信息化數(shù)據(jù)挖掘以兩階段資料采礦分群方法應用於

商業(yè)自動化期中分組報告第十組以兩階段資料採礦分群方法

應用於

顧客關係管理

和

獲利績效評估

之實證研究壹、緒論由於市場競爭激烈化，對企業(yè)來說，不得不重視顧客忠誠度這個議題。透過CRM資訊技術的運用，提升顧客忠誠度，是個相當重要的課題。貳、文獻討探一、客戶關係管理

整合前端顧客接觸系統(tǒng)與後端企業(yè)作業(yè)系統(tǒng)的企業(yè)策略，然後從大量顧客的歷史交易資料中，找出對企業(yè)最具利潤貢獻度的客戶群，以協(xié)助建立或改善企業(yè)在行銷、銷售、服務等運作的核心企業(yè)流程。最終目的達成開發(fā)新客戶、保留舊客戶及提升顧客利潤貢獻度的目標。?CRM的導入過程：客戶識別區(qū)隔互動客製化?CRM的應用範圍：合作型作業(yè)型分析型二、客戶價值分析?顧客分類與區(qū)隔方式：活躍靜態(tài)潛在疑似無利潤?顧客忠誠度：RFM模型顧客獲利性衡量顧客價值矩陣Average消費型(Spender)不確定型(uncertain)最佳(Best)頻率型(Frequent)多

(M)

平均購買金額少多購買次數(shù)(F)三、資料採礦?DataMining的運作流程?DataMining功能種類：驗證驅動資料採礦發(fā)現(xiàn)驅動資料採礦

?傳統(tǒng)統(tǒng)計分析與類神經(jīng)網(wǎng)路之分群方式：第一階段分群：自我組織圖SOM

映射輸入層：代表輸入變數(shù)N維度的輸入向量資料輸出層：代表聚類 第二階段分群：K-MeanSOMK-mean新的群體分群數(shù)目與重心多維度資料第一階段第二階段學習循環(huán)學習循環(huán)LRFM資料模型結構關係長度(L)沉寂長度(R)購買頻率(F)顧客獲利性(M)特定時間內顧客產(chǎn)生交易的天數(shù)第一次購買日最後一次購買日最後一次購買日分析日售價產(chǎn)品成本行銷成本參、研究架構與方法一、整合資料採礦技術之顧客關係管理運作架構系統(tǒng)的資料採礦將顧客分群作業(yè)，將產(chǎn)生的顧客名單匯至前端的CRM流程中，並將取出的目標顧客群的資訊與行銷活動相結合，且展開各項行銷活動，再依回應情況的資訊整合至前端的CRM執(zhí)行，控制系統(tǒng)，進一步了解CRM的績效表現(xiàn)，並不斷紀錄CRM活動以有效學習顧客知識，使封閉式針對個案提出整合DM技術的CRM流程架構:(1)前端作業(yè)環(huán)境(2)後端分析系統(tǒng)由後端分析的CRM系統(tǒng)可實現(xiàn)顧客獲利、保留及增加顧客獲利性的目標。(一)LRFM資料模型

為進行“非監(jiān)督”的兩階段分群作業(yè)，須從顧客交易資料庫中，將L、R、F、M四個輸入變數(shù)資料匯入採礦資料庫內，以提供DM分群作業(yè)所需之資料。L:指顧客第一次與最後一次交易日間的長度，L越長表示顧客與企業(yè)所建立之交易關係越長<顧客保留長度>。R:指顧客最後一次交易日與分析日間的長度，當R大於特定的期間時，表示顧客為靜態(tài)顧客。F:指顧客在特定期間內發(fā)生交易的天數(shù)，同一天有多次的交易。M:指顧客獲利性。

