基于大型商場(chǎng)銷售采集系統(tǒng)的營(yíng)銷模型

張姣 范馨月

摘?要?針對(duì)零售行業(yè)企業(yè)管理的合理性，基于某大型商場(chǎng)銷售采集系統(tǒng)數(shù)據(jù)，構(gòu)建適合零售運(yùn)營(yíng)商精準(zhǔn)營(yíng)銷的FRLMC模型，實(shí)現(xiàn)零售行業(yè)的精準(zhǔn)營(yíng)銷，優(yōu)化會(huì)員管理制度.應(yīng)用K-Means聚類分析方法構(gòu)建合理實(shí)用的結(jié)構(gòu)體系，精準(zhǔn)識(shí)別會(huì)員消費(fèi)特征，實(shí)現(xiàn)對(duì)會(huì)員消費(fèi)行為畫像描繪.通過(guò)實(shí)際應(yīng)用說(shuō)明模型的準(zhǔn)確率，在其他行業(yè)經(jīng)過(guò)驗(yàn)證可推廣應(yīng)用.

關(guān)鍵詞??FRLMC模型;會(huì)員潛力挖掘;K-Means聚類方法;價(jià)格容忍度

中圖分類號(hào)?F276.44文獻(xiàn)標(biāo)識(shí)碼?A

Abstract?Aiming at the rationality of retail business management， based on the data of a large shopping mall sales collection system， we establish a FRLMC model suitable for retail operators to achieve precision marketing， so as to achieve precision marketing in the retail industry and to optimize membership management system. The K-Means clustering analysis method is used to construct a rational and practical structure system， to accurately identify the characteristics of member consumption， and to describe the portrait of a member's consumption behavior. The accuracy of the model is illustrated by practical application， and it can be popularized in other industries.

Key words?FRLMC model; member potential mining; K-Means clustering method; price tolerance

1?引?言

隨著全球經(jīng)濟(jì)一體化進(jìn)程的加快，市場(chǎng)的激烈競(jìng)爭(zhēng)和顧客幾近嚴(yán)苛的要求使得企業(yè)從過(guò)去以產(chǎn)品為中心逐步向以客戶為中心靠攏 [1].信息時(shí)代的到來(lái)，使得客戶獲取產(chǎn)品信息的渠道日益增多，零售運(yùn)營(yíng)商面臨更加嚴(yán)峻的市場(chǎng)競(jìng)爭(zhēng).顧客關(guān)系管理（CRM）是企業(yè)維系與顧客良好關(guān)系的重要戰(zhàn)略舉措[2]，對(duì)特殊顧客群體，尤其是會(huì)員個(gè)體的精準(zhǔn)識(shí)別和精準(zhǔn)營(yíng)銷是提升企業(yè)盈利能力的關(guān)鍵.零售企業(yè)會(huì)員的不斷流失，給零售運(yùn)營(yíng)商造成了嚴(yán)重?fù)p失，運(yùn)營(yíng)商應(yīng)該有針對(duì)性地實(shí)施營(yíng)銷策略來(lái)加強(qiáng)與會(huì)員的良好關(guān)系.有人認(rèn)為對(duì)老會(huì)員的維系成本太高，事實(shí)上，發(fā)展新會(huì)員的資金投入遠(yuǎn)比采取一定措施來(lái)維系現(xiàn)有會(huì)員要高.因此，與顧客建立穩(wěn)定、長(zhǎng)期的關(guān)系是實(shí)體零售行業(yè)得以更好發(fā)展的關(guān)鍵.

