高旭 王聯(lián)國 代永強

摘 要：以神經(jīng)網(wǎng)絡組合模型和K-means的應用對客戶分類和潛在性價值等問題的解決為目的，以CRM理論為前提，對客戶潛在價值指標中更具有針對性的指標進行選擇，行為習慣和屬性兩個方面的指標都涵蓋在內(nèi)。完成組合模型的建立，對某個數(shù)碼網(wǎng)點客戶信息及數(shù)據(jù)進行研究，對于客觀屬性的分析通過k-means法完成最初的聚類，得到的初類在其內(nèi)部完成自組織競爭神經(jīng)網(wǎng)絡預測及訓練，這樣細分聚類就得以完成，然后對聚類結果的特點進行評價，結合具體情況為數(shù)碼電子商務客戶關系管理提出更高效合理的措施與建議。

關鍵詞：“互聯(lián)網(wǎng)+”;農(nóng)村電商;客戶價值;k-means;神經(jīng)網(wǎng)絡

中圖分類號：TP391. 41 文獻標識碼：A DOI：10.3969/j.issn.1003-6970.2021.02.002

本文著錄格式：高旭，王聯(lián)國，代永強.“互聯(lián)網(wǎng)+”環(huán)境下洛陽市農(nóng)村電商客戶潛在價值研究[J].軟件，2021，42（02）：006-010

Research on the Potential Value of Rural E-commerce Customers in Luoyang under the Internet + Environment

GAO Xu， WANG Lianguo， DAI Yongqiang

（College of Information Science and Technology， Gansu Agricultural University， Lanzhou? Gansu? 730070）

【Abstract】：Aiming to use the combination model of k-means and neural network to solve the problem of potential customer value and customer classification. On the basis of the existing CRM theory， select targeted customer potential value indicators， including objective attribute indicators and behavioral habits indicators. Constructing a combined model to analyze the customer data of a digital online store， using the k-means method to perform preliminary clustering of objective attributes， and conducting self-organizing competitive neural network training and prediction within each primary category to subdivide the clustering results. Finally， the characteristics of the clustering results are evaluated and suggestions are made for digital e-commerce customer relationship management.

【Key words】：Internet+;rural e-commerce;value of customer;k-means;Neural Networks

0 引言

2008年起，“互聯(lián)網(wǎng)+”成為各行各業(yè)的關注焦點和重要發(fā)展趨勢。利用互聯(lián)網(wǎng)帶來的信息化、現(xiàn)代化特征，傳統(tǒng)行業(yè)趁勢謀求打破地域和空間域限制，擴大市場和用戶規(guī)模，進一步發(fā)展[1]。在傳統(tǒng)農(nóng)村商貿(mào)環(huán)境中，農(nóng)村電子商務在“互聯(lián)網(wǎng)+”的背景下孕育發(fā)展，成為改善“三農(nóng)”問題，加快推進城鎮(zhèn)化進程新的解決方案，是農(nóng)村經(jīng)濟發(fā)展的必然趨勢。

農(nóng)村電子商務發(fā)展對促進鄉(xiāng)村振興，幫助農(nóng)村脫貧脫困具有重要意義。與其他電子商務領域一樣，在農(nóng)村電子商務的發(fā)展中，電子商務客戶管理是企業(yè)發(fā)展、獲客和盈利的重要基礎。從商家的角度來分析，為了對價值高的客戶進行辨別、篩選、獲得與維護，保持良好的客戶關系，實現(xiàn)客戶差異性管理，最基礎的工作就是對客戶潛在價值的有效量化。

在電子商務客戶關系管理過程中，數(shù)據(jù)挖掘通常是以機器學習和計算應用來實現(xiàn)的，不同類型的聚類算法以及神經(jīng)網(wǎng)絡組合都被引入數(shù)據(jù)分析模型的提速優(yōu)化[2]。不過，聚類-神經(jīng)網(wǎng)絡組織模型在客戶分類以及潛在價值方面的應用并未進行深入和全面的探究。本課題以洛陽市數(shù)碼產(chǎn)品電子商務產(chǎn)業(yè)為研究對象，對于客戶分類及潛在價值對應的組合模型的建立是通過K-means聚類和自組織競爭人工神經(jīng)網(wǎng)絡來實現(xiàn)的，同時展開客戶分類和價值分析等深入研究，完成客戶分類與價值分析組合模型的建立，使客戶分類與價值探究能夠有效開展。

