郭磊 郭湖斌 趙荔

摘 要：隨著電子商務(wù)的快速發(fā)展，用戶之間異質(zhì)性逐漸明顯。為了對用戶合理細(xì)分，本文通過逐次遞進(jìn)的思想，借助經(jīng)典RFM模型中的關(guān)鍵指標(biāo)，選擇最后購買時間R作聚類簇類的控制因素。借助改進(jìn)的K-Means算法對電商企業(yè)用戶進(jìn)行聚類研究，從而得到合理的聚類分類結(jié)果及各簇類用戶的特征行為，為電子商務(wù)企業(yè)的精準(zhǔn)營銷奠定了基礎(chǔ)。

關(guān)鍵詞：大數(shù)據(jù);K-means;聚類分析;精準(zhǔn)營銷

一、引言

大數(shù)據(jù)與人工智能的發(fā)展給人們生活帶來諸多的便利，主要得益于企業(yè)對信息技術(shù)和應(yīng)用模型開發(fā)的大力投入。在電子商務(wù)領(lǐng)域，沃爾瑪和亞馬遜兩家行業(yè)領(lǐng)軍企業(yè)在用戶識別，分類和精準(zhǔn)營銷等終端用戶行為研究和實(shí)際應(yīng)用奠定了該領(lǐng)域的研究基礎(chǔ)。國內(nèi)不少學(xué)者和企業(yè)在研究創(chuàng)新和管理實(shí)踐等方面做出了積極探索，并在提高用戶的購買轉(zhuǎn)化率和降低營銷成本等方面為企業(yè)帶來了一定經(jīng)濟(jì)效益。在企業(yè)的客戶關(guān)系管理方面，如何有效地對用戶進(jìn)行合理分類，是企業(yè)精準(zhǔn)營銷的基礎(chǔ)。Cheng（2009）和Khajvand（2011）基于RFM（Recency，F(xiàn)requency， Monetary）三個重要指標(biāo)，應(yīng)用數(shù)據(jù)挖掘技術(shù)通過計算價值貢獻(xiàn)對用戶進(jìn)行分類，Jain對近50年的K-Mean的數(shù)據(jù)聚類分析方法進(jìn)行了全面研究，龔婷和辛愛莉等分別在航空旅客和電子商務(wù)領(lǐng)域的用戶聚類做出了實(shí)踐研究。

綜上可見，在國內(nèi)電子商務(wù)領(lǐng)域中，對用戶的分類研究多從特定的指標(biāo)考慮，建立不同需求的模型進(jìn)行分析。因此本文借助用戶分類模型中的經(jīng)典指標(biāo)及其歷史數(shù)據(jù)，選擇某一關(guān)鍵指標(biāo)作為控制因素，利用K-Means算法對滿足特定要求用戶的歷史數(shù)據(jù)進(jìn)行聚類分類。基于機(jī)器學(xué)習(xí)的原理，使其屬性相似的用戶可以聚類在一簇，從而使得電子商務(wù)企業(yè)可以較為直觀地得到不同簇類的用戶特征，其研究結(jié)果對大數(shù)據(jù)背景下的用戶合理分類和精準(zhǔn)營銷具有較強(qiáng)的參考價值。

二、理論及數(shù)據(jù)基礎(chǔ)

早在上個世紀(jì)初，意大利經(jīng)濟(jì)學(xué)家Pareto在研究國民財富分配時，發(fā)現(xiàn)意大利20%的人口擁有該國80%的財富，從而提出著名的80/20法則。隨后一百多年的時間里，人們發(fā)現(xiàn)80/20法則不僅在經(jīng)濟(jì)學(xué)領(lǐng)域，在管理學(xué)等領(lǐng)域也具有廣泛的應(yīng)用，如公司80%的利潤來自于20%的用戶，即企業(yè)努力與該20%的用戶拓展合作，則對企業(yè)發(fā)展最有益處。

在當(dāng)前大數(shù)據(jù)時代，企業(yè)在推廣、獲取和維系用戶等方面已經(jīng)出現(xiàn)了革命性的創(chuàng)新。用戶及其指標(biāo)之間也存在著巨大的差異，為此，針對不同的企業(yè)需要深入分析用戶及行為所產(chǎn)生的指標(biāo)數(shù)據(jù)。假設(shè)企業(yè)共有n個用戶，則用戶們的多維指標(biāo)數(shù)據(jù)可表示為：

在管理實(shí)踐方面，本文以國內(nèi)某知名電子商務(wù)網(wǎng)站三年內(nèi)近萬名注冊用戶數(shù)據(jù)為研究基礎(chǔ)，從中選擇至少登錄過一次，且有購買記錄的7418位用戶為研究對象，進(jìn)行數(shù)據(jù)分類驗證。前期對用戶進(jìn)行初始統(tǒng)計分析，發(fā)現(xiàn)用戶的購買次數(shù)與購買金額之間的相關(guān)性系數(shù)僅為0.517，屬于中性相關(guān)的，其兩者的分布分別如圖1、圖2所示

深入分析發(fā)現(xiàn)用戶平均購買金額為3198.9元，標(biāo)準(zhǔn)差為56321.6，其變異系數(shù)為17.6;用戶平均購買次數(shù)為16.8次，標(biāo)準(zhǔn)差為126.6，其變異系數(shù)為7.5，可見企業(yè)用戶之間異質(zhì)性非常明顯，為了精準(zhǔn)服務(wù)和管理，則需要對其進(jìn)行合理分類。