會(huì)員的價(jià)值體現(xiàn)在持續(xù)不斷地為企業(yè)帶來(lái)穩(wěn)定的銷售額和利潤(rùn)，同時(shí)也為企業(yè)制度的制定提供數(shù)據(jù)支持.在銷售領(lǐng)域，RFM模型是一種對(duì)顧客識(shí)別和價(jià)值分析的經(jīng)典模型[3]，被用來(lái)衡量顧客價(jià)值.用會(huì)員最近消費(fèi)到觀測(cè)結(jié)束時(shí)間R（Recency）、會(huì)員消費(fèi)頻次F（Frequency）和會(huì)員的累積消費(fèi)金額M（Monetary），來(lái)識(shí)別顧客的長(zhǎng)期或潛在價(jià)值.這3個(gè)指標(biāo)來(lái)自于美國(guó)數(shù)據(jù)庫(kù)營(yíng)銷機(jī)構(gòu)的研究，現(xiàn)在逐漸成為會(huì)員價(jià)值研究以及會(huì)員營(yíng)銷的通用模型了.本文對(duì)RFM模型進(jìn)行改進(jìn)，在RFM模型3個(gè)指標(biāo)的基礎(chǔ)上，進(jìn)一步考慮會(huì)員入會(huì)時(shí)間距觀測(cè)時(shí)間的天數(shù)L和會(huì)員在觀測(cè)期內(nèi)高單價(jià)商品消費(fèi)占比C兩個(gè)指標(biāo)，這5個(gè)指標(biāo)將構(gòu)成衡量會(huì)員價(jià)值的特征.運(yùn)用K-Means聚類分析方法構(gòu)建合理實(shí)用的結(jié)構(gòu)體系，建立一套更加適合會(huì)員個(gè)體精準(zhǔn)識(shí)別的FRLMC模型，實(shí)現(xiàn)對(duì)會(huì)員的價(jià)值識(shí)別與挖掘.

2?FRLMC模型

對(duì)于新增的價(jià)格容忍度這個(gè)維度C，價(jià)格容忍度高的會(huì)員，運(yùn)營(yíng)商獲取的銷售和利益應(yīng)該是最大的，如果推送給他們特價(jià)商品反而是失敗的營(yíng)銷.高單價(jià)商品消費(fèi)占比就是用來(lái)衡量會(huì)員容忍度的指標(biāo).會(huì)員入會(huì)時(shí)間距觀測(cè)時(shí)間的天數(shù)L，入會(huì)時(shí)間的長(zhǎng)短作為分析會(huì)員狀態(tài)的一個(gè)特征，基于此建立FRLMC模型.

2.1?數(shù)據(jù)的采集和處理

本文資料及數(shù)據(jù)來(lái)源于貴州省貴陽(yáng)市某大型商場(chǎng)所有銷售采集系統(tǒng)數(shù)據(jù)，將所有會(huì)員的詳細(xì)資料和消費(fèi)流水作為數(shù)據(jù)集，以2015年1月1日-2018年1月3日作為觀測(cè)時(shí)間.從這些數(shù)據(jù)中，抽取觀測(cè)時(shí)間內(nèi)所有會(huì)員顧客的數(shù)據(jù)，總共約四十幾萬(wàn)條記錄.數(shù)據(jù)包括會(huì)員卡號(hào)、姓名、出身年月、身份證號(hào)、職業(yè)、電話、家庭住址、消費(fèi)金額、辦卡日期及消費(fèi)日期等信息.首先對(duì)數(shù)據(jù)集進(jìn)行脫敏處理，包括數(shù)據(jù)缺失、異常處理、數(shù)據(jù)屬性的規(guī)約、清洗和變換.即剔除與FRLMC模型無(wú)關(guān)的記錄，保留所需的屬性.例如會(huì)員卡號(hào)、辦卡日期、消費(fèi)記錄和消費(fèi)金額等對(duì)該模型有用的信息，然后挑出錯(cuò)誤和冗余的記錄，進(jìn)一步處理得到比較合理的數(shù)據(jù)集[4].

