基于LRFMC模型的客戶價值數(shù)據(jù)挖掘方案

楊雄　徐鑫榮

摘要：人工成本永遠(yuǎn)是企業(yè)運(yùn)營預(yù)算的重中之重，數(shù)據(jù)挖掘可以有效發(fā)現(xiàn)數(shù)據(jù)中包含的客戶價值，提供不同客戶群體的針對性服務(wù)，合理布局和提高現(xiàn)有客服人員的資源效率?；赗FM模型提出了LRFMC客戶價值評價模型，通過對比特征值的權(quán)重，利用K-means聚類算法，將客戶群體按不同特征進(jìn)行分類，根據(jù)客戶價值等級，針對高價值優(yōu)質(zhì)用戶和低價值潛在用戶展開數(shù)據(jù)分析。

關(guān)鍵詞：客戶價值;聚類分析;LRFMC模型;數(shù)據(jù)挖掘

中圖分類號：TP311? ? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2021）06-0022-04

數(shù)據(jù)挖掘終極目標(biāo)是為了發(fā)現(xiàn)數(shù)據(jù)更多的價值，在大數(shù)據(jù)時代下[1]，不單單只是將數(shù)據(jù)的量提升到一個前所未有的地步，還將數(shù)據(jù)的時效性進(jìn)一步地延長了，數(shù)據(jù)之間已經(jīng)不再是最開始的因果關(guān)系，而是潛藏著彼此之間重要的相關(guān)性[2]。換句話說，數(shù)據(jù)挖掘的真正目的不單單是挖掘數(shù)據(jù)的現(xiàn)有特征，而是通過分析關(guān)聯(lián)性，探索出更深層次的價值，從而為企業(yè)帶來利潤。作為商業(yè)數(shù)據(jù)的挖掘，不單單需要優(yōu)質(zhì)的算法，還需要一些貼近業(yè)務(wù)的數(shù)據(jù)模型。從算法的完善到整個模型的建立，現(xiàn)階段的數(shù)據(jù)挖掘，也從對數(shù)據(jù)本身和算法的關(guān)注，逐漸變成了對整個業(yè)務(wù)模型的關(guān)注，數(shù)據(jù)挖掘的核心也不單單只是對算法的追求，還包括了數(shù)據(jù)模型的建立和數(shù)據(jù)的應(yīng)用[3]。

在目前數(shù)據(jù)研究領(lǐng)域[4]，雖然數(shù)據(jù)挖掘已經(jīng)是一個熱門話題，但很難在中小型企業(yè)真正地實(shí)施起來，更多的是在為大型企業(yè)或者政府機(jī)關(guān)服務(wù)[5]。其根本原因在于中小型企業(yè)的數(shù)據(jù)挖掘成本永遠(yuǎn)是經(jīng)營預(yù)算的重中之重。一個好的模型與算法，可以提高客服人員的效率，提高他們面對客戶的有效性。利用將客戶分群所得出的結(jié)果，將高質(zhì)量客戶從客戶群中分離出來，使客服能夠針對性地提供高質(zhì)量服務(wù)[6，7]。而對低價值的潛在用戶進(jìn)行分析，思考是公司服務(wù)問題還是客戶本身問題，從而可以更好地做出經(jīng)營策略的改變。本文使用LRFMC客戶價值評價模型和k-means聚類算法，利用開源數(shù)據(jù)分析高質(zhì)量用戶和低質(zhì)量用戶的特征構(gòu)成，為企業(yè)決策層提供有針對性的參考建議，從而提高企業(yè)工作效率和降低運(yùn)營成本[8，9]。

1 客戶價值RFM模型

研究客戶價值的模型有很多，而最常見的應(yīng)該就是RFM模型。RFM模型主要是來評價客戶這兩方面：客戶本身價值和他所能帶來的價值。該模型通過一個客戶的近期消費(fèi)行為（Recency）、購買行為的頻率（Frequency）以及消費(fèi)的能力（Monetary）這三項(xiàng)的指標(biāo)來說明該客戶對企業(yè)的價值影響。

