基于叉熵的線上零售商消費者細分探究

苗蘊慧 博士 付婷婷

（沈陽化工大學經濟與管理學院 遼寧沈陽 110142）

引言

隨著電子商務的不斷發展，線上零售商的經營理念也由“以產品為核心”逐漸向“以消費者為中心”轉變，零售商的產品消費模式和消費者購物行為也發生了變化。對于線上零售商而言，如何對海量的消費者信息和市場發展信息進行收集分析，以及如何對消費者人群進行細分和價值發掘，已成為零售商在發展過程中必須重點關注的問題。目前，大量經濟專家關于零售商對消費者細分進行了分析，認為零售商在盈利難度逐漸加大的環境下，需要實時對消費者的消費記錄和反饋信息進行收集，對潛在的消費者進行發掘，這能夠為零售商的精細化發展提供數據支持。零售商需要選擇合理的細分方法和模型對消費者進行有效細分，在多元化的消費環境下，依靠單方面的特征信息進行劃分顯然不能夠達到預期效果。因此，選擇以消費者數據作為模型分析主體，通過數據結果對消費者的特征價值和消費行為進行分析，成為線上零售商提高經濟效益的必然方式。

理論概述

（一）消費者細分

第一，消費者購物需求差異性。不同的消費者性別、年齡、文化水平、收入水平、消費理念等均存在差異，這便使得消費者的消費行為各不相同。當消費者面對相同的商品和服務時，他們所關注的重點會有所差異，消費的需求也會不同。因此，消費者購物需求的不同必然會導致不同的交易結果，故有必要對消費者進行細分。

第二，零售商資源的局限性。零售商的資源具有一定局限性，企業在營銷過程中不會將資源平均分配給每一名消費者，這使得不同消費者在購物過程中所享受的企業資源有所不同。零售商若想要利用現有資源來獲取最大利潤，企業便需要以消費者為中心，根據不同消費者的購物需求和特征來有針對性的進行資源分配，進而通過最小的投入來獲得消費者滿意度的提升。

消費者細分的意義。零售商經營的最終目的是獲取潛在客戶，為企業的可持續發展提供客戶資源保障。消費者細分是幫助企業發掘客戶和延長生命周期的重要方式，消費者細分在零售業發展過程中主要起到如下兩方面作用：

其一，維護現有消費者客戶。經過消費者細分和特征統計能夠發現，部分消費者對零售商的貢獻值較大，但該部分消費者的流失率也最高。因此，零售商應該時刻關注這一類消費者人群，通過定期回訪來拉近與這些消費者的距離，進而避免零售商消費者客戶的流失。

其二，降低零售商成本投入。零售商多數以中小型企業為主，企業資源有限，這便需要企業合理分配資源并追求利益最大化，消費者細分能夠幫助企業提高市場競爭力，發掘重要客戶，優化企業內部和外部資源，實現低投入高利潤的發展。

（二）消費者細分的常用方法

消費者細分的依據。對消費者進行細分的依據標準有很多，其中主要的細分依據如下：首先，根據消費者的外在屬性進行細分。消費者的外在屬性主要包含地理因素、社會關系、個人特征等，諸如消費者的性別、年齡、收入水平、教育程度、職業等。僅僅以消費者的外在屬性進行細分，會使得細分結果相對簡單而且缺乏一定的合理性，無法深入掌握消費者的實際價值。

其次，根據消費者內在屬性進行細分。消費者內在屬性主要包括個人喜好、行為習慣、品牌忠誠等因素，基于此進行消費者細分，有助于挖掘消費者的潛在價值。由于消費者的內在屬性一般是以調查問卷結果作為依據，具有較強的個人主觀色彩，所以無法保障數據的準確性。

