基于RFME模型和AdaBoost分類器的電子商務(wù)客戶關(guān)系研究

陳俊龍 吳麗麗

摘 要：為進(jìn)一步探究和分析電子商務(wù)客戶關(guān)系，本文提出e價值的指標(biāo)體系和計算方法，同時基于使用k-means方法對客戶進(jìn)行分類，實現(xiàn)對客戶關(guān)系的深層發(fā)掘?；诟倪M(jìn)的RFM模型實現(xiàn)了對客戶的辨別與分類功能，對不同客戶的e價值能進(jìn)行有效預(yù)測，同時可以為企業(yè)在電商相關(guān)領(lǐng)域營銷策略的差異化實施提供依據(jù)。對客戶關(guān)系進(jìn)行深層細(xì)分。同時基于AdaBoost分類器，提出以C5.0決策樹作為基分類器的客戶保持與流失預(yù)測模型，降低錯誤預(yù)測成本，精準(zhǔn)識別高價值客戶。

關(guān)鍵詞：RFM;AdaBoost;電子商務(wù);客戶價值

中圖分類號：TP391. 41 文獻(xiàn)標(biāo)識碼：A DOI：10.3969/j.issn.1003-6970.2021.03.001

本文著錄格式：陳俊龍，吳麗麗.基于RFME模型和AdaBoost分類器的電子商務(wù)客戶關(guān)系研究[J].軟件，2021，42（03）：001-007

Research on E-commerce Customer Relationship Based on RFME Model and AdaBoost Classifier

CHEN Junlong， WU Lili

（College of Information Science and Technology， Gansu Agricultural University， Lanzhou? Gansu? 730070）

【Abstract】：In order to further explore and analyze the relationship between e-commerce customers， this article proposes an index system and calculation method for e-value， and at the same time classifies customers based on the use of k-means method to realize in-depth exploration of customer relationships. Based on the improved RFM model， the function of identifying and categorizing customers is realized， and the e-value of different customers can be effectively predicted. At the same time， it can provide a basis for the differentiated implementation of marketing strategies for companies in the e-commerce-related fields. In-depth segmentation of customer relationships. At the same time， based on the AdaBoost classifier， a customer retention and churn prediction model based on the C5.0 decision tree is proposed to reduce the cost of error prediction and accurately identify high-value customers.

【Key words】：RFM;AdaBoost;E-commerce;customer relationship management

0 引言

在網(wǎng)絡(luò)技術(shù)日新月異的當(dāng)下，電子商務(wù)平臺已經(jīng)深入各行各業(yè)中，生活中處處可見電商領(lǐng)域的產(chǎn)品或服務(wù)。在社會發(fā)展和進(jìn)步的同時，電子商務(wù)區(qū)別于以往傳統(tǒng)的消費模式，作為全新的形式?jīng)_擊全國受眾的普遍認(rèn)知，并使其購買行為產(chǎn)生了或多或少的變化。據(jù)資料顯示，截止2015年，我國互聯(lián)網(wǎng)用戶已逾6億，到2019年6月，我國網(wǎng)民規(guī)模升至8.54億，手機網(wǎng)民規(guī)模達(dá)8.47億，網(wǎng)絡(luò)普及率超過61.2%。至2020年3月，我國互聯(lián)網(wǎng)普及率已達(dá)到64.5%，網(wǎng)絡(luò)購物用戶規(guī)模達(dá)7.10億，近2015年的兩倍[1]。

2019年，我國互聯(lián)網(wǎng)交易規(guī)模達(dá)10.63萬億元，與繁榮發(fā)展的互聯(lián)網(wǎng)業(yè)態(tài)相對應(yīng)，在全新商務(wù)模式下，對消費者管理和客戶價值認(rèn)知評估模式也需要推動發(fā)展與轉(zhuǎn)型。與傳統(tǒng)行業(yè)的銷售模式相比，在電子商務(wù)環(huán)境下，消費者的選擇空間極度擴(kuò)大，信息流動迅速，客戶留存率大大降低。有研究顯示，電商環(huán)境下，客戶流失率可高達(dá)80%，而獲取新客戶比保持現(xiàn)有客戶的成本高得多，與前者相比，客戶留存可節(jié)約4～6倍獲客成本[2]。對電信運營商來說，用戶保持率增加5%，即可為運營商帶來85%的利潤成長。對傳統(tǒng)零售行業(yè)來說，在電子商務(wù)運營中提高復(fù)購率，大幅降低營銷成本和服務(wù)成本，減少高價值客戶流失是維持企業(yè)在電商領(lǐng)域長期發(fā)展的重要途徑[3-4]?；诳蛻絷P(guān)系理論對電商平臺現(xiàn)有客戶進(jìn)行關(guān)系識別，對高價值客戶進(jìn)行細(xì)致的篩選，“因客施策”，著力打造實施精確營銷，將成為客戶長期留存和價值提升的基礎(chǔ)。

