摘 要：隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展，電子商務(wù)行業(yè)發(fā)展迅速，2018年全年實(shí)物商品網(wǎng)上零售額70198億元，比上年增長(zhǎng)25.4%。[1]網(wǎng)上購(gòu)買(mǎi)已經(jīng)成為消費(fèi)者購(gòu)買(mǎi)商品的主要渠道，大部分企業(yè)也通過(guò)各種電商平臺(tái)建設(shè)了電子商務(wù)營(yíng)銷渠道，方便消費(fèi)者的購(gòu)買(mǎi)。消費(fèi)者通過(guò)網(wǎng)絡(luò)購(gòu)買(mǎi)商品具備過(guò)程方便快捷、商品信息透明化的優(yōu)勢(shì)。但對(duì)企業(yè)來(lái)說(shuō)，也出現(xiàn)了消費(fèi)者品牌轉(zhuǎn)換成本低導(dǎo)致忠誠(chéng)度低的挑戰(zhàn)。本文將研究如何利用消費(fèi)者的網(wǎng)絡(luò)購(gòu)買(mǎi)數(shù)據(jù)來(lái)幫助企業(yè)分析重購(gòu)客戶特征。

關(guān)鍵詞：SPSS;電子商務(wù);重購(gòu)客戶

電商平臺(tái)上買(mǎi)家數(shù)量多，質(zhì)量不等，如何在大量的客戶中尋找購(gòu)買(mǎi)重復(fù)概率高的老客戶是提高營(yíng)銷收益的重要方法，本文將采用DMTree的方法完成淘寶重購(gòu)客戶的特征分析，尋找符合響應(yīng)率要求的客戶，為提高營(yíng)銷ROI提供決策依據(jù)。

一、分析方法

DMTree是IBM SPSS Direct Marketing的“生成對(duì)產(chǎn)品做出回應(yīng)的聯(lián)系人概要”采用的分析方法，DMTREE算法用來(lái)構(gòu)建一個(gè)樹(shù)形模型，它可以根據(jù)預(yù)測(cè)變量的值，將實(shí)例劃分成不同的組。當(dāng)有多個(gè)預(yù)測(cè)變量時(shí)，首先瀏覽所有變量以確定最佳的分組方法，然后按照預(yù)測(cè)變量的次序遞歸劃分。比如，有兩個(gè)預(yù)測(cè)變量性別、年齡。那么，先按性別分兩組，然后在各組內(nèi)繼續(xù)按年齡劃分。IBM SPSS Statistics 將該算法應(yīng)用到“生成對(duì)產(chǎn)品做出回應(yīng)的聯(lián)系人概要”，根據(jù)客戶對(duì)測(cè)試活動(dòng)的響應(yīng)，對(duì)客戶進(jìn)行劃分。[2]

本文研究如何在大量的電商客戶中尋找重復(fù)購(gòu)買(mǎi)率高的客戶，可使用SPSS的直銷模塊中的“生成對(duì)產(chǎn)品做出回應(yīng)的聯(lián)系人概要”完成。分析步驟如下：

（1）收集整理某企業(yè)或某商品的電商客戶的歷史交易數(shù)據(jù)，數(shù)據(jù)內(nèi)容應(yīng)包括客戶基本特征數(shù)據(jù)、客戶交易記錄數(shù)據(jù)。

（2）進(jìn)行數(shù)據(jù)預(yù)處理，對(duì)重購(gòu)客戶和非重購(gòu)客戶進(jìn)行標(biāo)識(shí)區(qū)別。

（3）根據(jù)企業(yè)的投資收益標(biāo)準(zhǔn)，制定重購(gòu)客戶響應(yīng)率的要求，使用“生成對(duì)產(chǎn)品做出回應(yīng)的聯(lián)系人概要”最后創(chuàng)建滿足響應(yīng)標(biāo)準(zhǔn)的重購(gòu)客戶的特征描述文件。

（4）尋找符合上述分析的重購(gòu)客戶特征的客戶作為重點(diǎn)目標(biāo)客戶開(kāi)展?fàn)I銷工作。

二、分析過(guò)程

（一）數(shù)據(jù)采集

數(shù)據(jù)的采集可以從企業(yè)的電商交易數(shù)據(jù)庫(kù)中采集，采集的數(shù)據(jù)需要包含客戶特征數(shù)據(jù)、客戶交易明細(xì)數(shù)據(jù)。

（1）客戶特征數(shù)據(jù)是指可以描述客戶基本特征的數(shù)據(jù)，包括個(gè)人特征、家庭特征、地區(qū)人口特征等特征數(shù)據(jù)，例如性別、職業(yè)、家庭收入、家庭人口、地區(qū)等。目前電商平臺(tái)上的個(gè)人特征數(shù)據(jù)非常有限，只有用戶地區(qū)、年齡信息、信用等級(jí)等信息。

（2）客戶的交易明細(xì)數(shù)據(jù)，也就是客戶的購(gòu)買(mǎi)流水信息，一般包括客戶ID號(hào)、購(gòu)買(mǎi)時(shí)間、購(gòu)買(mǎi)產(chǎn)品型號(hào)、購(gòu)買(mǎi)金額、購(gòu)買(mǎi)數(shù)量等。

（二）數(shù)據(jù)預(yù)處理

在進(jìn)行數(shù)據(jù)分析之前，需要將原始采集數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，數(shù)據(jù)預(yù)處理包括處理缺失數(shù)據(jù)、重新生成新變量數(shù)據(jù)等。