最后，根據消費者行為屬性進行細分。消費者行為屬性主要是利用RFM模型以及GL顧客價值矩陣進行分析。RFM模型是通過將數據的三個指標進行劃分，三個指標為距離最近一次購買商品的時間R，購買商品的頻率F，購買商品的額度M。將消費者行為作為細分依據，能夠對消費者的習慣進行一定的研究，實現細分的有效性。不過相對來說，RFM模型進行細分較為復雜，使得大量消費者群體的數據分析工作量巨大，并且無法進行逐一的營銷策略制定。消費者價值矩陣是指通過雙指標對消費者價值進行區分，通過二維象限將消費者劃分到四個不同的象限中；但是無法定義潛在消費者只能對現有消費者進行評定，實用性較差。

消費者細分RFM模型。RFM模型是通過消費時間間隔R、消費頻次F，以及消費金額M三個指標進行消費者價值狀況區分。R是指消費者最近一次購買商品的時間與觀察時間的時間差，用來進行消費者忠誠度的判定。R值越大，表明消費者在較長的一段時間里沒有進行企業商品的購買，再次購買的概率相對較低，從而判定消費者對企業的忠誠度越低，具有較小的價值；R值越小，表明消費者購買商品的日期較近，再次購買商品的可能性較大，重復購買的概率較大，對企業的忠誠度相對較高，具有更高的價值。F是指在一定時間內消費者購買商品的總次數，用來判定消費者購買商品的變動。F值越大，表明消費者購買商品的頻率較高，具有較低的流失可能性，對企業具有較高的忠誠度以及價值；F值越小，表明消費者購買商品的活躍度較低，出現消費者流失的概率較大，對企業的忠誠度較低，具有的價值較小。M是指一定時間內消費者購買商品的總金額，用來判定消費者對企業的貢獻情況。M值越大，表明消費者具有對企業較高的貢獻度，能夠引起企業的重視；M值越小，表明消費者對企業經濟提升的貢獻度較低。R、F、M三個指標在RFM模型提出以來一直作為劃分消費者行為的完美依據，并成為了消費者行為分析的重要方法。

（三）信息熵與叉熵

熵是對信息不確定性的測量，隨著熵值的增加，隨機變量在體系中的自由度越高，變量所出現的狀態種類越多，且出現每一種狀態的概率也趨于一致。反之，隨著熵值的降低，隨機變量在體系中的自由度減小，出現不同狀態的種類減少，且每種狀態發生的概率也較大。從微觀層面分析，信息熵也是對一個系統規律性的測量，熵值越大，系統中的粒子分布的距離差異性越明顯，系統趨于無序；熵值越小，系統中粒子的分布距離趨于平等，系統趨于有序。

叉熵是兩個概率分布之間的“距離”，但其不符合距離對稱性和不等式原理。叉熵通常被當作一種具有方向性的距離，其可以描述概率分布p到q之間的距離。當pi=qi時，如果兩個概率之間存在較大差異性，兩個概率之間的叉熵也增大。在此，本文通過叉熵對我國零售商消費者的差異性進行分析。

實證分析

（一）數據選取

本文在國泰安數據庫中選取從2010-2019年的零售業銷售數據作為研究樣本，通過SPSS軟件對原始數據進行整理分析。由于本文研究的時間段為2010-2019年，因此將2010年1月1日作為基準日，對消費者在每年的最后一次購物時間進行提取，將該日期與基準日相減，最后得出購買間隔R（天）。在消費者購物次數方面，本文對消費者在統計時間區間內的購物次數進行累計，最終得出消費者的購物頻次F。同時，將消費者的購物數量和單價相乘，得到單次購物金額并進行匯總，得到消費總金額M。

（二）線上零售商消費者細分模型選擇

RFM值標準化處理。通過本文整理的數據樣本可以計算出R、F、M值。經過對數據樣本的整理分析，并進一步對指標數據進行標準化和歸一化處理，數據結果如表1所示。通過表1中RFM分析結果可知，經過歸一化和標準化處理后，隨機選取的消費者的RFM值均處于合理范圍內，說明本文對數據以上消費者數據樣本的剔除比較徹底，樣本數據能夠進行聚類分析。

