杜科　鄧佳雯　陳繼紅

摘要：隨著房地產(chǎn)銷售市場的火爆，房地產(chǎn)銷售企業(yè)如雨后春筍般涌現(xiàn)，房地產(chǎn)企業(yè)之間的競爭也不斷加劇。本文結(jié)合客戶特定的購房行為特點(diǎn)，在傳統(tǒng)的RFM模型的基礎(chǔ)上，通過屬性分析構(gòu)建了含購房總面積在內(nèi)的RFMA模型，并使用K-means聚類算法對客戶群體細(xì)分，最終形成可拋棄客戶、低價值客戶、中段客戶、高價值客戶和會員客戶五類客戶群體，并詳細(xì)剖析不同客戶群的特征和價值。

關(guān)鍵詞：RFM改進(jìn)；房地產(chǎn)銷售；K-means聚類算法；客戶細(xì)分

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2018）19-0243-03

Abstract： With the booming real estate sales market， real estate sales companies are springing up and the competition between real estate companies is also on the rise. In this paper， based on the characteristics of customer-specific purchase behaviors， on the basis of the traditional RFM model， an RFMA model including the total area of purchase is constructed through attributive analysis，and uses K-means clustering algorithm. The segmentation of customer groups eventually formed five groups of customers： disposable customers， low-value customers， backbone customers， high-value customers， and member customers， and the characteristics and values of the customer group were analyzed in detail.

Key words： RFM Improvement； Real Estate Enterprise； K-means clustering algorithm； Customer Segmentation

美國學(xué)者溫德爾·史密斯（Wendell R·Smith）首先提出客戶細(xì)分，客戶細(xì)分就是指企業(yè)根據(jù)市場需求按照客戶屬性將客戶群體分為若干個子客戶群體，并實(shí)現(xiàn)細(xì)分后不痛客戶群體之間的差異最大化，每個客戶群體盡可能得相似[1]。隨著房地產(chǎn)銷售市場競爭日益激烈，各個房地產(chǎn)銷售企業(yè)都匯集了大量的客戶信息和業(yè)務(wù)數(shù)據(jù)，這些數(shù)據(jù)背后隱藏著客戶的行為偏好和消費(fèi)潛力。應(yīng)用數(shù)據(jù)挖掘中的聚類算法可以有效地實(shí)現(xiàn)房地產(chǎn)銷售客戶的細(xì)分，從而發(fā)現(xiàn)不同客戶群的行為偏好和未來的購買偏好。

本文針對房地產(chǎn)銷售客戶數(shù)據(jù)的特征和客戶分析目標(biāo)，提出了基于屬性分析和改進(jìn)RFM模型的客戶細(xì)分模型，并使用南通市商品房備案系統(tǒng)中的真實(shí)數(shù)據(jù)對提出的模型進(jìn)行了客戶細(xì)分。

1 細(xì)分變量提取

細(xì)分變量選擇是建立客戶細(xì)分模型首先需要解決的問題。考慮到房地產(chǎn)銷售客戶數(shù)據(jù)一般包含許多屬性，并且不同的屬性之間存在一定的相關(guān)性，本文將客戶細(xì)分變量的提取分成兩個主要階段：數(shù)據(jù)預(yù)處理階段和屬性分析階段。

1.1 數(shù)據(jù)預(yù)處理

可以通過刪除法來進(jìn)行數(shù)據(jù)清洗，比如在房地產(chǎn)銷售數(shù)據(jù)中可以將存在NULL值、零值、身份證號錯誤的客戶進(jìn)行刪除，避免這些數(shù)值對以后的聚類分析產(chǎn)生影響，也避免這些數(shù)值對最終的客戶細(xì)分結(jié)果產(chǎn)生影響，但是刪除法可能刪除有價值的數(shù)據(jù)，讓一些隱含的原始信息被掩蓋。那么可以通過插補(bǔ)法來進(jìn)行數(shù)據(jù)清洗，刪除法僅僅是把存在缺失的屬性值進(jìn)行刪除，但是不能因?yàn)橐粋€屬性值的缺失而放棄大量的數(shù)值，所以可以通過均值插補(bǔ)、回歸插補(bǔ)和極大似然估計進(jìn)行數(shù)據(jù)清洗。需要注意到的是，數(shù)據(jù)的缺失并不意味著數(shù)據(jù)是錯誤的，比如在房地產(chǎn)銷售數(shù)據(jù)中，有些客戶購買了一套商品房，但是購買了兩套車庫，在數(shù)據(jù)庫中則會產(chǎn)生兩條合同記錄，但是第二條合同記錄上的購房面積與購房金額都為零，這個合同中的主要信息購房金額與面積是缺失的，但是并不表示這部分?jǐn)?shù)值是有錯誤的，而是在產(chǎn)生合同的時候就會產(chǎn)生兩個合同號。對于噪聲的過濾可以通過回歸法、均值平滑法、離群點(diǎn)分析以及小波去噪法對數(shù)據(jù)中存在的隨機(jī)數(shù)據(jù)誤差進(jìn)行過濾。

