陳倩舒，方曉平 （中南大學(xué)，湖南 長沙 410075）

CHEN Qianshu,FANG Xiaoping (Central South University,Changsha 410075,China)

0 引言

隨著宏觀經(jīng)濟穩(wěn)定增長和消費升級下的電子商務(wù)發(fā)展，物流行業(yè)得以迅猛發(fā)展，同時行業(yè)之間的競爭也日益激烈。許多企業(yè)已從以產(chǎn)品為中心轉(zhuǎn)變?yōu)橐钥蛻魹橹行牡臓I銷策略，客戶關(guān)系管理成為企業(yè)管理的關(guān)鍵部分?？蛻絷P(guān)系管理的核心問題是對不同類型的客戶進行價值分類，采用不同的定制化營銷策略，更好地服務(wù)顧客，以最大限度地實現(xiàn)企業(yè)的效益。由于表征客戶價值的特征信息的多維化，增加了客戶關(guān)系管理的難度。隨著大數(shù)據(jù)時代的來臨，大數(shù)據(jù)的商業(yè)價值已經(jīng)顯現(xiàn)出來，大數(shù)據(jù)與挖掘技術(shù)為企業(yè)處理海量客戶數(shù)據(jù)與企業(yè)的經(jīng)營決策提供了積極的幫助。

1 基于RFM模型分類原理

1.1 RFM模型介紹

RFM（Recency,Frequency,Monetary）模型是由Hughes AM于1994年提出的一種在企業(yè)角度方面考慮的可較全面分析客戶一般購買行為的客戶價值模型[1]，模型包括3種指標(biāo)：近度及額度分別表示最近的上次消費時間離樣本數(shù)據(jù)截止日的時間距離、研究期限內(nèi)（樣本的時間跨度）的消費次數(shù)和消費總金額。消費近度越小，表示客戶在近段時間內(nèi)有消費行為，并且消費近度越小和消費頻率越大，表示客戶忠誠度較高，下一次消費可能性較大；額度是企業(yè)衡量客戶利益價值的直接標(biāo)準(zhǔn)，額度越大說明客戶價值越高。Stahl H K（2003）提出一種多元行為特征分析，RFM模型及修正模型，來判斷客戶價值[2]。Fader P S（2005）通過提出“等值”曲線模型，將具有不同歷史行為，但未來價值相似的客戶聚集在一條等值線上，證明了RFM模型可擬合傳統(tǒng)現(xiàn)金流CLV模型[3]。一方面，現(xiàn)代營銷表明，從企業(yè)角度來看的客戶價值更高的是頻率和額度更大的客戶群，這類客戶在未來的時間段內(nèi)很有可能產(chǎn)生消費行為，具有較高的預(yù)測效果；另一方面，RFM模型計算所需的客戶消費數(shù)據(jù)簡單易得且模型計算方便，在企業(yè)實踐應(yīng)用中較為普遍。因此，企業(yè)可以使用RFM模型測量客戶價值，并使用RFM模型指標(biāo)對客戶進行分類。RFM模型計算客戶價值公式如下所示：