現(xiàn)有客戶關(guān)系研究當(dāng)中，已有多種算法和工具被運用于相關(guān)數(shù)據(jù)的統(tǒng)計計算及經(jīng)營決策當(dāng)中，從傳統(tǒng)統(tǒng)計學(xué)、統(tǒng)計學(xué)習(xí)理論，到人工智能、組合分類器及仿生學(xué)算法等，機器學(xué)習(xí)技術(shù)逐漸被運用到企業(yè)用戶管理決策當(dāng)中。Renjith提出在使用Logistic回歸方法深入解離客戶流失影響因數(shù)的基礎(chǔ)上，利用多個屬性變量預(yù)測流失客戶，并通過機器學(xué)習(xí)方法對不同的方案根據(jù)需求進(jìn)行檢索，并根據(jù)客戶特征進(jìn)行個性化組合，從而有針對性的提出細(xì)分客戶留存策略。張秋菊[5]等則構(gòu)建了基于FRI（自組織模糊規(guī)則歸納算法）的客戶流失預(yù)測模型，通過利用數(shù)據(jù)分組處理網(wǎng)絡(luò)（GMDH）對客戶流失狀態(tài)進(jìn)行判別，測試樣本的正確預(yù)測可達(dá)到90%以上。

為彌補單個分類器在數(shù)據(jù)預(yù)測中產(chǎn)生的效率與性能偏差，近年來，組合分類器被應(yīng)用到客戶流失預(yù)測研究中，利用高效協(xié)同工作的方式，充分整合各子分類器不同算法的優(yōu)勢，提高集成學(xué)習(xí)的效率和性能。Schapire提出的Boosting算法和Breiman提出的Bagging算法即是兩種常見的集成學(xué)習(xí)方法，通過訓(xùn)練多個基礎(chǔ)模型解決相同問題，獲得數(shù)個同質(zhì)弱學(xué)習(xí)器并進(jìn)行正確組合，從而獲得更好的性能。

Boosting算法思路主要是利用多棵決策樹通過組合而形成的，彼此之間通過投票的方式對結(jié)果來進(jìn)行相應(yīng)的預(yù)測。在應(yīng)用當(dāng)中，根據(jù)分析對象的特征，產(chǎn)生了多種不同的優(yōu)化組合方案，如在商業(yè)銀行的客戶流失預(yù)測中，引入線性判別LDA，對每個數(shù)據(jù)的統(tǒng)計屬性分別計算。

AdaBoost自適應(yīng)增強算法（adaptive boosting）則在其基礎(chǔ)上改變樣本的權(quán)重。AdaBoost算法在每一次學(xué)習(xí)之后將重點關(guān)注被分類錯誤的樣本，增加分類正確率高模型的權(quán)重，有效解決了早期Boosting算法在實際運用中的困難，作為最優(yōu)秀的Boosting算法之一被廣泛使用在實踐當(dāng)中[6-8]。

本文根據(jù)電子商務(wù)所具有的一些特點，從相關(guān)客戶對電商平臺具有的價值出發(fā)，引入“e-value”概念。這一概念從電子銷售渠道和服務(wù)商的利益角度出發(fā)，確定了影響電商客戶e價值的關(guān)鍵指標(biāo)，并結(jié)合客戶價值評估模型RFM，和k-means方法將客戶分類，建立了RFME模型對客戶進(jìn)行識別和分類。本文將提出e-value的處理規(guī)則，從而較為準(zhǔn)確地對不同客戶的e進(jìn)行估值，為企業(yè)在電子商務(wù)領(lǐng)域?qū)嵤┎町惢癄I銷策略提供了依據(jù)。

在此基礎(chǔ)上，本文通過以電子商務(wù)平臺為基礎(chǔ)，結(jié)合客戶消費行為中保持與流失的走向變化，利用CRM理論提出一套預(yù)測電商平臺客戶保持與流失的數(shù)理模型。為印證組合模型能對客戶流失情況進(jìn)行更精確的預(yù)測，對不同的單一數(shù)據(jù)挖掘模型和AdaBoost組合模型分別對結(jié)果進(jìn)行預(yù)測，并在一定條件下對不同模型的預(yù)測結(jié)果進(jìn)行對比，從而來判斷不同模型預(yù)測的精確度。改進(jìn)的RFM進(jìn)一步增強了分類的能力，降低錯誤預(yù)測成本，精準(zhǔn)識別高價值客戶并采取策略減少客戶流失率，為企業(yè)電子商務(wù)業(yè)務(wù)降低成本，提高了收益。

1電子商務(wù)下的客戶關(guān)系分析

1.1客戶細(xì)分

客戶細(xì)分具有多種角度和維度。依據(jù)帕累托原則，企業(yè)的核心利潤主要由高價值客戶創(chuàng)造，這一比例符合廣泛存在的二八原則;同時，底部約30%的客戶實際上為低價值與無效客戶，對這部分客戶投入的營銷、服務(wù)和挽回成本可占到企業(yè)利潤的50%。因此，有效的對客戶價值進(jìn)行評估和細(xì)分，是實現(xiàn)高效客戶關(guān)系管理（Customer Relationship Management）的基礎(chǔ)[10]。客戶價值細(xì)分有助于幫助企業(yè)集中精力，為高價值及有流失可能的客戶提供個性化服務(wù)與精準(zhǔn)營銷，是更高效地進(jìn)行針對性營銷活動的重要前提。

