王冬菊

安徽師范大學(xué)皖江學(xué)院，安徽 蕪湖 241000

客戶細(xì)分是企業(yè)了解不同客戶需求進(jìn)而進(jìn)行差異化營(yíng)銷的主要依據(jù)[1]。當(dāng)前，絕大多數(shù)電商平臺(tái)及企業(yè)已然關(guān)注到不同的網(wǎng)絡(luò)客戶帶來(lái)的不同收益，且擁有不同的價(jià)值意義，數(shù)量龐大的網(wǎng)絡(luò)客戶群體也為電商企業(yè)帶來(lái)了眾多營(yíng)銷問(wèn)題[2]。但是所有電商平臺(tái)及企業(yè)的資源都是有限的，為了做到低成本，獲取高收益，就要將有限的資源向重點(diǎn)網(wǎng)絡(luò)客戶傾斜，把優(yōu)良的服務(wù)資源供應(yīng)給高品質(zhì)消費(fèi)者。但此類目標(biāo)實(shí)現(xiàn)的前提是需要對(duì)如今的網(wǎng)絡(luò)客戶進(jìn)行細(xì)分，并識(shí)別出核心網(wǎng)絡(luò)客戶。

1 核心網(wǎng)絡(luò)客戶的識(shí)別模型設(shè)計(jì)

1.1 RFM 模型計(jì)算網(wǎng)絡(luò)客戶價(jià)值出現(xiàn)的問(wèn)題

RFM 模型是計(jì)算客戶價(jià)值方法的經(jīng)典方法之一。美國(guó)數(shù)據(jù)信息研究中心的Hughes 這樣表示：近度R（Recency）、頻度F（Frequency）、值度M（Momentary）構(gòu)成了用戶消費(fèi)過(guò)程中客戶細(xì)分的標(biāo)準(zhǔn)[3]。RFM 模型應(yīng)用是簡(jiǎn)便充分的，可是在計(jì)算網(wǎng)絡(luò)客戶價(jià)值時(shí)還有一些問(wèn)題。主要包括三個(gè)方面：

1.1.1 網(wǎng)絡(luò)客戶對(duì)行業(yè)的直接利潤(rùn)

在如今的電商時(shí)代下，運(yùn)用RFM 模型開(kāi)展用戶價(jià)值測(cè)算時(shí)會(huì)發(fā)現(xiàn)有的用戶價(jià)值和其現(xiàn)實(shí)價(jià)值的差距較大。例如有的“睿智”的網(wǎng)絡(luò)客戶一般都會(huì)挑選大促或者特價(jià)消費(fèi)甚至每次銷售活動(dòng)都不曾錯(cuò)失，這就給了電商行業(yè)一個(gè)“忠誠(chéng)用戶”的幻象。然而現(xiàn)實(shí)情況是，通過(guò)測(cè)算這種級(jí)別的網(wǎng)絡(luò)客戶對(duì)行業(yè)的直接利潤(rùn)就不難發(fā)現(xiàn)，此類消費(fèi)者對(duì)行業(yè)的利潤(rùn)價(jià)值實(shí)現(xiàn)是非常小的。

1.1.2 關(guān)于指標(biāo)權(quán)重

傳統(tǒng)RFM 模型中，各個(gè)指標(biāo)的權(quán)重相同，與實(shí)際各因素對(duì)網(wǎng)絡(luò)用戶價(jià)值影響有一定的差距。比如，對(duì)于指標(biāo)R 來(lái)講，依據(jù)一般的RFM 模型細(xì)分原則，被分到R4 范圍的網(wǎng)絡(luò)客戶不一定比處在R2 范圍的用戶價(jià)值小。這與實(shí)際中用戶的消費(fèi)總金額以及消費(fèi)習(xí)慣都有一定的聯(lián)系，特別是網(wǎng)絡(luò)客戶，其各自的差別更為突出。

1.1.3 關(guān)于細(xì)分結(jié)果

把R、M、F 各自分成5 個(gè)級(jí)別，從而獲得125個(gè)用戶群體，這會(huì)導(dǎo)致細(xì)分報(bào)告的用戶群體過(guò)多，不易對(duì)每一用戶群體開(kāi)展精準(zhǔn)分析，并且其對(duì)核心用戶群體的識(shí)別也趨于繁復(fù)。

