“互聯(lián)網(wǎng)+”環(huán)境下洛陽(yáng)市農(nóng)村電商客戶潛在價(jià)值研究

高旭 王聯(lián)國(guó) 代永強(qiáng)

摘 要：以神經(jīng)網(wǎng)絡(luò)組合模型和K-means的應(yīng)用對(duì)客戶分類和潛在性價(jià)值等問(wèn)題的解決為目的，以CRM理論為前提，對(duì)客戶潛在價(jià)值指標(biāo)中更具有針對(duì)性的指標(biāo)進(jìn)行選擇，行為習(xí)慣和屬性兩個(gè)方面的指標(biāo)都涵蓋在內(nèi)。完成組合模型的建立，對(duì)某個(gè)數(shù)碼網(wǎng)點(diǎn)客戶信息及數(shù)據(jù)進(jìn)行研究，對(duì)于客觀屬性的分析通過(guò)k-means法完成最初的聚類，得到的初類在其內(nèi)部完成自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)及訓(xùn)練，這樣細(xì)分聚類就得以完成，然后對(duì)聚類結(jié)果的特點(diǎn)進(jìn)行評(píng)價(jià)，結(jié)合具體情況為數(shù)碼電子商務(wù)客戶關(guān)系管理提出更高效合理的措施與建議。

關(guān)鍵詞：“互聯(lián)網(wǎng)+”;農(nóng)村電商;客戶價(jià)值;k-means;神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP391. 41 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10.3969/j.issn.1003-6970.2021.02.002

本文著錄格式：高旭，王聯(lián)國(guó)，代永強(qiáng).“互聯(lián)網(wǎng)+”環(huán)境下洛陽(yáng)市農(nóng)村電商客戶潛在價(jià)值研究[J].軟件，2021，42（02）：006-010

Research on the Potential Value of Rural E-commerce Customers in Luoyang under the Internet + Environment

GAO Xu， WANG Lianguo， DAI Yongqiang

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

【Abstract】：Aiming to use the combination model of k-means and neural network to solve the problem of potential customer value and customer classification. On the basis of the existing CRM theory， select targeted customer potential value indicators， including objective attribute indicators and behavioral habits indicators. Constructing a combined model to analyze the customer data of a digital online store， using the k-means method to perform preliminary clustering of objective attributes， and conducting self-organizing competitive neural network training and prediction within each primary category to subdivide the clustering results. Finally， the characteristics of the clustering results are evaluated and suggestions are made for digital e-commerce customer relationship management.

【Key words】：Internet+;rural e-commerce;value of customer;k-means;Neural Networks

0 引言

2008年起，“互聯(lián)網(wǎng)+”成為各行各業(yè)的關(guān)注焦點(diǎn)和重要發(fā)展趨勢(shì)。利用互聯(lián)網(wǎng)帶來(lái)的信息化、現(xiàn)代化特征，傳統(tǒng)行業(yè)趁勢(shì)謀求打破地域和空間域限制，擴(kuò)大市場(chǎng)和用戶規(guī)模，進(jìn)一步發(fā)展[1]。在傳統(tǒng)農(nóng)村商貿(mào)環(huán)境中，農(nóng)村電子商務(wù)在“互聯(lián)網(wǎng)+”的背景下孕育發(fā)展，成為改善“三農(nóng)”問(wèn)題，加快推進(jìn)城鎮(zhèn)化進(jìn)程新的解決方案，是農(nóng)村經(jīng)濟(jì)發(fā)展的必然趨勢(shì)。

農(nóng)村電子商務(wù)發(fā)展對(duì)促進(jìn)鄉(xiāng)村振興，幫助農(nóng)村脫貧脫困具有重要意義。與其他電子商務(wù)領(lǐng)域一樣，在農(nóng)村電子商務(wù)的發(fā)展中，電子商務(wù)客戶管理是企業(yè)發(fā)展、獲客和盈利的重要基礎(chǔ)。從商家的角度來(lái)分析，為了對(duì)價(jià)值高的客戶進(jìn)行辨別、篩選、獲得與維護(hù)，保持良好的客戶關(guān)系，實(shí)現(xiàn)客戶差異性管理，最基礎(chǔ)的工作就是對(duì)客戶潛在價(jià)值的有效量化。