本研究中所指客戶細(xì)分主要指客戶價值細(xì)分。在電子商務(wù)時代，客戶消費仍舊是企業(yè)獲利的直接來源，各電商企業(yè)都逐漸由產(chǎn)品中心的經(jīng)營模式轉(zhuǎn)向用戶中心導(dǎo)向，是否能有效進(jìn)行客戶關(guān)系維護(hù)，挽留流失客戶，成為企業(yè)是否能保持競爭優(yōu)勢的重要因素。企業(yè)依據(jù)客戶實際價值，對客戶進(jìn)行分類，對高價值客戶有針對性地制定相應(yīng)營銷策略，向關(guān)鍵客戶進(jìn)行企業(yè)資源傾斜，能夠有效提升企業(yè)獲客和客戶挽留的投入產(chǎn)出比，實際上增加利潤率，擴(kuò)大競爭優(yōu)勢，增強企業(yè)核心競爭力。這就要求企業(yè)首先能夠準(zhǔn)確對客戶價值進(jìn)行判斷和識別。

在網(wǎng)絡(luò)消費過程中，消費者與企業(yè)之間的信息交互呈現(xiàn)即時、雙向、周期短的特點，導(dǎo)致客戶產(chǎn)生回購的概率大大降低。同時，企業(yè)與客戶進(jìn)行溝通時的渠道是否穩(wěn)定及時并能對問題進(jìn)行解答，以及企業(yè)與客戶的供求關(guān)系能否長期把持穩(wěn)定，這些問題需要面臨網(wǎng)絡(luò)信息量大、信息流動速度快、產(chǎn)品同質(zhì)化程度高、競爭壓力大、客戶群多樣化、差異化程度高等多種挑戰(zhàn)。

如何準(zhǔn)確在廣泛而復(fù)雜的客戶與潛在客戶中，準(zhǔn)確識別高價值客戶，做好流失預(yù)測并及時采取相應(yīng)策略阻止客戶流失，成為電子商務(wù)管理和發(fā)展人員關(guān)注的熱點。在眾多消費行為相關(guān)指標(biāo)當(dāng)中，客戶消費額度直接與企業(yè)產(chǎn)品或服務(wù)的質(zhì)量的銷售量相關(guān)，并且能夠直接作為客戶實際價值的量化體現(xiàn)。本研究以客戶消費額度為主要顯性價值指標(biāo)，依據(jù)歷史交易數(shù)據(jù)進(jìn)行數(shù)據(jù)提取，利用RFME模型對客戶價值進(jìn)行量化評估，并完成客戶分類。

1.2客戶保持與流失

客戶流失的企業(yè)管理概念是指曾購買或使用過某企業(yè)商品或服務(wù)的客戶，停止在該企業(yè)進(jìn)行消費或合作行為，轉(zhuǎn)而去購買或使用過競爭企業(yè)的商品或服務(wù)。電子商戶客戶常常與商家沒有契約關(guān)系，其消費具有一過性，即在完成一次購買之后，消費者和商家之間的交易行為完成，交易關(guān)系終止;直至下一次交易之前，客戶與企業(yè)之間的關(guān)系處在一種非契約關(guān)系情境下。

對電子商務(wù)運營方來說，識別高價值客戶，對其流失概率進(jìn)行準(zhǔn)確預(yù)測，在發(fā)生客戶流失之前進(jìn)行關(guān)系維系和客戶挽留，在實際操作層面具有重要意義。而對客戶重復(fù)購買行為和心理的分析預(yù)測，可以幫助企業(yè)識別忠誠度更高、復(fù)購可能性更大的客戶，對其消費行為和購買習(xí)慣進(jìn)行總結(jié)和共性分析。圍繞客戶忠誠度的培養(yǎng)，企業(yè)可以根據(jù)客戶復(fù)購決定發(fā)生的環(huán)節(jié)，和消費決策產(chǎn)生的動因等信息，針對性優(yōu)化其產(chǎn)品、服務(wù)與營銷手段等，增加留存客戶比例，保留高價值客戶，降低企業(yè)開拓新客戶的成本，提升企業(yè)對客戶的把握能力。

基于電商平臺的客戶關(guān)系推理模型，是結(jié)合之前研究結(jié)論提出的對電子商務(wù)客戶關(guān)系進(jìn)行預(yù)測的算法模型。它通過追蹤統(tǒng)計一段時間內(nèi)客戶在電商渠道發(fā)生的瀏覽、消費等行為信息，對電子商務(wù)渠道客戶的購買行為進(jìn)行分析，依照建模細(xì)分結(jié)果，對不同價值客戶進(jìn)行區(qū)別化概率性對待，制定個性化客戶保持策略，從而達(dá)到平臺以更低成本，有效完成客戶維持工作。

2基于RFME的客戶細(xì)分建模

2.1 RFM客戶價值

RFM是一種被廣泛用于客戶關(guān)系管理中的分析模型，通過對客戶價值和創(chuàng)利能力的衡量對客戶價值進(jìn)行細(xì)分評估，在（R、F、M）三個維度對客戶交易行為和其對企業(yè)的價值進(jìn)行量化：

