基于改進rfm模型的百度外賣客戶價值分析

基于改進rfm模型的百度外賣客戶價值分析

“360餐飲”是指360通訊社為客戶提供餐飲服務(wù)的專業(yè)餐飲服務(wù)平臺。目前,進行客戶價值分析的相關(guān)文獻有,文獻RFM模型在反映客戶價值及客戶購買偏好方面具有良好的表征性,適合單次消費金額相對較低、消費頻次相對較高的直銷行業(yè)中,如電信、外賣和物流等行業(yè)為實現(xiàn)百度外賣客戶價值分析,本文擬提出改進RFM模型,將采用離差標(biāo)準(zhǔn)化方法1分析用戶群體細分RFM模型最近消費時間R,指客戶在分析時間點和最近一次消費時間點之間的間隔時間。理論上,最近消費時間越短,客戶對企業(yè)提供的商品或服務(wù)也最有可能發(fā)生反應(yīng),因此,最近消費時間越小,表明客戶與企業(yè)再次發(fā)生交易的可能性越大。消費頻率F,指客戶在一定時期內(nèi)發(fā)生消費行為的次數(shù)。消費頻率越高的消費者,忠誠度越高,給企業(yè)帶來的價值越大,因此,消費頻率越大越好。消費金額M,指客戶在一定時期內(nèi)的消費總金額。消費金額是對企業(yè)產(chǎn)能最直接的衡量指標(biāo),消費金額越大,客戶給企業(yè)帶來的價值越大,因此,消費金額越大越好。根據(jù)客戶購買行為,RFM模型可以完成客戶群體的細分,評估客戶的價值,采用RFM模型進行客戶價值分析的步驟如下。步驟1得出最近消費時間、消費頻率、消費金額3個客戶行為指標(biāo)。步驟2采用規(guī)范化方法對RFM模型的指標(biāo)進行規(guī)范化處理。步驟3對RFM模型的指標(biāo)進行權(quán)重分析。步驟4采用K-means聚類算法對RFM模型的指標(biāo)進行聚類分群。步驟5針對每個客戶群進行指標(biāo)特征分析,得出不同客戶群的價值。2改進的rfm模型為了更準(zhǔn)確地對百度外賣客戶進行價值分析,提出改進RFM模型,改進的RFM模型采用平均訂單交易時間間隔、客戶一定時期內(nèi)的交易次數(shù)、平均單次訂單交易金額、客戶貢獻時間4個指標(biāo)對客戶行為進行分析,得出不同客戶群為企業(yè)帶來的價值。2.1改進rfm模型在RFM模型中,最近消費時間R隨機性較大,雖然考慮了消費時間對顧客價值的影響,但新客戶和老客戶在最近消費時間R指標(biāo)的表現(xiàn)可能相同,在參考時間段內(nèi)具有相似的最近消費的記錄,企業(yè)無法根據(jù)該指標(biāo)判斷客戶的新老屬性。RFM模型中指標(biāo)F和指標(biāo)M之間存在共線性問題,忽略了客戶與企業(yè)間的互動因素。為了更準(zhǔn)確地對百度外賣客戶進行價值分析,提出一種改進RFM模型,改進RFM模型指標(biāo)構(gòu)成如下。RFMS為客戶貢獻時間,指客戶歷史第一次交易至參考時間的最后一次交易的時間間隔。R其中TMS指標(biāo)的公式為其中T在改進的RFM模型中,采用平均訂單交易時間間隔R2.2數(shù)據(jù)標(biāo)準(zhǔn)化處理由于改進RFM模型的平均訂單交易時間間隔、客戶一定時期內(nèi)的交易次數(shù)、平均單次訂單交易金額、客戶貢獻時間4個指標(biāo)的取值范圍數(shù)據(jù)差異較大,為了消除數(shù)值對分類結(jié)果帶來的影響,采用離差標(biāo)準(zhǔn)化方法對數(shù)據(jù)進行標(biāo)準(zhǔn)化處理,規(guī)范化處理式為其中x為樣本數(shù)據(jù),x′為規(guī)范化處理后的樣本數(shù)據(jù),x2.3指數(shù)權(quán)重分析指標(biāo)權(quán)重改進RFM模型4個指標(biāo)R計算x其中其中是矩陣C的特征值矩陣,U為矩陣C的特征向量,這樣得到的λ2.4k-me現(xiàn)行聚類算法以改進后RFM模型的平均訂單交易時間間隔、客戶一定時期內(nèi)的交易次數(shù)、平均單次訂單交易金額、客戶貢獻時間4個指標(biāo)為分類變量,采用K-means聚類算法K-means聚類算法,將具有相似特征的對象聚集在一起,將不具有相似特征的對象劃分到不同的類中,通過迭代計算從每個點到聚類中心的距離,找到給定數(shù)據(jù)集的K個聚類中心。