表1 RFM值標準化結果

表2 熵值計算

叉熵的K-means聚類。

第一，本文首先需要計算叉熵，對所有數據樣本進行標準化，通過叉熵方程進行叉熵距離計算。

第二，計算矩陣相似度和計算熵值，熵值計算結果如表2所示。

第三，根據表2熵值結果來確定聚類數。通過仿真實驗來確定聚類效果最佳的方法。

第四，K-means聚類。本文通過表2熵值結果最終計算出聚類數目為5，通過SPSS軟件進行K-means聚類，得出各類消費者人群的RFM值，并與消費者的總RFM平均值進行對比分析。

結果與解釋。解釋如下：

G1：這一類消費者人群的消費進入與平均值一致，表明該類消費者人群在短期時間內沒有消費行為發生；該類消費者的消費頻率處于較高水平，但整體消費金額卻低于平均值，因此線上零售商需要重點發展與該類消費者人群的關系，增加消費者的購物積極性，以期提升M值。總而言之，該類消費者屬于線上零售商的一般重要客戶，此類消費者對線上零售商經營績效的增長具有一定貢獻率，故線上零售商有必要培養與該類消費者的關系。

G2：這一類消費者消費頻率和總額均處于平均值以上，說明該類消費者的消費水平較高，對線上零售商經濟效益的提升具有較大的貢獻率，屬于高價值消費者；然而此類消費者的消費時間間隔處于平均值以下，說明消費者進行消費的周期較長，這對零售商來說存在著較大的流失風險。因此，這類消費者人群屬于線上零售商的重要挽留消費者，企業應該積極與消費者進行聯系，通過制定有效的營銷策略來提高消費者的滿意度，以挽留住這類具有較高價值的消費者人群。

G3：這一類消費者人群在近段時間的消費間隔低于平均值，表明消費者在近期與零售商不存在經濟往來，然而消費累積次數和平均消費額較高，對線上零售商經濟效益的增長具有拉動作用。因此，該類消費者屬于一般保持消費者，線上零售商應該增加與該類消費者人群的互動頻率。

消費者價值分析。本文基于加權計算結果進行以下分析：

G1：這一類消費者的價值最高，該類消費者人群的消費進度和頻率均處于較高水平，但消費者的消費金額卻最低。因此，該類消費者屬于重要客戶，零售商應該培養與該類消費者的關系，通過制定營銷策略來引導消費者進行消費，以實現M值的提升。

G2：這一類消費者的價值排名其次，該類消費者的消費進度、消費頻率、消費金額均處于該類消費指標值之下，但差距不明顯，屬于零售商的重要保持客戶。零售商需要與該類消費者進行積極交流，減少企業消費者的流失。

G3：這一類消費者的價值排名最低，通過消費進度R、消費頻率F能夠得出，該類消費者人群的消費行為與G2相似，但其消費金額卻顯著低于G2，可以定義為一般消費者。零售商有必要與該類消費者保持良好的溝通，增加與該類消費者的緊密關系。

（三）消費者細分結果實證分析

數據處理。本文通過對615580條消費記錄進行整理分析后篩選出1250個消費者的完整消費記錄，并將消費者人群初步設定為10類。通過對數據樣本進行標準化和歸一化處理，最終得出RFM值、熵值、類聚結果。

聚類結果及分析。采用SPSS 18.0軟件對經過標準化和歸一化處理的數據進行K-means聚類，處理結果如表3所示。

根據表3和表4的消費者行為和價值細分結果，可以將消費者細分為以下三種類型：

重要發展消費者類型（G1）：K1，R↑F↓M↓。該類消費者的R值較大，表明該類消費者在短期時間內存在購物行為，但F值和M值卻較低，說明該類消費者交易頻率和消費金額較低。通過消費者人數來分析，占據了消費者總數的主體，屬于線上零售商的潛在客戶。線上零售商積極與該類消費者建立聯系能夠促使企業擴大市場占有率，提高行業競爭實力，應該將該類消費者視為重點發展客戶。