在電子商務(wù)客戶關(guān)系管理過(guò)程中，數(shù)據(jù)挖掘通常是以機(jī)器學(xué)習(xí)和計(jì)算應(yīng)用來(lái)實(shí)現(xiàn)的，不同類型的聚類算法以及神經(jīng)網(wǎng)絡(luò)組合都被引入數(shù)據(jù)分析模型的提速優(yōu)化[2]。不過(guò)，聚類-神經(jīng)網(wǎng)絡(luò)組織模型在客戶分類以及潛在價(jià)值方面的應(yīng)用并未進(jìn)行深入和全面的探究。本課題以洛陽(yáng)市數(shù)碼產(chǎn)品電子商務(wù)產(chǎn)業(yè)為研究對(duì)象，對(duì)于客戶分類及潛在價(jià)值對(duì)應(yīng)的組合模型的建立是通過(guò)K-means聚類和自組織競(jìng)爭(zhēng)人工神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)的，同時(shí)展開客戶分類和價(jià)值分析等深入研究，完成客戶分類與價(jià)值分析組合模型的建立，使客戶分類與價(jià)值探究能夠有效開展。

1洛陽(yáng)農(nóng)村電子商務(wù)發(fā)展現(xiàn)狀

在網(wǎng)絡(luò)信息技術(shù)迅速發(fā)展和普及的大背景下，電子商務(wù)迅速發(fā)展，電商規(guī)模迅速擴(kuò)大。但由于通訊覆蓋時(shí)間早晚差異、電子產(chǎn)品消費(fèi)能力、管理能力和信息鴻溝等因素，農(nóng)村電商尚處于相對(duì)落后的狀態(tài)。為促進(jìn)領(lǐng)域發(fā)展，國(guó)家各部委接連出臺(tái)多項(xiàng)政策，鼓勵(lì)和扶持農(nóng)村地區(qū)發(fā)展電子商務(wù)產(chǎn)業(yè)[3]。洛陽(yáng)市也積極響應(yīng)，大力支持電商發(fā)展，撬動(dòng)當(dāng)?shù)胤浅擎?zhèn)地區(qū)經(jīng)濟(jì)發(fā)展。

1.1農(nóng)村電商發(fā)展迅速

自2014年起，洛陽(yáng)市農(nóng)村電商發(fā)展取得卓越成效，洛陽(yáng)市新安縣、汝陽(yáng)縣、洛寧縣、嵩縣等四縣在2014-2017年間先后被評(píng)為國(guó)家級(jí)電子商務(wù)進(jìn)農(nóng)村綜合示范縣。洛陽(yáng)市電子商務(wù)交易總額在2016年高達(dá)1710億元，增長(zhǎng)幅度很大，具體如圖1所示。洛陽(yáng)市嵩縣、洛寧縣、汝陽(yáng)縣和新安縣在2014-2017年間也成為國(guó)家級(jí)電商走進(jìn)農(nóng)村的示范縣。洛陽(yáng)市在2017年7月前供銷系統(tǒng)完成6個(gè)縣級(jí)電商運(yùn)營(yíng)中心的建立，其中“聚客隆商超”和“洛陽(yáng)農(nóng)超”2個(gè)電子商務(wù)平臺(tái)會(huì)員數(shù)量就已經(jīng)有14.1萬(wàn)人，銷售總額共計(jì)2.6億元，商品種類超過(guò)八千種。欒川縣也完成電商服務(wù)平臺(tái)，同時(shí)建立配套的倉(cāng)儲(chǔ)物流中心，鄉(xiāng)鎮(zhèn)級(jí)和村級(jí)電商信息服務(wù)中心分別為15個(gè)和150個(gè)，主要負(fù)責(zé)宣傳和推廣農(nóng)村手工藝品、加工品和農(nóng)副產(chǎn)品等。

