基于聚類分析的H公司微信精準營銷研究

宗毅

摘要：隨著大數據的興起和互聯網思維理念的應用，微信營銷作為一種新興的營銷方式已占據越來越大的市場份額，以客戶為中心的經營理念已成為共識。商家在進行微信推廣時多采用“一對多”的方式，雖能高效管理，但很難對客戶進行“一對一”的個性化服務，客戶流失率很高。所以有必要對客戶進行細分，旨在對每種類型的客戶實行精準營銷，提高顧客忠誠度。本文以某互聯網企業微信營銷平臺的數據為研究對象，建立RFMA客戶分析模型，利用K-means聚類算法對數據進行分類，目的是進行客戶細分，幫助企業進行差異化管理，減少客戶維系成本，以期引導公司營銷環節的優化和升級。本文通過對聚類結果進行分析，將H公司現有的客戶分為發展型、維持型、潛力型和核心型四種類型，并分別制定精準的營銷策略。

關鍵詞：K-means聚類算法;RFMA模型;聚類分析;精準營銷

Abstract： With the rise of big data and the application of Internet thinking concepts， WeChat marketing has occupied an increasing market share as an emerging sales method， and the customer-focused business philosophy has become a consensus. When promoting WeChat， merchants often adopt the "one-to-many" method. Although they can be managed efficiently， it is difficult to provide "one-to-one" personalized services to customers， and the customer churn rate is high. Therefore， it is necessary to segment customers in order to implement precise marketing for each type of customer and improve customer loyalty. This article takes the data of an Internet company's WeChat sales platform as the research object， establishes an RFMA customer analysis model， and uses K-means clustering algorithm to classify the data. The purpose is to segment customers， help companies differentiate their management and reduce customers maintain costs to guide the optimization and upgrade of the company's marketing links. This article analyzes the clustering results， classifies the existing customers of company H into four types： development， maintenance， potential， and core， and formulates precise marketing strategies.

Key words： K-means clustering algorithm;RFMA model;cluster analysis;precision marketing

0? 引言

中國互聯網絡信息中心（CNNIC）在2019年發布的第44次《中國互聯網絡發展狀況統計報告》顯示，我國手機網民規模達8.47億[1]。2019年公布的《微信數據報告》顯示，微信月活躍用戶為11.51億，小程序電商成交額8000多億元，同比增長超過160%[2]。可見國內企業都把微信作為營銷的一個重要渠道。H公司就是該產業一家線上營銷的互聯網企業，其主營業務有智能手機、生活消費產品（智能電視、筆記本電腦、按摩椅等）和互聯網服務等。自2016年5月開展微信平臺以來有超過200萬活躍粉絲[3]。

經調研，H公司微信營銷存在眾多問題，如客戶細分不足、用戶粘度低等。因此，有必要對該公司的客戶進行細分，幫助H企業有效識別各類客戶的特征，并提出精準營銷策略，優化客戶體驗。

1? 文獻回顧和模型建構

客戶細分的方法和模型眾多。Arthur Hughes的RFM模型作為一種有效的細分模型已經成功應用于不同行業[4]。因該模型中F和M存在多重共線性缺陷，任春華，孫林夫等（2019）提出了LRFAT模型，并通過K-means聚類算法對汽車領域的忠誠客戶進行了細分[5]。Wen-Yu Chiang（2011）利用Apriori技術方法和RFMDR模型對網購客戶進行了細分[6]。張斌（2017）基于KFAV模型，引入了局部密度值ρ和斥類值δ，對K-均值聚類法在初始聚類中心的選取方面進行了改進，驗證了該方法對客戶細分的精準度[7]。李晴雯等（2019）利用K-means聚類算法工具，并根據客戶細分結構模型，將某航空公司的客戶進行了分類，為該公司節約了大量的客戶維系成本[8]。謝鵬壽等（2019）利用改進的TFM模型將客戶進行了有效細分[9]。張石（2019）運用SOM-K-Means聚類算法對購買某產品客戶的數據進行有效的挖掘分析，根據聚類結果為不同客戶群體提供個性化營銷策略[10]。

