基于RFMI模型的家電產(chǎn)品定制服務(wù)的客戶(hù)價(jià)值研究

余方超，徐 雷，張國(guó)鋒，葉宗鑫

(四川大學(xué) 機(jī)械工程學(xué)院，成都 610065）

0 引言

隨著互聯(lián)網(wǎng)技術(shù)、大數(shù)據(jù)以及5G通訊技術(shù)等新一代信息技術(shù)蓬勃發(fā)展，工業(yè)互聯(lián)網(wǎng)迎來(lái)了全所未有的機(jī)遇。信息技術(shù)和制造方式的加速融合，推進(jìn)現(xiàn)代制造企業(yè)的技術(shù)創(chuàng)新。同時(shí)，信息技術(shù)與管理技術(shù)的深度融合能加快制造企業(yè)的管理升級(jí)[1]。當(dāng)代企業(yè)能夠在新一輪的市場(chǎng)競(jìng)爭(zhēng)中取得優(yōu)勢(shì)的關(guān)鍵在于企業(yè)能為顧客提供更好的利益和服務(wù)[2]。對(duì)于家電制造企業(yè)，提升企業(yè)競(jìng)爭(zhēng)力的關(guān)鍵在于更短的時(shí)間和更少的成本向客戶(hù)提供多樣的定制產(chǎn)品，大規(guī)模定制是現(xiàn)代制造企業(yè)保持競(jìng)爭(zhēng)力的關(guān)鍵[3]。定制服務(wù)是“制造—互聯(lián)網(wǎng)+”的生產(chǎn)模式，利用物聯(lián)網(wǎng)、人工智能、大數(shù)據(jù)等新一代信息技術(shù)，發(fā)展個(gè)性化設(shè)計(jì)、用戶(hù)參與設(shè)計(jì)，推進(jìn)生產(chǎn)制造的智能化、柔性化[4]。

定制服務(wù)的核心是“以客戶(hù)為中心”，通過(guò)客戶(hù)需求分析，為客戶(hù)提供個(gè)性化的需求，使企業(yè)和客戶(hù)能建立穩(wěn)定、長(zhǎng)遠(yuǎn)的雙贏關(guān)系，逐漸獲得穩(wěn)定的客戶(hù)，最終讓企業(yè)獲得市場(chǎng)[5]。企業(yè)的發(fā)展離不開(kāi)產(chǎn)品創(chuàng)新和客戶(hù)需求的緊密有效融合[6]，同時(shí)企業(yè)也認(rèn)識(shí)到客戶(hù)之間的差別，對(duì)企業(yè)的貢獻(xiàn)也不同，企業(yè)也缺乏有效地挖掘客戶(hù)需求的工具。在這樣的情形下，為了滿(mǎn)足不同需求的客戶(hù)，通過(guò)有效的方法挖掘不同類(lèi)型的客戶(hù)，根據(jù)不同客戶(hù)的需求提供個(gè)性化的服務(wù)，加深客戶(hù)與企業(yè)的關(guān)系，建立長(zhǎng)久的忠誠(chéng)度和維護(hù)客戶(hù)保持率，為企業(yè)創(chuàng)造更多的利潤(rùn)[7]。

本文將結(jié)合大數(shù)據(jù)處理技術(shù)、定制服務(wù)特點(diǎn)以及現(xiàn)代管理技術(shù)，對(duì)家電產(chǎn)品定制客戶(hù)數(shù)據(jù)進(jìn)行分析。期望能全面的反應(yīng)客戶(hù)價(jià)值，根據(jù)定制服務(wù)客戶(hù)價(jià)值分析對(duì)不同類(lèi)型的客戶(hù)采用不同的銷(xiāo)售手段，為實(shí)現(xiàn)客戶(hù)個(gè)性化營(yíng)銷(xiāo)及企業(yè)資源的有效分配提供理論方法。

1 定制客戶(hù)價(jià)值研究

1.1 定制客戶(hù)價(jià)值評(píng)價(jià)指標(biāo)