采用K-means聚類算法對客戶作聚類分群,對每個客戶群進行指標(biāo)分析,分析不同客戶群的客戶價值高低。3結(jié)果分析3.1減少訂單交易時實驗采用百度外賣企業(yè)某市某商家為期3個月的4815條真實訂單交易歷史數(shù)據(jù),數(shù)據(jù)中存在冗余特征且特征維數(shù)較多,如用戶姓名、商戶名稱、訂單狀態(tài)、商圈、支付類型、配送物流等,將原始數(shù)據(jù)進行預(yù)處理,得到對客戶價值分析有用的行為特征,如得到符合改進RFM模型的4個指標(biāo),即平均訂單交易時間間隔、客戶一定時期內(nèi)的交易次數(shù)、平均單次訂單交易金額、客戶貢獻時間。部分訂單交易樣本數(shù)據(jù),如表1所示。表1中,用戶名為1001的客戶,平均訂單交易時間間隔為2.88天,客戶一定時期內(nèi)的交易次數(shù)為8次,平均單次訂單交易金額為38.5元,客戶貢獻時間為50.94天。用戶名為1002的客戶,平均訂單交易時間間隔為0天,客戶一定時期內(nèi)的交易次數(shù)為1次,平均單次訂單交易金額為26元,客戶貢獻時間為50.69天。采用主成分分析法對4815名客戶的各指標(biāo)進行權(quán)重的計算,以R統(tǒng)計分析軟件中的princomp函數(shù)計算后的主成分的方差貢獻率為各指標(biāo)的權(quán)重,如表2所示。表2中,客戶平均訂單交易時間間隔的方差貢獻率為0.413,表征其權(quán)重為0.413,客戶交易次數(shù)的方差貢獻率為0.238,表征其權(quán)重為0.238,客戶平均單次訂單交易金額的方差貢獻率為0.207,表征其權(quán)重為0.207,客戶貢獻時間的方差貢獻率為0.142,表征其權(quán)重為0.142。3.2客戶類別特征客戶價值分析模型主要由兩個部分組成:第一部分,根據(jù)改進RFM模型中的4個指標(biāo)的數(shù)據(jù),將4815名客戶進行聚類分群,得到不同價值的重要保持型客戶、忠誠型客戶、發(fā)展型客戶、一般客戶、低價值客戶5類客戶群體;第二部分,針對每個客戶群進行特征分析,得出客戶的價值,并對客戶群進行排名。以改進后RFM模型的指標(biāo)作為聚類變量,采用K-means聚類算法表3中,S將聚類后的客戶分群結(jié)果進行分析,如圖1所示。圖1中,客戶群1在貢獻時間指標(biāo)上偏大,在平均訂單交易時間間隔、客戶一定時期內(nèi)的交易次數(shù)、平均單次訂單交易金額3個指標(biāo)上最小?？蛻羧?在指標(biāo)平均訂單交易時間間隔和交易次數(shù)兩個指標(biāo)上達到最大,在客戶貢獻時間指標(biāo)上達到最小?？蛻羧?在平均單次訂單交易金額上達到最大,在平均訂單交易時間間隔、客戶一定時期內(nèi)的交易次數(shù)、客戶貢獻時間3個指標(biāo)上表現(xiàn)不明顯?？蛻羧?在平均訂單交易時間間隔、客戶一定時期內(nèi)的交易次數(shù)、平均單次訂單交易金額、客戶貢獻時間4個指標(biāo)上的表現(xiàn)均不太顯著。客戶群5在貢獻時間指標(biāo)上達到最大,在平均訂單交易時間間隔、客戶一定時期內(nèi)的交易次數(shù)、平均單次訂單交易金額3個指標(biāo)上表現(xiàn)不顯著,為劣勢特征。通過對上述客戶群的指標(biāo)分析,將百度外賣的客戶視作為:重要保持型客戶、忠誠型客戶、發(fā)展型客戶、一般客戶、低價值客戶5種客戶類別,每類客戶群的特征如下。