H公司通過在微信公眾號發布本店相關內容，將大量忠實粉絲引流到店鋪進而完成銷售。本文應用K-means聚類分析法對客戶的多項特性指標綜合考量，根據特征的相似或相異度將數據樣本進行分組，使同一組的數據盡可能相似，不同組的數據盡可能相異。由于該算法是在數十次、百次甚至千次的迭代計算中尋找最終的聚類結果，因此最終結果穩定可靠。

在研究模型方面，本文針對H公司這一線上銷售情境，在Yu-Ting Kao所建立的LRFM模型的基礎上，提出RFMA模型。其中，R表示同一顧客最近一次的購買時間到分析點的時間間隔（以月為單位）;F表示計算期內顧客在微信平臺購買H企業產品的次數;M表示計算期內客戶購買的總金額數;A表示計算期內客戶購買H企業產品的數量。

2? 實證分析

2.1 樣本選擇

本文使用的數據均由H企業提供。數據包含2017年1月1日0：00至2019年12月30日23：59的所有銷售訂單數據，主要包括客戶基礎數據表、商品基礎信息表、銷售記錄表等。

2.2 數據整理

經統計，H企業兩年內在微信平臺的銷售記錄約6.3萬筆，為使操作簡單可行，本文通過分層抽樣的方式在眾多數據中抽取800筆銷售訂單作為研究數據。

為保證數據的可靠性，需對800筆訂單進行清洗處理。首先要處理缺失、異常和重復的數據，像購買日期為空、購買費用明顯有誤的數據;另外，兩年間由于微信平臺不斷升級，存在數據字段和內容不一致的問題，需通過結構化查詢語言（SQL）批量處理此類問題。數據清理后，有效訂單數量為715。運用RFMA模型，對訂單數量進行統計，得到244位客戶的數據，并對以上數據進行描述統計。結果見表1和表2。

RFMA模型中的特征值因計量單位不同，需要運用統計軟件SPSS 23.0對數據進行Z標準化，部分數據如表3所示。

2.3 客戶細分

對數據進行K-means聚類分析前，要先確定聚類數目K，它表示最終會形成的客戶群體數。學界一般建議K介于3～6。本文以聚類指標DBI為標準計算K值，其過程如下：

在公式（1）中，k表示聚類數目;mi/mj表示第i/j個簇成員距離聚類中心的平均距離;d（ci，cj）表示i和j兩個簇成員之間的距離。經計算，當K=3時，DBI=1.357;K=4時，DBI=0.489;K=5時，DBI=0.912;K=6時，DBI=1.125。通常來說，DBI越小，簇成員之間的關系就越緊密。所以K=4為最佳聚類數目。然后將標準化后的數據導入SPSS 軟件中進行統計分析，統計過程見表4、表5。

經連續迭代，系統自動停止聚類。最終聚類結果見表6、表7。

2.4 實證結果分析

第一類客戶。這類客戶共50位，占客戶總數的20.49%。在聚類結果中可看出這類群體最近一次購買距分析點的時間間隔最大，說明他們的重復購買率較低，忠誠度和用戶粘性也較低。其次，購買的商品數量、購買頻率和購買金額的聚類值在四類客戶中都是最小的，說明該類客戶的購買力度不夠且購買需求小。通過對原始數據進行查找，這類客戶的交易次數大多為一次，且每次交易都在500元以下，兩年內交易總額不超過2000元，他們所購買的產品多集中在電子激光筆、電腦鼠標、電動牙刷、無線耳機等小型附屬物件。雖不穩定但零散的有交易量，且沒有存在減少交易量或者停止的勢頭，屬于低價值客戶。這類客戶對公司和產品的認知處于起步階段，將其歸類為發展型客戶。

第二類客戶。這類客戶共137位，占客戶總數的56.15%。這類群體最大的特點就是四項指標都很均勻、穩定。購買頻率和購買金額雖比第一類和第二類低，但購買間隔較短，這部分客戶對該公司的產品依然持續著一種購買的沖動。可見，這類客戶的業務量穩定，能持續、平穩地輸出需求，將其歸類為維持型客戶。

第三類客戶。該類共43位，占客戶總數的17.62%。在四類客戶中，它的購買頻率是最高的，可見此類客戶對產品的需求較大且連續。另外，購買金額雖不如第四類，卻遠遠高于前兩類，購買熱情也遠遠高于前兩類。可見，這類客戶的潛力很大，將其歸為潛力型客戶。