2.1.1 R：Recency

R值指客戶的最近一次消費，即客戶最近一次消費時間與當(dāng)前時間的間隔。理論上，R越接近于0，表明該客戶屬于高價值客戶，相對于其他普通客戶更易進(jìn)行消費行為。在電子商務(wù)模式當(dāng)中，搜索和購買操作高度便利，顧客購買選擇高度豐富，購買成本大大降低，區(qū)域和地域限制被打破。R值小的客戶剛完成購買行為時，對品牌印象較好，認(rèn)知較清晰，最可能購買更新?lián)Q代之后新上架的產(chǎn)品，對促銷力度敏感性更強。關(guān)注R值低的客戶，有助于企業(yè)以較低成本提高回購率和留存率。

2.1.2 F：Frequency

F值指客戶的消費頻率，即顧客在某一特定時間段（如一個季度內(nèi)）完成購買的次數(shù)。重復(fù)購買次數(shù)越高的客戶，對產(chǎn)品和服務(wù)滿意度也最高，或者說，對品牌或企業(yè)忠誠度最高，其轉(zhuǎn)向競爭對手企業(yè)的可能性也更低。增加客戶購買次數(shù)意味著從競爭對手處搶奪更多的市場占有率，對F值高的客戶進(jìn)行針對性維護(hù)，培養(yǎng)品牌或企業(yè)的忠實用戶，是建立企業(yè)核心品牌資產(chǎn)的中心保障。

2.1.3 M：Monetary

M值指客戶的消費金額，即顧客在某一特定時間段的消費金額。M值和F值相同，都是限制在一定時間內(nèi)的，需要同F(xiàn)值、客單價等其他因素一起進(jìn)行分析和解讀。在產(chǎn)品價值一定的情況下，M值的變化常常與客戶對企業(yè)認(rèn)可度相關(guān)。

2.2客戶的“e-value”

在以往購買力穩(wěn)步增長的大環(huán)境下，客戶價值基本體現(xiàn)在購買行為、重復(fù)消費行為和增值服務(wù)購買力的表現(xiàn)中，以凈買入的方式給企業(yè)在當(dāng)下帶來的實際收益。而在電子商務(wù)環(huán)境下，產(chǎn)品曝光、長時間瀏覽和跳轉(zhuǎn)等都會對企業(yè)效益產(chǎn)生貢獻(xiàn)。這種用戶通過外設(shè)鍵入、網(wǎng)頁瀏覽、線上互動等方式間接形成的“無價”資源就是e-value。

客戶的“e-value”主要反映的是客戶對該商品或平臺具有強烈的興趣，不期便會對其創(chuàng)造相應(yīng)的價值。客戶在該網(wǎng)站的所有活躍行為，如廣告點擊、互動評論、留言、發(fā)帖、消息打開、信息搜索、內(nèi)容上傳等，都能夠創(chuàng)造e價值。在顧客被此類信息所吸引并根據(jù)自身需求帶有強烈目的性地追求某類消費行為時，便是電子商務(wù)平臺收獲客戶滿意度，提升影響力和影響面的時候。

對電子商務(wù)平臺來說，客戶e價值主要包括以下三個部分：

（1）廣告價值。廣告投放所創(chuàng)造的收益通常是電子商務(wù)網(wǎng)站收入的主要來源。網(wǎng)絡(luò)廣告與傳統(tǒng)廣告一樣，通過內(nèi)容展示，創(chuàng)造消費需求、影響消費觀念、促使消費行為產(chǎn)生，是一種以商業(yè)目的為出發(fā)點的信息傳播活動，常常以誘導(dǎo)互動的方式進(jìn)行信息傳遞。目前，電子商務(wù)網(wǎng)站的廣告收入結(jié)算常常以點擊率為依據(jù)，用戶的點擊動作能夠直接為電商網(wǎng)站創(chuàng)造利潤收入。

（2）“吸引力”價值。電商網(wǎng)站必須創(chuàng)造對消費者、商家都具有吸引力的價值，才能夠保證其必要的流動性，讓更多交易方進(jìn)入平臺。更多相關(guān)產(chǎn)品或服務(wù)信息、更可信的搜索結(jié)果、更多評論和互動信息，更多來源廣泛、品類多樣的消息發(fā)布，對交易雙方都是充滿吸引力的高價值資源，這些“吸引力”價值，在被用戶創(chuàng)造的同時也反過來吸引更多用戶。

（3）流量價值。目前主流搜索引擎，如百度、谷歌等，在進(jìn)行算法推薦時，常常將網(wǎng)站訪問流量作為主要權(quán)重指標(biāo)，根據(jù)網(wǎng)站流量進(jìn)行聚頂排名。在電子商務(wù)網(wǎng)站進(jìn)行搜索引擎優(yōu)化（Search Engine Optimization）時，利用搜索引擎規(guī)則，使其盡可能在搜索結(jié)果的前排出現(xiàn)，對其先于競爭對手被訪問，從而占據(jù)有利地位，獲得品牌收益有重要價值?？蛻粼L問量越高，網(wǎng)站自然排名越靠前，網(wǎng)站就更容易獲取流量，并持續(xù)創(chuàng)造價值。

客戶e價值的三個維度都與電子商務(wù)網(wǎng)站持續(xù)獲客和盈利能力直接相關(guān)。如表1所示，本研究針對客戶e價值[11]建立了價值計算體系。