(二)資料採礦前置處理流程

為了使LRFM模型的資料能夠順利且正常地進入採礦資料庫，在實際進行DM分群作業(yè)前，須先進行採礦前的咨療前置處理:(1)針對2001/6/31~2001/12/31期間有交易的顧客(活躍顧客)，透過SQL將LRFM資料模型從歷史交易資料庫中將每位活躍顧客的LRFM資料匯入採礦資料庫，以“標準差”進行離群分析。(2)為使兩階段的分群作業(yè)不受單位不一致性的影響，須將ＬＲＦＭ的資料進行標準化（及資料介於０～１之間）。(三)兩階段分群過程

兩階段分群方式是由類神經(jīng)網(wǎng)路的ＳＯＭ與統(tǒng)計方法中得叢集分析構成，屬“非監(jiān)督式“的學習方法。

(1)第一階段分群：在ＩＢＭＩＮＴＥＲＬＬＩＧＥＮＴＭＩＮＥＲ中的ＳＯＭ所需設定的參數(shù)有輸出層的維度與處理階段數(shù)。輸出維度：所有聚類的數(shù)量，處理階段則是學習得次數(shù)。

(2)第二階段分群：Ｋ－ＭＥＡＮ分群系統(tǒng)德參數(shù)設定有收斂質與學習次數(shù)，距離衡量是採歐幾里得方式，每次學習平均總距離越小時，收斂品質越高。

二、群體樣式分析（一）顧客關係類型矩陣

提出以Ｌ與Ｒ兩個變數(shù)而形成顧客關係類型矩陣，目的在了解顧客價值矩陣所區(qū)隔之顧客群的流失與忠誠特徵。（１）緊密關係，易形成顧客忠誠度，若沒交易會消耗企業(yè)資源。（２）潛在關係，易形成潛在顧客群，亦可能成為流失顧客群。（３）獲利關係，發(fā)生在關係剛建立的吸引新顧客的活動中。

（４）流失關係，指新顧客的流失。（二）多維度顧客分群規(guī)則

以顧客價值矩陣與顧客關係類型矩陣所構成的多維度顧客分群方式解釋每個群體樣式，包括；（１）最佳顧客：區(qū)分為高價值忠誠、高價值新顧客、潛在忠誠顧客、高價值流失顧客。（２）頻率型顧客：區(qū)分為高購買頻率顧客、頻率型促銷顧客、潛在頻率型顧客、頻率型流失顧客。（３）消費型顧客：區(qū)分為白金顧客、消費型促銷顧客、潛在消費型顧客、消費型流失顧客。（４）不確定顧客：區(qū)分為低消耗成本顧客，不確定新顧客，高消耗成本顧客、不確定流失顧客。

三、觀念性研究模型之雛型

接觸時間構面

交易行為構面

顧客購買產(chǎn)品種類

顧客關係長度顧客購買頻率顧客獲利性顧客沉寂長度顧客人數(shù)比例

肆、個案研究一、個案背景、動機與重要性

由於統(tǒng)計報告指示「零售業(yè)中的種何商品業(yè)因連鎖式便利商店及量販店受消費青睞，營業(yè)家數(shù)持續(xù)擴增，近五年營業(yè)額平均年增10.7%。」所以研究個案對象為『大型量販店』:1.市場呈現(xiàn)不錯的發(fā)展空間且競爭激烈。2.國內多採用會員制，顧客人數(shù)龐大，但卻少有透過資料採礦技術在CRM上應用。選擇個案公司的理由:1.資料採礦所需的資料是企業(yè)內部的隱密資料取得不易。2.國內大型量販店屬新興行業(yè)，業(yè)者雖累積龐大顧客人數(shù)卻少有結合DM技術在CRM上的應用。故選擇一家尚未結合DM於CRM上的大型購物中心。3.此個案公司為目前國內一家透過郵寄活動來進行CRM的零售業(yè)大型購物中心，故其累積的顧客人數(shù)與歷史交易資料足夠所需的資料採礦作業(yè)。個案公司之經(jīng)營特色:(1)目前分店數(shù)陸續(xù)擴張(2)顧客主要以年輕夫妻或小家庭為主(3)目前行銷資訊由MIS部門所供應，且尚無結合DM技術，僅以SQL方式進行(4)主要行銷活動為型錄寄送，成本相當高