在大多數(shù)的RFM模型應(yīng)用時，識別客戶價值時各指標(biāo)的權(quán)重相同，評估模型的關(guān)鍵在指標(biāo)和權(quán)重兩個方面。在近度、頻率和額度3個因素中，近度和頻率是描述客戶行為的指標(biāo)。有研究表明近度、頻率是忠誠度的良好指針，如Stone B（2008）、Wu J和Lin Z（2005）發(fā)現(xiàn)在信用卡消費領(lǐng)域，近度和頻率對客戶下一次消費有重要影響，因而給予近度最高權(quán)重，頻率、額度最小[4-5]。然而這并不表示額度不重要，畢竟從消費額度可以判斷客戶的交易規(guī)模與意愿。如果針對一個非高頻率、非消費型行業(yè)，或者客戶分層不是特別明顯的行業(yè)，則又另當(dāng)別論了。所以很多學(xué)者認為還是應(yīng)當(dāng)根據(jù)行業(yè)競爭性、客戶類型（機構(gòu)還是消費者）以及客戶的一致性等特點設(shè)定指標(biāo)權(quán)重。所以有學(xué)者認為三者必須結(jié)合、不可偏廢才具有更好的判斷價值，如Hughes AM（2005）就認為在同一問題研究時，各指標(biāo)對企業(yè)判斷客戶價值而言地位同等重要，故各指標(biāo)權(quán)重可設(shè)為相同[1]。林盛、肖旭（2006）建議采用AHP方法與專家咨詢法相結(jié)合確定指標(biāo)權(quán)重以便更好地考慮評估對象的具體情況[6]。學(xué)術(shù)界對各指標(biāo)權(quán)重意見不一，是考慮到具體問題應(yīng)當(dāng)具體分析。因此在實際情況下，在識別物流客戶價值時，應(yīng)考慮指標(biāo)權(quán)重對物流客戶的價值的影響程度，本文應(yīng)用層次分析法確定指標(biāo)權(quán)重。

1.2 基于RFM模型分類

利用RFM模型對客戶進行細分有兩類方法，第一類是加權(quán)求和獲得價值評判值，再分段劃分類別。設(shè)置指標(biāo)權(quán)重，使權(quán)重與RFM模型各指標(biāo)的計算結(jié)果相乘得到各指標(biāo)的加權(quán)指標(biāo)值，讓最終的加權(quán)指標(biāo)值相加以獲得RFM指標(biāo)的總值，最后設(shè)置閾值以獲得客戶分類結(jié)果，并且大于閾值的為高價值客戶，小于閾值的為低價值客戶[4]。第二類是使用Sung（1998）提出的自組織特征映射網(wǎng)絡(luò)（SOM）來對客戶RFM指標(biāo)進行分類，將每個客戶的RFM各指標(biāo)值與RFM各指標(biāo)平均值進行比較[7]，可得到2*2*2=8種分類結(jié)果，其分類表示如表1和圖1所示：

表1 依據(jù)RFM模型指標(biāo)客戶分類結(jié)果

圖1 RFM模型分析

RFM模型是計算客戶價值并進行客戶細分的重要方法，使企業(yè)和客戶能夠相互進行個性化與精準(zhǔn)化的管理服務(wù)，并且RFM模型能夠使企業(yè)快速的計算出客戶的潛在價值及客戶的生命周期價值。

面對不斷增長的客戶群，數(shù)據(jù)挖掘技術(shù)在客戶管理方面的應(yīng)用日趨增加[8]。其中，聚類分析方法是一種屬于非監(jiān)督型（unsupervised）機器學(xué)習(xí)的數(shù)據(jù)挖掘方法，這種分析方法適用于較大數(shù)據(jù)樣本和較多變量分析的任務(wù)[9]。聚類分析是以分類對象的具體特征為依據(jù)進行劃分，在數(shù)據(jù)樣本間的差異性和相似的基礎(chǔ)上進行分組，使同一組之間的數(shù)據(jù)樣本盡可能相似，不同組內(nèi)的數(shù)據(jù)樣本盡可能有差異，劃分的原則是組內(nèi)樣本最細、組外距離最大化，如圖2所示：

聚類分析是進行客戶細分的一個重要手段，因此在使用RFM模型時，有必要進行聚類分析[10]。聚類作為獨立的工具獲得數(shù)據(jù)分布情況，可作為其他算法的預(yù)處理步驟，簡化計算工作，提高分析效率[11]，其中K-means聚類算法常于客戶細分。綜上，本文在基于RFM模型的基礎(chǔ)上利用K-means聚類算法對物流客戶進行細分識別。

