基于改進的RFM 模型核心網(wǎng)絡(luò)客戶識別研究

王冬菊

安徽師范大學(xué)皖江學(xué)院，安徽 蕪湖 241000

客戶細分是企業(yè)了解不同客戶需求進而進行差異化營銷的主要依據(jù)[1]。當(dāng)前，絕大多數(shù)電商平臺及企業(yè)已然關(guān)注到不同的網(wǎng)絡(luò)客戶帶來的不同收益，且擁有不同的價值意義，數(shù)量龐大的網(wǎng)絡(luò)客戶群體也為電商企業(yè)帶來了眾多營銷問題[2]。但是所有電商平臺及企業(yè)的資源都是有限的，為了做到低成本，獲取高收益，就要將有限的資源向重點網(wǎng)絡(luò)客戶傾斜，把優(yōu)良的服務(wù)資源供應(yīng)給高品質(zhì)消費者。但此類目標(biāo)實現(xiàn)的前提是需要對如今的網(wǎng)絡(luò)客戶進行細分，并識別出核心網(wǎng)絡(luò)客戶。

1 核心網(wǎng)絡(luò)客戶的識別模型設(shè)計

1.1 RFM 模型計算網(wǎng)絡(luò)客戶價值出現(xiàn)的問題

RFM 模型是計算客戶價值方法的經(jīng)典方法之一。美國數(shù)據(jù)信息研究中心的Hughes 這樣表示：近度R（Recency）、頻度F（Frequency）、值度M（Momentary）構(gòu)成了用戶消費過程中客戶細分的標(biāo)準(zhǔn)[3]。RFM 模型應(yīng)用是簡便充分的，可是在計算網(wǎng)絡(luò)客戶價值時還有一些問題。主要包括三個方面：

1.1.1 網(wǎng)絡(luò)客戶對行業(yè)的直接利潤

在如今的電商時代下，運用RFM 模型開展用戶價值測算時會發(fā)現(xiàn)有的用戶價值和其現(xiàn)實價值的差距較大。例如有的“睿智”的網(wǎng)絡(luò)客戶一般都會挑選大促或者特價消費甚至每次銷售活動都不曾錯失，這就給了電商行業(yè)一個“忠誠用戶”的幻象。然而現(xiàn)實情況是，通過測算這種級別的網(wǎng)絡(luò)客戶對行業(yè)的直接利潤就不難發(fā)現(xiàn)，此類消費者對行業(yè)的利潤價值實現(xiàn)是非常小的。

1.1.2 關(guān)于指標(biāo)權(quán)重

傳統(tǒng)RFM 模型中，各個指標(biāo)的權(quán)重相同，與實際各因素對網(wǎng)絡(luò)用戶價值影響有一定的差距。比如，對于指標(biāo)R 來講，依據(jù)一般的RFM 模型細分原則，被分到R4 范圍的網(wǎng)絡(luò)客戶不一定比處在R2 范圍的用戶價值小。這與實際中用戶的消費總金額以及消費習(xí)慣都有一定的聯(lián)系，特別是網(wǎng)絡(luò)客戶，其各自的差別更為突出。

1.1.3 關(guān)于細分結(jié)果

把R、M、F 各自分成5 個級別，從而獲得125個用戶群體，這會導(dǎo)致細分報告的用戶群體過多，不易對每一用戶群體開展精準(zhǔn)分析，并且其對核心用戶群體的識別也趨于繁復(fù)。

1.2 RFMG 模型

針對前文提及的RFM 模型在計算網(wǎng)絡(luò)客戶價值存在的三方面不足，筆者提出RFMG 模型。

其次對各指標(biāo)權(quán)重進行設(shè)定，設(shè)R、F、M、G 的權(quán)重分別為，且。具體權(quán)重數(shù)據(jù)會因各類行業(yè)、各類企業(yè)的詳細狀況而異，確定方法可運用德爾菲法[4]。

最后，有關(guān)網(wǎng)絡(luò)客戶價值V 的測算，可以運用各指標(biāo)加權(quán)求和的形式：

1.3 數(shù)據(jù)挖掘技術(shù)

數(shù)據(jù)挖掘（Data Mining）指的是從多數(shù)的、不全面的、有噪聲的、不清晰的、任意的現(xiàn)實應(yīng)用信息中，獲取潛在的、目前不可知的、但又有用的資訊和內(nèi)容的一個復(fù)雜流程[5]。從行業(yè)角度來看，信息挖掘是利用對大量業(yè)務(wù)信息開展提取、轉(zhuǎn)化、識別和其他模型化處置，獲取輔助行業(yè)決策的重要信息，并提供總結(jié)性的分析，從中發(fā)掘出潛在的價值，為行業(yè)上層供應(yīng)決策支撐，協(xié)助行業(yè)的決策者及時調(diào)節(jié)市場計劃，做出準(zhǔn)確的判斷[6，7]。

