龍冰婷
(廣州華商學(xué)院數(shù)據(jù)科學(xué)學(xué)院,廣東 廣州 511300)
電子商務(wù)的發(fā)展給傳統(tǒng)零售行業(yè)帶來了巨大的沖擊,一方面,網(wǎng)購的便捷性改變了人們的消費(fèi)習(xí)慣,更多的人傾向于網(wǎng)上下單送貨上門的便利;另一方面,電商平臺(tái)“大數(shù)據(jù)營(yíng)銷”策略實(shí)施效果顯著,通過分析客戶用戶畫像進(jìn)行精準(zhǔn)營(yíng)銷,智能推薦商品,進(jìn)一步提高銷售利潤(rùn)。傳統(tǒng)零售行業(yè)對(duì)于客戶的研究更多停留在會(huì)員制層面,采取“一刀切”的營(yíng)銷策略,會(huì)員拉新和會(huì)員流失的問題在電子商務(wù)的沖擊下尤為突出,這個(gè)問題亟待解決。如果零售商能借鑒電商行業(yè)的“大數(shù)據(jù)營(yíng)銷”方式,充分利用客戶的數(shù)據(jù)信息來了解客戶的消費(fèi)特性,針對(duì)性地策劃營(yíng)銷活動(dòng),就能在一定程度上減少老會(huì)員流失并且發(fā)展更多的新會(huì)員,進(jìn)而為企業(yè)獲取更高的利潤(rùn)。因此,筆者以某大型超市為例進(jìn)行相關(guān)分析,利用超市客戶的消費(fèi)數(shù)據(jù)研究其價(jià)值,進(jìn)而對(duì)客戶進(jìn)行價(jià)值層級(jí)劃分,最后針對(duì)不同類型的客戶提出差異化的營(yíng)銷策略,使得超市創(chuàng)利更佳。
對(duì)客戶價(jià)值的研究更多的是基于機(jī)器學(xué)習(xí)的聚類分析,以RFM模型為基礎(chǔ),對(duì)客戶消費(fèi)行為數(shù)據(jù)進(jìn)行分析,最終對(duì)客戶進(jìn)行類別劃分。林盛等[1]通過AHP法得到電信行業(yè)RFM指標(biāo)的權(quán)重,結(jié)合K-means聚類對(duì)客戶進(jìn)行分類,但是AHP賦權(quán)存在很大的主觀性,且對(duì)聚類結(jié)果沒有進(jìn)行合理性分析;徐翔斌等[2]在傳統(tǒng)RFM模型基礎(chǔ)上引入了總利潤(rùn)屬性作為模型指標(biāo)對(duì)客戶進(jìn)行細(xì)分,但是對(duì)于模型指標(biāo)的權(quán)重是主觀給出的;羅彪等[3]采用ANP確定指標(biāo)權(quán)重,使用K-means聚類進(jìn)行客戶分類,并對(duì)每個(gè)類別的客戶給出相應(yīng)的營(yíng)銷策略,但是其研究中假設(shè)客戶的貢獻(xiàn)度、重要度、忠誠度和信用度之間相互獨(dú)立,在實(shí)際應(yīng)用中往往得不到滿足;熊蘭等[4]對(duì)企業(yè)的所有產(chǎn)品分類,創(chuàng)建基于RFM的多層級(jí)客戶價(jià)值模型對(duì)客戶進(jìn)行分類,但是各類產(chǎn)品的相對(duì)權(quán)重和RFM模型指標(biāo)的權(quán)重都存在很大的主觀性;靖立崢等[5]在RFM模型基礎(chǔ)上引進(jìn)了消費(fèi)行為特征,通過CH評(píng)估指標(biāo)確定最佳聚類數(shù)目,但是將所有指標(biāo)的權(quán)重視為一樣;陳方芳等[6]將RFM模型與K-means聚類算法結(jié)合,對(duì)百貨商場(chǎng)客戶進(jìn)行價(jià)值研究,對(duì)比R、F、M指標(biāo)在每個(gè)類別中的質(zhì)心值與整體均值,判定不同類別客戶的價(jià)值,但是沒有對(duì)客戶給百貨商場(chǎng)帶來的實(shí)際利潤(rùn)進(jìn)行分析,沒有驗(yàn)證“價(jià)值客戶”的實(shí)際價(jià)值。