表3 消費者細分結果（消費者消費行為）

表4 消費者細分結果（消費者價值）

一般消費者類型（G3）：K2，R↓F↑M↓。該類消費者的消費時間間隔接近平均值，但消費頻率卻處于平均值之上，消費金額較低，綜合價值排名偏低，對線上零售商的貢獻值較低，對線上零售商的發展重要性不大。

重要挽留消費者類型（G2）：K3，K4，K5，K6，K7，K8，K10，R↓F↑M↑。通過消費者交易頻率和消費金額來分析，這些消費者對企業發展的貢獻值較大，屬于線上零售商的重要消費者群體；但這些消費者的消費時間間隔處于平均值以下，說明這些消費者在短期時間內與線上零售商的接觸較少，故對于線上零售商而言存在一定流失的風險。因此，線上零售商應該及時與這幾類消費者進行溝通，減少客戶流失的可能性。通過消費者層面來分析，雖然K3、K4、K5、K6、K7、K8、K10均屬于同一消費者類型，但在價值上卻具有顯著的差異性，消費者價值的實際排序為：K10＞K6＞K3＞K8＞K4＞K5＞K7。

（四）結果分析

通過RFM模型對指標數據進行對比分析，并將消費者細分為三種類型。然而，通過該種方式確定的消費者細分類別通常會摻雜著主觀思想。因此，在對線上零售商消費者進行細分時，需要對每個種類的消費者價值進行計算，并對不同類別的消費者價值進行對比分析，通過對比結果來描述消費者的價值信息，這樣能夠更加精確、深入地細分結果，滿足線上零售商的發展需要，為企業和消費者價值的提升提供充足依據。

通過消費者價值和消費行為兩個層面對消費者進行分析。單純地通過價值角度對零售商消費者進行細分，往往不能將消費者消費行為的變化情況考慮在內，這不利于企業搜集消費者信息和制定營銷策略。通過消費者消費行為的細分，能夠看到消費者人群的整體消費趨勢，但由于不同消費者的消費理念和行為存在顯著差異，所以不能全面反映出不同類別消費者的價值。因此，將消費者的價值和消費行為均進行細分，能夠更加真實地反映出消費者的消費情況，有利于線上零售商的發展。

結論

本文基于叉熵視角對線上零售商消費者細分進行了實證研究，根據研究結果，可以將線上零售商消費者細分為以下三種類型：

第一，重要發展消費者類型：K1，R↑F↓M↓。該類消費者具有較高的R值，說明這一類消費者在短期時間內具有購物行為，但消費者的F值和M值卻偏低，表明消費者的交易頻率和消費金額偏低。根據零售商消費者人數來看，這一類消費者占據了消費者總數的主體，是線上零售商的潛在客戶。線上零售商應該積極與該類消費者創建聯系，以提高企業的市場競爭力，故有必要將該類消費者視為重點發展客戶。

第二，一般消費者類型：K2，R↓F↑M↓。這一類消費者的消費時間間隔與平均值基本一致，但消費頻率卻高于平均值之上，總體消費金額較低，綜合價值排名靠后，這表明該類消費者對零售行業經濟的貢獻度不大，對線上零售商的發展推動作用不明顯。

第三，重要挽留消費者類型：K3，K4，K5，K6，K7，K8，K10，R↓F↑M↑。根據消費者消費頻率和消費金額來看，這一類消費者對線上零售商的經濟增長貢獻度較大，是線上零售商的重要消費者；該類消費者的消費時間間隔低于平均值，這表明該類消費者在短期時間內與線上零售商的接觸不多，對于零售商而言該類消費者存在一定流失的風險。因此，線上零售商有必要及時與這幾類消費者進行聯系，提高消費者對企業和商品的了解程度，避免消費者流失。基于消費者全體層面來分析，雖然K3、K4、K5、K6、K7、K8、K10屬于同一消費者類型，但消費價值上卻存在著顯著的差異，消費者價值的實際順序為：K10＞K6＞K3＞K8＞K4＞K5＞K7。