究 [D].武漢：武漢理工大學管理學院， 2008：1-2.

[2] 徐文瑞.基于RFM模型的顧客消費行為與顧客價值預測研究 [J].商業經濟研究，2017（19）：44-46.

[3] HUGHES ?A M. Strategic database marketing [M].Chicago：Probus Publishing Company，2005.

[4] 張良均， 王路， 譚利云，等. Python數據分析與挖掘實戰 [M].北京：機械工業出版社， 2017：164-179.

[5] HAN J， KAMBER M. Data mining： concepts and techniques [M]. San Francisco ：Morgan Kaufmann， 2001.

[6] 劉芝怡，陳功. 基于改進K-means算法的RFAT客戶細分研究[J].南京理工大學學報，2014，38（4）：531-536.

[7] HUGHES ?A M. Boosting response with RFM [J]. American Demographics， 1996，5：4-9.

[8] MIGLAUSTSCH J R.Thoughts on RFM scoring [J].The Journal of Database MarKeting & Customer Strategy Management， 2000， 8（1）：67-72.

[9] 劉紫蓮，葉開.基于RFM和AHP的商品組合選擇方法[J].中國管理信息化， 2015，18（19）：171-172.

[10]劉朝華，梅強，蔡淑琴. 基于RFM的客戶分類及價值評價模型[J].技術經濟與管理研究，2012（5）：33-36.

[11]徐翔斌，王佳強，涂歡，等. 基于改進RFM模型的電子商務客戶細分[J].計算機應用， 2012，32（5）：1439-1442.