基于RFMI模型的家電產品定制服務的客戶價值研究

余方超，徐 雷，張國鋒，葉宗鑫

(四川大學 機械工程學院，成都 610065）

0 引言

隨著互聯網技術、大數據以及5G通訊技術等新一代信息技術蓬勃發展，工業互聯網迎來了全所未有的機遇。信息技術和制造方式的加速融合，推進現代制造企業的技術創新。同時，信息技術與管理技術的深度融合能加快制造企業的管理升級[1]。當代企業能夠在新一輪的市場競爭中取得優勢的關鍵在于企業能為顧客提供更好的利益和服務[2]。對于家電制造企業，提升企業競爭力的關鍵在于更短的時間和更少的成本向客戶提供多樣的定制產品，大規模定制是現代制造企業保持競爭力的關鍵[3]。定制服務是“制造—互聯網+”的生產模式，利用物聯網、人工智能、大數據等新一代信息技術，發展個性化設計、用戶參與設計，推進生產制造的智能化、柔性化[4]。

定制服務的核心是“以客戶為中心”，通過客戶需求分析，為客戶提供個性化的需求，使企業和客戶能建立穩定、長遠的雙贏關系，逐漸獲得穩定的客戶，最終讓企業獲得市場[5]。企業的發展離不開產品創新和客戶需求的緊密有效融合[6]，同時企業也認識到客戶之間的差別，對企業的貢獻也不同，企業也缺乏有效地挖掘客戶需求的工具。在這樣的情形下，為了滿足不同需求的客戶，通過有效的方法挖掘不同類型的客戶，根據不同客戶的需求提供個性化的服務，加深客戶與企業的關系，建立長久的忠誠度和維護客戶保持率，為企業創造更多的利潤[7]。

本文將結合大數據處理技術、定制服務特點以及現代管理技術，對家電產品定制客戶數據進行分析。期望能全面的反應客戶價值，根據定制服務客戶價值分析對不同類型的客戶采用不同的銷售手段，為實現客戶個性化營銷及企業資源的有效分配提供理論方法。

1 定制客戶價值研究

1.1 定制客戶價值評價指標

客戶價值指標主要包括當前價值和潛在價值兩個方面[8]。對于當前價值的衡量，較多采用利潤率和購買量作為評價指標；對于潛在價值的衡量，較多是客戶與企業聯系的緊密度和未來預期的利潤值[9]，如重復購買次數，興趣度以及口碑等。定制服務模式是一種集企業、客戶、供應商以及外界環境于一體的生產模式。當前價值可以從銷售總額、消費次數、消費時間等能直接方便得到的指標進行分析；潛在價值指未來能為企業帶來的經濟效益，主要表現為對產品較高的關注度、興趣度以及對產品開發的參與度等方面。

1.2 RFM客戶價值模型研究

在客戶價值模型研究中RFM模型是研究客戶價值分類的主要方法。其中R（Recency），最近一次消費時間與截止時間的間隔；F（Frequency），某段時間內的購買頻率；M（Monetary），某段時間內的消費總額。RFM方法可以分析和識別用戶行為[10]，用客戶行為數據將客戶進行劃分，同時進行消費預測[11]。RFM模型能快速的根據客戶數據指標進行客戶價值細分，得到不同的客戶群體，是企業管理的有效方法。

2 RFMI模型構建

2.1 RFMI模型分析

RFM模型不能準確的描述定制服務下客戶的價值劃分。面對家電定制制造生產模式，企業在發展的初級階段用會員制度吸引客戶，建立企業與客戶更加緊密的結構關系，進一步滿足客戶的個性化需求，也有利于提升客戶粘性、改善客戶關系[12]。同時定制服務的用戶特點在于用戶參與設計、以及交互設計，所以用戶參與度也是定制服務的一個重要特征。為了完善RFM模型在定制服務中的應用，引入個性化指標I（Individualization），I由客戶參與度組成，本文用客戶會員等級和客戶參與時間表示。RFMI模型流程如圖1所示，主要是目標數據集抽取、數據處理分析、模型構建與結果分析。

圖1 RFMI模型流程圖

2.2 指標相關性分析

相關性指兩個變量之間關聯程度的大小，在客戶價值分析模型中若兩個變量有較強的相關性，可能導致模型存在多重共線性缺陷。在研究新的指標影響時，為增強模型正確性，應盡量避免這種情況，為了能更加準確的描述變量間的相關性，采用計算相關系數的方法，相關性矩陣C(u,v)定義為：