2 核心網(wǎng)絡(luò)客戶識別模型

基于上一節(jié)的設(shè)計思路，可構(gòu)建如下核心網(wǎng)絡(luò)客戶識別模型，如圖1 所示。

圖1 核心網(wǎng)絡(luò)客戶識別模型

核心網(wǎng)絡(luò)客戶識別模型的組建主要涵蓋了以下幾個流程，即信息收集及預(yù)處置、確定指標(biāo)權(quán)重、測算網(wǎng)絡(luò)客戶價值、辨別核心網(wǎng)絡(luò)客戶、發(fā)掘核心網(wǎng)絡(luò)客戶特質(zhì)。

2.1 數(shù)據(jù)收集及預(yù)處理

2.1.1 數(shù)據(jù)收集

對當(dāng)今時代下的電商行業(yè)來講，網(wǎng)絡(luò)客戶普遍特質(zhì)及與行業(yè)交易的活動特質(zhì)有關(guān)的標(biāo)準(zhǔn)信息是極易搜集、測算的，并且是易量化的。核心網(wǎng)絡(luò)客戶識別模型中涉及到的數(shù)據(jù)主要包括兩類：

（1）網(wǎng)絡(luò)客戶人群統(tǒng)計特質(zhì)需要有關(guān)字段資訊，例如：性別、年紀(jì)、崗位、家庭住址、聯(lián)系電話等主要信息。

（2）交易記錄信息，如某網(wǎng)絡(luò)客戶訂單的訂單日期、具體金額、訂單產(chǎn)品類型、訂單商品數(shù)量、訂單商品售價和成本價等；依此可測算近度R、頻度F、值度M，毛利率G。

針對第一種信息中群體統(tǒng)計特質(zhì)字段及第二種信息中訂單產(chǎn)品類型等字段的整合，其主要是為此模型的最后兩個環(huán)節(jié)打好基礎(chǔ)。

2.1.2 數(shù)據(jù)預(yù)處理

在本模型中，為了排除特殊變量對測算成果的干擾，筆者運用了Min-max 標(biāo)準(zhǔn)化辦法對各指標(biāo)變量展開了標(biāo)準(zhǔn)化測算，比如：針對指標(biāo)F：

其中Fmax、Fmin分別指統(tǒng)計期間內(nèi)最多消費次數(shù)和最少消費次數(shù)。

2.2 RFMG 指標(biāo)權(quán)重的確定

利用德爾菲法計算RFMG 模型中R、F、M、G 各指標(biāo)的權(quán)重系數(shù)，其中打分專家組成員的確定要恰當(dāng)合適，盡量選擇從事電子商務(wù)行業(yè)工作，具有一定實際經(jīng)驗并了解電商消費者行為特點的專家。

2.3 網(wǎng)絡(luò)客戶價值的計算

將第一步標(biāo)準(zhǔn)化后每個要素數(shù)值與第二步中決定的要素權(quán)重系數(shù)代入式（1.2），運算獲得樣本整體所有電商消費者價值。依據(jù)各個企業(yè)標(biāo)準(zhǔn)決定核心消費者所占比重,并找出網(wǎng)絡(luò)客戶價值中位于第位的。

2.4 核心網(wǎng)絡(luò)客戶的識別

在對所有網(wǎng)絡(luò)客戶比較完成后，整個網(wǎng)絡(luò)客戶群體被細分為兩個部分，即核心網(wǎng)絡(luò)客戶和一般網(wǎng)絡(luò)客戶。

2.5 核心網(wǎng)絡(luò)客戶的特征挖掘

單一地辨別核心網(wǎng)絡(luò)客戶并不是企業(yè)確定高效的營銷計劃的理論根據(jù)，企業(yè)更要熟悉掌握的是核心網(wǎng)絡(luò)客戶的行為特點，而數(shù)據(jù)挖掘技術(shù)中的決策樹就是辨別同種事務(wù)共同特點的有效方法之一。

3 D 天貓店鋪實證分析

D 天貓店鋪是某品牌男士內(nèi)褲企業(yè)在天貓平臺上經(jīng)營的專營店。該企業(yè)通過長時間的線下運營與經(jīng)驗積攢，已經(jīng)具備比較成熟的線下分銷途徑。

3.1 數(shù)據(jù)收集及預(yù)處理

以某年1 月1 日至當(dāng)年10 月31 日為時間段，從D 天貓店鋪的客戶信息庫獲得期間內(nèi)一切消費者基本數(shù)據(jù)與歷史交易信息，基本數(shù)據(jù)包含性別、生日、城市、手機號、郵箱等，歷史交易信息包含訂單日期、訂單金額、商品貨號、商品數(shù)量、商品價格、商品成本、面料種類、款式（分為三角和平角）、顏色等。其中共包含了3 794 名用戶信息，7 051 條歷史交易記錄信息。