圖2 聚類分析建模原理

2 案例分析

2.1 數(shù)據(jù)抽取

由于與客戶在物流企業(yè)消費的行為方式，關(guān)于客戶的消費信息的基礎(chǔ)數(shù)據(jù)較容易獲得?？蛻粝M數(shù)據(jù)源自于企業(yè)A，全部數(shù)據(jù)都將進行脫敏處理，企業(yè)和客戶的信息不會泄露。企業(yè)A客戶歷史消費數(shù)據(jù)是2018年1～4月國內(nèi)31個大區(qū)的營業(yè)數(shù)據(jù)，一共2 674 258條。每條數(shù)據(jù)包含44個屬性，包括客戶編號、購買時間、購買區(qū)域、發(fā)貨區(qū)域、發(fā)貨日期、消費額及運輸重量等。

2.2 數(shù)據(jù)預(yù)處理

因為企業(yè)在登記、保存客戶消費數(shù)據(jù)時可能小部分客戶消費數(shù)據(jù)存儲不完整，導(dǎo)致物流企業(yè)采集的數(shù)據(jù)不一致、重復(fù)及不規(guī)則等質(zhì)量不高問題，最終使處理后的結(jié)果有偏差。所以為了確保后續(xù)計算步驟正確，有必要在使用RFM模型和K-means聚類算法之前預(yù)處理客戶消費數(shù)據(jù)。數(shù)據(jù)預(yù)處理主要包含數(shù)據(jù)清洗、指標(biāo)規(guī)約、數(shù)據(jù)變換這3個方面的過程。

（1） 數(shù)據(jù)清洗

據(jù)統(tǒng)計，企業(yè)的數(shù)據(jù)一般存在1%～30%的誤差，忽略數(shù)據(jù)質(zhì)量問題易導(dǎo)致研究結(jié)果錯誤[12]。由于企業(yè)在輸入客戶消費信息時存在錯誤的地方，因此數(shù)據(jù)中存在無效值和缺失值，需要使用數(shù)據(jù)清洗技術(shù)來適當(dāng)?shù)奶幚怼芭K數(shù)據(jù)”，數(shù)據(jù)清洗是按照一定的規(guī)則對數(shù)據(jù)進行再一次查看和校正的過程，主要是用于刪除重復(fù)數(shù)據(jù)、校正已有的錯誤及保證數(shù)據(jù)的一致性。

在企業(yè)A的2 674 258條客戶歷史消費記錄中，有525 815位客戶只有1次消費記錄，將其定義為偶然客戶，不列入分析。本文主要對有2次及2次以上有效消費記錄的客戶的2 148 443條記錄進行分析，占企業(yè)A原始數(shù)據(jù)的80.34%。

選擇與RFMS模型指標(biāo)相關(guān)的客戶編號、購買時間、消費額3個屬性并刪除與其弱相關(guān)或冗余的屬性。在清洗數(shù)據(jù)發(fā)現(xiàn)此物流企業(yè)在采集客戶消費數(shù)據(jù)時存在小部分的缺失值，由于原始數(shù)據(jù)量大，且只存在291條異常數(shù)據(jù)，對研究影響不大，本文予以剔除處理。具體剔除操作規(guī)則如下：

①剔除客戶編號、購買時間與消費額為空的數(shù)據(jù)；

②剔除“*”和“—”等無效字符的記錄。

（2） 指標(biāo)規(guī)約

利用清洗好的企業(yè)A的客戶歷史消費數(shù)據(jù)，根據(jù)客戶編號、購買時間與消費額3個屬性計算每位客戶的R指標(biāo)、F指標(biāo)及M指標(biāo)原始值：

