基于叉熵的线上零售商消费者细分探究

苗蕴慧 博士 付婷婷

（沈阳化工大学经济与管理学院 辽宁沈阳 110142）

引言

随着电子商务的不断发展，线上零售商的经营理念也由“以产品为核心”逐渐向“以消费者为中心”转变，零售商的产品消费模式和消费者购物行为也发生了变化。对于线上零售商而言，如何对海量的消费者信息和市场发展信息进行收集分析，以及如何对消费者人群进行细分和价值发掘，已成为零售商在发展过程中必须重点关注的问题。目前，大量经济专家关于零售商对消费者细分进行了分析，认为零售商在盈利难度逐渐加大的环境下，需要实时对消费者的消费记录和反馈信息进行收集，对潜在的消费者进行发掘，这能够为零售商的精细化发展提供数据支持。零售商需要选择合理的细分方法和模型对消费者进行有效细分，在多元化的消费环境下，依靠单方面的特征信息进行划分显然不能够达到预期效果。因此，选择以消费者数据作为模型分析主体，通过数据结果对消费者的特征价值和消费行为进行分析，成为线上零售商提高经济效益的必然方式。

理论概述

（一）消费者细分

第一，消费者购物需求差异性。不同的消费者性别、年龄、文化水平、收入水平、消费理念等均存在差异，这便使得消费者的消费行为各不相同。当消费者面对相同的商品和服务时，他们所关注的重点会有所差异，消费的需求也会不同。因此，消费者购物需求的不同必然会导致不同的交易结果，故有必要对消费者进行细分。

第二，零售商资源的局限性。零售商的资源具有一定局限性，企业在营销过程中不会将资源平均分配给每一名消费者，这使得不同消费者在购物过程中所享受的企业资源有所不同。零售商若想要利用现有资源来获取最大利润，企业便需要以消费者为中心，根据不同消费者的购物需求和特征来有针对性的进行资源分配，进而通过最小的投入来获得消费者满意度的提升。

消费者细分的意义。零售商经营的最终目的是获取潜在客户，为企业的可持续发展提供客户资源保障。消费者细分是帮助企业发掘客户和延长生命周期的重要方式，消费者细分在零售业发展过程中主要起到如下两方面作用：

其一，维护现有消费者客户。经过消费者细分和特征统计能够发现，部分消费者对零售商的贡献值较大，但该部分消费者的流失率也最高。因此，零售商应该时刻关注这一类消费者人群，通过定期回访来拉近与这些消费者的距离，进而避免零售商消费者客户的流失。

其二，降低零售商成本投入。零售商多数以中小型企业为主，企业资源有限，这便需要企业合理分配资源并追求利益最大化，消费者细分能够帮助企业提高市场竞争力，发掘重要客户，优化企业内部和外部资源，实现低投入高利润的发展。

（二）消费者细分的常用方法

消费者细分的依据。对消费者进行细分的依据标准有很多，其中主要的细分依据如下：首先，根据消费者的外在属性进行细分。消费者的外在属性主要包含地理因素、社会关系、个人特征等，诸如消费者的性别、年龄、收入水平、教育程度、职业等。仅仅以消费者的外在属性进行细分，会使得细分结果相对简单而且缺乏一定的合理性，无法深入掌握消费者的实际价值。

其次，根据消费者内在属性进行细分。消费者内在属性主要包括个人喜好、行为习惯、品牌忠诚等因素，基于此进行消费者细分，有助于挖掘消费者的潜在价值。由于消费者的内在属性一般是以调查问卷结果作为依据，具有较强的个人主观色彩，所以无法保障数据的准确性。

最后，根据消费者行为属性进行细分。消费者行为属性主要是利用RFM模型以及GL顾客价值矩阵进行分析。RFM模型是通过将数据的三个指标进行划分，三个指标为距离最近一次购买商品的时间R，购买商品的频率F，购买商品的额度M。将消费者行为作为细分依据，能够对消费者的习惯进行一定的研究，实现细分的有效性。不过相对来说，RFM模型进行细分较为复杂，使得大量消费者群体的数据分析工作量巨大，并且无法进行逐一的营销策略制定。消费者价值矩阵是指通过双指标对消费者价值进行区分，通过二维象限将消费者划分到四个不同的象限中；但是无法定义潜在消费者只能对现有消费者进行评定，实用性较差。

消费者细分RFM模型。RFM模型是通过消费时间间隔R、消费频次F，以及消费金额M三个指标进行消费者价值状况区分。R是指消费者最近一次购买商品的时间与观察时间的时间差，用来进行消费者忠诚度的判定。R值越大，表明消费者在较长的一段时间里没有进行企业商品的购买，再次购买的概率相对较低，从而判定消费者对企业的忠诚度越低，具有较小的价值；R值越小，表明消费者购买商品的日期较近，再次购买商品的可能性较大，重复购买的概率较大，对企业的忠诚度相对较高，具有更高的价值。F是指在一定时间内消费者购买商品的总次数，用来判定消费者购买商品的变动。F值越大，表明消费者购买商品的频率较高，具有较低的流失可能性，对企业具有较高的忠诚度以及价值；F值越小，表明消费者购买商品的活跃度较低，出现消费者流失的概率较大，对企业的忠诚度较低，具有的价值较小。M是指一定时间内消费者购买商品的总金额，用来判定消费者对企业的贡献情况。M值越大，表明消费者具有对企业较高的贡献度，能够引起企业的重视；M值越小，表明消费者对企业经济提升的贡献度较低。R、F、M三个指标在RFM模型提出以来一直作为划分消费者行为的完美依据，并成为了消费者行为分析的重要方法。