針對(duì)國(guó)內(nèi)外學(xué)者對(duì)客戶價(jià)值研究上存在的4大類問題,本文提出改進(jìn)的RFM模型。(1)RFM模型指標(biāo)權(quán)重采用熵權(quán)法[7]進(jìn)行客觀科學(xué)賦權(quán),相比于AHP減少主觀因素的影響;(2)RFM模型指標(biāo),在原有的F基礎(chǔ)上考慮時(shí)間累積效應(yīng),修改為觀察期內(nèi)年均消費(fèi)次數(shù);(3)最佳聚類數(shù)目,采用手肘法,以誤差平方和驟降的點(diǎn)作為最優(yōu)K值;(4)引入客戶利潤(rùn)分析,對(duì)于K-means聚類得到的不同類型客戶進(jìn)行創(chuàng)利分析,對(duì)比每一類客戶給企業(yè)帶來的價(jià)值,觀察劃分的“價(jià)值層級(jí)”與真實(shí)的“創(chuàng)利等級(jí)”是否保持一致,從而驗(yàn)證模型對(duì)不同客戶進(jìn)行價(jià)值分層結(jié)果的合理性。綜合考慮RFM模型指標(biāo)權(quán)重和不同類別客戶的利潤(rùn),來說明本文提出的模型的實(shí)際應(yīng)用價(jià)值,最終對(duì)不同價(jià)值客戶給出合理的營(yíng)銷策略。
對(duì)于客戶價(jià)值的研究[8-10],RFM模型被廣泛應(yīng)用,作為衡量客戶價(jià)值和客戶創(chuàng)利能力的重要工具和手段,其主要原因在于RFM模型簡(jiǎn)單易懂,與實(shí)際應(yīng)用場(chǎng)景吻合度高[11-14]。
RFM模型最初由Hughes[15]于1994年提出,是衡量客戶價(jià)值和客戶創(chuàng)利能力的重要工具和手段。RFM模型包含3個(gè)指標(biāo):R(Recency)、F(Frequency)和M(Monetary),R表示客戶最后一次消費(fèi)距觀察點(diǎn)的天數(shù),F(xiàn)表示客戶在觀察期內(nèi)消費(fèi)的次數(shù),M表示客戶在觀察期內(nèi)消費(fèi)的總金額。最近消費(fèi)時(shí)間(R)越近、消費(fèi)的次數(shù)(F)越多、消費(fèi)的金額(M)越高,則相應(yīng)的客戶價(jià)值越高。最終通過3個(gè)指標(biāo)的加權(quán)和得到相應(yīng)客戶的價(jià)值得分,RFM作為定量分析模型,在一定程度上削減了主觀因素對(duì)客戶價(jià)值的影響。客戶價(jià)值得分(score)如式(1)所示:
score=wR×R+wF×F+wM×M
(1)
式中:wR、wF、wM分別表示R、F、M這3個(gè)指標(biāo)的權(quán)重。
K-means作為聚類中的經(jīng)典算法,思想簡(jiǎn)單、計(jì)算速度快、計(jì)算成本低,從而被廣泛應(yīng)用于實(shí)際中。K-Means算法基于給定樣本之間的距離大小,來衡量樣本間的相似度,樣本間距離越小,相似度越高,劃分為同一個(gè)簇的可能性越大;反之,則越可能被劃分到不同的簇中,使得簇內(nèi)的點(diǎn)盡量緊密地連在一起,而讓簇間的距離盡量地大,最終將樣本集劃分到K個(gè)簇中。
在信息論中,“信息熵”是對(duì)樣本不確定性的一種度量。不確定性越大,熵值越大,則包含的信息量越多;不確定性越小,熵值越小,則包含的信息量就越少?;陟氐奶匦?,可以通過計(jì)算熵值來判斷一個(gè)事件的隨機(jī)性及無序程度,也可以用熵值來判斷某個(gè)指標(biāo)的離散程度,指標(biāo)的離散程度越大,該指標(biāo)對(duì)綜合評(píng)價(jià)的影響(權(quán)重)越大。比如樣本在某指標(biāo)下取值都相等,則該指標(biāo)對(duì)總體評(píng)價(jià)的影響為0,權(quán)值為0。