其中u，v表示兩個不同的指標，當C＞0為正相關關系；C<0為負相關關系；當|C|≤0.3為極弱線性相關或不相關；0.3<|C|≤0.5為低線性相關；0.5<|C|≤0.8為顯著線性相關；|C|>0.8為高線性相關。

2.3 指標權值分析

用于權重分析的方法很多，一般包括主觀方法和客觀方法。主觀方法一般有專家咨詢法、多層次分析法，有很強的主觀性，準確性較差；客觀方法包括熵權法、離差及均方差法和主成分分析法等。由于在客戶劃分中實際數據量大，可以用熵權法通過數據差異確定權重。熵權法中信息的無序程度用信息熵表示，信息的無序程度越小，信息熵越小，信息的效用值越大[14]，賦權步驟如下：

Step1：數據規范化。采用離差標準化將各指標數值映射到[0,1]之間表示為：

其中u代表原始數據，v表示規范后的數據。

Step2：計算指標比重系數K。規范化后的第i個樣本的第j個指標vij占所有樣本的比重表示為：

Step3：計算信息熵。根據信息熵的定義以及指標比重系數，樣本中第j個指標的信息熵表示為：

其中n表示數據指標類型個數。

Step4：計算客觀權重。根據信息熵的定義，第j項數據的信息效用值等于1和Ej的差值，所以第j項指標權重表示為：

2.4 RFMI指標構造

R指最近一次消費時間和窗口結束時間的時間間隔，R越小客戶價值越大；F指窗口期內的消費次數，F越大客戶價值越大；M指窗口期內消費的總額，M越大客戶價值越大；I指的是個性化指標如式(6)所示，I越大客戶價值越大。

其中u代表客戶參與時間，v表示客戶會員等級，n表示客戶數量。

2.5 K-means++算法

K-means算法是典型的通過距離計算的非層次聚類算法，傳統K-means方法初始聚類中心是隨機選擇的，可能使結果局部收斂，嚴重偏離全局最優解。為了聚類結果更加準確，K-means++算法能優化初始簇心能避免聚類結果嚴重偏離全局最優解，同時加快算法收斂速度[15]。K-means++算法步驟如下：

輸入：樣本集X，簇心數K。

輸出：對應的簇心C和K個類。

Step1：K個初始簇心的選擇。

1）從X中隨機選擇一個數據作為第一個簇心。

2）計算簇心與X中每一個數據點間的距離。

3）選擇距離最大的數據點作為新的簇心。

重復1～3，直到選出K個簇心。

Step2：計算K個簇心和每條數據間的距離。同時利用了兩邊之和大于等于第三邊,以及兩邊之差小于第三邊的三角形性質，來減少距離的計算。

Step3：按照“距離最近”原則，將每條數據都劃分到最近的簇類中。

Step4：數據劃分完后，K個簇心重新計算。

Step5：迭代執行Step2～Step4，直到K個簇心不再改變，或者滿足給定條件。

3 實驗研究與分析

3.1 實驗數據處理與分析

實驗數據來自某家電企業2015年4月1日至2017年3月31日的實際銷售數據，其中包含客戶基本信息數據、商品信息數據、銷售數據等。針對RFMI模型生成原始數據表，主要包含最后一次購買時間、購買的次數、消費的總金額、會員等級、用戶參與時間、折扣率等相關指標。原始數據共67582條數據，通過數據預處理刪除其中異常數據以及分布不合理數據，最終得到62020條有效數據用于實驗分析。

通過式(1)對實驗數據選擇的指標進行相關性分析，得到相關性矩陣如圖2所示：

圖2 指標相關性矩陣圖

從圖2中可以看到原始數據表中不同指標間的相互關聯程度，除去R、F、M三個指標的聯系，VIP_TIER（會員等級）和M（消費總額）程較高的正相關關系，直接用客戶會員等級作為衡量衡量指標會加大模型誤差，AVG_DIS（平均折扣）和M、VIP_TIER有較弱的正相關和其他指標相關性不強，這是因為折扣在活動期間會有很大的波動，顧不適合用于模型分析，PAT_TIME（用戶參與時間）和其他指標相關性均不強，對于該模型可以作為一個衡量標準。

