基于大數(shù)據(jù)挖掘的廣播電視客戶價(jià)值分析

戴新建

【摘 要】以客戶價(jià)值理論為基礎(chǔ)，建立了基于 LRFMC 模型的廣播電視用戶價(jià)值評(píng)估模型，利用python網(wǎng)絡(luò)爬蟲獲取用戶數(shù)據(jù)進(jìn)行實(shí)證分析，對(duì)數(shù)據(jù)進(jìn)行清洗和標(biāo)準(zhǔn)化處理，并利用K-Means聚類分析對(duì)用戶進(jìn)行合理分類。通過(guò)比較不同類型用戶的價(jià)值，對(duì)不同類別用戶采用區(qū)別化的營(yíng)銷策略。

【關(guān)鍵詞】大數(shù)據(jù)挖掘;客戶價(jià)值分析;聚類分析

中圖分類號(hào)： F831.2;TP311.13 文獻(xiàn)標(biāo)識(shí)碼： A文章編號(hào)： 2095-2457（2019）34-0223-001

DOI：10.19694/j.cnki.issn2095-2457.2019.34.105

Customer Value Analysis of Radio and Television Based on Big Data Mining

DAI Xin-jian

（Changsha Social work college，Changsha Hunan 410004， China）

【Abstract】Based on the theory of customer value， a radio and television user value evaluation model based on lrfmc model is established. The user use data obtained by Python web crawler is used for empirical analysis， data is cleaned and standardized， and users are reasonably classified by K-means clustering analysis. By comparing the value of different types of users， different marketing strategies are adopted for different types of users.

【Key words】Big data mining; Customer value analysis; Cluster analysis

0 引言

目前我國(guó)已經(jīng)全面進(jìn)入“三網(wǎng)融合”時(shí)代，伴隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，傳統(tǒng)的廣播電視網(wǎng)絡(luò)也開(kāi)始朝著綜合信息網(wǎng)絡(luò)的方向轉(zhuǎn)變，開(kāi)始向用戶提供了基于信息實(shí)時(shí)交互的全方位、個(gè)性化的產(chǎn)品營(yíng)銷和有償服務(wù)。在這個(gè)背景下，如何利用大數(shù)據(jù)技術(shù)建立客戶價(jià)值分析模型，按用戶價(jià)值對(duì)用戶進(jìn)行合理劃分，并根據(jù)采取多樣性營(yíng)銷手段，是廣播電視網(wǎng)絡(luò)企業(yè)實(shí)現(xiàn)客戶保持、提高市場(chǎng)競(jìng)爭(zhēng)力的重要途徑。

1 客戶價(jià)值分析模型

客戶價(jià)值模型是基于價(jià)值聚類的思想，按照價(jià)值貢獻(xiàn)度對(duì)客戶進(jìn)行等級(jí)劃分。根據(jù)電視廣播用戶特點(diǎn)建立LRFMC模型，包含觀看頻率（F）、觀看節(jié)目總時(shí)長(zhǎng)（C）、入網(wǎng)總時(shí)長(zhǎng)（L）、距最近觀看時(shí)間（R）、消費(fèi)總金額（M）等五個(gè)指標(biāo)。具體指標(biāo)定義如表1所示。

表1 LRFMC模型指標(biāo)釋義表

2 基于LRFMC模型的客戶價(jià)值分析

本文利用python網(wǎng)絡(luò)爬蟲收集了2019年7月至8月的1966個(gè)廣播電視用戶的2741912條收視信息，利用基于LRFMC模型利用K-means聚類分析方法，進(jìn)行客戶價(jià)值分析。

2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理包括數(shù)據(jù)清洗和標(biāo)準(zhǔn)化兩個(gè)步驟。數(shù)據(jù)清洗過(guò)程剔除了信息不完整及不合理的數(shù)據(jù)，并利用正則表達(dá)式影片名進(jìn)行了清洗，最終保留了1956個(gè)用戶的2651232條有效數(shù)據(jù)。同時(shí)，為了消除量綱對(duì)聚類分析的影響，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化處理。

2.2 K-means聚類

利用輪廓系數(shù)（Silhouette Coefficient）得分來(lái)確定最佳聚類組數(shù)，運(yùn)用python計(jì)算可得組數(shù)為2～8時(shí)的輪廓系數(shù)得分，如圖1所示。顯然，當(dāng)聚類組數(shù)為5時(shí)輪廓系數(shù)得分最高，為最佳聚類組數(shù)。

2.3 聚類結(jié)果分析

通過(guò)聚類分析，我們從數(shù)量和價(jià)值兩個(gè)維度將所有客戶分為五類，各類別用戶數(shù)和占比情況如表2所示。

對(duì)于客戶類型采取不同的營(yíng)銷策略：對(duì)于低價(jià)值用戶，應(yīng)該以廣告營(yíng)銷為主，注重信息傳達(dá)率，保持黏性，及時(shí)進(jìn)行引導(dǎo);對(duì)于重要保持用戶，應(yīng)實(shí)施跟蹤營(yíng)銷，快速響應(yīng)并提供個(gè)性化服務(wù)促進(jìn)用戶升級(jí);對(duì)于重要發(fā)展用戶，應(yīng)以提供個(gè)性化服務(wù)為主，提升此類用戶的體驗(yàn)和滿意度;對(duì)于重點(diǎn)挽留用戶，應(yīng)作為重點(diǎn)聯(lián)系對(duì)象，通過(guò)各種措施延長(zhǎng)客戶生命周期;對(duì)于高價(jià)值用戶，應(yīng)該挖掘這類用戶的個(gè)性化需求，提供個(gè)性化服務(wù)以及增值服務(wù)，提高此類用戶的滿意度和忠誠(chéng)度。

3 結(jié)語(yǔ)

客戶是市場(chǎng)競(jìng)爭(zhēng)中的重要資源，有效的客戶關(guān)系管理能通過(guò)客戶認(rèn)知、識(shí)別與保留來(lái)實(shí)現(xiàn)潛在客戶的挖掘和高價(jià)值客戶的發(fā)現(xiàn)。通過(guò)建立客戶價(jià)值模型，按價(jià)值貢獻(xiàn)大小細(xì)分客戶類型，采取精細(xì)化的營(yíng)銷策略，是客戶關(guān)系管理的重點(diǎn)環(huán)節(jié)，也是實(shí)現(xiàn)企業(yè)盈利率最大化的重要途徑。

【參考文獻(xiàn)】

[1]鄧基剛，鄭成德，劉景燕.基于RFM模型的煙草客戶聚類分析研究[J].價(jià)值工程，2015（6）：21-22.

[2]綦欣德.客戶細(xì)分方法新視角[J].商業(yè)時(shí)代，2013，26：31-33.

[3]于輝，廖小紅.客戶細(xì)分方法綜述[J].中小企業(yè)管理與科技（下旬刊），2014（11）：17-18.

[4]郭崇.基于大數(shù)據(jù)分析的網(wǎng)購(gòu)客戶忠誠(chéng)度建模仿真[J]. 計(jì)算機(jī)仿真，2015（1）：61-63.