（三）信息熵与叉熵

熵是对信息不确定性的测量，随着熵值的增加，随机变量在体系中的自由度越高，变量所出现的状态种类越多，且出现每一种状态的概率也趋于一致。反之，随着熵值的降低，随机变量在体系中的自由度减小，出现不同状态的种类减少，且每种状态发生的概率也较大。从微观层面分析，信息熵也是对一个系统规律性的测量，熵值越大，系统中的粒子分布的距离差异性越明显，系统趋于无序；熵值越小，系统中粒子的分布距离趋于平等，系统趋于有序。

叉熵是两个概率分布之间的“距离”，但其不符合距离对称性和不等式原理。叉熵通常被当作一种具有方向性的距离，其可以描述概率分布p到q之间的距离。当pi=qi时，如果两个概率之间存在较大差异性，两个概率之间的叉熵也增大。在此，本文通过叉熵对我国零售商消费者的差异性进行分析。

实证分析

（一）数据选取

本文在国泰安数据库中选取从2010-2019年的零售业销售数据作为研究样本，通过SPSS软件对原始数据进行整理分析。由于本文研究的时间段为2010-2019年，因此将2010年1月1日作为基准日，对消费者在每年的最后一次购物时间进行提取，将该日期与基准日相减，最后得出购买间隔R（天）。在消费者购物次数方面，本文对消费者在统计时间区间内的购物次数进行累计，最终得出消费者的购物频次F。同时，将消费者的购物数量和单价相乘，得到单次购物金额并进行汇总，得到消费总金额M。

（二）线上零售商消费者细分模型选择

RFM值标准化处理。通过本文整理的数据样本可以计算出R、F、M值。经过对数据样本的整理分析，并进一步对指标数据进行标准化和归一化处理，数据结果如表1所示。通过表1中RFM分析结果可知，经过归一化和标准化处理后，随机选取的消费者的RFM值均处于合理范围内，说明本文对数据以上消费者数据样本的剔除比较彻底，样本数据能够进行聚类分析。

表1 RFM值标准化结果

表2 熵值计算

叉熵的K-means聚类。

第一，本文首先需要计算叉熵，对所有数据样本进行标准化，通过叉熵方程进行叉熵距离计算。

第二，计算矩阵相似度和计算熵值，熵值计算结果如表2所示。

第三，根据表2熵值结果来确定聚类数。通过仿真实验来确定聚类效果最佳的方法。

第四，K-means聚类。本文通过表2熵值结果最终计算出聚类数目为5，通过SPSS软件进行K-means聚类，得出各类消费者人群的RFM值，并与消费者的总RFM平均值进行对比分析。

结果与解释。解释如下：

G1：这一类消费者人群的消费进入与平均值一致，表明该类消费者人群在短期时间内没有消费行为发生；该类消费者的消费频率处于较高水平，但整体消费金额却低于平均值，因此线上零售商需要重点发展与该类消费者人群的关系，增加消费者的购物积极性，以期提升M值。总而言之，该类消费者属于线上零售商的一般重要客户，此类消费者对线上零售商经营绩效的增长具有一定贡献率，故线上零售商有必要培养与该类消费者的关系。

G2：这一类消费者消费频率和总额均处于平均值以上，说明该类消费者的消费水平较高，对线上零售商经济效益的提升具有较大的贡献率，属于高价值消费者；然而此类消费者的消费时间间隔处于平均值以下，说明消费者进行消费的周期较长，这对零售商来说存在着较大的流失风险。因此，这类消费者人群属于线上零售商的重要挽留消费者，企业应该积极与消费者进行联系，通过制定有效的营销策略来提高消费者的满意度，以挽留住这类具有较高价值的消费者人群。

G3：这一类消费者人群在近段时间的消费间隔低于平均值，表明消费者在近期与零售商不存在经济往来，然而消费累积次数和平均消费额较高，对线上零售商经济效益的增长具有拉动作用。因此，该类消费者属于一般保持消费者，线上零售商应该增加与该类消费者人群的互动频率。

消费者价值分析。本文基于加权计算结果进行以下分析：

G1：这一类消费者的价值最高，该类消费者人群的消费进度和频率均处于较高水平，但消费者的消费金额却最低。因此，该类消费者属于重要客户，零售商应该培养与该类消费者的关系，通过制定营销策略来引导消费者进行消费，以实现M值的提升。

G2：这一类消费者的价值排名其次，该类消费者的消费进度、消费频率、消费金额均处于该类消费指标值之下，但差距不明显，属于零售商的重要保持客户。零售商需要与该类消费者进行积极交流，减少企业消费者的流失。