第四類客戶。這類客戶共14位，占客戶總數的5.74%。雖然人數少，但創造的價值卻占據了公司利潤的80%，他們無疑是公司的高價值客戶。且這類群體的購買間隔小，經查詢，他們的購買間隔均不超過6個月，可見此類顧客重復購買力強，對H公司有較高的忠誠度，將其歸為核心型客戶。

3? H公司客戶精準營銷策略

發展型客戶。這類群體的忠誠度不高，對于H公司這種線上運營模式，可通過微信互動的方式與客戶保持密切關系。對于售價超過6000的產品可享受無息分期付款的優惠。另外，可通過給客戶產品優惠的獎勵去激勵他們在自己的朋友圈轉發、推廣。

維持型客戶。這類客戶的人數占比雖大，可很容易對公司的產品和服務失去興趣，需要對營銷過程動態管理，始終給予這類顧客以新鮮感。可通過線上活動對此類客戶實施事件營銷，開展各種主題活動使其感受到公司的特殊服務。對新產品及功效特點主打宣傳。另外，購買產品的同時使其成為會員并有相應購買積分，下次購買可抵扣現金。

潛力型客戶。這類客戶對公司和產品的認知處于起步階段，一般來說營銷效果的見效需要一定的時間。為使用戶發現產品信息，可利用SEO優化、SEM推廣去提高客戶對公司和產品的認知，利用用戶檢索信息的機會將營銷信息傳遞給目標客戶。

核心型客戶。對于這部分客戶要善于運用關系營銷和關懷營銷策略，與該類客戶建立朋友關系，并以朋友的角度給予客戶產品附屬品、贈品等不定期的贈與待遇。在生日、重大節日等日期給予一定的人文關懷。當有新產品上市時，優先推薦給核心客戶。另外，因其購買頻率高，可為這類客戶提供折扣機制。

4? 結論和展望

本文通過建立RFMA模型，利用K-means算法將H公司微信平臺的客戶分為發展型、維持型、潛力型和核心型四種類型，驗證了客戶細分模型和算法的有效性。目的是促使該公司發掘客戶的潛在價值，實現精準營銷。

本文所使用的樣本僅是客戶消費訂單，客戶細分標準也僅依據購買間隔、購買頻率、購買金額和購買數量四種指標，涉及范圍有限，像客戶的年齡、性別、職業、學歷、經濟能力、消費水平等基礎信息卻沒有考慮，細分模型還有待進一步擴展。

參考文獻：

[1]中國互聯網絡信息中心. 第44次《中國互聯網絡發展狀況統計報告》[EB/OL]. http：//www. cac. gov. Cn.1124938750. htm，2019，08，30.

[2]微信公眾平臺.2019微信數據報告[EB/OL].http：//www.woshipm.com/evaluating/3310778.htm，2020，01，09.

[3]有贊微商城.2019數據報告[EB/OL].http：//www.youzan.com/？from_source=sougou_ppqpx3_bt_1，2020，1，20.

[4]HUGHES A M.Strategic database marketing[M].Chicago，I11.，USA：Probus Publishing Company，1994.

[5]任春華，孫林夫，吳奇石.基于LRFAT模型和改進K-means的汽車忠誠客戶細分方法[J].計算機集成制造系統，2019，25（12）：3267-3278.

[6]CHIANG W Y.To mine association rules of customer values via a data mining procedure with improved model：An empirical case study[J].Expert Systems with Applications，2011，38（3）：1716-1722.

[7]張斌，彭其淵.基于KFAV的中國鐵路貨運客戶細分方法研究[J].交通運輸系統工程與信息，2017，17（03）：235-242.

[8]李晴雯，涂敏，段李杰.基于聚類分析的航空公司客戶群細分及營銷策略[J].物流工程與管理，2019，41（12）：136-138，126.

[9]謝鵬壽，張寬，范宏進，貴向泉，張恩展.汽車4S店TFM客戶細分模型及其方法研究[J].小型微型計算機系統，2019，40（10）：2165-2169.

[10]張石.SOM-K-Means聚類算法在零售銀行客戶細分中的應用研究[J].攀枝花學院學報，2019，36（05）：66-70.