1.2 屬性分析

通過屬性分析可以把相關(guān)性較小的屬性提取出來。

1） 客戶性別分布

由圖1可以看出男性客戶的購房意向比女性客戶高，也可以看出在南通男性購房人數(shù)要比女性多，但女性的購房數(shù)也并不低。

2） 客戶年齡分布

由圖2可知，南通市購房客戶的年齡集中在30-59歲之間，說明南通市的主要購房者為中年群體。

3） 客戶購房用途分布

由圖3可知，大部分客戶購買的是住宅用房，少部分客戶購買的是商業(yè)與辦公用房，說明南通市的客戶更加偏向于購買住宅用房，對于商業(yè)用房、辦公用房以及其他用房的購買率都比較低。

4） 客戶購房性質(zhì)分布

由圖4可知，將近一半的客戶購買的是商品房，另外一半的客戶購買的是低價位商品房，說明南通市的客戶偏向于購買商品房和低價位商品房，對于解困房以及保障性（限價）房的購房率很低，可能是因?yàn)閿?shù)量較少，也有可能是因?yàn)閷@方面的了解較少。

5） 客戶購房地區(qū)分布

由圖5可知，客戶購房地區(qū)沒有一定的偏好，說明南通市客戶購房可能比較分散，并沒有集中在某一個地區(qū)購房。

2 房地產(chǎn)客戶RFM模型改進(jìn)

傳統(tǒng)的RFM模型中的R值是指上次購買距今的時間，但是這類客戶中會包含著沒有轉(zhuǎn)化過來的客戶與首次轉(zhuǎn)化的客戶；F值是指購買的頻率，也能用來代表客戶的忠誠度或活躍度，但是F值沒有辦法衡量客戶使用該商品的時間長短，使用時間的長短也可以用來衡量一個客戶的忠誠度；M值是指客戶的購買總金額，但也不能完全代表客戶的現(xiàn)在價值，客戶在以前購買的最大金額以及客戶在企業(yè)歷史低迷期所購買的金額也是對客戶價值的體現(xiàn)。而且對于企業(yè)來說，基于傳統(tǒng)的RFM客戶分類營銷效果不如基于客戶畫像的營銷響應(yīng)模式{2}，因此特征的選取才是客戶細(xì)分的最主要要求，而傳統(tǒng)的RFM模型僅僅只包含了三個維度的變量，在不同的領(lǐng)域中這三個維度往往是不夠的，所以在不同領(lǐng)域中使用時，需要根據(jù)各個領(lǐng)域的特征屬性值來對傳統(tǒng)的RFM模型進(jìn)行改進(jìn)。由于房地產(chǎn)企業(yè)的商品房能夠重復(fù)購買并且有一定的間歇，所以房地產(chǎn)企業(yè)可以使用傳統(tǒng)的RFM模型來進(jìn)行客戶細(xì)分，但是在客戶細(xì)分的同時需要結(jié)合自身的屬性特征來進(jìn)行適當(dāng)?shù)母倪M(jìn)。原因如下：本文的數(shù)據(jù)是關(guān)于南通市商品房備案系統(tǒng)的客戶行為數(shù)據(jù)，客戶在購買房地產(chǎn)時產(chǎn)生的購房面積、購房金額和購房時間，購房金額高的客戶不一定是優(yōu)質(zhì)客戶，有可能這部分客戶購房頻率很低，給企業(yè)帶來的價值不大，購房金額低的客戶不一定是劣質(zhì)客戶，很可能這部分客戶購買的是低價位商品房，但是這部分客戶購買的總面積很大，購房頻率也比較高。那么可以看出客戶的購房總面積屬性對于客戶價值是存在一定影響的，因此，本文將客戶的購房面積屬性考慮到傳統(tǒng)的RFM模型當(dāng)中。