（1）處理缺失數(shù)據(jù)。電商客戶的特征數(shù)據(jù)中存在大量的缺失數(shù)據(jù)，需要進(jìn)行處理對(duì)于缺失比較嚴(yán)重的數(shù)據(jù)不再進(jìn)入后續(xù)分析，例如年齡數(shù)據(jù)一般來(lái)說(shuō)缺失嚴(yán)重，或者真實(shí)性差。對(duì)于一些完整性好的特征數(shù)據(jù)，例如信用等級(jí)數(shù)據(jù)、省份數(shù)據(jù)，需要進(jìn)行重新編碼整理。

（2）為了完成后面的重購(gòu)客戶分析，需要在原始數(shù)據(jù)的基礎(chǔ)上生成客戶是否重購(gòu)的標(biāo)識(shí)數(shù)據(jù)。本項(xiàng)目中需要通過(guò)客戶的交易明細(xì)數(shù)據(jù)來(lái)生成客戶是否重購(gòu)的標(biāo)識(shí)數(shù)據(jù)，作為后面分析中需要重購(gòu)客戶的正響應(yīng)指標(biāo)。具體方法可以采用RFM分析法分析每一個(gè)客戶的購(gòu)買(mǎi)次數(shù)或者分類匯總每一個(gè)客戶的購(gòu)買(mǎi)次數(shù)，然后使用“重新編碼為不同變量”將購(gòu)買(mǎi)次數(shù)等于1次的設(shè)置為非重購(gòu)客戶，購(gòu)買(mǎi)次數(shù)大于1次的設(shè)置為重購(gòu)客戶。如圖1以客戶ID為分類變量，對(duì)具有相同客戶ID的個(gè)案數(shù)據(jù)進(jìn)行匯總計(jì)數(shù)。分析結(jié)果見(jiàn)圖4，客戶交易次數(shù)表。其中重購(gòu)次數(shù)大于1的個(gè)案就是重購(gòu)客戶。

（三）分析數(shù)據(jù)

在分析中采用IBM SPSS 直銷中的“生成對(duì)產(chǎn)品做出回應(yīng)的聯(lián)系人概要”模塊，對(duì)重購(gòu)客戶進(jìn)行特征分析。這個(gè)功能采用的樹(shù)模型分析方法，其中因變量就是“響應(yīng)字段”，自變量為其他客戶特征變量，通過(guò)建立樹(shù)模型，將自變量中按照貢獻(xiàn)大小依次選出影響程度高的變量，去除影響程度低的變量。[3]如圖3所示，將“是否重購(gòu)”作為響應(yīng)字段，肯定響應(yīng)值設(shè)置為“是”，將其他變量作為概要分析變量。同時(shí)還需要設(shè)置目標(biāo)響應(yīng)率和分組大小，目標(biāo)響應(yīng)率可根據(jù)企業(yè)營(yíng)銷預(yù)算的收益目標(biāo)來(lái)確定，分組大小是每個(gè)組客戶的數(shù)量。

三、結(jié)果展示

經(jīng)過(guò)上述分析后，會(huì)對(duì)用戶按照前面設(shè)置的組大小進(jìn)行分組和生成改組的是否重購(gòu)響應(yīng)率、累計(jì)響應(yīng)率統(tǒng)計(jì)指標(biāo)。如圖4的示例，響應(yīng)率表顯示過(guò)程所識(shí)別的每個(gè)概要組的信息。概要描述僅包括那些向模型提供了顯著貢獻(xiàn)的字段的特征。不包括那些沒(méi)有顯著貢獻(xiàn)的字段。各個(gè)概要按響應(yīng)率的降序顯示。響應(yīng)率是作出正面響應(yīng)（重購(gòu)客戶）的客戶所占的百分比。累積響應(yīng)率是當(dāng)前概要組和所有先前概要組的組合響應(yīng)率。各個(gè)概要按響應(yīng)率的降序顯示，這意味著累積響應(yīng)率是當(dāng)前概要組以及響應(yīng)率更高的所有概要組的組合響應(yīng)率。

指定的目標(biāo)響應(yīng)率為 50.00%。綠色行的累積響應(yīng)率大于或等于50.00%，紅色行的累積響應(yīng)率小于 50.00%。盡管綠色區(qū)域中某些概要組可能有個(gè)別響應(yīng)率小于50.00%，但該點(diǎn)處的累積響應(yīng)率仍大于或等于50.00%。響應(yīng)率表中的“描述“就是這一組客戶特征信息，組大小就是這一組客戶的數(shù)量。企業(yè)可以根據(jù)客戶特征信息，發(fā)現(xiàn)重構(gòu)率高的客戶作為目標(biāo)客戶。

四、小結(jié)

本文研究了如何使用SPSS的DMtree來(lái)完成電商渠道的重購(gòu)客戶的特征分析，可以幫助企業(yè)精準(zhǔn)定位重購(gòu)客戶，有目的的開(kāi)展?fàn)I銷活動(dòng)，有效降低營(yíng)銷投入，提高營(yíng)銷收益。

參考文獻(xiàn)：

[1]國(guó)家統(tǒng)計(jì)局 2018年國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào).來(lái)源：國(guó)家統(tǒng)計(jì)局發(fā)布時(shí)間：2019-02-28.

[2]張新坡，劉石彬.IBM SPSS Statistics 特性介紹與實(shí)例之直銷工具[EB].https：//www.ibm.com/developerworks/cn/data/library/techarticle/dm-1202zhangxp/，2012.

[3]張文彤，董偉.SPSS統(tǒng)計(jì)分析高級(jí)教程[M].北京：高等教育出版社，2018.1：361-369.

作者簡(jiǎn)介：島寧（1978-），助教，中級(jí)經(jīng)濟(jì)師，研究方向：數(shù)據(jù)營(yíng)銷。