1.2農(nóng)村電商致富效應(yīng)增強(qiáng)

傳統(tǒng)農(nóng)村產(chǎn)業(yè)面臨“酒香也怕巷子深”的困局，市場(chǎng)和受眾規(guī)模有限，傳播、運(yùn)輸不便，小作坊式生產(chǎn)難以形成品牌化、規(guī)模化效應(yīng)。電子商務(wù)渠道一方面為村民帶來(lái)更多創(chuàng)業(yè)機(jī)會(huì)和就業(yè)崗位，另一方面，也結(jié)合區(qū)位優(yōu)勢(shì)和當(dāng)?shù)剞r(nóng)業(yè)發(fā)展形成的特色，給村民帶來(lái)了新的致富機(jī)會(huì)。比如伊濱區(qū)龐村鎮(zhèn)在鋼制家具制作方面獨(dú)具特色，與知名電商合作以實(shí)現(xiàn)伊濱區(qū)電商銷售中心的建立，為當(dāng)?shù)剞r(nóng)民提供更多就業(yè)機(jī)會(huì)。宜陽(yáng)地區(qū)農(nóng)產(chǎn)品別具一格，與阿里巴巴合作建立農(nóng)村淘寶中心，借助這一電商平臺(tái)進(jìn)行線上銷售農(nóng)產(chǎn)品;嵩縣地處山區(qū)，旅游資源豐富，因此與旅游業(yè)網(wǎng)站進(jìn)行合作實(shí)現(xiàn)更好的宣傳，使當(dāng)?shù)亟?jīng)濟(jì)發(fā)展速度不斷加快，農(nóng)民生活水平也隨之提升。

2電子商務(wù)客戶價(jià)值

2.1客戶價(jià)值理論

關(guān)于企業(yè)戰(zhàn)略決策理論有很多，其中被大部分企業(yè)都高度認(rèn)可的理論之一就是客戶價(jià)值理論，該理論具有指導(dǎo)性意義，是客戶關(guān)系管理理論的關(guān)鍵構(gòu)成。2016年詹姆斯指出，客戶價(jià)值分成期望價(jià)值和實(shí)際價(jià)值兩類，前者是站在客戶角度分析，后者是以企業(yè)盈利角度分析。企業(yè)辨別這兩個(gè)價(jià)值能夠?qū)蛻粼诜?wù)和產(chǎn)品方面的潛在性需求進(jìn)行更好的挖掘，以便于為客戶提供更有針對(duì)性的服務(wù)和產(chǎn)品。這兩種價(jià)值實(shí)際上反映了客戶期望和實(shí)際消費(fèi)之間的差距，對(duì)比這兩種價(jià)值，可以對(duì)客戶滿意度情況進(jìn)行映射：當(dāng)期望價(jià)值大于所獲實(shí)際價(jià)值，客戶需求沒有被完全滿足，客戶滿意度較低;反之，實(shí)際價(jià)值與期望價(jià)值之間平衡，甚至大于期望價(jià)值，客戶滿意度較高，復(fù)購(gòu)和轉(zhuǎn)介紹的幾率增大。

2.2客戶潛在價(jià)值評(píng)價(jià)指標(biāo)選取

以客戶生命周期理論、利潤(rùn)和RFM分析模型探究為前提，本課題以數(shù)碼產(chǎn)品電商特征為核心，對(duì)有關(guān)數(shù)據(jù)從行為習(xí)慣和客觀屬性兩個(gè)方面的指標(biāo)展開分析。