由于原始數(shù)據(jù)并沒(méi)有直接給出所需的5個(gè)指標(biāo)，于是需要通過(guò)一系列的統(tǒng)計(jì)計(jì)算才能得到F、R、L、M及C這5個(gè)屬性，具體為L(zhǎng)（會(huì)員入會(huì)日期到觀測(cè)時(shí)間結(jié)束日期）（單位：天數(shù)）、R（最近一次消費(fèi)時(shí)間到觀測(cè)結(jié)束時(shí)間的天數(shù)）、F（在觀測(cè)時(shí)間內(nèi)消費(fèi)的次數(shù)，以小票張數(shù)為基準(zhǔn)）、M（會(huì)員在觀測(cè)時(shí)間內(nèi)消費(fèi)的金額總數(shù)）（單位：元）和C（高單價(jià)消費(fèi)占比），即會(huì)員顧客在此期間消費(fèi)的高單價(jià)金額與金額總數(shù)的比值.值得注意的是，在計(jì)算指標(biāo)C的時(shí)候，商品的高單價(jià)沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)進(jìn)行刻畫，本文先求出數(shù)據(jù)集中所有會(huì)員顧客消費(fèi)金額的均值μ及標(biāo)準(zhǔn)差σ，把高于上限μ+hσ的消費(fèi)金額作為商品高單價(jià)商品的最低金額，利用公式就可求出指標(biāo)C.這里，h>0稱為模型基于觀測(cè)數(shù)據(jù)的待優(yōu)化參數(shù)，本企業(yè)可令h=1.這樣經(jīng)過(guò)選擇、刪除、整理后就得到FRLMC模型所需要的屬性，從而構(gòu)成新的數(shù)據(jù)集，總共有89358條記錄（部分會(huì)員特征數(shù)據(jù)見(jiàn)表1）.

3?模型識(shí)別

判斷會(huì)員顧客對(duì)企業(yè)的貢獻(xiàn)度及其會(huì)員價(jià)值，把F、R、L、M和C這5個(gè)指標(biāo)作為聚類變量，這里運(yùn)用K-means聚類方法對(duì)客戶群進(jìn)行分類.根據(jù)客戶的不同購(gòu)買情況將其分為8類群體，用Python實(shí)現(xiàn)了聚類結(jié)果.而與傳統(tǒng)的客戶分類方法相比較，聚類方法不僅考慮了會(huì)員顧客的價(jià)值（歷史價(jià)值、當(dāng)前價(jià)值及潛在價(jià)值等因素）的差異，還綜合了客戶行為（交易的變化、流失的趨勢(shì)和走向等行為）的變化，是比較可行實(shí)用的的方法.但由于K-means聚類方法存在其自身的一些缺陷，例如初始值不同，其聚類結(jié)果也會(huì)發(fā)生改變，所以在聚類的過(guò)程中粗略地判斷了聚類的情況，然后進(jìn)行多次聚類，篩選出了較好的聚類情況，作為最終的結(jié)果.整理聚類結(jié)果見(jiàn)表2.

FRLMC是會(huì)員消費(fèi)的行為特征，容易獲得，也是企業(yè)非常重要的價(jià)值分析資料，其思想就是通過(guò)這5個(gè)行為因素來(lái)判斷會(huì)員顧客的價(jià)值[7].對(duì)會(huì)員顧客價(jià)值的分析研究，目的是通過(guò)分析不同會(huì)員的消費(fèi)情況了解其綜合價(jià)值進(jìn)而判斷出他們對(duì)企業(yè)的忠誠(chéng)度，最終確定企業(yè)從不同類別的顧客中獲取收益的多少.由表2的聚類結(jié)果對(duì)這8類客戶群進(jìn)行特征分析，不難得出這8類客戶群的特征情況，且每個(gè)客戶群都有自己顯著的特征.由這5個(gè)指標(biāo)的定義可知，F(xiàn)，L，M和C越高，R越低其顧客的價(jià)值越高.于是總結(jié)歸納出它們各自的優(yōu)勢(shì)及劣勢(shì)特征，將其情況整理見(jiàn)表3.