1.1 RFM模型關(guān)鍵特征介紹

（1）特征R說明

R（Recency） 指的是客戶在離數(shù)據(jù)統(tǒng)計(jì)的截止日期前最近一次消費(fèi)的時間間隔。在該模型中，如果最近一次的消費(fèi)時間與截止的時間間隔越短，那么就意味著用戶對現(xiàn)在的服務(wù)或者商品比較感興趣。最近一次的消費(fèi)時間與截止時間的間隔不僅僅為確定客戶的消費(fèi)群體提供的依據(jù)，還可以看出企業(yè)的發(fā)展趨勢，如果距離最近一次消費(fèi)時間很近的客戶在增加，那么就說明客戶來往的頻率很高，這也從側(cè)面反映了企業(yè)的趨勢是在穩(wěn)定增長。反之，如果最近一次消費(fèi)的時間與截止時間越長，那么就說明客戶來企業(yè)消費(fèi)的次數(shù)越來越少，也就說明企業(yè)在流失客戶。

（2）特征F說明

F（Frequency）指的是在統(tǒng)計(jì)的時間段內(nèi)作為客戶他所消費(fèi)的次數(shù)。很顯然，假如一個客戶的消費(fèi)頻率越高，那么就能從側(cè)面說明這個客戶對企業(yè)的滿意度越高，他對企業(yè)的質(zhì)量也就越高，而作為服務(wù)業(yè)來說，增加客戶的消費(fèi)頻率也是增加營業(yè)額最有效的手段，同時還能為企業(yè)搶奪競爭對手的市場。所以企業(yè)要在消費(fèi)頻率下降的時候，要推出促銷活動，來增加消費(fèi)。

（3）特征M說明

M（Monetary）指的是客戶在統(tǒng)計(jì)的段時間內(nèi)消費(fèi)金額的多少。基本上對于企業(yè)來講，如果一個客戶消費(fèi)的越多，那么就說明作為單個客戶的消費(fèi)能力也就越強(qiáng)。企業(yè)里最常說的二八法則，通常意義就是百分之20的客戶貢獻(xiàn)了企業(yè)百分之八十的銷售額。而這些用戶，也是企業(yè)在進(jìn)行營銷活動時不得不特殊照顧的群體，尤其在商家資源預(yù)算不足時，這類群體更是應(yīng)該挽留和重點(diǎn)照顧的對象。

在傳統(tǒng)的RFM模型中，離截止統(tǒng)計(jì)時間最近的一次消費(fèi)時間間隔，消費(fèi)頻率以及消費(fèi)金額的多少都是評價客戶價值最重要的特征，其中離截止統(tǒng)計(jì)時間最近一次消費(fèi)時間的間隔是最有力的特征。

1.2 RFM模型結(jié)果解讀

RFM因?yàn)榘?個特征，所以此處選擇使用三維坐標(biāo)系來進(jìn)行解讀。如圖1所示橫軸表示Recency，縱軸表示Frequency，豎軸表示Monetary，每個軸一般使用5級表示程度，1為最小，5為最大。在這里需要特別說明的是，在x軸上，R越大，那么這類客戶離截止統(tǒng)計(jì)時間最近一次消費(fèi)時間的間隔越短，該用戶的價值在這一維度上也就越高。將每個軸上劃分為5個等級，等同于將客戶劃分成5*5*5=125種類型。在圖1中，左上方角的客戶R，F(xiàn)，M特征取值為1，5，5，說明這類客戶在最近一段時間內(nèi)沒有消費(fèi)，因?yàn)镽值最小。原因可能包括客戶對當(dāng)前服務(wù)的不滿，或者其他商家的活動更多，導(dǎo)致該類客戶的流失，而這一類用戶的價值恰恰是最高的，在表現(xiàn)出人數(shù)降低時，就應(yīng)該引起企業(yè)的警覺。F如果越高，則說明客戶很活躍，經(jīng)常進(jìn)行消費(fèi);消費(fèi)金額M越高，則說明該用戶擁有很高的消費(fèi)能力，也應(yīng)該值得商家重視。同樣，如果客戶的R，F(xiàn)，M這三個特征最高，如都取5，5，5，那么就說明無論從哪個方面來講該用戶都是最優(yōu)質(zhì)的用戶，即該用戶近期進(jìn)行了消費(fèi)，消費(fèi)頻率高而且消費(fèi)金額也大。這樣的用戶是企業(yè)利益最主要的貢獻(xiàn)者，需要被重點(diǎn)關(guān)注和維護(hù)。