其中，客觀屬性指標(biāo)包括年齡、性別、收入等客戶實(shí)際信息數(shù)據(jù)。

行為習(xí)慣指標(biāo)主要由一次消費(fèi)總額、一次消費(fèi)產(chǎn)品類型、一次消費(fèi)時(shí)間、客戶喜好、客戶評(píng)價(jià)、最后消費(fèi)時(shí)間和歷史交易次數(shù)等構(gòu)成。

具體指標(biāo)和取值說(shuō)明如表1。

根據(jù)數(shù)碼產(chǎn)品的特性和電商消費(fèi)者網(wǎng)上購(gòu)物的實(shí)際特點(diǎn)，在一定范圍內(nèi)，客戶可以被進(jìn)行廣泛分類。其中，客戶評(píng)分反映客戶對(duì)當(dāng)次購(gòu)買產(chǎn)品的滿意度;買家等級(jí)數(shù)據(jù)反映客戶對(duì)電商消費(fèi)渠道的熟悉和偏好程度，并間接體現(xiàn)客戶的購(gòu)買潛力和消費(fèi)習(xí)慣;客戶偏好（愛好）直接反映客戶的消費(fèi)傾向;一次消費(fèi)寶貝體現(xiàn)用戶需求的跨度范圍，即其需求是否多樣。此外，歷史購(gòu)買總次數(shù)能夠反映客戶對(duì)品牌或商家的忠誠(chéng)度;一次消費(fèi)總金額與客戶的消費(fèi)能力和消費(fèi)意愿相關(guān)性較強(qiáng);最后一次消費(fèi)時(shí)間則可以作為對(duì)客戶再次購(gòu)買可能性的判斷依據(jù)之一。在快消、零售等行業(yè)，客戶最后一次消費(fèi)時(shí)間越近，通過(guò)針對(duì)性營(yíng)銷手段促使其復(fù)購(gòu)的幾率越高，而由于數(shù)碼產(chǎn)品單價(jià)高，較為耐耗，更換頻率較低的特點(diǎn)，在一定時(shí)間范圍內(nèi)，最近一次消費(fèi)時(shí)間越近，其對(duì)同類產(chǎn)品發(fā)生復(fù)購(gòu)的可能性越低。

3基于客戶潛在價(jià)值的客戶分類模型構(gòu)建

3.1建模方法

3.1.1 k-means聚類

k-means聚類算法是圓形額目標(biāo)函數(shù)聚類方法中的典型算法，是數(shù)據(jù)點(diǎn)到類別中心的特定距離和實(shí)現(xiàn)優(yōu)化的目標(biāo)函數(shù)，通過(guò)極值求解獲取到迭代運(yùn)算調(diào)整規(guī)則[4]。該算法相似度測(cè)度為歐式距離，它是求對(duì)應(yīng)某一初始聚類中心向量V=（v1，v2，…，vk）T最優(yōu)分類，使得評(píng)價(jià)指標(biāo)JC值最小。聚類準(zhǔn)則函數(shù)一般會(huì)選擇誤差平方和準(zhǔn)則函數(shù)，即：。其中，Mi是類Ci中數(shù)據(jù)對(duì)象的均值，p是Ci中的空間點(diǎn)。

對(duì)以上函數(shù)分析可知：該算法實(shí)際上是最優(yōu)求解過(guò)程，目標(biāo)函數(shù)具有很多局部極小點(diǎn)，其中僅有一個(gè)為全局最小點(diǎn)。目標(biāo)函數(shù)順著誤差平方和準(zhǔn)則函數(shù)降低的方向進(jìn)行搜索。初始值的差異性確定V（聚類中心向量）因路徑差異性而使目標(biāo)函數(shù)減少。如圖2所示目標(biāo)函數(shù)順著VA，VB，VC三個(gè)初始值向量路徑逐漸邊小，并得到與之對(duì)應(yīng)的極小值，局部最小值對(duì)應(yīng)A、C點(diǎn)，全局最小值對(duì)應(yīng)B點(diǎn)。該算法屬于爬山算法的一種，基本上都是在局部最小值處算法結(jié)束。