根據(jù)聚類結(jié)果表及特征分析表的統(tǒng)計(jì)信息，將其聚類結(jié)果及顯著特征進(jìn)行歸納概括，將所有的會(huì)員顧客進(jìn)行分類，為提高聚類結(jié)果的表征性，構(gòu)建會(huì)員的價(jià)值魔方.傳統(tǒng)的RFM模型認(rèn)為RFM的值對(duì)客戶的價(jià)值影響是同等的，Hughes， Arthur也認(rèn)為RFM在衡量一個(gè)問(wèn)題上的權(quán)重是一致的，因而并沒(méi)有給予不同的劃分.但是Stone， Bob則通過(guò)對(duì)信用卡實(shí)證分析，表示各個(gè)指標(biāo)的權(quán)重并不相同，應(yīng)該給予頻度最高，近度次之，值度最低的權(quán)重[8].這里將利用AHP求得RFM的權(quán)重，步驟為：

客戶群6指標(biāo)L明顯異常，對(duì)標(biāo)準(zhǔn)化結(jié)果的影響特別大，于是在對(duì)L進(jìn)行標(biāo)準(zhǔn)化時(shí)做了一個(gè)簡(jiǎn)易處理，即把其指標(biāo)L剔除后再進(jìn)行計(jì)算，以平衡其他客戶群數(shù)據(jù)標(biāo)準(zhǔn)化的結(jié)果.得到Q、L、C這3個(gè)新指標(biāo)的標(biāo)準(zhǔn)化結(jié)果之后，求其均值為：

以Q、L和C建立空間坐標(biāo)系，理論上大于均值的數(shù)據(jù)處于坐標(biāo)軸的正半軸，反之在負(fù)半軸.但在實(shí)際操作中，由于某些客戶群數(shù)據(jù)的接近，可能會(huì)導(dǎo)致最終結(jié)果相同而處于同一個(gè)區(qū)域.此時(shí)，將根據(jù)各自的指標(biāo)做一些調(diào)整，縱然客戶群的某個(gè)指標(biāo)相對(duì)突出也要綜合其他因素進(jìn)行分類，得到細(xì)分結(jié)果圖見(jiàn)圖1.

4 ?結(jié)?論

FRLMC模型更能準(zhǔn)確判斷會(huì)員顧客的忠誠(chéng)度，對(duì)不同類型的顧客針對(duì)性實(shí)施營(yíng)銷策略，從而為企業(yè)帶來(lái)最大化收益.把這些會(huì)員顧客分為8類進(jìn)行分析：

由以上信息及數(shù)據(jù)可以看出，客戶群1的消費(fèi)次數(shù)與消費(fèi)金額較為一般，這可能是入會(huì)時(shí)間短導(dǎo)致的，但新鮮度及高單價(jià)消費(fèi)高，說(shuō)明這類客戶應(yīng)該是企業(yè)的新客戶，跟其他客戶群相比，這類客戶具有較大的潛在價(jià)值.企業(yè)應(yīng)當(dāng)采取針對(duì)性的營(yíng)銷手段吸引這類客戶群，提高他們的購(gòu)買頻次，因?yàn)樗麄兙哂羞@樣的潛能.再者這類客戶群占比較大，只要維持與他們的關(guān)系，就能為企業(yè)帶來(lái)更多的利潤(rùn).所以把這類客戶視為企業(yè)的增長(zhǎng)性客戶.

客戶群2的R（流失時(shí)間）最長(zhǎng)且明顯高于其他客戶群，與企業(yè)的接觸頻次也不高，在指標(biāo)L（入會(huì)時(shí)長(zhǎng)）和M（消費(fèi)總額）上更是不占優(yōu)勢(shì)，即這類客戶群成為會(huì)員的時(shí)間比較短且很久沒(méi)有消費(fèi)記錄，但C（高單價(jià)消費(fèi)占比）卻是這8類客戶群中最高的，說(shuō)明這類客戶群購(gòu)買力較高但是他們與企業(yè)的交易存在一定的偶然性[10]，并不是企業(yè)的忠誠(chéng)會(huì)員，是企業(yè)的沉默客戶.

客戶群3的F（購(gòu)買頻次）最高且離最近一次消費(fèi)時(shí)間間隔短，說(shuō)明這類客戶很活躍，然而M（消費(fèi)總額）和C（高單價(jià)消費(fèi)占比）都較低，且L（入會(huì)時(shí)長(zhǎng)）也很短，說(shuō)明他們的消費(fèi)能力較低，給企業(yè)帶來(lái)的利潤(rùn)很少，但適當(dāng)維持與這類客戶的關(guān)系也是有必要的，因?yàn)樗麄兛赡苁歉浇木用?，以后也?huì)長(zhǎng)期與企業(yè)保持頻繁的交易.所以，這類客戶是企業(yè)的活躍客戶.