G3：这一类消费者的价值排名最低，通过消费进度R、消费频率F能够得出，该类消费者人群的消费行为与G2相似，但其消费金额却显著低于G2，可以定义为一般消费者。零售商有必要与该类消费者保持良好的沟通，增加与该类消费者的紧密关系。

（三）消费者细分结果实证分析

数据处理。本文通过对615580条消费记录进行整理分析后筛选出1250个消费者的完整消费记录，并将消费者人群初步设定为10类。通过对数据样本进行标准化和归一化处理，最终得出RFM值、熵值、类聚结果。

聚类结果及分析。采用SPSS 18.0软件对经过标准化和归一化处理的数据进行K-means聚类，处理结果如表3所示。

根据表3和表4的消费者行为和价值细分结果，可以将消费者细分为以下三种类型：

重要发展消费者类型（G1）：K1，R↑F↓M↓。该类消费者的R值较大，表明该类消费者在短期时间内存在购物行为，但F值和M值却较低，说明该类消费者交易频率和消费金额较低。通过消费者人数来分析，占据了消费者总数的主体，属于线上零售商的潜在客户。线上零售商积极与该类消费者建立联系能够促使企业扩大市场占有率，提高行业竞争实力，应该将该类消费者视为重点发展客户。

表3 消费者细分结果（消费者消费行为）

表4 消费者细分结果（消费者价值）

一般消费者类型（G3）：K2，R↓F↑M↓。该类消费者的消费时间间隔接近平均值，但消费频率却处于平均值之上，消费金额较低，综合价值排名偏低，对线上零售商的贡献值较低，对线上零售商的发展重要性不大。

重要挽留消费者类型（G2）：K3，K4，K5，K6，K7，K8，K10，R↓F↑M↑。通过消费者交易频率和消费金额来分析，这些消费者对企业发展的贡献值较大，属于线上零售商的重要消费者群体；但这些消费者的消费时间间隔处于平均值以下，说明这些消费者在短期时间内与线上零售商的接触较少，故对于线上零售商而言存在一定流失的风险。因此，线上零售商应该及时与这几类消费者进行沟通，减少客户流失的可能性。通过消费者层面来分析，虽然K3、K4、K5、K6、K7、K8、K10均属于同一消费者类型，但在价值上却具有显著的差异性，消费者价值的实际排序为：K10＞K6＞K3＞K8＞K4＞K5＞K7。

（四）结果分析

通过RFM模型对指标数据进行对比分析，并将消费者细分为三种类型。然而，通过该种方式确定的消费者细分类别通常会掺杂着主观思想。因此，在对线上零售商消费者进行细分时，需要对每个种类的消费者价值进行计算，并对不同类别的消费者价值进行对比分析，通过对比结果来描述消费者的价值信息，这样能够更加精确、深入地细分结果，满足线上零售商的发展需要，为企业和消费者价值的提升提供充足依据。

通过消费者价值和消费行为两个层面对消费者进行分析。单纯地通过价值角度对零售商消费者进行细分，往往不能将消费者消费行为的变化情况考虑在内，这不利于企业搜集消费者信息和制定营销策略。通过消费者消费行为的细分，能够看到消费者人群的整体消费趋势，但由于不同消费者的消费理念和行为存在显著差异，所以不能全面反映出不同类别消费者的价值。因此，将消费者的价值和消费行为均进行细分，能够更加真实地反映出消费者的消费情况，有利于线上零售商的发展。

结论

本文基于叉熵视角对线上零售商消费者细分进行了实证研究，根据研究结果，可以将线上零售商消费者细分为以下三种类型：

第一，重要发展消费者类型：K1，R↑F↓M↓。该类消费者具有较高的R值，说明这一类消费者在短期时间内具有购物行为，但消费者的F值和M值却偏低，表明消费者的交易频率和消费金额偏低。根据零售商消费者人数来看，这一类消费者占据了消费者总数的主体，是线上零售商的潜在客户。线上零售商应该积极与该类消费者创建联系，以提高企业的市场竞争力，故有必要将该类消费者视为重点发展客户。

第二，一般消费者类型：K2，R↓F↑M↓。这一类消费者的消费时间间隔与平均值基本一致，但消费频率却高于平均值之上，总体消费金额较低，综合价值排名靠后，这表明该类消费者对零售行业经济的贡献度不大，对线上零售商的发展推动作用不明显。

第三，重要挽留消费者类型：K3，K4，K5，K6，K7，K8，K10，R↓F↑M↑。根据消费者消费频率和消费金额来看，这一类消费者对线上零售商的经济增长贡献度较大，是线上零售商的重要消费者；该类消费者的消费时间间隔低于平均值，这表明该类消费者在短期时间内与线上零售商的接触不多，对于零售商而言该类消费者存在一定流失的风险。因此，线上零售商有必要及时与这几类消费者进行联系，提高消费者对企业和商品的了解程度，避免消费者流失。基于消费者全体层面来分析，虽然K3、K4、K5、K6、K7、K8、K10属于同一消费者类型，但消费价值上却存在着显著的差异，消费者价值的实际顺序为：K10＞K6＞K3＞K8＞K4＞K5＞K7。