k-means算法采用迭代更新的方法：所有迭代過(guò)程以k個(gè)聚類中心將附近點(diǎn)形成k個(gè)簇，對(duì)所有簇質(zhì)心再次計(jì)算就作為后面一輪迭代參照點(diǎn)，經(jīng)過(guò)迭代實(shí)現(xiàn)參照點(diǎn)與簇真正的質(zhì)心相距不斷拉近，因此目標(biāo)函數(shù)不斷減小，聚類效果提升。如圖3為該算法的流程圖。

速度快和方便簡(jiǎn)單是該算法最顯著的優(yōu)勢(shì)，所以本課題對(duì)于客戶年紀(jì)、性別和每月收入等客觀屬性分類通過(guò)該算法實(shí)現(xiàn);不過(guò)該算法也有其缺陷所在，即聚類中心對(duì)算法造成較為嚴(yán)重的影響[5]。

3.1.2自組織競(jìng)爭(zhēng)人工神經(jīng)網(wǎng)絡(luò)

客戶行為習(xí)慣屬性具有多邊性和復(fù)雜性等特征，對(duì)其分類時(shí)若采用線性或非線性模型顯然不夠精準(zhǔn)，所以本課題對(duì)其分類確定為神經(jīng)網(wǎng)絡(luò)方法，這種分類方式的優(yōu)勢(shì)在于反映快捷、結(jié)構(gòu)簡(jiǎn)單，對(duì)于大量數(shù)據(jù)的分類也能保證精準(zhǔn)性，對(duì)客戶分類尤為適用[6]。自組織競(jìng)爭(zhēng)人工神經(jīng)網(wǎng)絡(luò)屬于網(wǎng)絡(luò)訓(xùn)練的一種，且沒有教師示教，這類神經(jīng)網(wǎng)絡(luò)可以獨(dú)立完成訓(xùn)練，完成輸入模式自行分類。如果輸入層和競(jìng)爭(zhēng)層神經(jīng)元分別為N個(gè)和M個(gè)，則算法流程圖如圖3所示，自組織競(jìng)爭(zhēng)人工神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)如圖4所示。

網(wǎng)絡(luò)的連接權(quán)值為wij=（i=1，2，…，N，j=1，2，…，M）且滿足約束條件。競(jìng)爭(zhēng)層神經(jīng)元互相競(jìng)爭(zhēng)，取勝神經(jīng)元數(shù)量?jī)H有一個(gè)并與當(dāng)下輸入樣本對(duì)應(yīng)，這個(gè)神經(jīng)元就是當(dāng)前樣本分類模式。根據(jù)以下方法可計(jì)算得到競(jìng)爭(zhēng)層神經(jīng)元j的狀態(tài)。

（1）

式中，xi為輸入樣本向量的第i個(gè)元素。以競(jìng)爭(zhēng)機(jī)制為前提，神經(jīng)元k在競(jìng)爭(zhēng)層內(nèi)加權(quán)值最高，k取勝且對(duì)應(yīng)輸出是

（2）

競(jìng)爭(zhēng)后的權(quán)值按照下式進(jìn)行修正，對(duì)于所有的輸入層神經(jīng)元i，有

（3）

式中，a為學(xué)習(xí)參數(shù)，0

3.2基于客戶潛在價(jià)值的客戶分類模型構(gòu)建

通過(guò)以上兩種算法，并利用Pycharm完成客戶潛在價(jià)值聚類模型的創(chuàng)建，如圖5為模型建立流程圖。

（1）數(shù)據(jù)預(yù)處理：使天貓某個(gè)數(shù)碼店交易記錄重組并補(bǔ)充，從中挑選一百位客戶對(duì)應(yīng)價(jià)值指標(biāo)，對(duì)這些指標(biāo)數(shù)據(jù)采取歸一化操作，將量綱差異性造成聚類受影響的情況清除。