1洛陽農(nóng)村電子商務發(fā)展現(xiàn)狀

在網(wǎng)絡信息技術迅速發(fā)展和普及的大背景下，電子商務迅速發(fā)展，電商規(guī)模迅速擴大。但由于通訊覆蓋時間早晚差異、電子產(chǎn)品消費能力、管理能力和信息鴻溝等因素，農(nóng)村電商尚處于相對落后的狀態(tài)。為促進領域發(fā)展，國家各部委接連出臺多項政策，鼓勵和扶持農(nóng)村地區(qū)發(fā)展電子商務產(chǎn)業(yè)[3]。洛陽市也積極響應，大力支持電商發(fā)展，撬動當?shù)胤浅擎?zhèn)地區(qū)經(jīng)濟發(fā)展。

1.1農(nóng)村電商發(fā)展迅速

自2014年起，洛陽市農(nóng)村電商發(fā)展取得卓越成效，洛陽市新安縣、汝陽縣、洛寧縣、嵩縣等四縣在2014-2017年間先后被評為國家級電子商務進農(nóng)村綜合示范縣。洛陽市電子商務交易總額在2016年高達1710億元，增長幅度很大，具體如圖1所示。洛陽市嵩縣、洛寧縣、汝陽縣和新安縣在2014-2017年間也成為國家級電商走進農(nóng)村的示范縣。洛陽市在2017年7月前供銷系統(tǒng)完成6個縣級電商運營中心的建立，其中“聚客隆商超”和“洛陽農(nóng)超”2個電子商務平臺會員數(shù)量就已經(jīng)有14.1萬人，銷售總額共計2.6億元，商品種類超過八千種。欒川縣也完成電商服務平臺，同時建立配套的倉儲物流中心，鄉(xiāng)鎮(zhèn)級和村級電商信息服務中心分別為15個和150個，主要負責宣傳和推廣農(nóng)村手工藝品、加工品和農(nóng)副產(chǎn)品等。

1.2農(nóng)村電商致富效應增強

傳統(tǒng)農(nóng)村產(chǎn)業(yè)面臨“酒香也怕巷子深”的困局，市場和受眾規(guī)模有限，傳播、運輸不便，小作坊式生產(chǎn)難以形成品牌化、規(guī)?；?。電子商務渠道一方面為村民帶來更多創(chuàng)業(yè)機會和就業(yè)崗位，另一方面，也結合區(qū)位優(yōu)勢和當?shù)剞r(nóng)業(yè)發(fā)展形成的特色，給村民帶來了新的致富機會。比如伊濱區(qū)龐村鎮(zhèn)在鋼制家具制作方面獨具特色，與知名電商合作以實現(xiàn)伊濱區(qū)電商銷售中心的建立，為當?shù)剞r(nóng)民提供更多就業(yè)機會。宜陽地區(qū)農(nóng)產(chǎn)品別具一格，與阿里巴巴合作建立農(nóng)村淘寶中心，借助這一電商平臺進行線上銷售農(nóng)產(chǎn)品;嵩縣地處山區(qū)，旅游資源豐富，因此與旅游業(yè)網(wǎng)站進行合作實現(xiàn)更好的宣傳，使當?shù)亟?jīng)濟發(fā)展速度不斷加快，農(nóng)民生活水平也隨之提升。

2電子商務客戶價值

2.1客戶價值理論

關于企業(yè)戰(zhàn)略決策理論有很多，其中被大部分企業(yè)都高度認可的理論之一就是客戶價值理論，該理論具有指導性意義，是客戶關系管理理論的關鍵構成。2016年詹姆斯指出，客戶價值分成期望價值和實際價值兩類，前者是站在客戶角度分析，后者是以企業(yè)盈利角度分析。企業(yè)辨別這兩個價值能夠?qū)蛻粼诜蘸彤a(chǎn)品方面的潛在性需求進行更好的挖掘，以便于為客戶提供更有針對性的服務和產(chǎn)品。這兩種價值實際上反映了客戶期望和實際消費之間的差距，對比這兩種價值，可以對客戶滿意度情況進行映射：當期望價值大于所獲實際價值，客戶需求沒有被完全滿足，客戶滿意度較低;反之，實際價值與期望價值之間平衡，甚至大于期望價值，客戶滿意度較高，復購和轉(zhuǎn)介紹的幾率增大。

