鮑俊穎，吳瑤瑤

(重慶第二師范學院 數(shù)學與信息工程學院，重慶400065)

伴隨“互聯(lián)網(wǎng)+”網(wǎng)絡時代的沖擊，網(wǎng)絡銷售逐漸取代傳統(tǒng)銷售，網(wǎng)絡銷售行業(yè)競爭日趨嚴重。本文以淘寶某高級禮服商家為例，該店鋪為淘寶皇冠店鋪，近期銷售額持續(xù)下滑，通過促銷、聚劃算等營銷手段能夠在短暫時期內(nèi)增加較多的客流量，但是新流量的后期維護問題困擾著商家。同時，買家的回頭率與回購的訂單價的把控都存在嚴重缺陷[1]。而這些問題的存在主要是對顧客的資源發(fā)掘不充分，通過選取店鋪銷售數(shù)據(jù)中的11 013個樣本進行分析，根據(jù)有效客戶制定營銷計劃，實現(xiàn)精準營銷(如提供價格折扣、產(chǎn)品對比等服務)，使銷售商在有效預算下獲得利益最大化。此外，本文通過有效客戶預測近期購買力，還能為商家減少貨物積壓等，有助于改良現(xiàn)有的銷售模式、提高銷售收益[2]。

1 分類樹模型下的重購客戶選擇

1.1 RFM熱度分析

以RFM模型度量買家價值及買家盈利能力，構(gòu)建3個要素動態(tài)展示客戶的整體輪廓，即最近一次交易的時間(記為R)、近期交易次數(shù)(記為F)和近期交易金額(記為M)。將時間段內(nèi)客戶的交易金額進行分等級評分，3類指標計算得到“有效”評分數(shù)為RFM=100R×10F×M[3]。

本文對店鋪某季度的銷售數(shù)據(jù)11 013個樣本進行RFM分析，構(gòu)建RFM模型所需數(shù)據(jù)(交易時間、金額、次數(shù))。作出離散化之后的RFM塊計數(shù)圖和RFM熱圖，如圖1。RFM塊計數(shù)圖呈現(xiàn)根據(jù)離散化方法設定的塊的分布，每個條的高度代表著對應RFM得分的客戶數(shù)量。該圖主要用來查看每個RFM得分的客戶數(shù)量分布是否均勻，我們期望均勻的分布。若不均分，則需要重新考慮RFM的適用性或者試驗其他分箱方法[4]。圖1中生成的125個組段樣本數(shù)量大致上是相等的。RFM熱圖是交易金額均值在交易時間和交易次數(shù)上繪制的矩陣圖，用于表示不同購買時間*購買頻次分組時該組段的平均購買金額分布，從而能夠快速確定高價值組段所在的區(qū)域；用顏色深淺表示交易金額均值的大小。其中頻率分值為5分的幾個組段其平均購買金額更大，并且其中又以時間順序分值為3～5分的幾個組段更大[5]。

根據(jù)離散化之后的數(shù)據(jù)計算樣本的RFM值，選擇RFM得分大于500的作為“最有價值”客戶作為本次活動的促銷名單，本文共選擇出2 145位客戶作為本次活動的促銷名單，成為“最有價值”客戶[6]。

圖1 RFM塊計數(shù)和RFM熱圖Fig. 1 RFM block count and RFM thermal map

1.2 重購客戶特征分析

RFM模型的結(jié)果顯示，購物頻率和購物金額正相關(guān)，且購買頻率為5的購物金額明顯較大，商家可以針對RFM得分大于500的客戶開展相應的促銷活動，為進—步分析，研究頻率得分和交易數(shù)間的關(guān)系，其結(jié)果見表1。

表1 頻率得分和交易數(shù)對比Tab. 1 Frequency score and transaction number comparison

由表1可知，頻率得分為5的這一組包括全部交易頻數(shù)大于1次的客戶，表1中呈現(xiàn)了交易頻次多于1次的客戶和只有1次交易的客戶之間的差異。因此，將消費者分為1次購物客戶和重購客戶2組，比較這2組消費者之間的差異[7]。

本文研究對象為多變量，且不同變量對于客戶群體具有不同方面的重要意義，根據(jù)數(shù)據(jù)屬性，結(jié)合變量取值特點，需要考慮不同因素下不同客戶群體的構(gòu)成。本文運用分類樹模型分析重購客戶群體特征，分類樹模型首先瀏覽全部變量來確定最優(yōu)分組，再根據(jù)不同變量對客戶依次遞歸劃分。選取變量買家信譽、性別、年齡、地區(qū)、是否重購、次均交易金額，將是否重購變量視為響應字段，其結(jié)果見表2。