客戶(hù)價(jià)值指標(biāo)主要包括當(dāng)前價(jià)值和潛在價(jià)值兩個(gè)方面[8]。對(duì)于當(dāng)前價(jià)值的衡量，較多采用利潤(rùn)率和購(gòu)買(mǎi)量作為評(píng)價(jià)指標(biāo)；對(duì)于潛在價(jià)值的衡量，較多是客戶(hù)與企業(yè)聯(lián)系的緊密度和未來(lái)預(yù)期的利潤(rùn)值[9]，如重復(fù)購(gòu)買(mǎi)次數(shù)，興趣度以及口碑等。定制服務(wù)模式是一種集企業(yè)、客戶(hù)、供應(yīng)商以及外界環(huán)境于一體的生產(chǎn)模式。當(dāng)前價(jià)值可以從銷(xiāo)售總額、消費(fèi)次數(shù)、消費(fèi)時(shí)間等能直接方便得到的指標(biāo)進(jìn)行分析；潛在價(jià)值指未來(lái)能為企業(yè)帶來(lái)的經(jīng)濟(jì)效益，主要表現(xiàn)為對(duì)產(chǎn)品較高的關(guān)注度、興趣度以及對(duì)產(chǎn)品開(kāi)發(fā)的參與度等方面。

1.2 RFM客戶(hù)價(jià)值模型研究

在客戶(hù)價(jià)值模型研究中RFM模型是研究客戶(hù)價(jià)值分類(lèi)的主要方法。其中R（Recency），最近一次消費(fèi)時(shí)間與截止時(shí)間的間隔；F（Frequency），某段時(shí)間內(nèi)的購(gòu)買(mǎi)頻率；M（Monetary），某段時(shí)間內(nèi)的消費(fèi)總額。RFM方法可以分析和識(shí)別用戶(hù)行為[10]，用客戶(hù)行為數(shù)據(jù)將客戶(hù)進(jìn)行劃分，同時(shí)進(jìn)行消費(fèi)預(yù)測(cè)[11]。RFM模型能快速的根據(jù)客戶(hù)數(shù)據(jù)指標(biāo)進(jìn)行客戶(hù)價(jià)值細(xì)分，得到不同的客戶(hù)群體，是企業(yè)管理的有效方法。

2 RFMI模型構(gòu)建

2.1 RFMI模型分析

RFM模型不能準(zhǔn)確的描述定制服務(wù)下客戶(hù)的價(jià)值劃分。面對(duì)家電定制制造生產(chǎn)模式，企業(yè)在發(fā)展的初級(jí)階段用會(huì)員制度吸引客戶(hù)，建立企業(yè)與客戶(hù)更加緊密的結(jié)構(gòu)關(guān)系，進(jìn)一步滿(mǎn)足客戶(hù)的個(gè)性化需求，也有利于提升客戶(hù)粘性、改善客戶(hù)關(guān)系[12]。同時(shí)定制服務(wù)的用戶(hù)特點(diǎn)在于用戶(hù)參與設(shè)計(jì)、以及交互設(shè)計(jì)，所以用戶(hù)參與度也是定制服務(wù)的一個(gè)重要特征。為了完善RFM模型在定制服務(wù)中的應(yīng)用，引入個(gè)性化指標(biāo)I（Individualization），I由客戶(hù)參與度組成，本文用客戶(hù)會(huì)員等級(jí)和客戶(hù)參與時(shí)間表示。RFMI模型流程如圖1所示，主要是目標(biāo)數(shù)據(jù)集抽取、數(shù)據(jù)處理分析、模型構(gòu)建與結(jié)果分析。

圖1 RFMI模型流程圖

2.2 指標(biāo)相關(guān)性分析

相關(guān)性指兩個(gè)變量之間關(guān)聯(lián)程度的大小，在客戶(hù)價(jià)值分析模型中若兩個(gè)變量有較強(qiáng)的相關(guān)性，可能導(dǎo)致模型存在多重共線(xiàn)性缺陷。在研究新的指標(biāo)影響時(shí)，為增強(qiáng)模型正確性，應(yīng)盡量避免這種情況，為了能更加準(zhǔn)確的描述變量間的相關(guān)性，采用計(jì)算相關(guān)系數(shù)的方法，相關(guān)性矩陣C(u,v)定義為：

其中u，v表示兩個(gè)不同的指標(biāo)，當(dāng)C＞0為正相關(guān)關(guān)系；C<0為負(fù)相關(guān)關(guān)系；當(dāng)|C|≤0.3為極弱線(xiàn)性相關(guān)或不相關(guān)；0.3<|C|≤0.5為低線(xiàn)性相關(guān)；0.5<|C|≤0.8為顯著線(xiàn)性相關(guān)；|C|>0.8為高線(xiàn)性相關(guān)。