3.2 RFMI權值分析

會員等級和用戶參與時間的量綱、范圍均不相同，通過式(2)進行數據規范化處理，采用熵權法進行賦權，通過式(3)～式(5)得到VIP_TIER權重為0.793，PAR_TIME權重為0.175，通過式(6)加權得到指標I的值，將I的數據值添加至原有數據集中得到最終實驗數據，如表1所示。

表1 最終實驗數據分布表

同樣通過熵權法對R、F、M、I四個指標進行權重確定，最終得到R的權重為0.229，F的權重為0.333，M的權重為0.275，I的權重為0.163，如圖3所示。

圖3 各指標權重圖

3.3 聚類結果與客戶分類

為了方便后面指標分析，先將最終的到的實驗數據通過差商標準化，以分數的大小衡量客戶價值的高低。運用K-means++算法對R、F、M、I指標進行聚類，得到的指標的簇心分布如表2所示：

表2 各指標簇心分布表

在RFMI模型中，為了使每個指標影響一致，在劃分客戶時R的值取（1-R），根據各指標原始的數值范圍和得到的聚類結果，為了使各個指標能更加合理的評價客戶價值，根據數據層次，將R、F、I乘100，M乘1000。結合各個指標的權重，得到各指標分類得分情況，結果如表3所示。

表3 各指標分類得分表

根據定制客戶價值研究，將客戶當前價值定義為最近購買時間R、購買次數F以及消費總額M之和，將客戶潛在價值定義為最近購買時間R以及個性化指數I之和，客戶價值為客戶當前和客戶潛在價值兩者之和。

結合客戶各類價值分類定義可以得到客戶價值分類詳情，結果如圖4所示。對當前價值、潛在價值以及客戶價值分類排序，結果從高到底排序依次均為類型3、類型5、類型2、類型4和類型1。

圖4 客戶價值分類圖

3.4 策略分析

通過分析表3和圖4，可以得到客戶等級劃分以及占比情況，如表4所示。

表4 客戶等級劃分表

通過表4可知類型3是Ⅰ級客戶，這類客戶是企業的高價值用戶，是最為理想的客戶類型。企業應該優先將資源放在這類客戶上，實行差異性管理和一對一的個性化服務，提高滿意度和忠誠度。類型5是Ⅱ級客戶，這類客戶是企業的中高等價值用戶，是重要的客戶類型。企業應該投入足夠的資源和獨特的服務，加強這類客戶的滿意度，提高轉向競爭對手的轉移成本，進一步提高客戶忠誠度。類型2是Ⅲ級客戶，這類客戶的價值不確定性很高，是重要挽留客戶類型。企業應該掌握客戶的最新消息、維持與客戶之間的互動，采用一定的促銷手段，加強客戶聯系，延長客戶生命周期，為企業創造更多利潤。類型4是Ⅳ級客戶，是一般客戶類型。這類客戶當前、潛在價值都偏低，可能是新用戶群體，也有可能是出現較大優惠才消費的低消費群體，企業應該投入適當的資源和營銷策略，努力吸引這類客戶，進一步發展客戶間的關系。類1是Ⅴ級客戶，這類客戶是企業的低價值客戶。這類客戶當前、潛在價值都很低，未來能為企業帶來的收入很少，企業應該降低對該類客戶的投入，降低服務成本。

根據RFMI模型的指標特點，實際應用中可以將R、F、M、I四個指標看成四個維度，每一個維度可以按照重要程度的不同進行進行劃分，例如每個維度都有重要、中等和不重要三個等級，那么實際得到的RFMI模型將有81種不同的客戶類型，針對不同的客戶類型能進一步的對不同客戶實施精確的個性化服務，提高企業的利益和競爭力。

4 結語

客戶價值評價是一個企業發展的重要環節，本文通過定制服務下客戶價值研究，在RFM模型基礎上針對定制服務特點提出RFMI模型。通過對家電定制企業數據的實驗分析，有效地對不同的客戶根據價值進行分類得到不同的客戶等級，同時針對不同客戶等級進行不同的策略分析，為定制企業對不同的客戶群體管理，實現各類客戶的個性化需求提供了科學的依據。但在實際應用中也存在一些不足，本模型沒有涉及售后評價層面的分析，同時采用歷史數據進行建模，為了提高模型穩定性，更加全面地了解新老客戶行為特征，家電定制企業應該根據自身特點，建立合理的定期訓練模型時間。