1.2 RFMG 模型

針對(duì)前文提及的RFM 模型在計(jì)算網(wǎng)絡(luò)客戶價(jià)值存在的三方面不足，筆者提出RFMG 模型。

其次對(duì)各指標(biāo)權(quán)重進(jìn)行設(shè)定，設(shè)R、F、M、G 的權(quán)重分別為，且。具體權(quán)重?cái)?shù)據(jù)會(huì)因各類行業(yè)、各類企業(yè)的詳細(xì)狀況而異，確定方法可運(yùn)用德?tīng)柗品╗4]。

最后，有關(guān)網(wǎng)絡(luò)客戶價(jià)值V 的測(cè)算，可以運(yùn)用各指標(biāo)加權(quán)求和的形式：

1.3 數(shù)據(jù)挖掘技術(shù)

數(shù)據(jù)挖掘（Data Mining）指的是從多數(shù)的、不全面的、有噪聲的、不清晰的、任意的現(xiàn)實(shí)應(yīng)用信息中，獲取潛在的、目前不可知的、但又有用的資訊和內(nèi)容的一個(gè)復(fù)雜流程[5]。從行業(yè)角度來(lái)看，信息挖掘是利用對(duì)大量業(yè)務(wù)信息開(kāi)展提取、轉(zhuǎn)化、識(shí)別和其他模型化處置，獲取輔助行業(yè)決策的重要信息，并提供總結(jié)性的分析，從中發(fā)掘出潛在的價(jià)值，為行業(yè)上層供應(yīng)決策支撐，協(xié)助行業(yè)的決策者及時(shí)調(diào)節(jié)市場(chǎng)計(jì)劃，做出準(zhǔn)確的判斷[6，7]。

2 核心網(wǎng)絡(luò)客戶識(shí)別模型

基于上一節(jié)的設(shè)計(jì)思路，可構(gòu)建如下核心網(wǎng)絡(luò)客戶識(shí)別模型，如圖1 所示。

圖1 核心網(wǎng)絡(luò)客戶識(shí)別模型

核心網(wǎng)絡(luò)客戶識(shí)別模型的組建主要涵蓋了以下幾個(gè)流程，即信息收集及預(yù)處置、確定指標(biāo)權(quán)重、測(cè)算網(wǎng)絡(luò)客戶價(jià)值、辨別核心網(wǎng)絡(luò)客戶、發(fā)掘核心網(wǎng)絡(luò)客戶特質(zhì)。

2.1 數(shù)據(jù)收集及預(yù)處理

2.1.1 數(shù)據(jù)收集

對(duì)當(dāng)今時(shí)代下的電商行業(yè)來(lái)講，網(wǎng)絡(luò)客戶普遍特質(zhì)及與行業(yè)交易的活動(dòng)特質(zhì)有關(guān)的標(biāo)準(zhǔn)信息是極易搜集、測(cè)算的，并且是易量化的。核心網(wǎng)絡(luò)客戶識(shí)別模型中涉及到的數(shù)據(jù)主要包括兩類：

（1）網(wǎng)絡(luò)客戶人群統(tǒng)計(jì)特質(zhì)需要有關(guān)字段資訊，例如：性別、年紀(jì)、崗位、家庭住址、聯(lián)系電話等主要信息。

（2）交易記錄信息，如某網(wǎng)絡(luò)客戶訂單的訂單日期、具體金額、訂單產(chǎn)品類型、訂單商品數(shù)量、訂單商品售價(jià)和成本價(jià)等；依此可測(cè)算近度R、頻度F、值度M，毛利率G。

針對(duì)第一種信息中群體統(tǒng)計(jì)特質(zhì)字段及第二種信息中訂單產(chǎn)品類型等字段的整合，其主要是為此模型的最后兩個(gè)環(huán)節(jié)打好基礎(chǔ)。

2.1.2 數(shù)據(jù)預(yù)處理

在本模型中，為了排除特殊變量對(duì)測(cè)算成果的干擾，筆者運(yùn)用了Min-max 標(biāo)準(zhǔn)化辦法對(duì)各指標(biāo)變量展開(kāi)了標(biāo)準(zhǔn)化測(cè)算，比如：針對(duì)指標(biāo)F：