2.3 指標(biāo)權(quán)值分析

用于權(quán)重分析的方法很多，一般包括主觀方法和客觀方法。主觀方法一般有專(zhuān)家咨詢(xún)法、多層次分析法，有很強(qiáng)的主觀性，準(zhǔn)確性較差；客觀方法包括熵權(quán)法、離差及均方差法和主成分分析法等。由于在客戶(hù)劃分中實(shí)際數(shù)據(jù)量大，可以用熵權(quán)法通過(guò)數(shù)據(jù)差異確定權(quán)重。熵權(quán)法中信息的無(wú)序程度用信息熵表示，信息的無(wú)序程度越小，信息熵越小，信息的效用值越大[14]，賦權(quán)步驟如下：

Step1：數(shù)據(jù)規(guī)范化。采用離差標(biāo)準(zhǔn)化將各指標(biāo)數(shù)值映射到[0,1]之間表示為：

其中u代表原始數(shù)據(jù)，v表示規(guī)范后的數(shù)據(jù)。

Step2：計(jì)算指標(biāo)比重系數(shù)K。規(guī)范化后的第i個(gè)樣本的第j個(gè)指標(biāo)vij占所有樣本的比重表示為：

Step3：計(jì)算信息熵。根據(jù)信息熵的定義以及指標(biāo)比重系數(shù)，樣本中第j個(gè)指標(biāo)的信息熵表示為：

其中n表示數(shù)據(jù)指標(biāo)類(lèi)型個(gè)數(shù)。

Step4：計(jì)算客觀權(quán)重。根據(jù)信息熵的定義，第j項(xiàng)數(shù)據(jù)的信息效用值等于1和Ej的差值，所以第j項(xiàng)指標(biāo)權(quán)重表示為：

2.4 RFMI指標(biāo)構(gòu)造

R指最近一次消費(fèi)時(shí)間和窗口結(jié)束時(shí)間的時(shí)間間隔，R越小客戶(hù)價(jià)值越大；F指窗口期內(nèi)的消費(fèi)次數(shù)，F(xiàn)越大客戶(hù)價(jià)值越大；M指窗口期內(nèi)消費(fèi)的總額，M越大客戶(hù)價(jià)值越大；I指的是個(gè)性化指標(biāo)如式(6)所示，I越大客戶(hù)價(jià)值越大。

其中u代表客戶(hù)參與時(shí)間，v表示客戶(hù)會(huì)員等級(jí)，n表示客戶(hù)數(shù)量。

2.5 K-means++算法

K-means算法是典型的通過(guò)距離計(jì)算的非層次聚類(lèi)算法，傳統(tǒng)K-means方法初始聚類(lèi)中心是隨機(jī)選擇的，可能使結(jié)果局部收斂，嚴(yán)重偏離全局最優(yōu)解。為了聚類(lèi)結(jié)果更加準(zhǔn)確，K-means++算法能優(yōu)化初始簇心能避免聚類(lèi)結(jié)果嚴(yán)重偏離全局最優(yōu)解，同時(shí)加快算法收斂速度[15]。K-means++算法步驟如下：

輸入：樣本集X，簇心數(shù)K。

輸出：對(duì)應(yīng)的簇心C和K個(gè)類(lèi)。

Step1：K個(gè)初始簇心的選擇。

1）從X中隨機(jī)選擇一個(gè)數(shù)據(jù)作為第一個(gè)簇心。

2）計(jì)算簇心與X中每一個(gè)數(shù)據(jù)點(diǎn)間的距離。

3）選擇距離最大的數(shù)據(jù)點(diǎn)作為新的簇心。

重復(fù)1～3，直到選出K個(gè)簇心。

Step2：計(jì)算K個(gè)簇心和每條數(shù)據(jù)間的距離。同時(shí)利用了兩邊之和大于等于第三邊,以及兩邊之差小于第三邊的三角形性質(zhì)，來(lái)減少距離的計(jì)算。

