魯 燚 張國發(fā) 劉 茂

(遵義醫(yī)科大學(xué) 貴州 遵義 563000)

前言

電商行業(yè)利用本身優(yōu)點(diǎn)，如阿里巴巴旗下的達(dá)摩盤營(yíng)銷系統(tǒng)，能夠根據(jù)客戶消費(fèi)信息迅速進(jìn)行數(shù)據(jù)分析，不僅能留住老會(huì)員，還能吸引用戶消費(fèi)。造成實(shí)體商場(chǎng)壓力很大，商場(chǎng)若想要謀求更多利益，需要根據(jù)會(huì)員消費(fèi)情況進(jìn)行精準(zhǔn)化運(yùn)營(yíng)，刺激消費(fèi)。

一、數(shù)據(jù)預(yù)處理

本文用2018年全國大學(xué)生數(shù)學(xué)建模競(jìng)賽題C題(鏈接：http://www.mcm.edu.cn/)做研究。針對(duì)附件1(會(huì)員信息表)，將表中錯(cuò)誤的入會(huì)時(shí)間信息刪除；找出表中重復(fù)卡號(hào)，有選擇地刪除數(shù)據(jù)，保證卡號(hào)的唯一標(biāo)示性；附件2存在金額(je)、數(shù)量(sl)為負(fù)的情況，作以下規(guī)定：Sl<0，je>0表示商品被退回，消費(fèi)金額為正，視為數(shù)據(jù)異常，進(jìn)行刪除。最后，由于附件3中的會(huì)員消費(fèi)明細(xì)是該商場(chǎng)所有會(huì)場(chǎng)的總的消費(fèi)記錄，而我們只針對(duì)附件1中的商場(chǎng)主會(huì)場(chǎng)會(huì)員進(jìn)行管理。所以根據(jù)卡號(hào)將附件1和附件3進(jìn)行對(duì)比，只保留附件1中的會(huì)員消費(fèi)明細(xì)，從而得到本商場(chǎng)會(huì)員消費(fèi)明細(xì)表。為了將非會(huì)員與會(huì)員進(jìn)行區(qū)分，將附件3中消費(fèi)記錄時(shí)間區(qū)間與附件2統(tǒng)一，再將本商場(chǎng)會(huì)員消費(fèi)明細(xì)表與附件3進(jìn)行對(duì)比，于是可以得到2016年1月9日至2017年9月23日的會(huì)員消費(fèi)流水表。

二、分析消費(fèi)者特征

從消費(fèi)總金額來看會(huì)員∶非會(huì)員=431994698.9∶790624190.7；從消費(fèi)商品總數(shù)來看會(huì)員∶非會(huì)員=344725∶707705。其次統(tǒng)計(jì)各年齡段會(huì)員的消費(fèi)能力：由于數(shù)值間差距過大，所以將各個(gè)數(shù)值轉(zhuǎn)為倍數(shù)關(guān)系，方便進(jìn)行數(shù)據(jù)可視化。以<18歲的數(shù)據(jù)為分子，如，<18歲的消費(fèi)總金額是1031196元，而18-43歲的消費(fèi)總金額為414291445元，后者消費(fèi)總金額數(shù)值大小為前者的401倍，則導(dǎo)入兩者的消費(fèi)總金額數(shù)據(jù)為1，401。

圖1 各年齡段消費(fèi)情況柱狀圖

統(tǒng)計(jì)男女會(huì)員消費(fèi)情況：從消費(fèi)數(shù)量來看女性∶男性=308463∶29638；從消費(fèi)金額來看女性∶男性=381209838.7∶43334214.3?？梢钥闯雠詾楸旧虉?chǎng)消費(fèi)的主力。

三、會(huì)員價(jià)值分析

(一)模型準(zhǔn)備

會(huì)員分類，不但可以讓會(huì)員被商場(chǎng)管理者識(shí)別，還能為商場(chǎng)對(duì)會(huì)員的服務(wù)性營(yíng)銷策略提供支撐。首先對(duì)數(shù)據(jù)進(jìn)行限定：選取2017年1月(31天)時(shí)間段的數(shù)據(jù)進(jìn)行研究，能夠得出會(huì)員短期內(nèi)消費(fèi)情況以及平均價(jià)值。接下來對(duì)改進(jìn)的RFM模型進(jìn)行解釋。

1.RFM模型介紹

由Hughes發(fā)現(xiàn)并建立的RFM模型是衡量客戶價(jià)值重要工具。對(duì)RFM模型，在本文R指時(shí)間段(本文指會(huì)員在2019年1月1日-1月31日的消費(fèi))里，會(huì)員最后一次消費(fèi)的時(shí)間距離統(tǒng)計(jì)時(shí)間(2019年1月31日)的天數(shù)；F指時(shí)間段里會(huì)員消費(fèi)次數(shù)；M是時(shí)間段里會(huì)員消費(fèi)總金額。

2.改進(jìn)的RFM模型

對(duì)于原模型M指標(biāo)僅反映會(huì)員指定段時(shí)間的消費(fèi)總金額，從長(zhǎng)期來看，取統(tǒng)計(jì)時(shí)間里會(huì)員的平均消費(fèi)金額能夠很好地反映該會(huì)員的實(shí)際消費(fèi)水平。因此本文在基于RFM模型的基礎(chǔ)上提出了RFA模型，其中將M這一指標(biāo)替換成了A(Average)會(huì)員在規(guī)定時(shí)間內(nèi)的平均消費(fèi)金額。

