基于RFM模型的品牌服裝會員價格容忍度和忠誠度的關聯(lián)

劉小紅， 鄭茵妮

(惠州學院 旭日廣東服裝學院，廣東 惠州 516007)

在網絡信息時代，消費者正加速進入以電商為特征的新零售業(yè)，網購已成為一種主流的消費模式。消費者的消費行為被電商平臺大數(shù)據記錄，經營者可以獲得消費者的詳細消費行為數(shù)據，如年齡、性別、職業(yè)、收入、地區(qū)、電話、體質量等基本資料，以及消費數(shù)量、單價、頻率、習慣、產品知識及消費體檢和評價等消費數(shù)據。在大數(shù)據支持下，經營者可對消費者貼標簽、畫像，建立服務于精準營銷或二次營銷的顧客關系管理數(shù)據庫，實現(xiàn)對客戶關系的分層、分級、分屬性多維度管理，形成了經營者與消費者之間深度聯(lián)系的廣義會員模式。會員顧客是創(chuàng)造高客單價、高毛利額的重要來源，李娟[1]認為，針對不同類型顧客進行差異化銷售，有助于提升企業(yè)的競爭力。應用顧客關系管理RFM模型對會員消費者消費行為數(shù)據進行挖掘與分析，制定針對性的營銷策略，能有效激活會員的消費行為，此方法已成為新零售業(yè)態(tài)提升銷售競爭力的重要途徑。

1 RFM模型理論研究現(xiàn)狀

RFM模型基于營銷理論中消費者細分模型，由此演繹出不同的分析模型。游晉峰[2]采用RFM模型方法，結合Apriori關聯(lián)算法將客戶劃分為重要保持、重要發(fā)展、重要挽留、一般挽留、一般發(fā)展、一般保持6大類，建立激活率模型，提出連帶銷售方案，從而提升購物籃系數(shù)。陳倩舒等[3]通過K-means聚類分析，對RFM模型中的參數(shù)賦予不同權重，以此計算客戶價值。趙偉[4]在RFM模型基礎上，增加會員注冊時間、折扣商品占比兩個分析維度，采用熵值法確定各指標權重，構建一個帶權重法LRPM細分模型，提高顧客價值分析的精確性。李明明[5]采用RFM模型和聚類分析方法，將VIP顧客分為優(yōu)質顧客、潛力顧客和易流失顧客3類，著重研究了易流失顧客的群體特征及應對策略。包志強[6]提出一種基于客戶消費行為視角的改進RFM模型，采用層次分析法確定模型中各個變量的權重,應用K-means聚類算法進行客戶細分,計算客戶對于商家的維護價值。KHAJVAND M[7]提供了CLV計算模型，采用適應性加權RFM模型估算客戶未來價值，從客戶生命周期價值角度估算客戶的未來潛力。

從不同的行業(yè)來看，董曉舟[8]關注零售電商020協(xié)同效應，采用Koyck模型和顧客RFM數(shù)據對顧客線上線下活躍度以及消費金額的協(xié)同效應進行驗證，且更深入地考察了會員等級對相關影響路徑的調節(jié)效應。在通信行業(yè)中，于興平[9]將數(shù)據挖掘技術應用于電信業(yè)務,提出了更為系統(tǒng)的客戶關系管理模型，除對客戶特征及客戶行為分析外，還包括了欺詐識別和預警系統(tǒng)。由于電商平臺具有數(shù)據多、客戶體量大、維度多等特點,研究者更多是從自身研究的角度，選用有限分析維度，如田青青[10]提出了基于顧客在線評論產生的口碑價值的RFMIS模型，然后將RFMIS模型運用到顧客細分的管理中。

在提高模型計算效率方面，賈桂霞等[11]使用速度更快的人工智能Python機器學習庫對客戶數(shù)據進行聚類分析，并且對模型的有效性選用肘方法和輪廓系數(shù)進行定量分析，其檢驗結果說服力較強。

分析以上文獻，發(fā)現(xiàn)各行業(yè)都需要能解決會員顧客畫像問題的細分模型，以便強化對會員消費者關系的管理。RFM模型是最基本的分析會員消費者價值的研究模型，而在具體研究過程中會對模型的參數(shù)、計算方法、計算工具進行改進。文中結合品牌服裝消費行為特點，對RFM模型中的M參數(shù)進行改進，應用因子分析、聚類分析以及波士頓四象限矩陣圖，從價格容忍度和忠誠度兩個維度對細分客戶類型進行可視化畫像描述，提出會員顧客的細分模型及營銷策略。