2.3改進(jìn)模型的建立

根據(jù)企業(yè)類型和管理需求的不同，對于各種客戶細(xì)分理論的研究重點上也會有所不同。本文以電子商務(wù)客戶為研究對象，綜合考慮電子商務(wù)環(huán)境中客戶購買行為和認(rèn)知模式的多種影響因素和表現(xiàn)形式，將RFM模型對客戶交易價值的多維度綜合評估的特性與客戶e價值的操作性定義相結(jié)合，構(gòu)建了RFME模型，從而對電子商務(wù)環(huán)境下的客戶價值有了更好的評價。

其優(yōu)勢在于：

首先，不僅美妝、小型家電、食品、零售等日常消費品，和餐飲、音像等日常消費場景，在耐用品、大宗、原材料等領(lǐng)域，RFM也有充足的應(yīng)用案例，證明其在各個領(lǐng)域客戶價值。

其次，根據(jù)劉元軍網(wǎng)絡(luò)活躍度指標(biāo)體系建立和引入的e-value（e價值）計算體系，增加了電子商務(wù)由于處在網(wǎng)絡(luò)環(huán)境中所帶來的特定用戶行為模式特征，使得RFME模型體現(xiàn)了網(wǎng)絡(luò)環(huán)境下電商客戶價值的新含義。

最后，目前，我國電子商務(wù)市場呈現(xiàn)出極少數(shù)集成平臺占有絕大多數(shù)電子商務(wù)體量，中小型電子商務(wù)網(wǎng)站發(fā)展水平不高，規(guī)模和效益參差不齊的樣態(tài)，對大多數(shù)中小型偏向特定細(xì)分領(lǐng)域、或規(guī)模較小的電子商務(wù)網(wǎng)站來說，過于復(fù)雜的細(xì)分模型不但不利于理解，而且操作繁復(fù)，耗時耗資較大，模型設(shè)計、參數(shù)設(shè)置、評估監(jiān)控以及做出決策等環(huán)節(jié)都需要更長的時間和更多人力物力。隨著“奧卡姆剃刀定律”在現(xiàn)代企業(yè)管理理論中的發(fā)展，組織規(guī)模和制度制定當(dāng)中，舍棄繁瑣和非必要流程更符合企業(yè)的經(jīng)濟(jì)效益，這一原則在客戶價值分析和客戶關(guān)系管理中同樣適用。RFME模型舍棄了許多客戶價值評估算法的繁復(fù)運算，方便實用，更符合我國電子商務(wù)企業(yè)的實際需求和現(xiàn)實環(huán)境。

2.4基于RFME的客戶細(xì)分建模

（1）數(shù)據(jù)整理。用戶在電子商務(wù)網(wǎng)站上的一切點擊、瀏覽和消費行為，都可以被記錄和留存。從相關(guān)數(shù)據(jù)當(dāng)中提取RFME模型對應(yīng)的字段信息，如特定時間段內(nèi)顧客的購買、距離統(tǒng)計時間最接近的購買、購買行為的頻次與頻率等。

（2）數(shù)據(jù)的處理。將相關(guān)字段信息進(jìn)行數(shù)據(jù)化整理，以R、F、M、E數(shù)值的形式導(dǎo)出，方便k-means聚類分析。

（3）聚類分析。由于本研究對客戶價值的評估和細(xì)分服務(wù)于企業(yè)客戶關(guān)系管理，考慮到管理成本和針對性客戶營銷活動所需人力物力，客戶細(xì)分類別過多將大大增加管理難度，中小型電子商務(wù)網(wǎng)站難以有效利用客戶細(xì)分結(jié)果做出決策優(yōu)化，因此，模型針對R、F、M、E四個字段，使用k-means聚類分析。

（4）命名。完成聚類分析后，模型使用多元單因素方差分析法，對數(shù)據(jù)的顯著性差異進(jìn)行驗證，從而判斷各客戶細(xì)分類別在不同字段下是否具有顯著區(qū)別。接下來，對各細(xì)分類別進(jìn)行多重比較，通過對量化指標(biāo)的比較分析，得到不同類別客戶的特征信息，并進(jìn)行命名。如某一類客戶在其他字段上表現(xiàn)沒有顯著區(qū)別，但在消費頻次字段上的值明顯高于其他分類，即可以認(rèn)為這類客戶具有同等條件下消費金額較高的特征，命名為高客單價客戶。

（5）營銷策略的分析。命名步驟當(dāng)中，各細(xì)分類別客戶的特征被提取出來。根據(jù)細(xì)分客戶的類別，企業(yè)或網(wǎng)站可以對不同特征的用戶實施不同的營銷策略。如針對高客單價用戶，其對小額優(yōu)惠或低價產(chǎn)品可能敏感度較低，而應(yīng)通過高質(zhì)量、具有獨特性或高認(rèn)知度的產(chǎn)品或服務(wù)進(jìn)行客戶喚起，進(jìn)一步增強客戶認(rèn)同。