3 實(shí)證研究

本文實(shí)證數(shù)據(jù)來源于南通市商品房備案系統(tǒng)中房地產(chǎn)銷售備案數(shù)據(jù)，總共有260742條記錄，選擇每條記錄的4個屬性值，四個變量分別為R（上次購房距今的月數(shù)）、F（時間段內(nèi)購房的次數(shù)）、M（時間段內(nèi)購房的總金額）和A（時間段內(nèi)購房的總面積）。

3.1 細(xì)分結(jié)果

本文使用python實(shí)現(xiàn)K-means聚類算法，設(shè)定聚類數(shù)為5類。最后獲得的客戶聚情況如表1所示。

經(jīng)過K-means聚類算法之后，最終將總體樣本分成5類客戶群，R、F、M、A四個變量在這5類客戶群中也存在不同的差異。本文從R、F、M、A四個變量的均值、中位數(shù)、標(biāo)準(zhǔn)差、變異系數(shù)四個方面來觀察這四個變量在不同群體中的差異性。具體描述如表2所示：

⑴ 變量R（上一次購房距今月數(shù)）：第3類與第5類客戶上次購房距今的月數(shù)平均為52個月，可以看出第3類的客戶與第5類的客戶平均有52個月左右沒有購房，相比于其他客戶群，這部分客戶的R值是偏小的，但是這部分客戶的R值的離散性比較高，說明這部分客戶中大部分客戶都是比較活躍的，但是也存在一些將要流失的客戶。第1類與第2類客戶的上次購房距今的月數(shù)平均比第3類與第5類客戶大，可以看出這兩類客戶平均5年左右沒有再購過商品房，說明第1類與第2類客戶大部分都是將要流失的客戶，同時也存在一些已經(jīng)流失的客戶。第4類客戶的上次購房距今的平均月數(shù)最大，有111個月，可以看出第4類客戶已經(jīng)很長一段時間沒有購買商品房，也沒有購房的意向，說明這部分客戶已經(jīng)是流失客戶。

⑵ 變量F（這段時間內(nèi)的購房次數(shù)）：第2類與第4類客戶在這段時間內(nèi)的平均購房次數(shù)為1次左右，可以看出這兩類客戶的購房次數(shù)很少，說明這兩類客戶在這段時間都對企業(yè)的忠誠度很低，幾乎與企業(yè)沒有什么聯(lián)系。第1類客戶在這段時間內(nèi)的平均購房次數(shù)為5次左右，可以看出這類客戶對于企業(yè)的有一定的忠誠度，但購房意向較一般。第3類客戶這段時間內(nèi)的平均購房次數(shù)最高，可以看出這類客戶這段時間內(nèi)在企業(yè)內(nèi)購房的次數(shù)很多，說明這類客戶對企業(yè)的忠誠度非常高，對企業(yè)有一定的依賴性。

⑶ 變量M（這段時間內(nèi)的購房總金額）：第4類客戶在這段時間內(nèi)的平均購房總金額為60萬左右，可以看出這部分客戶的平均購房總金額是最小的，說明這部分客戶總體對于企業(yè)是沒有什么價值的。第2類客戶在這段時間內(nèi)的平均購房總金額為78萬左右，可以看出這類客戶的購房總金額比較小，說明這類客戶的價值比較小。第1類客戶在這段時間內(nèi)的平均購房總金額為820萬左右，可以看出這類客戶的購房金額較高，說明這類客戶的價值較大。第5類客戶在這段時間內(nèi)的購房總金額較第1類客戶有所上漲，在這段時間內(nèi)的平均購房總金額達(dá)到了1億左右，可以看出這部分客戶在企業(yè)內(nèi)的消費(fèi)是偏高的，說明總體對企業(yè)有很高的價值。第3類客戶在這段時間內(nèi)的購房總金額最高達(dá)到了4億左右（第3類客戶主要購買的是商業(yè)與辦公用房，所以購買總金額會很高），可以看出這部分客戶有一定的經(jīng)濟(jì)能力，對于企業(yè)來說這部分客戶有非常高的價值。