表2 樹模型分析結(jié)果Tab. 2 Tree model analysis results

由表2可知，只有次均交易金額和買家信譽2個變量為模型提供顯著貢獻，響應率最高的一組次均交易金額介于49～107.743 33元，買家信譽高于4星級，這731人中有26.54%為重購買家；其次為次均交易金額小于或等于37.955元的人群，其中有25.77%為重購買家；以此類推，第11組的重購率只有7.1%。而11個亞群大致根據(jù)次均交易金額和買家信用劃分的，意味著重購群體并不存在明顯的性別、年齡、地區(qū)等差異。

前5組的響應率較高，但5，6組之間有較大差距，通過分析前5組，總結(jié)重購客戶特征為：信用等級在4星級以上，而次均交易金額小于150.95元，并且如果次均交易金額小于107.743 33元，信用等級將更高，購買比例較大。

2 客戶群體的聚類分析

不同的客戶群體可看做是不同的客戶類別，故可運用聚類分析對客戶進行分類，為確定各類型特征，通過方差分析評估每個類別變量的重要性，根據(jù)變量在不同類別中的作用識別客戶購買特征，定位有效客戶群體。本文運用兩步聚類法，選擇買家性別、買家信譽、是否多次交易、RFM得分、次均交易金額和買家年齡為分析變量進行聚類分析，結(jié)合聚類圖和預測變量重要性圖，如圖2將客戶群成功地分成了4類，每個客戶群的特點為：

圖2 聚類分析每組類別詳細信息和預測變量重要性圖Fig. 2 Cluster analysis of each group of category details and the importance of predictive variables

類別1：人數(shù)占比為23.5%，男性為主，單次交易為主，年齡均值為28.65，次均交易金額均值為167.61，RFM得分均值為328.51，4星級買家居多。

類別2：人數(shù)占比為15.5%，女性為主，多次交易為主，年齡均值為28.08，次均交易金額均值為121.38，RFM得分均值為378.77，1鉆買家居多。

類別3：人數(shù)占比為28.9%，女性為主，單次交易為主，年齡均值為27.81，次均交易金額均值為150.25，RFM得分均值為323.57，5星級買家居多。

類別4：人數(shù)占比為32.1%，女性為主，單次交易為主，年齡均值為27.83，次均交易金額均值為148.46，RFM得分均值為325.81，1鉆買家居多。

上述4個客戶群體中類別2多次交易占比為100%，與研究目標群體重購人群一致，則將類別2作為研究的特定群體。預測變量重要性圖反映預測變量的重要程度，顏色越深，重要性越突出，則買家信用、性別、是否多次交易對該聚類模型更重要一些[8]。即定義重購行為特征為：以女性為主，買家信用大于1鉆，RFM得分大于378.77，次均交易金額大于150.25。

3 Logistic模型下的購買傾向分析

在得到有效客戶群體后，往往有針對性地根據(jù)這部分客戶定制專門的營銷方案，需要監(jiān)測廣告投放或營銷方案的有效性，進而對更多未知客戶的購買行為進行預測，從而更加精準地營銷，同時為產(chǎn)品設計、生產(chǎn)和存儲提供依據(jù)，實現(xiàn)利潤最大化。購買傾向分析根據(jù)已有響應測試結(jié)果的少數(shù)客戶作為訓練數(shù)據(jù)，建立預測模型，運用該模型對其余客戶預測評分，從而預測響應推廣信息繼而購買產(chǎn)品的客戶。

將變量是否重構(gòu)作為響應字段，選取買家信譽、性別、年齡、次均交易金額和RFM得分作為預測傾向。經(jīng)測算整體模型質(zhì)量為0.62,大于一般標準0.5，說明模型整體水平較好。作出檢查分類表，如表3，訓練樣本中實際正響應的正確率為14.86%，測試樣本的正確率為16.2%，即以此模型選擇的客戶中有16.2%發(fā)生購買行為，它大于指定的最小響應率2%，故此模型可以用于確定超過指定的最小響應率的客戶。

