基于数据挖掘的消费者价值细分模型研究

田雨聪 耿子月 谢安泰 袁伊珊 张淑芬

摘要：针对服装电商客户细分，设计了包含3种变量8个指标的多层RFM模型，在此基础上，以某电商的服装营销数据为对象，利用SPSS工具对交易数据进行了数据分析，运用主客观综合法确定了各因素的权重，并采用K-Meam聚类方法对客户的行为变量进行细分，根据细分结果，结合实际研究问题，分析客户群特征，从而为消费者制定具有个性化的营销策略，来逐步实现精准营销。

关键词：电子商务；RFM模型；K-Means聚类；消费者细分

中图分类号：F724.6 文献标识码：A DOI：10.3969/j.issn.l003-6970.2017.08.022

引言

随着网络与信息技术的快速发展，电子商务的发展也迅速壮大，电商与消费者之间通过互联网进行交易。在日益激烈的竞争环境中，对于服务消费者的电商来说，追踪客户的消费变化、了解客户的消费需求、满足客户的消费期望、识别和细分客户在企业竞争过程中尤为重要。

消费者细分理论首先由Smith提出，它是指企业根据客户属性、行为、需求、偏好以及价值等因素对消费者进行分类，并提供具有针对性的产品、服务和销售模式的过程。对于服装电商来说，不同的消费者具有不同的特征，不同的购买习惯。从消费者的价值角度分类这些消费者，将有利于电商企业去发掘和维持客户价值较大的消费者，减少对客户价值较小的消费者的投入，从而更精准的进行推送，用相同的成本为服装电商企业带来更大收益。

在营销领域，RFM模型被广泛地用来衡量客户的价值，本文通过对RFM模型的研究，将传统的RFM模型的三个指标进行扩充，设计了包含3种类型的8个指标，提出一种针对服装电子商务行业的多指标客户细分模型，并通过因子分析，提取细分变量，分析每个指标在因子上的载荷，同时运用层次分析法确定各个因子在客户价值的权重，以客户在各个因子上的得分和客户价值作为划分依据进行聚类，为服装电商企业提供了参考依据。

1 基于数据挖掘的多指标RFM客户细分

1.1 消费者细分挖掘流程

消费者交易数据细分挖掘，是以服装电商的交易数据为依据，根据服装交易数据的特征，确定消费者细分因素，从而建立消费者细分指标体系。

1.2 消费者细分指标体系的构建

传统的RFM分析方法在每个因子上只有一个指标，不能全面地衡量消费者价值和行为特征。本文结合消费者习惯的多样化，在传统的RFM分析的基础上，对RFM的三个因素进行指标的扩充，构建包含3种类型8个指标的多层指标体系的RFM细分模型，来刻画消费者消费行为特征，如表1所示：

用多个指标代替原来的RFM模型中的消费进度（R）、频次（F）和消费值（M），主要基于以下

在此基础上，建立细分的RFM模型，利用主客观综合法确定了RFM模型的各因素权重，得到加权的新的交易数据，对新获得的交易数据进行聚类分析，根据每个类的消费特征，进行消费者类型的识别，从而进行营销策略的调整。具体消费者交易数据挖掘流程如图1所示：

几点考虑：

（1）通过次最近一次购买和最远一次购买可以更清楚地了解该顾客的时间跨度，有利于辨别潜在消费者。

（2）用多个消费频次代替整体的消费频次，能更好地显示消费者在特定时间段的购买的规律和集中性，为市场营销提供参考依据。

（3）平均每次每件消费金额有利于确定消费者的购买力，结合总消费金额，可以判断出对商家营销贡献大的消费者。

1.3 主客观综合法确定RFM指标体系权重本文在权重的选取上采用了第三类赋权法，即主客观综合赋权法（或称组合赋权法）。主客观组合赋权法的常用方法是“加法”集成法。其公式是：

其中表示第i个指标的组合权重；

别为第i个属性的客观权重和主观权重。“加法”集成法实质上是线性加权，称为线性加权组合赋权方法。当决策者对不同赋权方法存在偏好时，a能够根据决策者的偏好信息来确定。

本文通过因子分析法确定客观权重A，利用层次分析法确定主观权重勿。

1.3.1 提取細分变量的因子分析法

在考虑多指标RFM模型中各个细分指标权重时，选用因子分析法，找出潜在影响客户细分的因素，确定因子个数和客户在因子上的得分，根据各因子解释客户细分的程度以确定各因子的权重。

因子分析是一种数据简化的技术。它从所研究的全部指标中，通过探讨相关的内部依赖结构，将主要信息集中在几个主因子上。

对于P个变量指标

（1）将原始数据标准化处理。

考虑到服装电商的数据库存储的都是原始数据，各单位不同量纲不同，故需要对数据进行标准化处理：

（3）计算R的特征根（特征值）和计算方差贡献率：

其中5为第i个特征，

为第i个主因子的方差贡献率，一般取确定为主因子，或累积贡献率大于85%的成分为主因子，

设主因子分别为

（4）建立因子载荷矩阵实行方差最大正交旋转。

（5）将P个指标按照高载荷分成m类，并结合专业知识对各个因子命名。

（6）由因子解释总方差贡献率可得m个主因

子的权重大小，设第i个主因子的贡献率为，归一化主因子贡献率作为各因子的权重%，

（7）设客户价值得分记为F，则：

1.3.2 层次分析法确定权重

运用层次分析法确定权重?时，需要对服装电商和专家进行调研访问，两两比较其重要程度，并按1-9赋值，结合2名电子商务专家和3位服装企业高管对RFM三个变量的看法，将所有意见统计集中，作为确定权重的依据。