二、個案研究的目的與顧客分類方式目的:(1)了解CRM運作流程的模式及顧客區(qū)隔方式。(2)探討CRM活動績效評估方式。(3)比較研究所採用的L、R、F、M的顧客區(qū)隔方式與此公司所用的顧客區(qū)隔方式。(4)針對個案公司的實際案例已修正本研究之假設命題與研究模型。(5)探討DM分群技術在CRM活動之直接郵件的顧客篩選，以比較研究所產(chǎn)生之顧客區(qū)隔與個案公司由艦活動的績效表現(xiàn)。顧客分類方式:依顧客的「消費金額」區(qū)分和「造訪次數(shù)」區(qū)分。顧客分類的區(qū)分則根據(jù)消費特性採十等分區(qū)分顧客等級。依照是否有消費來區(qū)分顧客為活躍型與靜態(tài)型。此公司的CRM活動中主要顧客以活躍顧客為對象。三、個案公司之CRM定義與運作流程CRM定義:針對不同的主題與顧客互動，累積與顧客互動的資料透過互動資料庫學習顧客行為。運作流程:(1)確定行銷活動主題。(2)針對主題找出主題活動。(3)由主題活動中，找出目標顧客群。(4)行銷活動執(zhí)行。(5)紀錄活動結果與評估績效。(6)學習過去的活動結果，不斷反覆操作1~5步驟

四、整合資料採礦之CRM流程的預期成效(1)有效區(qū)隔個案公司活躍顧客中不同價值的顧客群。(2)進一步了解不同顧客區(qū)隔利潤貢獻情形。(3)區(qū)隔出不同價值的顧客在活動中的績效表現(xiàn)。五、修正後觀念性研究模型接觸時間構面

活動績效構面

交易行為構面回應率ROI顧客購買產(chǎn)品種類

顧客關係長度顧客購買頻率顧客獲利性顧客沉寂長度顧客人數(shù)比例伍、資料分析A公司之ＣＲＭ最主要的目的從活躍顧客中找出忠誠顧客從Ａ公司2001/6/31~2001/12/31期間，找出活躍顧客499,940人 *活躍顧客：有發(fā)生交易的顧客群從1999/1/1~2001/12/31期間的交易資料庫中，萃取活躍顧客的L(關係長度)、R(沉寂長厲)、F(購買頻率)、M(顧客獲利性)的資料一、資料前置處理資料整合資料清洗資料轉換1、資料整合將活躍顧客的L、R、F、M格式的資料以SQL的方式匯入採礦資料庫內2、資料清洗資料範圍平均數(shù)L1~1127429R35~249110F1~3366M2~2461576269有無離群值L無明顯離群值R無明顯離群值F845筆離群資料M824筆離群資料*原始活躍的LRFM採碼資料*LRFM離群值偵測3、資料轉換為了使LRFM的資料轉換標準化的LRFM，標準化資料=(原始資料-範圍最小值)/(範圍最大值-範圍最小值)二、資料採礦分析第一階段分群處理(SOM)：以IBMIntelligentMiner之SOM進行第二階段分群作業(yè)(K-mean)：以K-mean分群系統(tǒng)進行SOM分群與兩階段(SOM+K-mean)分群比較：(1)兩階段分群改善SOM分群結果