表3 檢查分類表Tab. 3 Inspection classification table

根據(jù)已有響應數(shù)據(jù)建立的購買傾向分析模型，對待確定客戶的購買傾向進行量化打分，可以選出有可能發(fā)生購買的客戶群體，實現(xiàn)精準營銷。建立購買傾向分析的二項Logistic模型，二項Logistic模型可以根據(jù)不同自變量，計算每個客戶的響應概率，即預測客戶發(fā)生購買行為的概率，達到預測和判別的目的。設定閾值為0.25，根據(jù)計算結(jié)果，從1萬多個客戶中，共選出2 017個客戶，針對這組客戶制作活動方案，投放廣告可以得到更高的購買響應率，提高購買率。

4 客戶細分定位有效客戶

基于RFM模型對客戶的細分[9]，計算最近一次消費時間、消費頻數(shù)、消費金額得分的均值，將得分小于均值的視為低，記為0，其他視為高，記為1，再依據(jù)下述標準將客戶分為8類[10]，將每個客戶定位到不同的類型，匯總?cè)绫?。

表4 客戶類型匯總表Tab. 4 The summary of customer types

重要價值客戶(111)：最近一次交易時間間隔短、消費頻數(shù)及金額均很高。這類客戶具有很高潛在價值，是帶來企業(yè)利潤的最重要群體，此類客戶的維系是企業(yè)利潤的重要保證。

重要保持客戶(011)：最近一次交易時間間隔長，但消費頻數(shù)和金額均很高。說明這是較長時間未消費的忠實顧客，需要主動發(fā)生聯(lián)系。

重要發(fā)展客戶(101)：最近一次交易時間間隔短、消費金額高，但頻數(shù)不高。雖然忠實度不高，卻擁有很大潛力，如果企業(yè)適應他們的需求，通過針對性的營銷策略迎合他們，即可提高購買次數(shù)，獲得更可觀的利潤，故需著重發(fā)展。

重要挽留客戶(001)：最近一次交易時間間隔短、消費頻數(shù)不高，但消費金額高?？赡転榧磳⒘魇Щ蛞呀?jīng)失去的用戶，對這類客戶企業(yè)應盡量挽回，是企業(yè)利潤的潛在來源之一。

一般價值客戶(110)：最近一次交易時間間隔短，消費頻數(shù)高，但消費數(shù)額較小。這類客戶是活躍客戶，但存在經(jīng)濟實力不夠或者經(jīng)濟實力較強而產(chǎn)品不符合購買意愿的問題。若對于此類客戶的銷售投入較大，可能不能達到銷售目標，但適當保持關(guān)系仍可使企業(yè)獲取一定收益。因此，持有一般重要態(tài)度。

一般發(fā)展客戶(100)：最近一次交易時間間隔短，但購買頻數(shù)和購買金額都較小，不能馬上為企業(yè)贏得可觀收益。

一般保持客戶(010)：購買頻數(shù)較高，但長期不和該企業(yè)交易，并且消費金額很低，企業(yè)從這類客戶得到更多收益已經(jīng)較為困難。

無價值客戶(000)：無論是購買頻數(shù)、購買金額，還是購買時間間隔，這類客戶均不能為企業(yè)帶來價值，因此不再需要維系和他們的關(guān)系。

由表4知，重要價值客戶有704人。根據(jù)RFM模型，重要價值客戶為分值最高的一類，故將這704名重要價值客戶定位為有效客戶。

5 結(jié)論

本文運用分類樹模型，在RFM模型基礎上進行優(yōu)化，考慮潛在客戶價值與創(chuàng)收能力；結(jié)合聚類分析，基于所有客戶數(shù)據(jù)的分類，找到影響銷售的關(guān)鍵因素，定位客戶群體；運用二元Logistic回歸模型，有效預測客戶購買行為；針對分析結(jié)果，提出了客戶當前價值和潛在價值在客戶細分中的應用。通過數(shù)據(jù)挖掘技術(shù)，采用真實數(shù)據(jù)進行量化分析，可以清楚直觀地定位更有價值的顧客，從而根據(jù)顧客群體制定銷售方案，推廣銷售信息，預測銷售數(shù)據(jù)，實現(xiàn)精準營銷。同時，通過有效客戶定位的結(jié)果，同樣可以分析潛在客戶的特征，如將預測購買力接近0.25的作為潛在客戶，同時也可將客戶分類中的重要保持客戶、重要發(fā)展客戶作為潛在客戶進行促銷。