2 LRFMC模型的設(shè)計(jì)

雖然在衡量客戶價值時，已經(jīng)提出了RFM模型，其中消費(fèi)金額M直接反映了在統(tǒng)計(jì)時間內(nèi)客戶在該企業(yè)消費(fèi)的情況。但在運(yùn)輸行業(yè)比如航空產(chǎn)業(yè)、快遞產(chǎn)業(yè)中，消費(fèi)金額M受到運(yùn)輸距離、艙位等級等各種因素的影響，而且即使客戶消費(fèi)金額一樣，對運(yùn)輸類公司而言，所帶來的價值也是不一樣的，因?yàn)樾枰紤]到該客戶運(yùn)輸距離的長短，是否經(jīng)常消費(fèi)，艙位等級或運(yùn)輸保單高低等因素。本文模型采用的數(shù)據(jù)集是一家航空公司的客戶數(shù)據(jù)，其觀測窗口的時間寬度為兩年，該數(shù)據(jù)集總共有62988條客戶檔案信息和乘坐航班的記錄，數(shù)據(jù)特征如表格1所示，主要由三個部分組成，第一部分是客戶的基本信息，第二部分是客戶的乘機(jī)信息，第三部分保存的是客戶積分信息。

LRFMC模型選擇客戶在特定時間段內(nèi)積累的飛行里程M和客戶在特定時間段內(nèi)乘坐艙位所對應(yīng)的折扣系數(shù)的平均值C兩個特征來代替RFM模型的消費(fèi)金額M。此外，在LRFMC模型中我們又增加了客戶關(guān)系長度L。改進(jìn)后LRFMC模型的5個特征構(gòu)建過程具體如下所述：

（1）第一個特征是L。L是客戶加入會員的時間到統(tǒng)計(jì)截止時間的間隔，單位是月份，其中LOAD_TIME代表觀測窗口的結(jié)束時間，F(xiàn)FP_DATE代表入會時間，如公式1所示：

L=LOAD_TIME-FFP_DATE? ? ? ? ? ? ? ? ? ? ? （1）

（2）第二個特征是R，即LAST_TO_END。這里的R與傳統(tǒng)RFM模型里的R其實(shí)含義相同，指的都是客戶最后一次消費(fèi)時間到統(tǒng)計(jì)截止時間的間隔，在航空公司里就是指客戶最后一次乘機(jī)時間到統(tǒng)計(jì)時間間隔了多久，單位是月份，如公式2所示：

R=LAST_TO_END? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

（3）第三個特征是F，即FLIGHT_COUNT。F在傳統(tǒng)RFM模型中，指的是消費(fèi)頻率，在航空公司的實(shí)際業(yè)務(wù)里，指客戶在觀測窗口時間內(nèi)所乘機(jī)的次數(shù)。單位是次數(shù)，如公式3所示：

F=FLIGHT_COUNT? ? ? ? ? ? ? ? ? ? ?（3）

（4）第四個特征是M，即SEG_KM_SUM。在RFM模型中M是客戶的消費(fèi)金額，而在本文里結(jié)合航空公司的實(shí)際業(yè)務(wù)，M是客戶在觀測時間窗口內(nèi)的總飛行里程。單位是千米，計(jì)算公式如4：

M=SEG_KM_SUM? ? ? ? ? ? ? ? ? ?（4）

（5）第五個特征是C，即AVG_DISCOUNT。傳統(tǒng)客戶價值RFM模型里沒有該特征，在航空公司數(shù)據(jù)集中，C是指在觀測窗口時間內(nèi)客戶乘坐艙位的折扣系數(shù)。無單位，計(jì)算公式如5：