3客戶保持與流失的預(yù)測模型

3.1電子商務(wù)環(huán)境下客戶保持與流失的特點分析

在電子商務(wù)環(huán)境下，由于信息流動速度快，客戶選擇范圍極大拓展，用戶對品牌忠誠度更易被動搖，購買決策會被多種因素影響，客戶流失也有許多新的特點。

3.1.1用戶信任更難建立

電子商務(wù)環(huán)境下，產(chǎn)品或服務(wù)的信息公開透明，企業(yè)難以通過信息不對稱、或區(qū)域隔離，實施產(chǎn)品價格、促銷政策等方面的壟斷。隨著行業(yè)競爭的公開化、透明化、全球化，企業(yè)不僅需要面對本地的競品廠商，還要與世界各地的電商平臺進(jìn)行抗衡。在顧客面前放著更多選項的時候，顧客的需求標(biāo)準(zhǔn)也將逐漸提高，造成一種平臺不僅要實現(xiàn)顧客的最低購物基本欲望的同時，還需要建立其獨特的核心價值觀的尷尬境地，在傳播中持續(xù)傳遞和構(gòu)建認(rèn)同，使客戶對企業(yè)價值觀本身產(chǎn)生認(rèn)可，從而建立客戶對品牌的忠誠。

3.1.2評價指標(biāo)趨向多元

電子商務(wù)環(huán)境下，產(chǎn)品和服務(wù)能夠得到全方位的展示，但同樣的，展示風(fēng)格、廣告創(chuàng)意、商品包裝、快遞速度、網(wǎng)頁設(shè)計、營銷活動等，都會影響到客戶對商品和商家的整體評價，評價指標(biāo)愈加多元化。

另外，由于客戶對不同領(lǐng)域、不同品質(zhì)的商品需求逐漸變化，加之各個平臺的競爭和沖擊，當(dāng)下客戶的忠誠度已然不能使用以往的關(guān)聯(lián)特征進(jìn)行描述，對產(chǎn)品或服務(wù)滿意的同時，客戶仍舊愿意選擇轉(zhuǎn)而嘗試新的產(chǎn)品與服務(wù)，這一比例甚至高達(dá)65%～85%。貝思公司的一項調(diào)查顯示，90%的背離客戶會對他們以前獲得的服務(wù)表示滿意，也就是說，僅從客戶滿意與否來看，商家難以對客戶是否可能流失進(jìn)行預(yù)測。隨著現(xiàn)代計算機技術(shù)的發(fā)展，通過模型和算法的優(yōu)化，我們能夠?qū)⒏鄻踊挠行е笜?biāo)納入客戶流失的分析預(yù)測當(dāng)中。

3.1.3客戶認(rèn)知具有實時性、交互性

在電子商務(wù)渠道中，客戶可以通過網(wǎng)頁的瀏覽順序，相關(guān)頁的跳轉(zhuǎn)打開，視頻、圖片的播放展示，甚至網(wǎng)絡(luò)直播等獲得實時的、交互性的數(shù)據(jù)信息?？蛻襞c企業(yè)之間的溝通渠道也從傳統(tǒng)的線下面對面溝通，到客服中心等的熱線電話，發(fā)展到如今語音、文字、視頻等多形式，時間、空間、地域等多維度的實時在線交流。

相應(yīng)的，企業(yè)與客戶溝通的方式和渠道也愈加多元，通過用戶行為分析、客戶價值分析、問卷調(diào)查、客戶訪談等方式，企業(yè)能夠迅速獲取最新、最直接、最真實的客戶信息，實時進(jìn)行數(shù)據(jù)資料的更新。利用實時交互性數(shù)據(jù)進(jìn)行的客戶價值和流失可能性分析評估具有更強的效度和信度，更有利于企業(yè)制定有效戰(zhàn)略。

3.2 AdaBoost算法

首先給定一個弱學(xué)習(xí)算法和訓(xùn)練集（（x1，y1），（x2，y2），…， （xn，yn）），xi∈X，X表示其中的某個域或者實例空間;yi∈Y={1，-1}，將分類問題作為一個帶類別標(biāo)志的集合進(jìn)行分析，將回歸問題作為一個數(shù)值進(jìn)行計算。AdaBoost在每次迭代t=1，2，…，T時反復(fù)調(diào)用給定的弱學(xué)習(xí)算法。AdaBoost算法的主要思想，就是通過在指定訓(xùn)練集中進(jìn)行訓(xùn)練，最終達(dá)到可以對一套固定的權(quán)重分布來進(jìn)行維護(hù)的目的。在第t次迭代時，第i個訓(xùn)練樣本（xi，yi）分布的權(quán)重記為Dt（i）。初始化時，對各個訓(xùn)練樣本指定的初始權(quán)重均為1，保證在初始化時各個樣本的權(quán)重都是相同的。然后通過調(diào)用多學(xué)習(xí)算法來對訓(xùn)練集進(jìn)行T次迭代，并將每次迭代后的結(jié)果同訓(xùn)練結(jié)果重新輸入訓(xùn)練集中，達(dá)到對訓(xùn)練集上的權(quán)重分布產(chǎn)生更新的目的。在此訓(xùn)練過程中，對其中所有失敗訓(xùn)練例所賦予的權(quán)重偏大，從而使得學(xué)習(xí)算法在后續(xù)學(xué)習(xí)過程中，都可以針對之前訓(xùn)練中的這些失敗的訓(xùn)練例進(jìn)行學(xué)習(xí)，集中注意力在這些分類“困難”的樣本上。