⑷ 變量A（這段時間內(nèi)的購房總面積）：第2類和第4類客戶在這段時間內(nèi)的平均購房面積為130平米左右，可以看出這兩類的平均購房總面積是最小的，說明這兩類客戶購買的商品房面積都偏小。第1類客戶在這段時間內(nèi)的平均購房面積相對于第2類與第4類客戶較高，平均購房總面積為745平米，可以看出這類客戶購房次數(shù)多或是經(jīng)常購買大面積商品房的客戶。第3類與第5類客戶在這段時間內(nèi)的平均購房面積最大，這段時間內(nèi)平均購房面積為10萬平米，說明這兩類客戶經(jīng)常購房商品房或者經(jīng)常購買面積較大的商品房。

4 結(jié)論

根據(jù)以上的分析，可以看出這5類細(xì)分群體在各個屬性變量上都具有特點(diǎn)：第1類客戶上一次購房距今的平均月數(shù)較大，平均購房次數(shù)偏中等，平均購買總金額較大，平均購買總面積較大。第2類客戶上一次購房距今的平均月數(shù)較小，購買次數(shù)較小，購房總金額小，購房總面積適中。第3類客戶上一次購房距今的平均月數(shù)較小，購買次數(shù)很大，購房總金額很大，購房總面積很大。第4類客戶上一次購房距今的平均月數(shù)較大，購房次數(shù)較小，購房總金額小，購房總面積適中偏大。第5類客戶上一次購房距今的平均月數(shù)較大，購房次數(shù)大，購房總金額大，購房總面積大。

參考文獻(xiàn)：

[1] 趙萌，齊佳音. 基于購買行為RFM及評論行為RFMP模型的客戶終身價值研究[J]. 統(tǒng)計與信息論壇，2014（09）：91-98.

[2] 劉浩. 客戶關(guān)系管理中的動態(tài)客戶細(xì)分方法研究[J]. 企業(yè)改革與管理，2015（22）.

[3] 潘曉靖. 大數(shù)據(jù)時代下房地產(chǎn)行業(yè)的客戶生命周期管理[J]. 財經(jīng)界（學(xué)術(shù)版）， 2015（3）：125-125.

[4] 鄭茜茜. 基于數(shù)據(jù)挖掘的客戶細(xì)分研究[D]. 重慶：重慶交通大學(xué)，2013：8-10.

[5] 劉英姿，何偉. 基于不同視角的客戶細(xì)分方法研究綜述[J]. 商場現(xiàn)代化，2007（1）：271.

[6] 夏維力，王青松. 基于客戶價值的客戶細(xì)分及保持策略研究[D]. 陜西：西北工業(yè)大學(xué)，2006.

[7] Haley R. L.Benefit. Segmentation：A Decision-Oriented Research Tool[J]. Journal of Marketing，1968（32）： 30-35.

[8] Hughes AM. Strategic Database Marketing[M]. Chicago：Probus Publishing Conmpany，1994.

[9] 李斐. 基于客戶價值的客戶關(guān)系管理策略[J]. 管理觀察，2015，571（8）：56-57.

[10] 孫長虹. 基于客戶價值的客戶忠誠管理對策[J]. 卷宗，2014（9）：173-173.

[11] 劉朝華，梅強(qiáng)，蔡淑琴. 基于RFM的客戶分類及價值評價模型[J]. 技術(shù)經(jīng)濟(jì)與管理研究，2012（5）： 33-36.

[12] 葉志龍，黃章樹， YEZhi-long，等.基于新三維客戶細(xì)分模型的線上會員客戶價值研究[J]. 統(tǒng)計與信息論壇，2016，31（5）：96-101.

[13] 鄧程，楊壯英，古軍杰，等. 改進(jìn)的K-means算法及其在鐵路客戶細(xì)分中的應(yīng)用[J]. 鐵路計算機(jī)應(yīng)用，2014（6）.