熵權(quán)法基于熵的特性,通過計(jì)算不同指標(biāo)的“信息熵”,來判斷該指標(biāo)的重要程度。它是一種客觀賦權(quán)法,結(jié)果僅由數(shù)據(jù)本身的離散性所決定,通過數(shù)據(jù)體現(xiàn)出相應(yīng)指標(biāo)的重要程度進(jìn)而賦予不同的權(quán)重,更具有科學(xué)性。熵權(quán)法計(jì)算步驟如下。
1)歸一化處理。
將RFM模型的3個(gè)指標(biāo)區(qū)分為正向指標(biāo)和負(fù)向指標(biāo),F(xiàn)、M兩個(gè)指標(biāo)的值越大越好,為正向指標(biāo);而指標(biāo)R值越小越好,為負(fù)向指標(biāo)。由于正向和負(fù)向指標(biāo)的差異性,需要對(duì)其分別采用式(2)和(3)進(jìn)行歸一化處理,最終解決各項(xiàng)異質(zhì)指標(biāo)值的同質(zhì)化問題。
正向指標(biāo):
(2)
負(fù)向指標(biāo):
(3)
式中:xij表示第i個(gè)樣本的第j個(gè)指標(biāo);i=1,2,...,n;j=1,2,...,m。
2)計(jì)算指標(biāo)的信息熵。
第i個(gè)樣本在第j項(xiàng)指標(biāo)下的占比:
(4)
第j項(xiàng)指標(biāo)的信息熵:
(5)
3)計(jì)算指標(biāo)的權(quán)重。
第j項(xiàng)指標(biāo)的權(quán)重:
(6)
2.1.1 改進(jìn)的RFM模型指標(biāo)選取
傳統(tǒng)RFM模型中,采用的F(Frequency)是所有時(shí)間內(nèi)客戶下單的次數(shù),存在時(shí)間累積效應(yīng)的誤差。對(duì)于長(zhǎng)時(shí)間均等消費(fèi)和偶爾大量消費(fèi)的客戶沒有區(qū)分度,然而在只考慮該指標(biāo)的情況下,前者客戶黏性更高,價(jià)值更高,更值得關(guān)注。所以為了在一定程度上消除時(shí)間累積效應(yīng)的誤差,對(duì)傳統(tǒng)RFM模型在指標(biāo)選取上進(jìn)行改進(jìn),采用下單總次數(shù)/客戶產(chǎn)生交易的年限,即年均下單次數(shù),作為新的F。改進(jìn)后的RFM指標(biāo)與傳統(tǒng)的RFM指標(biāo)含義比較如表1所示。
表1 傳統(tǒng)RFM模型與改進(jìn)的RFM模型指標(biāo)含義對(duì)比
2.1.2 RFM指標(biāo)計(jì)算
基于某大型超市2015—2018年零售交易數(shù)據(jù),進(jìn)行數(shù)據(jù)清洗后得到有效客戶共793名。首先統(tǒng)計(jì)觀察期內(nèi)每個(gè)客戶的R、F、M值,得到3個(gè)指標(biāo)值對(duì)應(yīng)的描述性統(tǒng)計(jì)量,結(jié)果如表2所示。
表2 RFM指標(biāo)原始值的描述性統(tǒng)計(jì)量
2.1.3 歸一化處理
為了消除RFM模型各指標(biāo)的計(jì)量單位對(duì)聚類分析結(jié)果產(chǎn)生不合理的影響,不直接采用R、F、M指標(biāo)的原始數(shù)據(jù)進(jìn)行聚類,需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。對(duì)于R、F、M這3個(gè)指標(biāo),F(xiàn)、M屬于正向指標(biāo),R屬于負(fù)向指標(biāo),分別采用式(2)和式(3)進(jìn)行歸一化處理,得到的部分?jǐn)?shù)據(jù)如表3所示。