Step3：按照“距離最近”原則，將每條數(shù)據(jù)都劃分到最近的簇類(lèi)中。

Step4：數(shù)據(jù)劃分完后，K個(gè)簇心重新計(jì)算。

Step5：迭代執(zhí)行Step2～Step4，直到K個(gè)簇心不再改變，或者滿(mǎn)足給定條件。

3 實(shí)驗(yàn)研究與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)處理與分析

實(shí)驗(yàn)數(shù)據(jù)來(lái)自某家電企業(yè)2015年4月1日至2017年3月31日的實(shí)際銷(xiāo)售數(shù)據(jù)，其中包含客戶(hù)基本信息數(shù)據(jù)、商品信息數(shù)據(jù)、銷(xiāo)售數(shù)據(jù)等。針對(duì)RFMI模型生成原始數(shù)據(jù)表，主要包含最后一次購(gòu)買(mǎi)時(shí)間、購(gòu)買(mǎi)的次數(shù)、消費(fèi)的總金額、會(huì)員等級(jí)、用戶(hù)參與時(shí)間、折扣率等相關(guān)指標(biāo)。原始數(shù)據(jù)共67582條數(shù)據(jù)，通過(guò)數(shù)據(jù)預(yù)處理刪除其中異常數(shù)據(jù)以及分布不合理數(shù)據(jù)，最終得到62020條有效數(shù)據(jù)用于實(shí)驗(yàn)分析。

通過(guò)式(1)對(duì)實(shí)驗(yàn)數(shù)據(jù)選擇的指標(biāo)進(jìn)行相關(guān)性分析，得到相關(guān)性矩陣如圖2所示：

圖2 指標(biāo)相關(guān)性矩陣圖

從圖2中可以看到原始數(shù)據(jù)表中不同指標(biāo)間的相互關(guān)聯(lián)程度，除去R、F、M三個(gè)指標(biāo)的聯(lián)系，VIP_TIER（會(huì)員等級(jí)）和M（消費(fèi)總額）程較高的正相關(guān)關(guān)系，直接用客戶(hù)會(huì)員等級(jí)作為衡量衡量指標(biāo)會(huì)加大模型誤差，AVG_DIS（平均折扣）和M、VIP_TIER有較弱的正相關(guān)和其他指標(biāo)相關(guān)性不強(qiáng)，這是因?yàn)檎劭墼诨顒?dòng)期間會(huì)有很大的波動(dòng)，顧不適合用于模型分析，PAT_TIME（用戶(hù)參與時(shí)間）和其他指標(biāo)相關(guān)性均不強(qiáng)，對(duì)于該模型可以作為一個(gè)衡量標(biāo)準(zhǔn)。

3.2 RFMI權(quán)值分析

會(huì)員等級(jí)和用戶(hù)參與時(shí)間的量綱、范圍均不相同，通過(guò)式(2)進(jìn)行數(shù)據(jù)規(guī)范化處理，采用熵權(quán)法進(jìn)行賦權(quán)，通過(guò)式(3)～式(5)得到VIP_TIER權(quán)重為0.793，PAR_TIME權(quán)重為0.175，通過(guò)式(6)加權(quán)得到指標(biāo)I的值，將I的數(shù)據(jù)值添加至原有數(shù)據(jù)集中得到最終實(shí)驗(yàn)數(shù)據(jù)，如表1所示。

表1 最終實(shí)驗(yàn)數(shù)據(jù)分布表

同樣通過(guò)熵權(quán)法對(duì)R、F、M、I四個(gè)指標(biāo)進(jìn)行權(quán)重確定，最終得到R的權(quán)重為0.229，F(xiàn)的權(quán)重為0.333，M的權(quán)重為0.275，I的權(quán)重為0.163，如圖3所示。

圖3 各指標(biāo)權(quán)重圖

3.3 聚類(lèi)結(jié)果與客戶(hù)分類(lèi)

為了方便后面指標(biāo)分析，先將最終的到的實(shí)驗(yàn)數(shù)據(jù)通過(guò)差商標(biāo)準(zhǔn)化，以分?jǐn)?shù)的大小衡量客戶(hù)價(jià)值的高低。運(yùn)用K-means++算法對(duì)R、F、M、I指標(biāo)進(jìn)行聚類(lèi)，得到的指標(biāo)的簇心分布如表2所示：

表2 各指標(biāo)簇心分布表

在RFMI模型中，為了使每個(gè)指標(biāo)影響一致，在劃分客戶(hù)時(shí)R的值?。?-R），根據(jù)各指標(biāo)原始的數(shù)值范圍和得到的聚類(lèi)結(jié)果，為了使各個(gè)指標(biāo)能更加合理的評(píng)價(jià)客戶(hù)價(jià)值，根據(jù)數(shù)據(jù)層次，將R、F、I乘100，M乘1000。結(jié)合各個(gè)指標(biāo)的權(quán)重，得到各指標(biāo)分類(lèi)得分情況，結(jié)果如表3所示。

