基于RFM模型的天貓用戶價值分析

●劉瑞琪 宋子琨

一、引言

數(shù)據(jù)是生產(chǎn)的關(guān)鍵要素之一，它已經(jīng)滲透到各行各業(yè)的功能領(lǐng)域。大數(shù)據(jù)又稱海量數(shù)據(jù)，主要是指其中所包含的數(shù)據(jù)規(guī)模龐大且結(jié)構(gòu)復(fù)雜、從而無法通過傳統(tǒng)的方式將信息轉(zhuǎn)化為可以直觀理解的數(shù)據(jù)信息。因此，通過對大數(shù)據(jù)進行處理和分析，進一步挖掘出更深層次的價值并加以利用，將顯著提升企業(yè)的決策能力。

近年來，我國正在全面利用大數(shù)據(jù)等信息技術(shù)推動傳統(tǒng)產(chǎn)業(yè)的結(jié)構(gòu)轉(zhuǎn)型與發(fā)展，實現(xiàn)新的經(jīng)濟增長點及各產(chǎn)業(yè)間的融合發(fā)展。隨著移動互聯(lián)網(wǎng)的迅猛發(fā)展，各類電商平臺的運營逐漸趨于成熟，商家及用戶數(shù)量龐大、商品種類繁多，當消費者在網(wǎng)購平臺瀏覽商品時，大量無用商品的推薦無疑將會降低消費者的購買率。因此，運用大數(shù)據(jù)技術(shù)建立對用戶行為進行分析的推薦系統(tǒng)，挖掘用戶行為特征并進行個性化的商品推薦，從而有針對性地喚回老用戶并吸引新用戶，不僅可以降低用戶的選購時長并提高用戶對于網(wǎng)購平臺消費體驗的滿意度，還可以增加商家及網(wǎng)購平臺的收益。

基于此，本文利用天貓商城的真實消費數(shù)據(jù)，使用RFM模型與K-Means聚類分析對天貓用戶進行價值分類，從而為不同用戶提供個性化服務(wù)，實現(xiàn)了基于用戶分類的精準營銷。

二、天貓消費數(shù)據(jù)集的收集與預(yù)處理

本文的數(shù)據(jù)來源為天池平臺提供的天貓商城的真實消費數(shù)據(jù)，該數(shù)據(jù)集中包括了用戶基本信息數(shù)據(jù)、用戶消費數(shù)據(jù)及用戶購物行為數(shù)據(jù)3個部分，涵蓋了2018年4月1日至2019年3月31日期間在天貓平臺購買商品的用戶數(shù)據(jù)，共計539438條。其中，用戶基本信息數(shù)據(jù)集中主要記錄了性別、年齡層次、消費檔次等字段；用戶購物行為數(shù)據(jù)集中主要記錄了商品種類編號、消費者行為類型和訂單日期等字段。

在數(shù)據(jù)處理階段，本文對數(shù)據(jù)進行去除重復(fù)值、處理缺失值、特征選擇等預(yù)處理。第一是將字符型格式等日期字段轉(zhuǎn)換為DateTime類型，并計算用戶購買時間與2019年4月1日的時間間隔。第二是使用timedelta類型屬性的days方法實現(xiàn)諸如“1”“2”等天數(shù)的提取。第三是篩選行為類型為“pv”的記錄，再根據(jù)日期分組排序，并統(tǒng)計每天對應(yīng)的購買記錄數(shù)量，即從用戶購物行為數(shù)據(jù)集中，篩選behavior_type字段等于“pv”的記錄，按照date字段分組同時進行升序排列，并計算出每日進行消費的用戶數(shù)量。

三、天貓用戶價值分析

1.基于RFM模型的用戶價值分析。RFM模型通過消費時間間隔、消費頻率、消費金額3個指標對消費者的活躍度進行分層，從而實現(xiàn)對用戶價值的評估。其中，指標R代表最近一次消費（最近一次消費到截止時間的間隔），可以類比為消費者近期的活躍度；指標F代表客戶消費頻率，用以反映用戶近期的購物次數(shù)；指標M代表消費金額，用以反映消費者的消費能力。綜上所述，RFM模型就是對每一個用戶都從R、F、M三個維度進行評估，并據(jù)此將用戶劃分為重點潛力用戶、重點發(fā)展用戶、重點喚回用戶、高價值用戶、低價值用戶、一般發(fā)展用戶、一般維系用戶和一般價值用戶等八類。