表3 歸一化處理后RFM模型的部分?jǐn)?shù)據(jù)
采用熵權(quán)法對(duì)歸一化后的數(shù)據(jù)計(jì)算R、F、M這3個(gè)指標(biāo)的權(quán)重wR、wF、wM,最終得到的結(jié)果如表4所示。
表4 RFM模型指標(biāo)權(quán)重
結(jié)果顯示,M的權(quán)重最高,R的權(quán)重最低,客戶最近一次消費(fèi)時(shí)間距離觀察點(diǎn)的天數(shù)差異并不顯著,而觀察期內(nèi)的消費(fèi)金額相差較大。
2.3.1 RFM模型指標(biāo)加權(quán)處理
傳統(tǒng)的K-means聚類分析,默認(rèn)R、F、M3個(gè)指標(biāo)的權(quán)重相同,然而在實(shí)際應(yīng)用中3個(gè)指標(biāo)的權(quán)重并非如此。此次研究根據(jù)熵權(quán)法得到的3個(gè)指標(biāo)的權(quán)重結(jié)果,進(jìn)一步賦予3個(gè)指標(biāo)不同的權(quán)重進(jìn)行加權(quán)處理,得到K-means聚類分析所需數(shù)據(jù)分別為RW、FW、MW。
(7)
(8)
(9)
2.3.2 手肘法選擇最優(yōu)K
K-means算法第一步需要確定K的取值,主觀選擇K值會(huì)對(duì)聚類效果產(chǎn)生一定的影響,未必是最優(yōu)的K值,此次研究通過手肘法來確定最優(yōu)的K值。
手肘法是通過計(jì)算每個(gè)樣本點(diǎn)與其所在簇內(nèi)質(zhì)心的誤差平方和SSE,來評(píng)估樣本聚類效果的好壞。隨著K值的增加,每個(gè)簇內(nèi)的樣本點(diǎn)逐漸減少,簇內(nèi)的聚合程度也相應(yīng)提高,SSE隨之遞減。但是在K增大的過程中,SSE的下降幅度逐漸減弱,某一時(shí)刻SSE的下降幅度驟減,然后逐漸趨于平緩。整個(gè)過程中,K值與SSE形成的曲線類似于手肘,最優(yōu)的K值即為手肘位置。由圖1結(jié)果顯示,最優(yōu)K值為5。
圖1 SSE與聚類個(gè)數(shù)K之間的關(guān)系
(10)
式中:Ci是第i個(gè)簇;p是Ci中的樣本點(diǎn);mi是Ci的質(zhì)心。
2.3.3 聚類結(jié)果分析
將793名客戶劃分為5類,每一類的客戶數(shù)及R、F、M這3個(gè)指標(biāo)的質(zhì)心結(jié)果如表5所示,3個(gè)指標(biāo)聚類中心分布情況如圖2所示。
表5 RFM模型聚類結(jié)果
圖2 RFM模型各指標(biāo)聚類中心分布
表5和圖2顯示,聚類結(jié)果的5個(gè)類別中,類別5整體RW、FW、MW值均較高,最近消費(fèi)時(shí)間近、消費(fèi)頻次和消費(fèi)金額都很高,絕對(duì)的優(yōu)質(zhì)客戶,視為“重要價(jià)值客戶”,客戶占比最低,只有5.8%;類別4整體RW、FW值較高,MW值次之,最近消費(fèi)時(shí)間較近、消費(fèi)頻次高,消費(fèi)金額中等,說明這是個(gè)黏性度高的忠誠客戶群體且很有潛力,必須重點(diǎn)發(fā)展,視為“重要發(fā)展客戶”,客戶占比較低,只有10.8%;類別2整體RW值較高,F(xiàn)W、MW值次之,最近消費(fèi)時(shí)間較近,消費(fèi)金額、消費(fèi)頻次中等,視為“重要保持客戶”,這類客戶占比最高,達(dá)到38.0%;類別3整體RW、FW、MW值處于中等水平,最近消費(fèi)時(shí)間較遠(yuǎn)、消費(fèi)頻次、消費(fèi)金額中等,可能是將要流失或者已經(jīng)要流失的用戶,應(yīng)當(dāng)基于挽留措施,視為“重要挽留客戶”,客戶占比為12.9%;類別1整體RW較高,但是FW、MW值較低,最近消費(fèi)時(shí)間較近、消費(fèi)頻次和消費(fèi)金額較低,屬于偶然性消費(fèi)客戶,且消費(fèi)意向不高,視為“一般客戶”,客戶占比較高,達(dá)到32.5%。