第一步，依據(jù)計算網(wǎng)絡(luò)客戶價值要求，先對信息開展預(yù)處理，依照下列規(guī)則運算R、F、M、G 值。

1.以周為單位，計算這個時間段內(nèi)每名消費者最后一次購買時間到當(dāng)年10 月31 日的時間差，記為R，并運算出1/R。

2.統(tǒng)計該時間段內(nèi)每個消費者累計購買次數(shù)，記為F。

3.統(tǒng)計該時間段內(nèi)每名消費者訂單總共金額，記為M。

4.統(tǒng)計該時間段內(nèi)每名消費者一切訂單商品累計價格與成本，算出毛利率=×100%，記為G。

此外，為達成對核心網(wǎng)絡(luò)客戶特點的發(fā)掘，在整體考量了消費者的每種影響力及信息的可獲得性，并且顧及信息的可量化準(zhǔn)則，除去上述R、F、M、G 指標(biāo)信息，此研究還選擇了下列信息字段：

1.消費者的自然屬性：用戶ID、聯(lián)系方式、郵箱地址；2.消費者的訂單屬性：訂單號、商品貨號、售價、件數(shù)；3.貨物的屬性：貨物貨號、樣式、顏色、材質(zhì)、成本。

3.2 指標(biāo)權(quán)重系數(shù)的確定

針對此案例的德爾菲咨詢，共邀請了20 位業(yè)內(nèi)資深專家參與，各專家都具備豐富的電子商務(wù)實際經(jīng)驗。其中15 位是淘寶網(wǎng)1 金冠以上店鋪或具備1 萬以上用戶資源的天貓店鋪管理負責(zé)人，其他5 位專家分別來自于京東、卓越亞馬遜網(wǎng)、拼多多等國內(nèi)知名電子商務(wù)網(wǎng)站。

通過兩回合專家咨詢評價，第二輪專家意見統(tǒng)一系數(shù)為0.8172，代表各專家意見已經(jīng)幾乎趨于一致，無需開展第三回合的評定。參與此次評價打分的專家對指標(biāo)元素的掌握程度都在0.8 以上，并對元素給出結(jié)果的根據(jù)都大于0.4，說明專家組權(quán)威程度較高。第二回合專家評價數(shù)值被記錄在表1 中。

表1 第二輪專家咨詢打分統(tǒng)計結(jié)果

3.3 網(wǎng)絡(luò)客戶價值的計算

在以上例子中，以Customer_id 為002635 的客戶為例，運算獲得其網(wǎng)絡(luò)客戶價值是0.319901。

3.3.1 核心網(wǎng)絡(luò)客戶的識別

3.3.2 核心網(wǎng)絡(luò)客戶特征發(fā)掘

接下來運用SPSS 公司Clementin11.1 內(nèi)的C5.0Tree 節(jié)點來構(gòu)建模型，對659 位核心網(wǎng)絡(luò)客戶開展特點辨識，模型為圖2 所示。

圖2 核心網(wǎng)絡(luò)客戶特征識別模型

經(jīng)過上述模型構(gòu)建后獲得如圖3 表示的規(guī)律。在此只要對標(biāo)識屬性是Material 的核心網(wǎng)絡(luò)客戶特征展開研究，注重查閱Rules for Material 該規(guī)則的實際特征。從獲得的規(guī)律集內(nèi)能夠很輕易的得到核心網(wǎng)絡(luò)客戶的行為特點，其中規(guī)律“Rule 14 for Material=1”最具代表性（如圖4）。貼合規(guī)則“Rule 14 for Material=1”共計403 位核心網(wǎng)絡(luò)客戶，且可信度為0.992。所以能夠依據(jù)其進行以下推斷：倘若消費者選擇的平角款、最近一次購入時間不長于10周、訂單共計金額在134 元以上，且訂單毛利率高于0.56，那么就能夠斷定該消費者偏向于平角款。當(dāng)消費者下次在店鋪內(nèi)咨詢時，客服人員就能夠直接向他推薦平角款。

圖3 C5.0 算法生成的規(guī)則集

圖4 Rules for Material=1

4 結(jié)語

本文不僅從理論上對網(wǎng)絡(luò)客戶的細分與核心網(wǎng)絡(luò)客戶的特點辨識展開了詳明地闡述，并且結(jié)合D 天貓店鋪開展實證研究。因此，本研究將有利于電子商務(wù)企業(yè)辨別高端以及核心用戶，進而有針對性地進行推薦，高效地維持企業(yè)的重要利潤來源渠道，進而達成企業(yè)與消費者二者的“共贏”。