本文在將數(shù)據(jù)引入RFM模型前，為了進一步了解用戶的消費習慣、消費行為及用戶本身的特性，首先根據(jù)用戶的購買行為進行數(shù)據(jù)分析與探索，計算用戶在各流程之間的漏斗模型，研究發(fā)現(xiàn)用戶在最后實際下單的流程中流失最多（見圖一、圖二）。

圖1 加購漏斗圖

圖2 收藏漏斗圖

接著，本文采用五分法（0.2、0.4、0.6、0.8）對經(jīng)過預(yù)處理后的R、F、M數(shù)據(jù)進行分箱處理，將用戶等分為5個層級，分別標記為1-5分并賦予每一個用戶其相應(yīng)的分類標簽，據(jù)此便可以有針對性的進行符合此類用戶特征的精準營銷，同時實現(xiàn)了平臺資源的利益最大化。

經(jīng)數(shù)據(jù)處理后，天貓商城用戶消費數(shù)據(jù)集中的用戶被分為8類，其中高價值用戶占比為21%，此類用戶為平臺的核心用戶，因此需要保證該類用戶的留存率，即可以分析此類用戶的行為特征或進行用戶訪談，了解產(chǎn)品對于此類用戶的吸引力和平臺有待優(yōu)化的問題。重點喚回用戶占比為14%，此類用戶過去在平臺上消費較多而最近并未產(chǎn)生消費，此類用戶在產(chǎn)品中有一定財富積累，但最近沒有消費可能是受競品影響或消費習慣發(fā)生改變，因此需要根據(jù)用戶歷史偏好，推送個性化內(nèi)容從而喚回此類用戶。重要發(fā)展用戶和重點潛力用戶人數(shù)較少，占比僅為6.2%左右，此類用戶在平臺的消費次數(shù)較少但是在金額上貢獻較大，說明用戶一旦活躍就會大筆消費，因此需要提高此類用戶在平臺的活躍度。值得注意的是，低價值客戶占比為41.1%，在各種用戶類型中占比最大，此類用戶具有較大的流失風險，但可以不將其作為平臺的運營重點。

2.基于K-Means聚類的用戶價值分析。K-Means算法是一種基于數(shù)據(jù)劃分的無監(jiān)督聚類算法，它以k為參數(shù)，把n個數(shù)據(jù)對象分成k個簇，使簇內(nèi)具有較高的相似度，而簇間的相似度較低。由于RFM模型只涉及了天貓用戶消費數(shù)據(jù)集中order_count、time_gap、total_amount等變量，然而通過上述變量并不能充分挖掘用戶特征，因此本文使用K-Means聚類方法將其他變量引入，從而對用戶特征進行進一步挖掘。

由于K-Means算法中的隨機因數(shù)將導(dǎo)致每次運行結(jié)果都存在差異，本文為減少結(jié)果的偶然性，對每個k值重復(fù)計算了10次并對比每次計算結(jié)果的趨勢圖，選擇最明顯的拐點所對應(yīng)的k值。受篇幅所限，本文并未報告拐點的趨勢圖，但計算結(jié)果顯示k=3時滿足要求，因此確定用戶被分為3類。接著，本文通過選取刻畫用戶的重要指標，用戶的id、用戶的年齡及用戶的購物深度以及性別這4個重要指標，將數(shù)據(jù)進行標準化，并通過K-Means聚類得到聚類后的3類。