在迭代過程中，每一步弱學(xué)習(xí)算法的任務(wù)就是根據(jù)訓(xùn)練樣本的分布及權(quán)重Dt產(chǎn)生一個弱假設(shè)ht：X→{1，-1}。弱假設(shè)ht的好壞由誤判率εt來衡量：

（1）

該誤判率的大小與弱學(xué)習(xí)算法訓(xùn)練所依靠的權(quán)重分布Dt相關(guān)。實際上，弱學(xué)習(xí)算法就是一個可以把權(quán)重分布Dt用在訓(xùn)練樣本上的算法，通過權(quán)重分布對學(xué)習(xí)的訓(xùn)練的重點進(jìn)行相應(yīng)的識別。

在進(jìn)行T次訓(xùn)練后，得到一個預(yù)測函數(shù)序列h1，h2，…， ht，AdaBoost算法就會給每隔弱假設(shè)h也賦予一個權(quán)重αt。αt可以對該弱假設(shè)的重要性進(jìn)行衡量，對效果好的所賦予的權(quán)重大，對效果壞的賦予的權(quán)重小。αt的選取原則就是使損失函數(shù)能夠最小。在進(jìn)行T次迭代后，分類問題中最終的預(yù)測函數(shù)H（x），便以之前得到的權(quán)重分布為依據(jù)，使用投票的凡是來產(chǎn)生該函數(shù)。

代碼如下：

訓(xùn)練集：S=（（x1，y1），（x2，y2），…，（xn，yn）），xi∈X，yi∈ Y={1，-1}

初始化：Di=1/n，i=1，2，…，M

循環(huán)t=1，2，…，T

由Dt基于弱學(xué)習(xí)算法進(jìn)行訓(xùn)練，得弱假設(shè)ht;

ht的誤判率：;

選擇;

更新權(quán)值

其中，為歸一化算子（使得Dt+1為一個分布）

循環(huán)結(jié)束，輸出最終假設(shè)：

（2）

（3）

3.3基于Logistic的回歸分析算法

Logistic回歸實際上是一種分類方法，用于二分類問題。

先找到一個合適的假設(shè)函數(shù)，該函數(shù)即為分類函數(shù)，用它來預(yù)測輸入數(shù)據(jù)的判斷結(jié)果，這個過程需要對數(shù)據(jù)有一定的了解和分析，并且知道預(yù)測函數(shù)的基本特征。

構(gòu)造一個代價函數(shù)cost，即損失函數(shù)。用以表示預(yù)測的輸出結(jié)果和訓(xùn)練數(shù)據(jù)的實際類別之間的偏差。若考慮所有數(shù)據(jù)，可以將cost求和或平均，記為J（θ）函數(shù)，表示所有預(yù)測結(jié)果和訓(xùn)練數(shù)據(jù)的實際類別之間的偏差。

最小化代價函數(shù)，獲得最優(yōu)的模型參數(shù)解，即J（θ）函數(shù)的最小值。因為函數(shù)的值越小預(yù)測結(jié)果就越準(zhǔn)確，方法一般使用梯度下降法。例如：

（4）

（5）

擬合概率的Logit函數(shù)——Logit（πi），作為事件比值的對數(shù)，也就是事件發(fā)生地概率（成功）和事件沒發(fā)生的概率（失敗）的比值的自然對數(shù)：

（6）

引入閾值πi，大于πi則y^ =1，小于πi則y^ =0。擬合結(jié)果不一定很準(zhǔn)確，因此需要有一個擬合誤差，誤差值盡可能小，與線性回歸不同，響應(yīng)變量的觀測值不能被分解成擬合值和誤差項的和。

用于連接πi和解釋變量線性組合的Logit函數(shù)的選擇，被概率逐漸趨向與0或1的實施所激勵，同時概率值不能超過這個界限才能保證πi是一個有效地概率。因此，由于線性函數(shù)在預(yù)測結(jié)果的響應(yīng)變量值上的結(jié)果沒有限制，并不會滿足二值響應(yīng)變量所處的[0，1]區(qū)間，所以不能使用線性回歸模型進(jìn)行二值響應(yīng)變量的預(yù)測。

在算法的執(zhí)行過程中，從回歸效果上來分析的話，Logistic回歸和線性回歸具有相同的特性，即若將回歸過程中與輸出變量無關(guān)的屬性以及其余一些相似度高的屬性進(jìn)行刪除之后，Logistic回歸會更具優(yōu)勢。由此可以看出，無論是Logistic還是線性回歸，若想使其的回歸結(jié)果具有較好的性能，那么對特征能否進(jìn)行適宜的處理便會起到關(guān)鍵的作用。同時Logistic回歸與其他及算法相比，更容易從實際應(yīng)用的實現(xiàn)相應(yīng)的功能，并且在運行過程中所具有的效率也是很高的。