根據(jù)RFM模型聚類結(jié)果,進(jìn)一步分析不同層級(jí)的客戶群體創(chuàng)利情況,不同類型客戶創(chuàng)收情況如表6和圖3所示。
表6 不同類型客戶創(chuàng)利情況
圖3 不同類型客戶創(chuàng)利情況分布
“重要價(jià)值客戶”整體人數(shù)占比最低,但是卻創(chuàng)造了第2的銷售額和利潤(rùn)。其盈利客戶占比高達(dá)86.96%,人均消費(fèi)金額和人均利潤(rùn)都是最高的,說明該類客戶是價(jià)值最高的客戶,也是超市創(chuàng)利的中堅(jiān)力量。
對(duì)于“重要發(fā)展客戶”,盈利客戶占比、人均消費(fèi)金額和人均利潤(rùn)同樣較高,但相比于重要價(jià)值客戶,創(chuàng)利明顯降低。整體人數(shù)較少,但是銷售額和利潤(rùn)卻處于中上水平,所以該類客戶可以采取一定的營(yíng)銷手段刺激其消費(fèi),盡可能將其轉(zhuǎn)換為“重要價(jià)值客戶”。
“重要保持客戶”在人數(shù)上具有明顯的優(yōu)勢(shì),整體銷售額和利潤(rùn)占比最高。雖然人均消費(fèi)金額和人均利潤(rùn)不如前2類客戶,但是與重要發(fā)展客戶相比創(chuàng)利相差不是很顯著,該類客戶同樣是超市創(chuàng)利的主力軍。
“重要挽留客戶”銷售額和利潤(rùn)占比是最低的,其主要原因是客戶數(shù)占比較低。虧損的客戶占比高達(dá)25.49%,人均消費(fèi)金額和人均利潤(rùn)雖然略高于“一般客戶”,但顯著低于其他3類客戶。對(duì)于這類客戶要時(shí)常通過積分換購等優(yōu)惠方式提醒其消費(fèi),防止其流失。
“一般客戶”在人數(shù)上有一定的優(yōu)勢(shì),但是這類客戶消費(fèi)的偶然性太高,人均利潤(rùn)也不是很高。在營(yíng)銷時(shí)可以適當(dāng)?shù)匕l(fā)放優(yōu)惠券等,但不要投入過高的成本,不然可能導(dǎo)致投入和產(chǎn)出不成正比。
大數(shù)據(jù)營(yíng)銷相比于傳統(tǒng)營(yíng)銷而言,必然不能對(duì)所有客戶采取相同的營(yíng)銷策略,針對(duì)本文研究得到的結(jié)論,主要提出以下營(yíng)銷策略。
策略1對(duì)于營(yíng)銷成本投入,重要價(jià)值客戶>重要發(fā)展客戶>重要保持客戶>重要挽留客戶>一般客戶,這幾類客戶的人均利潤(rùn)依次遞減,所以對(duì)于每類客戶的營(yíng)銷成本也依次遞減,達(dá)到投入與產(chǎn)出成正比的效果。對(duì)于價(jià)值最大的客戶要盡可能地留住,并對(duì)有發(fā)展?jié)摿Φ目蛻暨M(jìn)行客戶提升活動(dòng),使其向上一價(jià)值層級(jí)轉(zhuǎn)換,對(duì)一般客戶的投入最少。
策略2對(duì)于不同價(jià)值客戶開展不同的營(yíng)銷活動(dòng)。