R：以天為單位，計算2018年1～4月各個客戶最后一次購買日期至2018年5月1日的天數(shù)，為R指標(biāo)值；

F：在2017年1～4月這一時間段內(nèi)客戶消費的總次數(shù)，為F指標(biāo)值；

M：在2017年1～4月這一時間段內(nèi)客戶消費的總金額，為M指標(biāo)值。

經(jīng)過指標(biāo)規(guī)約后的數(shù)據(jù)如表2所示：

（3） 數(shù)據(jù)變換

通過指標(biāo)規(guī)約后，對每個指標(biāo)的數(shù)據(jù)分布情況進行分析，其數(shù)據(jù)的取值范圍如表3所示。從表3中數(shù)據(jù)可以發(fā)現(xiàn)，R指標(biāo)、F指標(biāo)及M指標(biāo)取值范圍數(shù)據(jù)差異較大。

表2 物流企業(yè)的RFM模型指標(biāo)規(guī)約

表3 RFMS模型特征取值范圍

在利用K-means聚類算法分析數(shù)據(jù)之前，一般需要將數(shù)據(jù)進行標(biāo)準(zhǔn)化變換，數(shù)據(jù)變換是指需要將數(shù)據(jù)轉(zhuǎn)換成“適當(dāng)?shù)摹备袷?，以適應(yīng)挖掘任務(wù)及算法的需要。上述標(biāo)準(zhǔn)化處理之后，將原始數(shù)據(jù)均轉(zhuǎn)換為無量綱化指標(biāo)評估值，即各指標(biāo)值都處于相同的數(shù)量級別，進行綜合評估分析。

考慮到RFMS模型各特征的計量單位對聚類分析產(chǎn)生差異化影響，為消除數(shù)量級帶來的影響，因此對RFMS模型中各特征值進行Z分數(shù)（Z—score）標(biāo)準(zhǔn)化變換。在以上討論的界定下，R、F及M標(biāo)準(zhǔn)化變換計算公式如式（2）～式（4）所示：指R、F及M的團體平均數(shù)；σR、σF、σM及指R、F及M的標(biāo)準(zhǔn)差。

對數(shù)據(jù)進行Z-score標(biāo)準(zhǔn)化變換后，得到284 125位客戶的RFM模型各指標(biāo)變換計算大小如表4所示：

其中：T指樣本數(shù)據(jù)截止日；Ti指客戶上一次消費日；Mid指客戶i在區(qū)域d消費額度

2.3 層次分析法確定指標(biāo)權(quán)重

根據(jù)本文對R、F及M這3項指標(biāo)權(quán)重的確定，邀請業(yè)內(nèi)5位資深人士參與打分。首先對R、F及M這3項指標(biāo)的重要程度進行兩兩比較，依據(jù)這5位資深人士的打分情況結(jié)果，得出以下的判斷矩陣A如表5所示：

表4 客戶RFMS模型特征計算結(jié)果

表5 指標(biāo)判斷矩陣

判斷矩陣A通過一致性檢驗后得到RFM模型中各指標(biāo)R、F及M權(quán)重分別為：wR=0.13；wF=0.23；wM=0.64。

2.4 基于RFM模型的K-means聚類

用K-means聚類算法中的有效性檢驗數(shù)發(fā)現(xiàn)，K=3時，聚類效果最佳，相應(yīng)的聚類結(jié)果如表6所示。根據(jù)SOM對客戶RFM指標(biāo)進行分類，第1類屬于一般價值客戶，第2類屬于一般發(fā)展客戶，第3類屬于重要保持客戶。

表6 聚類結(jié)果

3 結(jié)論

隨著物流行業(yè)的市場不斷擴大與發(fā)展，物流企業(yè)的發(fā)展前景也愈加廣闊，機遇與挑戰(zhàn)并存。在物流行業(yè)激烈競爭的背景下，客戶對物流服務(wù)商的服務(wù)質(zhì)量要求也與日俱增，同時物流企業(yè)的發(fā)展離不開精細化的操作運營和管理。因此，根據(jù)客戶對企業(yè)的價值進行細分，挖掘企業(yè)的核心消費者，從而制定符合企業(yè)戰(zhàn)略的營銷與管理方法，最終提升客戶對企業(yè)服務(wù)的滿意度，保證企業(yè)的利潤率最大化，提高在物流行業(yè)的競爭力。