2.2客戶潛在價值評價指標選取

以客戶生命周期理論、利潤和RFM分析模型探究為前提，本課題以數(shù)碼產(chǎn)品電商特征為核心，對有關數(shù)據(jù)從行為習慣和客觀屬性兩個方面的指標展開分析。

其中，客觀屬性指標包括年齡、性別、收入等客戶實際信息數(shù)據(jù)。

行為習慣指標主要由一次消費總額、一次消費產(chǎn)品類型、一次消費時間、客戶喜好、客戶評價、最后消費時間和歷史交易次數(shù)等構成。

具體指標和取值說明如表1。

根據(jù)數(shù)碼產(chǎn)品的特性和電商消費者網(wǎng)上購物的實際特點，在一定范圍內(nèi)，客戶可以被進行廣泛分類。其中，客戶評分反映客戶對當次購買產(chǎn)品的滿意度;買家等級數(shù)據(jù)反映客戶對電商消費渠道的熟悉和偏好程度，并間接體現(xiàn)客戶的購買潛力和消費習慣;客戶偏好（愛好）直接反映客戶的消費傾向;一次消費寶貝體現(xiàn)用戶需求的跨度范圍，即其需求是否多樣。此外，歷史購買總次數(shù)能夠反映客戶對品牌或商家的忠誠度;一次消費總金額與客戶的消費能力和消費意愿相關性較強;最后一次消費時間則可以作為對客戶再次購買可能性的判斷依據(jù)之一。在快消、零售等行業(yè)，客戶最后一次消費時間越近，通過針對性營銷手段促使其復購的幾率越高，而由于數(shù)碼產(chǎn)品單價高，較為耐耗，更換頻率較低的特點，在一定時間范圍內(nèi)，最近一次消費時間越近，其對同類產(chǎn)品發(fā)生復購的可能性越低。

3基于客戶潛在價值的客戶分類模型構建

3.1建模方法

3.1.1 k-means聚類

k-means聚類算法是圓形額目標函數(shù)聚類方法中的典型算法，是數(shù)據(jù)點到類別中心的特定距離和實現(xiàn)優(yōu)化的目標函數(shù)，通過極值求解獲取到迭代運算調(diào)整規(guī)則[4]。該算法相似度測度為歐式距離，它是求對應某一初始聚類中心向量V=（v1，v2，…，vk）T最優(yōu)分類，使得評價指標JC值最小。聚類準則函數(shù)一般會選擇誤差平方和準則函數(shù)，即：。其中，Mi是類Ci中數(shù)據(jù)對象的均值，p是Ci中的空間點。

對以上函數(shù)分析可知：該算法實際上是最優(yōu)求解過程，目標函數(shù)具有很多局部極小點，其中僅有一個為全局最小點。目標函數(shù)順著誤差平方和準則函數(shù)降低的方向進行搜索。初始值的差異性確定V（聚類中心向量）因路徑差異性而使目標函數(shù)減少。如圖2所示目標函數(shù)順著VA，VB，VC三個初始值向量路徑逐漸邊小，并得到與之對應的極小值，局部最小值對應A、C點，全局最小值對應B點。該算法屬于爬山算法的一種，基本上都是在局部最小值處算法結束。

k-means算法采用迭代更新的方法：所有迭代過程以k個聚類中心將附近點形成k個簇，對所有簇質(zhì)心再次計算就作為后面一輪迭代參照點，經(jīng)過迭代實現(xiàn)參照點與簇真正的質(zhì)心相距不斷拉近，因此目標函數(shù)不斷減小，聚類效果提升。如圖3為該算法的流程圖。

速度快和方便簡單是該算法最顯著的優(yōu)勢，所以本課題對于客戶年紀、性別和每月收入等客觀屬性分類通過該算法實現(xiàn);不過該算法也有其缺陷所在，即聚類中心對算法造成較為嚴重的影響[5]。

3.1.2自組織競爭人工神經(jīng)網(wǎng)絡

客戶行為習慣屬性具有多邊性和復雜性等特征，對其分類時若采用線性或非線性模型顯然不夠精準，所以本課題對其分類確定為神經(jīng)網(wǎng)絡方法，這種分類方式的優(yōu)勢在于反映快捷、結構簡單，對于大量數(shù)據(jù)的分類也能保證精準性，對客戶分類尤為適用[6]。自組織競爭人工神經(jīng)網(wǎng)絡屬于網(wǎng)絡訓練的一種，且沒有教師示教，這類神經(jīng)網(wǎng)絡可以獨立完成訓練，完成輸入模式自行分類。如果輸入層和競爭層神經(jīng)元分別為N個和M個，則算法流程圖如圖3所示，自組織競爭人工神經(jīng)網(wǎng)絡基本結構如圖4所示。