对于主客观综合法，一般地取a=0.5，即把主观赋权和客观赋权视为同等重要，计算得到m个主因子的权重：

形成新的数据集，即：

1.4 基于划分的消费者细分聚类算法

以形成的新客户数据集和客户价值得分，作为划分依据进行聚类，基于K-Means聚类法的消费者分类过程应用K-均值聚类法。K-均值算法的主要思想是先在需要分类的数据中寻找K组数据作为初始聚类中心，然后计算其他数据到聚类中心的距离，将数据归入与其距离最近的聚类中心，之后再对这K个聚类的数据计算均值，作为新的聚类中心，继续以上步骤，直到新的聚类中心与上一次的聚类中心值相等时结束聚类。

本文将主客观分析法修订的数据集和客户价值作为聚类依据，对客户进行细分聚类。

2 实例验证

2.1 因子分析法确定RFM指标体系权重

为了对多指标RFM模型的客户细分方法进行说明，以某电商数据为数据源，选取了2013年1月-2013年5月内的销售数据作为数据源。该数据集共有21250条销售记录，由15089个客户产生。

对原数据进行KMO检验，得出的KMO=0.756，P值为0.000，适合做因子分析。根据2>1原则，提取三个主因子，前三个因子的信息利用率达到了

81.85%，且变量共同度都在80%以上，说明提取的因子已经包含了原始变量的大部分信息，针对这三个主因子，以最大方差的方式进行旋转，得到旋转成分矩阵，如表2所示：

将8个指标按照高载荷分成3个因子，因子1在总体购买频次、最大购买频次、最小购买频次上有较大载荷，说明这三个指标有一定相关性，可归为一类，即消费频次（Frequency）”；因子2在平均消费间隔、最近日期、最远日期上占有较大载荷，这三个指标主要表现购买时间，S卩“最近购买（Recency）”，因子3主要在总金额和平均每件购买金额上载荷较大，即“消费金额（Monetary）”。因子分析结果与消费者细分指标体系相吻合，可以验证其建立的比较合理。

由因子解释总方差贡献率表（如表3所示）可得三个因子的权重大小，并对其归一化处理。

3个主因子的权重分别为，将各个主因子所包含的指标的权重归一化得。

同时，利用层次分析法，通过查阅文献，结合专家咨询方式对RFM模型各指标权重进行比较分析。在分别得到五位专家两两比较打分后，采取平均的方法得到下表的评价矩阵。

评价矩阵通过一致性检验，通过一致性检验，并计算出最大特征根的特征向量为2=3.003，标准化后作为权向量。

取a=0.5，得到最终的权重系数，将原始数据按照权重处理，得到各主因子的新的数据，通过新的数据进行聚类。

2.2 消费者类型识别分析

通过新的赋权后的直销数据进行RFM分析，本文选取K-means聚类。

将顾客的价值进行分类定义，将每类客户的RFM平均值和总RFM平均值作比较，每次对比有两个结果：大于（等于）平均值和小于平均值，通过对比得到每类客户RFM的变动情况。消费者分类依据如下，大于（等于）平均值的记为“2”，于平均值的记为“1”，如表4所示为分类依据表。

以加权RFM为指标，将具有相近的顾客價值的消费者进行分类，，运用SPSS对数据重新进行聚类。K-means聚类可以自行设置聚类数。设置聚类数为8，进行聚类，聚类结果如表5所示。

由聚类结果显示，值<0.05，说明分类结果显著依据表4，将对聚类的消费者进行识别，结果如表6所示。

多层RFM分析利用主客观法综合了主观因素和客观评判，并通过K-Means聚类将企业的消费者群体划分成一般挽留消费者、潜在消费者、重点保持消费者、重点发展消费者、高价值消费者等五个级别，各消费者群体的消费级别如表4所示。消费者分级不仅揭示了消费者在级别上的差异，而且反映了消费者在行为上的特性和变化倾向。通过RFM分析可将现有顾客划分为不同的消费者等级，针对不同等级的消费者，采取不同的管理策略。

3 结论

基于电商消费数据挖掘的消费者行为细分方法，是在传统的RFM细分模型上扩充了RFM的指标，本文设计了包含三种类型的8个指标作为改进的RFM细分模型，通过主客观综合法确定RFM各指标权重，同时结合因子分析，将主观评价和客观评价对结果的偏差降低，并利用K-Means聚类将消费者进行细分，并分析和阐述了每一类消费者的消费特征，同时，结合实例，验证了本方法的可行性和实用性，利于电商企业分析客户行为特征，极大化客户价值，更合理的采用营销策略，达到客户和商家“双赢”的效果。