C=AVG_DISCOUNT? ? ? ? ? ? ? ? ? ?（5）

3 基于LRFMC模型的客戶價值聚類分析

聚類分析就是通過對數(shù)據(jù)集所表現(xiàn)出的特征，根據(jù)需求將數(shù)據(jù)特征相似的數(shù)據(jù)分為一組，并不斷進(jìn)行迭代操作，直到各個數(shù)據(jù)組間的數(shù)據(jù)到質(zhì)心的位置不再有變化。本文結(jié)合了LRFMC模型的五個特征來將數(shù)據(jù)合理的劃分為5個組別，因此在k-means算法中選擇初始聚類種子數(shù)為5。通過k-means聚類算法隨機(jī)選擇5個數(shù)據(jù)作為質(zhì)心，迭代計(jì)算每個數(shù)據(jù)到質(zhì)心的距離，并根據(jù)距離遠(yuǎn)近來調(diào)節(jié)質(zhì)心距離和給數(shù)據(jù)集分組，直到數(shù)據(jù)的位置不再發(fā)生變化。

3.1 散點(diǎn)圖的聚類分析

散點(diǎn)圖最適合在二維空間里對數(shù)據(jù)集進(jìn)行可視化，因?yàn)樗軌蛑庇^的表示出聚類后每一個樣本數(shù)據(jù)的在空間的分布情況，也能夠很容易看到每一個聚類中心所處的位置。選取R語言stats庫中的K-Means函數(shù)將處理后的數(shù)據(jù)集進(jìn)行k-means聚類分析，選取特征M和特征F分別作為橫坐標(biāo)及縱坐標(biāo)，結(jié)果如圖2所示：

可以發(fā)現(xiàn)由于樣本數(shù)量過多，散點(diǎn)圖分布過于密集，而且散點(diǎn)圖只能展示二維平面下的數(shù)據(jù)分布情況，比較各個特征的大小就極為不方便?？紤]到所選取可視化方案要能夠從多維度展示數(shù)據(jù)的結(jié)果，而且能夠清晰地比較出每個數(shù)據(jù)特征之間的差異，本文采取了可以從多個維度展現(xiàn)出多變量特征情況的雷達(dá)圖。

3.2 雷達(dá)圖的聚類分析

雷達(dá)圖可以從多維度來分析和構(gòu)建數(shù)據(jù)集的聚類結(jié)果，并且將這些數(shù)據(jù)利用比率表示出來，填寫到一張可以展示出其中每個特征比率關(guān)系的等比例圖形上。本文選用的是R語言內(nèi)置庫fmsb的radarchart函數(shù)，代碼如圖3所示：

在代碼中，我們首先導(dǎo)入了fmsb函數(shù)庫，然后使用apply函數(shù)，取出每個特征下的最大最小值，并使用date.frame函數(shù)構(gòu)建了新的數(shù)據(jù)集。在radarchart函數(shù)的使用中，第一個參數(shù)填入的是數(shù)據(jù)，在后面的參數(shù)中，我們指定了每個軸的段數(shù)為5，字體大小為1，線寬為1，雷達(dá)圖效果如圖4：

從雷達(dá)圖的展示效果上看，我們很容易就發(fā)現(xiàn)各個客戶群的特征情況。而且每個客戶群都有屬于自己的顏色和線條類型，比起之前的散點(diǎn)圖，我們更直觀地感受到不同群體間的特征差異。 結(jié)合雷達(dá)圖展示的特征，我們很容易得出這樣的結(jié)果，如客戶群1的L特征最大，以此類推，得到各個客戶群的特征表整理如表2所示。

我們根據(jù)每個客戶群的不同特征表現(xiàn)，定義每個客戶群的重要程度。

（1）重要保持客戶：該一類客戶的特征是，折扣系數(shù)C較高，即代表乘坐航班的艙位等級較高，且距離最后一次統(tǒng)計(jì)時間長度低，飛行次數(shù)F或者飛行里程M較高。這些特征都說明了這類客戶對公司的貢獻(xiàn)是占主體的，也是最值得重視和資源傾斜的。

（2）重要發(fā)展客戶：該類客戶的特征是，平均折扣系數(shù)C較高，但距離最后一次統(tǒng)計(jì)時間長度R較低，但飛行次數(shù)F或者總飛行里程M較低。這類客戶目前看似價值不大，但只要公司能夠加以引導(dǎo)，那么在接下來的時間中，很有可能成為重要保持客戶。