(1)重要保持型客戶。這類客戶群(客戶群3)的平均單次訂單交易金額指標(biāo)達到最大,消費頻率較高,貢獻時間也較高,是企業(yè)的高價值客戶,也是最為理想的客戶類型,但該類客戶群所占的比例較小,企業(yè)應(yīng)該投入更多的精力和資源,并對他們進行差異化地服務(wù)和精準(zhǔn)營銷,延長該類客戶的貢獻時間。(2)忠誠型客戶。這類客戶群(客戶群5)的平均單次訂單交易金額相對較高,貢獻時間指標(biāo)為優(yōu)勢特征,客戶的貢獻時間久,對企業(yè)的貢獻度相對較高,企業(yè)應(yīng)重點發(fā)展此類客戶,使這類客戶逐漸轉(zhuǎn)化為企業(yè)的高價值客戶。(3)發(fā)展型客戶。這類客戶群(客戶群2)的平均單次訂單交易時間最長,消費頻率最高,平均單次訂單交易金額適中,但其貢獻時間較短,企業(yè)應(yīng)重點發(fā)展此類客戶群,延長其貢獻時間。(4)一般客戶。這類客戶群(客戶群4)在平均訂單交易時間間隔、客戶一定時期內(nèi)的交易次數(shù)、平均單次訂單交易金額、客戶貢獻時間4個指標(biāo)上的表現(xiàn)均不太顯著,外賣企業(yè)應(yīng)該根據(jù)這類客戶的最近消費時間和消費次數(shù)的變動情況,推測客戶的異動情況,采取一定的營銷手段,延長客戶的生命周期。(5)低價值客戶。這類客戶群(客戶群1)的平均單次訂單交易時間最低,貢獻時間較長,但其消費頻率和平均單次訂單交易金額最低,為企業(yè)的低價值客戶群。3.3基于rfm模型的客戶價值分析分析得到客戶的價值后,從回歸客戶訂單交易的原始數(shù)據(jù)中,對改進后RFM模型進行百度外賣客戶價值分析結(jié)果進行驗證,現(xiàn)以部分客戶經(jīng)過RFM模型和改進RFM模型的客戶價值指標(biāo)及客戶分類結(jié)果為例,說明改進RFM模型的可信性,如表4和表5所示。表4和表5中,用戶名為1001顧客為交易次數(shù)較高的老客戶,用戶名為1002顧客為新客戶,其最近消費時間相近,故最近消費時間指標(biāo)不能很好地描述顧客價值,而平均訂單交易時間間隔克服了最近消費時間指標(biāo)的這一缺陷,對于交易次數(shù)較高的老客戶,平均訂單交易時間間隔更具有代表性。將原始數(shù)據(jù)通過RFM模型和改進后的RFM模型進行百度外賣客戶價值分析,得到客戶群聚類結(jié)果。通過各指標(biāo)分析得出平均訂單交易時間間隔越小、交易次數(shù)越高、平均單次訂單交易金額越大、客戶貢獻時間越久,客戶相對于企業(yè)的價值越高。數(shù)據(jù)表明,RFM模型將用戶名為1001的顧客劃分為價值較低的第4類客戶群即一般客戶群,由于該客戶的消費頻率和消費金額較高,客戶貢獻時間久,該客戶應(yīng)屬于價值較高的客戶群,改進RFM模型將用戶名為1001顧客劃分為價值較高的第3類客戶群即重要保持型客戶。RFM模型將用戶名為1002的顧客劃分為價值較高的第2類客戶群即發(fā)展型客戶,由于該客戶的消費頻率較低,消費金額較少,該客戶應(yīng)屬于價值較低的客戶群,改進RFM模型將用戶名為1002的顧客劃分為價值較低的第4類客戶群即一般客戶。因此,改進RFM模型的客戶細分結(jié)果更為準(zhǔn)確。上述實驗分析結(jié)果表明,改進后RFM模型不僅能消除RFM模型的不足,而且改進后RFM模型的客戶細分結(jié)果與RFM模型的客戶細分結(jié)果相比較更為準(zhǔn)確,基于改進后的RFM模型可更準(zhǔn)確地對百度外賣客戶進行價值分析。4客戶價值分析為了分析百度外賣客戶的價值,提出一種基于改進后RFM模型的客戶價值分析方法。包括平均訂單交易時間間隔、客戶一定時期內(nèi)的交易次數(shù)、平均單次訂單交易金額、客戶貢獻時間4個指標(biāo),運用離差標(biāo)準(zhǔn)化方法對指標(biāo)進行規(guī)范化處