客戶群4的F（購(gòu)買頻次）較低，且新鮮度不高，但是L（入會(huì)時(shí)長(zhǎng)）跟M（消費(fèi)金額）處于中上水平，說(shuō)明這類客戶對(duì)企業(yè)比較忠誠(chéng).企業(yè)可以完善服務(wù)，預(yù)測(cè)客戶的需求提高他們的滿意度，增加與企業(yè)的接觸率，畢竟服務(wù)是企業(yè)參與市場(chǎng)競(jìng)爭(zhēng)的王牌武器.因此，把這類客戶群歸屬為企業(yè)的潛在客戶.

客戶群5雖然C（高單價(jià)消費(fèi)占比）較高，但從購(gòu)買頻次、流失時(shí)間和購(gòu)買量三方面來(lái)分析，這類客戶群都顯得拙劣與平庸，顯然是流失客戶.然而這類客戶群人數(shù)占比不低，這對(duì)企業(yè)是大大的考驗(yàn).面對(duì)這類客戶，企業(yè)應(yīng)當(dāng)分析其中利弊，加大其投入可能會(huì)存在失敗風(fēng)險(xiǎn)，但如果營(yíng)銷到位，就可以利用這類客戶群人數(shù)多和高單價(jià)消費(fèi)占比高兩個(gè)優(yōu)勢(shì)為企業(yè)創(chuàng)造利潤(rùn).

客戶群6相對(duì)于其他幾類客戶群顯得尤為特殊，只有卡號(hào)為‘9001000320和‘9001000209的2位會(huì)員.對(duì)其分析，不難發(fā)現(xiàn)她們都是女性，應(yīng)當(dāng)有穩(wěn)定的經(jīng)濟(jì)來(lái)源，而且她們成為會(huì)員的時(shí)間很長(zhǎng)、消費(fèi)金額非常高，遠(yuǎn)遠(yuǎn)超過(guò)其他客戶群的指標(biāo).不僅如此，她們與企業(yè)的接觸頻次、購(gòu)買高價(jià)產(chǎn)品的數(shù)目和新鮮度都較高.說(shuō)明這類客戶群是企業(yè)的忠實(shí)會(huì)員，屬于高端客戶.

客戶群7入會(huì)時(shí)間長(zhǎng)、購(gòu)買頻次高、消費(fèi)金額高且高單價(jià)消費(fèi)也不容小覷，但由于較長(zhǎng)時(shí)間沒(méi)有與企業(yè)交易，可能會(huì)因?yàn)槟承┰螂x開(kāi)企業(yè).針對(duì)這類客戶群，企業(yè)應(yīng)當(dāng)致力于為顧客創(chuàng)造良好的消費(fèi)環(huán)境，并超越顧客的期望值，為企業(yè)創(chuàng)造價(jià)值.可以把這類客戶群視為企業(yè)的優(yōu)質(zhì)客戶.

客戶群8所占比例最大，高達(dá)總?cè)藬?shù)的32.94%，這類顧客的C（高單價(jià)消費(fèi)占比）是其優(yōu)勢(shì)且新鮮度可觀，然而F（購(gòu)買頻次）、M（購(gòu)買量）及L（入會(huì)時(shí)長(zhǎng)）都較低，無(wú)法給企業(yè)帶來(lái)豐厚的利潤(rùn).這與客戶群1情況類似，但從這幾個(gè)指標(biāo)來(lái)看這類客戶群的潛在價(jià)值較客戶群1低，可以把這類客戶群視為目標(biāo)客戶.

基于傳統(tǒng)的RFM模型，引入的指標(biāo)C（高單價(jià)消費(fèi)占比）是否對(duì)分類結(jié)果有影響，做了一個(gè)比較，在剔除指標(biāo)C的情況下，聚類結(jié)果見(jiàn)表6.