（2）基于k-means法的初步聚類：針對(duì)客戶客觀屬性指標(biāo)通過(guò)k-means函數(shù)完成聚類過(guò)程，客戶初步分類共有三種類型。

（3）基于神經(jīng)網(wǎng)絡(luò)的精細(xì)聚類：針對(duì)初步分類的三種類型采取自組織競(jìng)爭(zhēng)人工神經(jīng)網(wǎng)絡(luò)方式進(jìn)行細(xì)分：將三類中數(shù)據(jù)的60%和40%分別進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)，每類都以行為習(xí)慣為核心完成對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)聚類模型的建立，再開始預(yù)測(cè)。

（4）整合聚類結(jié)果，得出客戶潛在價(jià)值分類最終結(jié)果。

4客戶分類求解結(jié)果與評(píng)價(jià)

4.1客戶分類求解結(jié)果

以天貓某數(shù)碼產(chǎn)品專營(yíng)網(wǎng)店為例，對(duì)其2014年的部分交易記錄進(jìn)行預(yù)處理之后，向Pycharm導(dǎo)入并完成客戶分類模型創(chuàng)建以完成求解過(guò)程，最后客戶分類共有9類，圖6所示為對(duì)應(yīng)每一類客戶的人數(shù)分布?xì)馀輬D。

4.2基于客戶分類的客戶管理評(píng)價(jià)與建議

經(jīng)過(guò)以上分析可知一般爭(zhēng)取型、一次型和隨機(jī)型加起來(lái)一共占據(jù)比例是56%，都是低價(jià)值客戶，很可能會(huì)流失，說(shuō)明網(wǎng)店客戶結(jié)構(gòu)不夠科學(xué)合理，對(duì)網(wǎng)店經(jīng)營(yíng)穩(wěn)定性和持續(xù)性不利，客戶關(guān)系管理效果也不夠好。網(wǎng)店要對(duì)營(yíng)銷方案進(jìn)行調(diào)整，同時(shí)加強(qiáng)客戶管理。要為重點(diǎn)爭(zhēng)取型、主要爭(zhēng)取型和重點(diǎn)保護(hù)型等高價(jià)值客戶提供針對(duì)性服務(wù)，使這些客戶對(duì)網(wǎng)店忠誠(chéng)度提升，可采取積分或會(huì)員等制度提升高價(jià)值客戶對(duì)網(wǎng)店的黏性;借助低價(jià)和優(yōu)質(zhì)服務(wù)等方式吸引客戶，在對(duì)初生型和潛力型客戶的宣傳推廣力度加大;通過(guò)低價(jià)方式獲取一般爭(zhēng)取型客戶;而一次型和隨機(jī)型客戶可以不過(guò)度重視，否則管理資源會(huì)出現(xiàn)嚴(yán)重浪費(fèi)的現(xiàn)象。

參考文獻(xiàn)

[1] 洪勇.我國(guó)農(nóng)村電商發(fā)展的制約因素與促進(jìn)政策[J].商業(yè)經(jīng)濟(jì)研究，2016（4）：169-171.

[2] 夏維力，王青松.基于客戶價(jià)值的客戶細(xì)分及保持策略研究[J].管理科學(xué)，2006（4）：35-38.

[3] 隋寧.洛陽(yáng)市電子商務(wù)發(fā)展環(huán)境不斷優(yōu)化[N].中國(guó)信息報(bào)， 2019-10-16（003）.

[4] 王千，王成，馮振元，等.K-means聚類算法研究綜述[J].電子設(shè)計(jì)工程，2012，20（7）：21-24.

[5] 段素花.電信運(yùn)營(yíng)中的客戶價(jià)值模型的分析與設(shè)計(jì)[D].成都：成都理工大學(xué)，2010.

[6] 劉朝華.基于客戶價(jià)值的客戶分類模型研究[D].武漢：華中科技大學(xué)，2008.