(2)兩階段分群明顯改善群體間模糊現(xiàn)象

(3)兩階段分群後，群體內差異性變小三、分群結果之群體分析經(jīng)由多維度顧客分析的區(qū)隔之後，符合多維度分群規(guī)則只有9個顧客區(qū)隔，以下將針對九種顧客區(qū)隔樣式個別進行探討：1、多維度顧客區(qū)隔分析高價值忠誠顧客：以較少人數(shù)比例為企業(yè)創(chuàng)造較高比例的獲利性(如圖)潛在忠誠顧客：以較少人數(shù)比例為企業(yè)創(chuàng)造較高比例的獲利性，但是沉寂長度較長的顧客易流失(如圖)高價值新顧客：由於此區(qū)隔為企業(yè)新獲取的高價值顧客，可以發(fā)現(xiàn)人數(shù)比例並不高(如圖)高消耗成本顧客與低消耗成本顧客：低消耗成本顧客群則與企業(yè)再度交易的機會則高於高消耗成本顧客群(如圖)不確定新顧客與不確定流失顧客：不確定型顧客除了可以透過FM變數(shù)來區(qū)隔，也可以透過LR變數(shù)來了解新顧客與流失顧客的區(qū)別(如圖)高購買頻率顧客與消費型促銷顧客：高購買頻率顧客樣式並無法從顧客價值矩陣識別，但透過顧客關係類型矩陣可知屬於緊密關係*多維度顧客區(qū)隔之顧客數(shù)與獲利性比較顧客區(qū)隔人數(shù)(%)獲利性(%)高價值忠誠顧客9.3032.6潛在忠誠顧客7.7016.7高價值新顧客1.103.8高消耗成本顧客14.8011.7低消耗成本顧客12.609.3不確定新顧客24.509.2不確定流失顧客21.207.6高購買頻率顧客87.5消費型促銷顧客0.701.6*多維度顧客分群之顧客區(qū)隔樣式顧客區(qū)隔LRFM採礦群體數(shù)高價值忠誠顧客8665629310839潛在忠誠顧客76515214235496高消耗成本顧客592166548796低消耗成本顧客61363545566不確定新顧客143672271610不確定流失顧客91167225256高購買頻率顧客94276757663高價值新顧客2916512247992消費型促銷顧客964861442512、不同顧客區(qū)隔方式之比較分析個案公司之群體樣式只有符合九種多維度顧客區(qū)隔樣式個案公司之獲利性分佈並沒有非常集中在少數(shù)顧客群，但是少數(shù)顧客群，卻能夠為企業(yè)帶來較高的獲利性活躍顧客群之群體分佈則主要在顧客價值矩陣的最佳、不確定象限上四、顧客區(qū)隔之績效評估績效表現(xiàn)顧客區(qū)隔活動(一)活動(二)回應率(%)ROI(%)回應率(%)ROI(%)最佳高價值忠誠顧客50.2534.0154.8250.62高價值新顧客46.1444.5351.4561.12消費型促銷顧客54.7085.5548.8785.53低消耗成本顧客33.7918.1528.1120.14普通潛在忠誠顧客14.527.828.1818.18高購買頻率顧客25.8913.2928.2217.66不確定新顧客27.9415.6323.1316.7最差高消耗成本顧客8.784.1618.309.86不確定流失顧客5.862.8912.046.92五、假設驗證相關分析(1)進行相關分析，以進一步探討不同獲利性影響因子與顧客獲利性間的相關性：影響因子統(tǒng)計值相關係數(shù)相關性顧客關係長度顧客獲利性0.0080.375顯著正向關係顧客購買頻率0.00010.742顯著正向關係顧客沉寂長度0.237-0.172不顯著負向關係顧客購買產(chǎn)品種類0.00010.876顯著正向關係(2)顧客獲利性與二次活動績效表現(xiàn)間的相關性如下：統(tǒng)計值相關係數(shù)顧客獲利性活動(一)回應率0.0060.375ROI0.00010.729活動(二)回應率0.00010.686ROI0.00010.88驗證假設假設研究假設內容結果H1活躍顧客與企業(yè)的交易關係長度維持越長久則顧客獲利性不一定會提昇不成立H2活躍顧客群中少數(shù)顧客可以創(chuàng)造較高的利潤貢獻成立H3活躍顧客中的忠誠顧客對企業(yè)的利潤貢獻較高成立H4活躍顧客中的流失顧客對企業(yè)的利潤貢獻較低不成立H5活躍顧客的顧客佔有率越高則顧客對企業(yè)的利潤貢獻越高成立H6活躍顧客之顧客獲利性越