網(wǎng)絡的連接權值為wij=（i=1，2，…，N，j=1，2，…，M）且滿足約束條件。競爭層神經(jīng)元互相競爭，取勝神經(jīng)元數(shù)量僅有一個并與當下輸入樣本對應，這個神經(jīng)元就是當前樣本分類模式。根據(jù)以下方法可計算得到競爭層神經(jīng)元j的狀態(tài)。

（1）

式中，xi為輸入樣本向量的第i個元素。以競爭機制為前提，神經(jīng)元k在競爭層內(nèi)加權值最高，k取勝且對應輸出是

（2）

競爭后的權值按照下式進行修正，對于所有的輸入層神經(jīng)元i，有

（3）

式中，a為學習參數(shù)，0

3.2基于客戶潛在價值的客戶分類模型構建

通過以上兩種算法，并利用Pycharm完成客戶潛在價值聚類模型的創(chuàng)建，如圖5為模型建立流程圖。

（1）數(shù)據(jù)預處理：使天貓某個數(shù)碼店交易記錄重組并補充，從中挑選一百位客戶對應價值指標，對這些指標數(shù)據(jù)采取歸一化操作，將量綱差異性造成聚類受影響的情況清除。

（2）基于k-means法的初步聚類：針對客戶客觀屬性指標通過k-means函數(shù)完成聚類過程，客戶初步分類共有三種類型。

（3）基于神經(jīng)網(wǎng)絡的精細聚類：針對初步分類的三種類型采取自組織競爭人工神經(jīng)網(wǎng)絡方式進行細分：將三類中數(shù)據(jù)的60%和40%分別進行神經(jīng)網(wǎng)絡訓練和預測，每類都以行為習慣為核心完成對應神經(jīng)網(wǎng)絡聚類模型的建立，再開始預測。

（4）整合聚類結果，得出客戶潛在價值分類最終結果。

4客戶分類求解結果與評價

4.1客戶分類求解結果

以天貓某數(shù)碼產(chǎn)品專營網(wǎng)店為例，對其2014年的部分交易記錄進行預處理之后，向Pycharm導入并完成客戶分類模型創(chuàng)建以完成求解過程，最后客戶分類共有9類，圖6所示為對應每一類客戶的人數(shù)分布氣泡圖。

4.2基于客戶分類的客戶管理評價與建議

經(jīng)過以上分析可知一般爭取型、一次型和隨機型加起來一共占據(jù)比例是56%，都是低價值客戶，很可能會流失，說明網(wǎng)店客戶結構不夠科學合理，對網(wǎng)店經(jīng)營穩(wěn)定性和持續(xù)性不利，客戶關系管理效果也不夠好。網(wǎng)店要對營銷方案進行調(diào)整，同時加強客戶管理。要為重點爭取型、主要爭取型和重點保護型等高價值客戶提供針對性服務，使這些客戶對網(wǎng)店忠誠度提升，可采取積分或會員等制度提升高價值客戶對網(wǎng)店的黏性;借助低價和優(yōu)質(zhì)服務等方式吸引客戶，在對初生型和潛力型客戶的宣傳推廣力度加大;通過低價方式獲取一般爭取型客戶;而一次型和隨機型客戶可以不過度重視，否則管理資源會出現(xiàn)嚴重浪費的現(xiàn)象。

參考文獻

[1] 洪勇.我國農(nóng)村電商發(fā)展的制約因素與促進政策[J].商業(yè)經(jīng)濟研究，2016（4）：169-171.

[2] 夏維力，王青松.基于客戶價值的客戶細分及保持策略研究[J].管理科學，2006（4）：35-38.

[3] 隋寧.洛陽市電子商務發(fā)展環(huán)境不斷優(yōu)化[N].中國信息報， 2019-10-16（003）.

[4] 王千，王成，馮振元，等.K-means聚類算法研究綜述[J].電子設計工程，2012，20（7）：21-24.

[5] 段素花.電信運營中的客戶價值模型的分析與設計[D].成都：成都理工大學，2010.

[6] 劉朝華.基于客戶價值的客戶分類模型研究[D].武漢：華中科技大學，2008.