其中Fmax、Fmin分別指統(tǒng)計(jì)期間內(nèi)最多消費(fèi)次數(shù)和最少消費(fèi)次數(shù)。

2.2 RFMG 指標(biāo)權(quán)重的確定

利用德?tīng)柗品ㄓ?jì)算RFMG 模型中R、F、M、G 各指標(biāo)的權(quán)重系數(shù)，其中打分專家組成員的確定要恰當(dāng)合適，盡量選擇從事電子商務(wù)行業(yè)工作，具有一定實(shí)際經(jīng)驗(yàn)并了解電商消費(fèi)者行為特點(diǎn)的專家。

2.3 網(wǎng)絡(luò)客戶價(jià)值的計(jì)算

將第一步標(biāo)準(zhǔn)化后每個(gè)要素?cái)?shù)值與第二步中決定的要素權(quán)重系數(shù)代入式（1.2），運(yùn)算獲得樣本整體所有電商消費(fèi)者價(jià)值。依據(jù)各個(gè)企業(yè)標(biāo)準(zhǔn)決定核心消費(fèi)者所占比重,并找出網(wǎng)絡(luò)客戶價(jià)值中位于第位的。

2.4 核心網(wǎng)絡(luò)客戶的識(shí)別

在對(duì)所有網(wǎng)絡(luò)客戶比較完成后，整個(gè)網(wǎng)絡(luò)客戶群體被細(xì)分為兩個(gè)部分，即核心網(wǎng)絡(luò)客戶和一般網(wǎng)絡(luò)客戶。

2.5 核心網(wǎng)絡(luò)客戶的特征挖掘

單一地辨別核心網(wǎng)絡(luò)客戶并不是企業(yè)確定高效的營(yíng)銷計(jì)劃的理論根據(jù)，企業(yè)更要熟悉掌握的是核心網(wǎng)絡(luò)客戶的行為特點(diǎn)，而數(shù)據(jù)挖掘技術(shù)中的決策樹(shù)就是辨別同種事務(wù)共同特點(diǎn)的有效方法之一。

3 D 天貓店鋪實(shí)證分析

D 天貓店鋪是某品牌男士?jī)?nèi)褲企業(yè)在天貓平臺(tái)上經(jīng)營(yíng)的專營(yíng)店。該企業(yè)通過(guò)長(zhǎng)時(shí)間的線下運(yùn)營(yíng)與經(jīng)驗(yàn)積攢，已經(jīng)具備比較成熟的線下分銷途徑。

3.1 數(shù)據(jù)收集及預(yù)處理

以某年1 月1 日至當(dāng)年10 月31 日為時(shí)間段，從D 天貓店鋪的客戶信息庫(kù)獲得期間內(nèi)一切消費(fèi)者基本數(shù)據(jù)與歷史交易信息，基本數(shù)據(jù)包含性別、生日、城市、手機(jī)號(hào)、郵箱等，歷史交易信息包含訂單日期、訂單金額、商品貨號(hào)、商品數(shù)量、商品價(jià)格、商品成本、面料種類、款式（分為三角和平角）、顏色等。其中共包含了3 794 名用戶信息，7 051 條歷史交易記錄信息。

第一步，依據(jù)計(jì)算網(wǎng)絡(luò)客戶價(jià)值要求，先對(duì)信息開(kāi)展預(yù)處理，依照下列規(guī)則運(yùn)算R、F、M、G 值。

1.以周為單位，計(jì)算這個(gè)時(shí)間段內(nèi)每名消費(fèi)者最后一次購(gòu)買(mǎi)時(shí)間到當(dāng)年10 月31 日的時(shí)間差，記為R，并運(yùn)算出1/R。

2.統(tǒng)計(jì)該時(shí)間段內(nèi)每個(gè)消費(fèi)者累計(jì)購(gòu)買(mǎi)次數(shù)，記為F。

3.統(tǒng)計(jì)該時(shí)間段內(nèi)每名消費(fèi)者訂單總共金額，記為M。

4.統(tǒng)計(jì)該時(shí)間段內(nèi)每名消費(fèi)者一切訂單商品累計(jì)價(jià)格與成本，算出毛利率=×100%，記為G。

此外，為達(dá)成對(duì)核心網(wǎng)絡(luò)客戶特點(diǎn)的發(fā)掘，在整體考量了消費(fèi)者的每種影響力及信息的可獲得性，并且顧及信息的可量化準(zhǔn)則，除去上述R、F、M、G 指標(biāo)信息，此研究還選擇了下列信息字段：