2 RFM模型分析方法

RFM模型分析主要是通過會員消費者畫像，為經營者提供服務于會員消費者的精準的產品、價格、促銷等方面的市場營銷策略。美國數(shù)據庫營銷研究所HUGHES A通過建立RFM模型，提出了分析客戶價值和客戶創(chuàng)利能力的3個參數(shù)，即最近購買時間(recency)、消費頻率(frequency)、消費金額(monetary),簡稱RFM模型。通過會員消費者消費行為數(shù)據挖掘，可為經營者創(chuàng)造更多二次銷售的機會，提高重復購買率。

2.1 M參數(shù)的改進

RFM模型從最近購買時間、消費頻率、總消費金額3個方面描述顧客的保鮮度、活躍度和消費能力，但總消費金額是總量指標[12]，并不能詳細描述消費數(shù)量、消費單價以及每次消費的客單價。因此，RFM模型中的3個參數(shù)，不能解釋顧客對高價商品(即高端商品)的偏好，也就難以區(qū)分顧客的消費層次；不能解釋會員每次購買的客單價，即集中購買的偏好，也就難以區(qū)分連帶銷售的水平。根據以上問題，對RFM模型中的M參數(shù)改進，增加兩個分析維度：

1)單筆最大消費金額。指在限定時間內，顧客多次消費中最大一次消費金額。該參數(shù)越大，表明連帶消費的水平越高，營銷推廣的效果越好。

2)高單價商品消費占比。指顧客在某類服裝消費中高單價商品購買金額占該類商品總消費金額的比例。該參數(shù)越大，表明顧客消費層次越高。通常高端顧客對普通消費者的引領作用大，所以其顧客價值較高。

2.2 因子分析

因子分析是一種數(shù)據壓縮技術，利用因子分析模型，根據變量之間的相關性，將個數(shù)較多的一組變量重構為個數(shù)較少的一組新變量。由于維度下降，能更好地應用重構變量來觀察分析個案的特征。改進后的RFM模型，引入了5個變量描述會員消費者特征。為了更好地觀察會員的消費特征，可利用數(shù)據壓縮技術，重構較少的公共因子，來表達會員價值的特征值。

2.3 聚類分析

聚類分析是根據若干個案觀察變量的特征，對個案進行細分，確定個案分類的一種分類計算模型。在給定的會員消費行為特征數(shù)據庫中，可以通過聚類算法將會員細分成一些不同的組。在理論上，相同組的數(shù)據之間有相同的屬性或特征，不同組數(shù)據之間的屬性或特征相差較大。常見的聚類方法有K-means聚類、DBSCAN以及用高斯混合模型(GMM)的最大期望(EM)聚類等。在K-means聚類中，通常使用時歐幾里得距離和余弦相似度來進行聚類計算。

歐幾里得距離計算公式為

式中：xi是個體X的第i個取值；yi是個體Y的的第i個取值。

余弦距離計算公式為

式中：Ai是個體A的第i個取值；Bi是個體B的第i個取值。

2.4 會員細分特征可視化描述

應用聚類分析將會員消費者分成了若干類別，需要對這些類別特征進行描述或畫像，會員細分特征描述的可視化分析工具包括雷達圖、波士頓矩陣等方法。

3 品牌服裝會員價值分析實例

3.1 RFM改進模型參數(shù)計算

選擇某品牌服裝2年會員線上消費流水數(shù)據共81 634條記錄，數(shù)據庫包含的變量有：訂單號、流水號、產品代碼、顏色、尺碼、購買件數(shù)、購買價格、售價、進價、原價、購買時間、購買日期、會員號、折扣類型。通過數(shù)據清洗，將空白值、異常值去除，計算RFM改進模型的5個參數(shù)，計算結果見表1。

表1 RFM改進模型參數(shù)計算

3.2 數(shù)據標準化

RFM改進模型的5個參數(shù)具有不同的量綱和數(shù)量級，在進行聚類分析前，需要將這些數(shù)據標準化。本案例應用SPSS工具，采用z分數(shù)標準化。數(shù)據標準化的計算公式為