1)重要價(jià)值客戶,這類客戶最近消費(fèi)時(shí)間近、消費(fèi)頻次和消費(fèi)金額都很高,表明其具備一定的經(jīng)濟(jì)實(shí)力。應(yīng)將該類客戶設(shè)置為特別顧客,為其辦理特殊會(huì)員卡,比普通會(huì)員享有更大的折扣。按時(shí)將高門檻優(yōu)惠券發(fā)送至用戶的會(huì)員手機(jī)號(hào),或者是在 微信公眾號(hào)中選其為特邀顧客,發(fā)送一些價(jià)格較高的商品優(yōu)惠信息,進(jìn)一步刺激其消費(fèi)。
2)重要發(fā)展客戶,屬于黏性度高、忠誠但是消費(fèi)金額中等的客戶。表明其經(jīng)濟(jì)實(shí)力一般,但對(duì)該超市的商品較為滿意,這類顧客主要是提高其購買金額。對(duì)于這類客戶,首先可為其辦理積分會(huì)員卡;其次從歷史商品購買信息中,找出其購買頻率較低或沒有購買的商品,為其提供中等額度的消費(fèi)券,并給予多倍積分,吸引其購買價(jià)格較高的商品,從而提高消費(fèi)。累計(jì)的積分可用于換購商品,進(jìn)一步提高其忠誠度。
3)重要保持客戶,這類客戶近期有消費(fèi),但是消費(fèi)次數(shù)和金額中等,如果是新客則開展新客促銷活動(dòng),否則就開展消費(fèi)次數(shù)和金額累計(jì)優(yōu)惠活動(dòng),刺激其消費(fèi)更多;對(duì)于這類顧客應(yīng)增加其消費(fèi)的頻次,提高其忠誠度。可先通過發(fā)放調(diào)查問卷,找出忠誠度不高的原因,是超市的定位還是商品質(zhì)量等問題??筛鶕?jù)其經(jīng)常購買的商品為其推送優(yōu)惠信息,按時(shí)發(fā)放一些小額的優(yōu)惠券。
4)重要挽留客戶,屬于即將要流失或已經(jīng)流失客戶,開展老客戶召回活動(dòng)。給客戶發(fā)送積分換購、老客戶特享優(yōu)惠等優(yōu)惠方式提醒其消費(fèi),防止其徹底流失。
5)一般客戶,這類顧客可能屬于偶發(fā)性消費(fèi),不需要對(duì)其花費(fèi)過多的精力。可在超市門口將每日的優(yōu)惠信息進(jìn)行展示,可為其辦理一般會(huì)員卡,享受折扣優(yōu)惠。
對(duì)于大型超市而言,采取傳統(tǒng)的營(yíng)銷方案進(jìn)行利潤(rùn)的提升,效果已然不是很顯著。在大數(shù)據(jù)時(shí)代,基于超市的客戶消費(fèi)數(shù)據(jù)進(jìn)行相關(guān)分析,對(duì)客戶進(jìn)行價(jià)值分層,針對(duì)不同價(jià)值客戶開展不同的營(yíng)銷活動(dòng),將達(dá)到事半功倍的效果。對(duì)營(yíng)銷效果進(jìn)行數(shù)據(jù)跟蹤,還能進(jìn)一步調(diào)整相應(yīng)的營(yíng)銷策略。
本文在傳統(tǒng)RFM模型的基礎(chǔ)上,改進(jìn)其指標(biāo)的選取,得到改進(jìn)的RFM模型?;赗FM模型理論,通過熵權(quán)法對(duì)RFM模型指標(biāo)進(jìn)行科學(xué)客觀賦權(quán),最后進(jìn)行K-means聚類分析,將超市客戶劃分為不同價(jià)值層級(jí)的5類:重要價(jià)值客戶、重要發(fā)展客戶、重要保持客戶、重要挽留客戶和一般客戶。然后分別對(duì)其進(jìn)行創(chuàng)利分析,進(jìn)一步驗(yàn)證聚類分析結(jié)果,價(jià)值層級(jí)越高的客戶,其創(chuàng)利情況越佳。最后基于本文分析結(jié)果給出營(yíng)銷策略。本文倡導(dǎo)基于“大數(shù)據(jù)”科學(xué)分析的結(jié)果,對(duì)超市客戶進(jìn)行“差異化”營(yíng)銷,達(dá)到投入和產(chǎn)出成正比的效果,使得超市創(chuàng)利步步提升。
西昌學(xué)院學(xué)報(bào)(自然科學(xué)版)2022年1期