1.消費(fèi)者的自然屬性：用戶ID、聯(lián)系方式、郵箱地址；2.消費(fèi)者的訂單屬性：訂單號(hào)、商品貨號(hào)、售價(jià)、件數(shù)；3.貨物的屬性：貨物貨號(hào)、樣式、顏色、材質(zhì)、成本。

3.2 指標(biāo)權(quán)重系數(shù)的確定

針對(duì)此案例的德?tīng)柗谱稍?，共邀?qǐng)了20 位業(yè)內(nèi)資深專家參與，各專家都具備豐富的電子商務(wù)實(shí)際經(jīng)驗(yàn)。其中15 位是淘寶網(wǎng)1 金冠以上店鋪或具備1 萬(wàn)以上用戶資源的天貓店鋪管理負(fù)責(zé)人，其他5 位專家分別來(lái)自于京東、卓越亞馬遜網(wǎng)、拼多多等國(guó)內(nèi)知名電子商務(wù)網(wǎng)站。

通過(guò)兩回合專家咨詢?cè)u(píng)價(jià)，第二輪專家意見(jiàn)統(tǒng)一系數(shù)為0.8172，代表各專家意見(jiàn)已經(jīng)幾乎趨于一致，無(wú)需開(kāi)展第三回合的評(píng)定。參與此次評(píng)價(jià)打分的專家對(duì)指標(biāo)元素的掌握程度都在0.8 以上，并對(duì)元素給出結(jié)果的根據(jù)都大于0.4，說(shuō)明專家組權(quán)威程度較高。第二回合專家評(píng)價(jià)數(shù)值被記錄在表1 中。

表1 第二輪專家咨詢打分統(tǒng)計(jì)結(jié)果

3.3 網(wǎng)絡(luò)客戶價(jià)值的計(jì)算

在以上例子中，以Customer_id 為002635 的客戶為例，運(yùn)算獲得其網(wǎng)絡(luò)客戶價(jià)值是0.319901。

3.3.1 核心網(wǎng)絡(luò)客戶的識(shí)別

3.3.2 核心網(wǎng)絡(luò)客戶特征發(fā)掘

接下來(lái)運(yùn)用SPSS 公司Clementin11.1 內(nèi)的C5.0Tree 節(jié)點(diǎn)來(lái)構(gòu)建模型，對(duì)659 位核心網(wǎng)絡(luò)客戶開(kāi)展特點(diǎn)辨識(shí)，模型為圖2 所示。

圖2 核心網(wǎng)絡(luò)客戶特征識(shí)別模型

經(jīng)過(guò)上述模型構(gòu)建后獲得如圖3 表示的規(guī)律。在此只要對(duì)標(biāo)識(shí)屬性是Material 的核心網(wǎng)絡(luò)客戶特征展開(kāi)研究，注重查閱Rules for Material 該規(guī)則的實(shí)際特征。從獲得的規(guī)律集內(nèi)能夠很輕易的得到核心網(wǎng)絡(luò)客戶的行為特點(diǎn)，其中規(guī)律“Rule 14 for Material=1”最具代表性（如圖4）。貼合規(guī)則“Rule 14 for Material=1”共計(jì)403 位核心網(wǎng)絡(luò)客戶，且可信度為0.992。所以能夠依據(jù)其進(jìn)行以下推斷：倘若消費(fèi)者選擇的平角款、最近一次購(gòu)入時(shí)間不長(zhǎng)于10周、訂單共計(jì)金額在134 元以上，且訂單毛利率高于0.56，那么就能夠斷定該消費(fèi)者偏向于平角款。當(dāng)消費(fèi)者下次在店鋪內(nèi)咨詢時(shí)，客服人員就能夠直接向他推薦平角款。

圖3 C5.0 算法生成的規(guī)則集

圖4 Rules for Material=1

4 結(jié)語(yǔ)

本文不僅從理論上對(duì)網(wǎng)絡(luò)客戶的細(xì)分與核心網(wǎng)絡(luò)客戶的特點(diǎn)辨識(shí)展開(kāi)了詳明地闡述，并且結(jié)合D 天貓店鋪開(kāi)展實(shí)證研究。因此，本研究將有利于電子商務(wù)企業(yè)辨別高端以及核心用戶，進(jìn)而有針對(duì)性地進(jìn)行推薦，高效地維持企業(yè)的重要利潤(rùn)來(lái)源渠道，進(jìn)而達(dá)成企業(yè)與消費(fèi)者二者的“共贏”。