3.4基于AdaBoost的客戶保持與流失預(yù)測模型

客戶保持與流失的問題是一個二元的分類問題，就是通過對歷史后臺數(shù)據(jù)進(jìn)行分析，針對客戶對不同產(chǎn)品或企業(yè)的維持與流失情況進(jìn)行規(guī)律總結(jié)，從而可以預(yù)測未來一段時間內(nèi)客戶對該產(chǎn)品或企業(yè)維持與流失的情況。客戶管理人員，可以根據(jù)可靠的預(yù)測結(jié)果，對可能流失的重要的客戶進(jìn)行及時的挽救措施。

綜上所述，AdaBoost相當(dāng)于對若干個弱分類算法進(jìn)行線性組合，從而得到最精確的預(yù)測結(jié)果。但是在整個預(yù)測過程中，AdaBoost僅僅是一個組合分類器算法，只能對每一個單個分類模型的訓(xùn)練結(jié)果進(jìn)行組合融合，并未使用弱分類器作為基分類器來完善整個過程中的分類功能，因此對弱分類算法的選擇也要進(jìn)行綜合考慮。C5.0決策樹與神經(jīng)網(wǎng)絡(luò)相比，雖然二者的非線性擬合能力不相上下，但是C5.0決策樹比神經(jīng)網(wǎng)絡(luò)具有更快的訓(xùn)練速度，并且泛化能力也要強于神經(jīng)網(wǎng)絡(luò)，因此本文選擇C5.0決策樹作為指定弱分類算法在AdaBoost中起到基分類器的作用。

4實驗結(jié)果與結(jié)論

對于AdaBoost模型的整體訓(xùn)練過程而言，整個過程中的預(yù)測準(zhǔn)確率是逐漸提升的，整個訓(xùn)練過程會針對在迭代過程中產(chǎn)生的錯誤進(jìn)行以及并糾正，并將結(jié)果再次輸入到訓(xùn)練集中，從而保證下次迭代過程中的預(yù)測準(zhǔn)確率。隨著訓(xùn)練倫次的增加模型的預(yù)測能力會不斷地接近極限，當(dāng)訓(xùn)練輪次夠高的時候，每多訓(xùn)練一次模型的預(yù)測正確率提高就很小了。輪次的確定一般在模型的驗證階段進(jìn)行。

為表現(xiàn)本文的改進(jìn)方法優(yōu)越性，選取了幾種常見模型與其進(jìn)行比較，通過對同一個分類數(shù)據(jù)集建立AdaBoost模型，然后比較準(zhǔn)確率的方式來說明AdaBoost算法的優(yōu)勢。使用SASEM，實驗數(shù)據(jù)集進(jìn)行建模。錯分類率收斂過程如圖1所示。

本文選取了4中常見模型進(jìn)行比較，如表2所示：

綜上所述，AdaBoost算法具有明顯的優(yōu)勢，它的自動糾錯能力相較于其他算法更適合用來進(jìn)行分析。盡管精度僅僅比其他算法高約6個百分點，但在實際的生產(chǎn)生活中這些提升對模型帶來的優(yōu)化效果是巨大的。由此可見，本文提出的基于RFME和AdaBoost分類器的客戶價值模型可為電商平臺精確化計算出客戶價值并根據(jù)計算結(jié)果預(yù)測客戶流失。

參考文獻(xiàn)

[1] RENJITH S.An integrated framework to recommend personalized retention actions to control B2C E-commerce customer churn[J].International Journal of Engineering Trends and Technology，2015，27（3）：152-157.

[2] JU C H，LU Q B，GUO F P.E-commerce customer churn prediction model combined with individual activity[J].Systems Engineering-Theory & Practice，2013，33（1）：141-150.

[3] ZHU Bangzhu.E-business customer churn prediction based on integration of SMC，rough sets and least square support vector machine[J].Systems Engineering-Theory & Practice，2010，30（11）：1960-1967.

[4] YU X B，GUO S S，GUO J，et al.An extended support vector machine forecasting framework for customer churn in e-commerce[J].Expert Systems with Applications，2011，38 （3）：1425-1430.

[5] 朱幫助，張秋菊，鄒昊飛，等.基于OSA算法和GMDH網(wǎng)絡(luò)集成的電子商務(wù)客戶流失預(yù)測[J].中國管理科學(xué)，2011，19（5）：64-70.

[6] SCHAPIRE R E.The strength of weak learnability[C]// Foundations of Computer Science，1989.30th Annual Symposium on.IEEE，1989：197-227.

[7] BREIMAN L.Bagging predictors[J].Machine Learning， 1996，24（2）：123-140.

[8] YING Weiyun，LIN Nan，XIE Yiayia，et al.Research on the LDA boosting in customer churn prediction[J].Journal of Applied Statistics & Management，2010，29（3）： 400-408.

[9] LIU M，QIAO X Q，XU W L.Three categories customer churn prediction based on the adjusted real adaBoost[J]. Communication in Statistics-Simulation and Computation， 2011，40（10）：1548-1562.

[10] ZHANG Wei，YANG Shanlin，LIU Tingting.Customer churn prediction in mobile communication enterprises based on CART and Boosting algorithm[J].Chinese Journal of Management Science，2014，22（10）：90-96.

[11] 劉遠(yuǎn)君.基于統(tǒng)計方法的交易平臺型電子商務(wù)網(wǎng)站CRM應(yīng)用研究[D].杭州：浙江工商大學(xué).