3.3 提取公共因子

1)檢測因子分析的顯著性。應用KMO(kaiser-meyer-olkin)檢驗統(tǒng)計量對分析變量間相關系數(shù)和偏相關系數(shù)。檢驗結果見表2。KMO得分0.602，大于閾值0.5，滿足因子分析的最低標準，且具有顯著性。

2)應用因子旋轉提高公共因子的載荷系數(shù)。常用的旋轉方法有方差極大的正交旋轉、方差極大的斜交旋轉因子兩種[13]。本案例選擇正交旋轉方法，計算結果見表3和表4。5個變量經因子分析計算后，重構為兩個公共因子，起始特征值前兩個因子累加的貢獻率為81.005%,表明因子旋轉效果良好。

表2 KMO 與 Bartlett 檢定表

表3 旋轉系數(shù)矩陣表

表4 變異數(shù)總計表

3)對因子旋轉提取的兩個公共因子進行定義。①價格容忍度。旋轉系數(shù)矩陣表中，第1個因素由消費金額、最大消費金額、高單價占比3個因素構成，其解釋比例分別達到0.925，0.820，0.791，此因子可解釋為會員價格容忍度，反映會員在消費價格水平、消費能力及消費集中度3方面的偏好或傾向。②忠誠度。旋轉系數(shù)矩陣表中，第2個因素由消費頻率構成，其解釋比例達到0.735，此因子可解釋為會員忠誠度，反映會員對品牌偏好程度。值得注意的是，該模型中的第1個參數(shù)“最近購買時間”，并沒包含在兩個公共因子中，因此本案例中，該指標對會員顧客細分并沒有價值。

3.4 會員類別細分與畫像

利用價格容忍度和忠誠度2個公共因子，采用K-means聚類分析，對會員進行類別細分，形成了4類會員群體，分析結果見表5。

4類會員群體的具體特征波士頓矩陣畫像如圖1所示。由圖1可以看出，第1類顧客的忠誠度和價格容忍度都很高，屬于優(yōu)質會員。第2類客戶的忠誠度高,但價格容忍差，屬于潛力會員，這類顧客雖然消費力度不夠，但是仍會定期消費。對于這類顧客要做到節(jié)流,且及時傳遞店鋪新品信息。第3類客戶忠誠度低，但是價格容忍度還行，屬于潛力會員，對于這類顧客，可在營銷時給他們推薦單價較高的商品來提高客單價，并且需要分析他們的購買記錄，做到商品的精準推薦，找一個最恰當?shù)睦碛纱偈顾麄兲岣呋刭忣l率。第4類客戶忠誠度和價格容忍度都很差，屬于易流失會員，在資源配置不足時，可選擇不將資源投入該類客戶。

表5 價格容忍度和忠誠度平均值

圖1 會員忠誠度-價格容忍度四象限圖

3.5 會員差異化產品策略

服裝品牌企業(yè)針對會員的差異化產品策略一般包括產品的價位線和貨齡兩個營銷變量。產品價位可按商品類別劃分為高價位、中價位、低價位3檔。產品貨齡可按貨品投放時間，劃分為當季商品、過季商品和過期商品3類[14]，兩個營銷變量可形成9種產品組合策略。

由于忠誠度高的顧客更愿意試用新產品，很容易成為企業(yè)的種子消費者，因此，新產品投放更傾向于第1，2類顧客，過季產品可適度投放。對于忠誠度低的顧客，要限制營銷資源配置，以過季產品、過期產品投放為主。價格容忍度高的會員更愿意購買高檔產品，對價格的敏感度較低。高價位、中價位產品投放更傾向于第1，3兩類顧客；中價位、低價位產品投放更傾向于第2，4兩類顧客。根據以上分析，形成會員購物籃產品組合推送策略，具體見表6。

表6 會員購物籃產品組合推送策略

4 結語

1)通過引入“單筆最大消費金額、高單價商品消費占比”兩個變量，對RFM模型的M參數(shù)進行改進，有助于更精準地描述品牌服裝會員的消費行為特征。

2)應用K-means聚類算法提取能反映會員消費行為特征的“價格容忍度”和“忠誠度”兩個公共因子，以較少的變量對會員進行畫像，有助于提高會員細分的效率與效果。

3)應用“價格容忍度和忠誠度”將會員分為4類，并針對產品的價位線和貨齡兩個營銷變量提出了差異化產品組合策略。