（3）重要挽留客戶：該類客戶的特征是，平均折扣系數(shù)C，飛行次數(shù)F或者總飛行里程M較高，但是距最后一次統(tǒng)計(jì)時間長度R較高或者乘坐頻率F較小。這類客戶變化較大，所以要重點(diǎn)聯(lián)系。

（4）一般客戶與低價值客戶：該類客戶的特征是，平均折扣系數(shù)C很低，最近乘機(jī)距最后一次統(tǒng)計(jì)時間長度R高，飛行次數(shù)F和總飛行里程M都很低，會員入會時間短。

經(jīng)過分析后，給出的客戶群價值排名如表3所示。

4 總結(jié)與展望

本文針對當(dāng)前企業(yè)客戶價值的挖掘分析不足，提出了一種基于LRFMC的客戶價值評價方法。該方法不同于已有客戶價值RFM評估模型只考慮客戶的消費(fèi)額度、消費(fèi)頻率、消費(fèi)時間間隔等參數(shù);而是同時考慮了客戶關(guān)系時間和消費(fèi)折扣系數(shù)2個屬性，引入LRFMC模型和雷達(dá)圖來提高客戶群體特征值的表述效果。實(shí)驗(yàn)結(jié)果證明相對于傳統(tǒng)二維散點(diǎn)圖的聚類分析評估方法，采用本文提出的方法能夠更有效地對客戶群體進(jìn)行分類和更細(xì)粒度地對客戶群體特征進(jìn)行有效區(qū)分。由于該模型是建立在歷史數(shù)據(jù)上的，所以為了確保模型的穩(wěn)定性，需要積攢足夠數(shù)據(jù)后，更新運(yùn)行模型結(jié)果。并且由于沒有正確的基準(zhǔn)值作為參考，每次運(yùn)行后都需要做后續(xù)的觀察與監(jiān)測，若增量數(shù)據(jù)的實(shí)際情況與判斷的結(jié)果變化差異過大，就應(yīng)查看變化原因，改進(jìn)模型或者針對客戶做出一些業(yè)務(wù)上的調(diào)整。

參考文獻(xiàn)：

[1] 孟小峰， 慈祥， 大數(shù)據(jù)管理：概念、技術(shù)與挑戰(zhàn)[J]. 計(jì)算機(jī)研究與發(fā)展， 2013（50）： 146-169.

[2] Güden S， Gursoy U T. Online Shopping Customer Data Analysis by Using Association Rules and Cluster Analysis[J]. Lecture Notes in Computer Science， 2013， 7987：127-136.

[3] Held F P， Blyth F， Gnjidic D， et al. Association Rules Analysis of Comorbidity and Multimorbidity： The Concord Health and Aging in Men Project[J]. Journals of Gerontology， 2015， 71（5）：217-223.

[4] 李健， 王小蒙. 基于R語言的數(shù)據(jù)挖掘工具的設(shè)計(jì)[J]. 內(nèi)蒙古科技與經(jīng)濟(jì)， 2017（24）：58-59.

[5] 普拉迪帕塔·米什拉.R語言數(shù)據(jù)挖掘：實(shí)用項(xiàng)目解析[M].機(jī)械工業(yè)出版社，2017：110-135

[6] 羅亮生， 張文欣. 基于客戶價值的航空公司客戶關(guān)系管理策略[J]. 企業(yè)經(jīng)濟(jì)，2008（12）： 20-22.

[7] 陳慧敏. 云計(jì)算模式在客戶關(guān)系管理系統(tǒng)中的應(yīng)用[J]. 現(xiàn)代商貿(mào)管理， 2013（8）：160-161.

[8] 耿向華. 數(shù)據(jù)挖掘在旅游商務(wù)系統(tǒng)中的應(yīng)用研究 [J]. 魅力中國 ，2013，5（27）：287-288.

[9] 郭良. 基于數(shù)據(jù)挖掘技術(shù)的客戶信息分析 [D]. 上海：華東師范大學(xué)，2015.

【通聯(lián)編輯：王力】