(二)建模思路

首先，數(shù)據(jù)標(biāo)準(zhǔn)化[1-2]。第二步，層次分析法[3-4]確定權(quán)重。對(duì)RFA各指標(biāo)權(quán)重問題,本文認(rèn)為會(huì)員價(jià)值受各指標(biāo)的影響并不一致，因此采用層次分析法對(duì)各個(gè)指標(biāo)賦予不同的權(quán)重。第三步，進(jìn)行K-Means聚類。最后，計(jì)算會(huì)員價(jià)值得分。

Score=Ri×WR+Fi×WF+Ai×WA

公式1

其中Ri表示第i個(gè)會(huì)員對(duì)R指標(biāo)的得分，WR表示，R指標(biāo)所占的權(quán)重，Score表示會(huì)員價(jià)值得分。

(三)模型求解

第一步，采用max-min標(biāo)準(zhǔn)化。數(shù)據(jù)導(dǎo)入R-Studio，根據(jù)公式編寫自定義函數(shù)，得到三個(gè)指標(biāo)標(biāo)準(zhǔn)化后的數(shù)據(jù)。在第二步，對(duì)于各指標(biāo)權(quán)重，首先要將相關(guān)因素分解成三層，得到基于RFA的層次結(jié)構(gòu)模型。

圖2 基于RFA的層次結(jié)構(gòu)模型

其次，根據(jù)Saaty等人提出1～9尺度[4]確定權(quán)重。邀請(qǐng)兩位專家給出判斷矩陣，作為權(quán)重的數(shù)量依據(jù)。通過使用層次分析軟件yaahp可以得到各要素最終占的比例為

WA:0.6189、WF：0.2266、WR：0.1545

結(jié)果表明A(Average)權(quán)重最大，對(duì)會(huì)員價(jià)值的影響也最大，F(xiàn)指標(biāo)次之。在第三步，對(duì)1月消費(fèi)數(shù)據(jù)(5763條記錄)進(jìn)行聚類分析，得到between_SS/total_SS=87.0%。經(jīng)過多次試驗(yàn)，發(fā)現(xiàn)該值在分為7類的時(shí)候?yàn)?5.3%；在分為6類的時(shí)候?yàn)?3.4%。由組間距離越大，組間距離盡越小，聚類效果越好，則該值越大，可以知道分為8類的聚類效果非常好。

在第四步，根據(jù)權(quán)重，結(jié)合聚類分析的結(jié)果將每類會(huì)員價(jià)值得分排序。對(duì)于每一類會(huì)員的價(jià)值總分采用公式

Total Score=Rj×WR+Fj×WF+Aj×WA

公式2

其中Ri表示屬于第j類會(huì)員的R指標(biāo)的均值,WR表示該指標(biāo)的權(quán)重。Total Score表示該類會(huì)員價(jià)值總分。將8類的R指標(biāo)均值按照從小到大排序，得到一個(gè)取值區(qū)間，其中規(guī)定數(shù)值在0-0.036時(shí)該類會(huì)員R值得分為1,在0.036-0.07時(shí)R值得分為2；在0.07-0.11時(shí)得分為3；高于0.11時(shí)得分為4。對(duì)F、A指標(biāo)分別按照R指標(biāo)的處理方法，得到取值區(qū)間并進(jìn)行排序，規(guī)定數(shù)值段分值。最終得到各類會(huì)員價(jià)值得分排序表。最后將8類會(huì)員的價(jià)值得分進(jìn)行排序，得到會(huì)員的8個(gè)級(jí)別?？偡衷酱?，級(jí)別越高，如總分為3.3811的這類會(huì)員，為最高級(jí)別第8級(jí)。

表1 會(huì)員價(jià)值得分排序表

總分越大則會(huì)員價(jià)值越高。數(shù)據(jù)表明，該商場(chǎng)會(huì)員中等級(jí)為5的會(huì)員人數(shù)最多，等級(jí)為6的人數(shù)最少。也就意味著本商場(chǎng)的中高級(jí)會(huì)員是本商場(chǎng)的主要銷售對(duì)象，且為商場(chǎng)帶來的利益最多，商場(chǎng)可以不僅根據(jù)這部分會(huì)員的消費(fèi)習(xí)慣和消費(fèi)愛好進(jìn)行有針對(duì)性的推銷，還可以根據(jù)三指標(biāo)中得分情況，指定銷售策略，有針對(duì)性地提高某一低指標(biāo)的得分。

(四)模型檢驗(yàn)

為了將改進(jìn)的模型與傳統(tǒng)RFM模型進(jìn)行對(duì)比，將兩模型數(shù)據(jù)進(jìn)行指標(biāo)間的相關(guān)性分析。最后得到傳統(tǒng)模型中F指標(biāo)與M指標(biāo)存在線性相關(guān)，相關(guān)系數(shù)為0.613。而改進(jìn)的模型避免了指標(biāo)間的共線性。

四、總結(jié)

通過對(duì)傳統(tǒng)RFM模型的M指標(biāo)進(jìn)行改進(jìn)，得到RFA模型。改進(jìn)模型對(duì)會(huì)員得分進(jìn)行量化，能夠很好地衡量各類客戶的價(jià)值。且能夠規(guī)避指標(biāo)間的相關(guān)性。存在的不足在于，指標(biāo)過于單一，聚類效果還沒有達(dá)到最好的效果(95%以上)，應(yīng)該參考更多因素進(jìn)行建模，以希望能將聚類效果得到提高。