經(jīng)分析，剔除指標(biāo)C后分類結(jié)果大有不同，依照前文分析的方法可知，客戶群1～客戶群8分別可視為流失客戶、沉默客戶、活躍客戶、潛在客戶、高端客戶、目標(biāo)客戶、增長(zhǎng)性客戶和優(yōu)質(zhì)客戶8類.同引入指標(biāo)C相比不僅每類客戶群的人數(shù)、聚類中心發(fā)生變化，相應(yīng)的類別也有所改變.例如對(duì)于引入指標(biāo)C時(shí)，特殊客戶群6只有卡號(hào)為‘9001000320和‘9001000209的2位會(huì)員，他們是高端客戶.在未引入指標(biāo)C的模型中，分別被聚類到了客戶群1為流失客戶和客戶群4為潛在客戶.據(jù)以上分析可以總結(jié)，指標(biāo)C對(duì)客戶群分類結(jié)果有著重要的影響和意義.

根據(jù)以上對(duì)會(huì)員顧客價(jià)值的細(xì)分研究，可以將這幾類客戶群分為增長(zhǎng)性客戶、沉默客戶、潛在客戶、流失客戶、高端客戶、高端客戶、優(yōu)質(zhì)客戶和目標(biāo)客戶8類.單從這幾個(gè)指標(biāo)來(lái)看，企業(yè)應(yīng)當(dāng)根據(jù)這5類客戶群的不同顯著特征提供超越期望值的服務(wù)，有針對(duì)性、合理地分配企業(yè)資源，為企業(yè)獲得更多的收益.利用本文所提出的的客戶細(xì)分模型FRLMC，企業(yè)就可以針對(duì)現(xiàn)有的會(huì)員顧客根據(jù)其價(jià)值進(jìn)行分析評(píng)價(jià)，然后據(jù)此區(qū)別出不同價(jià)值的顧客群體，針對(duì)各自的優(yōu)勢(shì)劣勢(shì)特征做出相應(yīng)的策略，比如合理分配企業(yè)資源、做促銷活動(dòng)及電話營(yíng)銷等等，實(shí)現(xiàn)企業(yè)長(zhǎng)期價(jià)值最大化[11].

參考文獻(xiàn)

[1]?尚永偉.基于客戶價(jià)值的客戶關(guān)系管理研究 [D].武漢：武漢理工大學(xué)管理學(xué)院， 2008：1-2.

[2] 徐文瑞.基于RFM模型的顧客消費(fèi)行為與顧客價(jià)值預(yù)測(cè)研究 [J].商業(yè)經(jīng)濟(jì)研究，2017（19）：44-46.

[3] HUGHES ?A M. Strategic database marketing [M].Chicago：Probus Publishing Company，2005.

[4] 張良均， 王路， 譚利云，等. Python數(shù)據(jù)分析與挖掘?qū)崙?zhàn) [M].北京：機(jī)械工業(yè)出版社， 2017：164-179.

[5] HAN J， KAMBER M. Data mining： concepts and techniques [M]. San Francisco ：Morgan Kaufmann， 2001.

[6] 劉芝怡，陳功. 基于改進(jìn)K-means算法的RFAT客戶細(xì)分研究[J].南京理工大學(xué)學(xué)報(bào)，2014，38（4）：531-536.

[7] HUGHES ?A M. Boosting response with RFM [J]. American Demographics， 1996，5：4-9.

[8] MIGLAUSTSCH J R.Thoughts on RFM scoring [J].The Journal of Database MarKeting & Customer Strategy Management， 2000， 8（1）：67-72.

[9] 劉紫蓮，葉開(kāi).基于RFM和AHP的商品組合選擇方法[J].中國(guó)管理信息化， 2015，18（19）：171-172.

[10]劉朝華，梅強(qiáng)，蔡淑琴. 基于RFM的客戶分類及價(jià)值評(píng)價(jià)模型[J].技術(shù)經(jīng)濟(jì)與管理研究，2012（5）：33-36.

[11]徐翔斌，王佳強(qiáng)，涂歡，等. 基于改進(jìn)RFM模型的電子商務(wù)客戶細(xì)分[J].計(jì)算機(jī)應(yīng)用， 2012，32（5）：1439-1442.