K-Means聚類結(jié)果與RFM模型分類結(jié)果較為相似，其中聚類結(jié)果為一類的用戶特征較為明顯，此類用戶多為女性，購買頻次較高且消費金額較大，因此一類用戶為高價值用戶，其用戶數(shù)量為27347人，占比為53.21%；聚類結(jié)果為0類的消費群體年齡段較高，具有購買頻次多但消費金額較小的消費行為特征，因此0類用戶為中價值用戶，其用戶數(shù)量為13110人，占比為25.51%；聚類結(jié)果為二類的消費者中各指標均相對較低，因此二類用戶為低價值用戶，其用戶數(shù)量為10937人，占比為21.28%。

四、結(jié)論

運用大數(shù)據(jù)的技術(shù)建立用戶推薦系統(tǒng)，挖掘用戶行為特征并進行個性化商品的推薦，不僅可以降低用戶的選購時長并提高用戶對于網(wǎng)購平臺消費體驗的滿意度，還可以增加網(wǎng)購商家及網(wǎng)購平臺的收益。本文利用天池平臺提供的天貓商城的真實消費數(shù)據(jù)，首先對數(shù)據(jù)進行了相應(yīng)的預(yù)處理，最終數(shù)據(jù)集中包含51394條購買記錄，接著分別基于RFM模型和K-Means聚類方法實現(xiàn)了對天貓用戶的分類，從而為平臺為用戶提供精準營銷提供了相應(yīng)建議。

RFM模型的分析結(jié)果顯示，重點發(fā)展客戶占比5%，高價值客戶占比22%，應(yīng)重點關(guān)注這兩類客戶并提高用戶付費率，維系高價值用戶、重點發(fā)展用戶的忠誠度，保持企業(yè)良好收入。在客戶總數(shù)中占比為21.9%的高價值客戶和占比13.8%的重點發(fā)展客戶貢獻了85.8%的銷售額，因此，應(yīng)當提高高價值客戶和重點發(fā)展客戶的消費金額，或是把重點發(fā)展客戶轉(zhuǎn)化為高價值客戶，即提升該客戶群的消費頻次。重要挽留客戶為1090人，首先應(yīng)當考慮是否在計算周期內(nèi)有大型促銷或降價活動，若有則轉(zhuǎn)化這部分客戶的難度會較大，平臺應(yīng)重點發(fā)展其他類型客戶，若沒有則應(yīng)當分析此類顧客的購買產(chǎn)品的特性從而提高其消費頻率并培養(yǎng)其在此平臺的消費習慣。新客戶人數(shù)為2143人，由于需要先把新客戶轉(zhuǎn)化為留存用戶，因此，在實際運營過程中，可以考慮把這部分客戶和重要挽留客戶放在一起轉(zhuǎn)化，提升消費頻率。流失客戶人數(shù)為1400人，對于銷售金額的貢獻占比較低，因此，需要進一步分析此類用戶群體的消費商品和消費時間，但由于此類用戶人數(shù)較多，對其進行分析耗時較長故可將其作為提升銷量的次要考慮因素。重要喚回客戶人數(shù)占比約為12%，此類用戶人數(shù)較少，但消費意愿和消費價值較高，可作為短期提升銷量的重點關(guān)注對象，通過運營活動，優(yōu)惠活動刺激消費。

K-Means聚類分析的結(jié)果顯示，聚類結(jié)果中消費能力高，購物深度與層次較高，年齡指數(shù)較小，性別指數(shù)較大，這部分群體可能多為年輕女士，比較追求時尚、品牌及服務(wù)，對于此類在平臺有消費記錄且過往消費頻率和金額較高的用戶，屬于具有較高價值的核心用戶，本文認為可以為這類用戶提供VIP特權(quán)和更多的專屬服務(wù)，后續(xù)還可以對客戶追根溯源，找到高價值用戶對應(yīng)標簽的客戶的個人信息，重點關(guān)注此類用戶的行為路徑或者對其開展用戶訪談，了解產(chǎn)品的優(yōu)勢及反饋。針對近期活躍度較低、過往消費頻率和金額都較高的用戶，需要將其進行喚回并重新成為平臺的核心用戶。此外，還應(yīng)當提高一般維系用戶、一般發(fā)展用戶的活躍度，并將其轉(zhuǎn)化為潛在客戶。