三、聚類數(shù)據(jù)分析

隨著聚類簇數(shù)值的增大，用戶的分組也將更精確，同時簇中的聚合度也變得更高，即SSE下降趨勢會逐漸變小，在聚類數(shù)達(dá)真實(shí)值時，SSE下降緩慢，且趨于平穩(wěn)，即再進(jìn)行細(xì)分的話，已無實(shí)際意義。從圖3、圖4中可看出隨著族類數(shù)K繼續(xù)變大，當(dāng)K值大于4時，SSE下降趨勢大幅減少，基本上趨于平穩(wěn)，即應(yīng)用K-Means算法分析時，選擇K=4時是適合當(dāng)前用戶聚類分類精度要求的。

用戶的購買次數(shù)和購買金額是電商企業(yè)另外兩個重要的指標(biāo)，為此本文應(yīng)用K-Means算法進(jìn)行分析，其實(shí)現(xiàn)的基本思想和路徑如下：

在K-Means分析結(jié)果中出現(xiàn)兩個特殊的聚類，即每個聚類之中僅各包括一值，購買金額分別為4820248.45元和1352426.22元。在這兩個聚類用戶數(shù)量極少，但是從購買金額角度來看，該用戶對電商企業(yè)來說又是極為重要的用戶，故需要電商企業(yè)投入較多資源進(jìn)行重點(diǎn)維系。另外兩個聚類之中含有絕大數(shù)的用戶，且購買金額最大僅為912380.89元，故可對用戶購買金額角度不超過百萬的用戶群體重新K-Means聚類分析，其結(jié)果如圖6所示。為了達(dá)到電商企業(yè)對用戶合理分類的要求，再次應(yīng)用上述理論和方法，運(yùn)行程序后得到分析結(jié)果分別如圖7、圖8所示：

逐次應(yīng)用K-Means聚類分析，一方面可以識別出數(shù)據(jù)中的奇異點(diǎn)，但是實(shí)際上又極為重視的用戶，另一方面使得用戶分類程度可控，結(jié)構(gòu)清晰，其各聚類中的用戶分特征如下表所示。

從購買金額視角來看，其變異系數(shù)由整體17.6，降維到變異系數(shù)最大的一類僅1.34，其余各聚類的效果顯著，聚類內(nèi)的變異系數(shù)均不超過0.4，即整體聚類分類效果成效顯著。在聚類0內(nèi)，用戶購買金額與購買次數(shù)之相關(guān)性極低，即此類用戶購買次數(shù)的增加，并不會帶來用戶購買金額的增加，而是受到電商企業(yè)單筆超過百元免費(fèi)配送的政策影響，此類用戶對于價格極為敏感，購買頻次也特別低，則需要增加低價值的產(chǎn)品品種數(shù)量，引導(dǎo)該類用戶購買電商企業(yè)高價值產(chǎn)品的營銷策略，從而提高該類用戶的貢獻(xiàn)度。聚類1用戶極少，但該用戶購買金額與聚類0的全部用戶金額接近，且其購買頻次和單均金額都特高，屬電商的戰(zhàn)略企業(yè)用戶，電商企業(yè)則需要派專業(yè)人員維系與該用戶的關(guān)系 。聚類2的用戶購買金額較大，購買頻次更高，但是單均金額不高，應(yīng)屬電商企業(yè)的代銷用戶，電商企業(yè)則需派技術(shù)人員進(jìn)行技術(shù)指導(dǎo)或幫助。其他聚類的用戶也表現(xiàn)了各自的特征，為電商企業(yè)的服務(wù)分配和精準(zhǔn)營銷提供數(shù)據(jù)依據(jù)。

四、結(jié)論及擴(kuò)展

隨著信息技術(shù)，特別是大數(shù)據(jù)等相關(guān)的技術(shù)快速發(fā)展，企業(yè)已有以較低經(jīng)濟(jì)成本獲取用戶相關(guān)特性及用戶行為等數(shù)據(jù)的技術(shù)能力，同時隨著用戶數(shù)量的增加，用戶之間的差異性也逐漸擴(kuò)大，本文通過選擇經(jīng)典用戶行為影響指標(biāo)，然后逐次運(yùn)用K-means分析方法對已有歷史數(shù)據(jù)進(jìn)行聚類研究，使得用戶分類層次清晰，同類用戶之間屬性和行為相對一致，便于企業(yè)對用戶進(jìn)行合理分類，從而可為用戶提供精準(zhǔn)服務(wù)，從而實(shí)現(xiàn)企業(yè)和用戶的雙贏。

參考文獻(xiàn)：

[1]Kumar， R.， Analysis of wealth Walmart， in Strategic Financial Management Casebook[B]. Academic Press 2017（1）.

[2]Boratto， L.， et al.， Using neural word embeddings to model user behavior and detect user segments[J]. Knowledge-Based Systems， 2016（108）.

[3]李海麗.數(shù)據(jù)分析和挖掘在電商精細(xì)化運(yùn)營中的應(yīng)用[J].中國經(jīng)貿(mào)，2017（15）.

[4]劉春艷，等.客戶細(xì)分下的電商營銷策略研究[J].商業(yè)經(jīng)濟(jì)研究，2016（1）.

[5]Cheng，C.-H. and Y.-S. Chen，Classifying the segmentation of customer value via RFM model and RS theory[J].Expert Systems with Applications，2009（36）.

[6]Khajvand，M.，et al.，Estimating customer lifetime value based on RFM analysis of customer purchase behavior： Case study[J].Procedia Computer Science，2011（3）.

[7]Jain，A.K.，Data clustering：50 years beyond K-means[J].Pattern Recognition Letters，2010（31）.

[8]龔婷，等.基于K-means的航空旅客聚類研究[J].價值工程，2018（37）.

[9]辛愛莉，等.聚類算法在電子商務(wù)客戶細(xì)分中的應(yīng)用[J].商場現(xiàn)代化，2008（5）.

[10]Han，S.H et.al.， Segmentation of telecom customers based on customer value by decision tree model[J]. Expert Systems with Applications， 2012（39）.