表3 各指標(biāo)分類(lèi)得分表

根據(jù)定制客戶(hù)價(jià)值研究，將客戶(hù)當(dāng)前價(jià)值定義為最近購(gòu)買(mǎi)時(shí)間R、購(gòu)買(mǎi)次數(shù)F以及消費(fèi)總額M之和，將客戶(hù)潛在價(jià)值定義為最近購(gòu)買(mǎi)時(shí)間R以及個(gè)性化指數(shù)I之和，客戶(hù)價(jià)值為客戶(hù)當(dāng)前和客戶(hù)潛在價(jià)值兩者之和。

結(jié)合客戶(hù)各類(lèi)價(jià)值分類(lèi)定義可以得到客戶(hù)價(jià)值分類(lèi)詳情，結(jié)果如圖4所示。對(duì)當(dāng)前價(jià)值、潛在價(jià)值以及客戶(hù)價(jià)值分類(lèi)排序，結(jié)果從高到底排序依次均為類(lèi)型3、類(lèi)型5、類(lèi)型2、類(lèi)型4和類(lèi)型1。

圖4 客戶(hù)價(jià)值分類(lèi)圖

3.4 策略分析

通過(guò)分析表3和圖4，可以得到客戶(hù)等級(jí)劃分以及占比情況，如表4所示。

表4 客戶(hù)等級(jí)劃分表

通過(guò)表4可知類(lèi)型3是Ⅰ級(jí)客戶(hù)，這類(lèi)客戶(hù)是企業(yè)的高價(jià)值用戶(hù)，是最為理想的客戶(hù)類(lèi)型。企業(yè)應(yīng)該優(yōu)先將資源放在這類(lèi)客戶(hù)上，實(shí)行差異性管理和一對(duì)一的個(gè)性化服務(wù)，提高滿(mǎn)意度和忠誠(chéng)度。類(lèi)型5是Ⅱ級(jí)客戶(hù)，這類(lèi)客戶(hù)是企業(yè)的中高等價(jià)值用戶(hù)，是重要的客戶(hù)類(lèi)型。企業(yè)應(yīng)該投入足夠的資源和獨(dú)特的服務(wù)，加強(qiáng)這類(lèi)客戶(hù)的滿(mǎn)意度，提高轉(zhuǎn)向競(jìng)爭(zhēng)對(duì)手的轉(zhuǎn)移成本，進(jìn)一步提高客戶(hù)忠誠(chéng)度。類(lèi)型2是Ⅲ級(jí)客戶(hù)，這類(lèi)客戶(hù)的價(jià)值不確定性很高，是重要挽留客戶(hù)類(lèi)型。企業(yè)應(yīng)該掌握客戶(hù)的最新消息、維持與客戶(hù)之間的互動(dòng)，采用一定的促銷(xiāo)手段，加強(qiáng)客戶(hù)聯(lián)系，延長(zhǎng)客戶(hù)生命周期，為企業(yè)創(chuàng)造更多利潤(rùn)。類(lèi)型4是Ⅳ級(jí)客戶(hù)，是一般客戶(hù)類(lèi)型。這類(lèi)客戶(hù)當(dāng)前、潛在價(jià)值都偏低，可能是新用戶(hù)群體，也有可能是出現(xiàn)較大優(yōu)惠才消費(fèi)的低消費(fèi)群體，企業(yè)應(yīng)該投入適當(dāng)?shù)馁Y源和營(yíng)銷(xiāo)策略，努力吸引這類(lèi)客戶(hù)，進(jìn)一步發(fā)展客戶(hù)間的關(guān)系。類(lèi)1是Ⅴ級(jí)客戶(hù)，這類(lèi)客戶(hù)是企業(yè)的低價(jià)值客戶(hù)。這類(lèi)客戶(hù)當(dāng)前、潛在價(jià)值都很低，未來(lái)能為企業(yè)帶來(lái)的收入很少，企業(yè)應(yīng)該降低對(duì)該類(lèi)客戶(hù)的投入，降低服務(wù)成本。

根據(jù)RFMI模型的指標(biāo)特點(diǎn)，實(shí)際應(yīng)用中可以將R、F、M、I四個(gè)指標(biāo)看成四個(gè)維度，每一個(gè)維度可以按照重要程度的不同進(jìn)行進(jìn)行劃分，例如每個(gè)維度都有重要、中等和不重要三個(gè)等級(jí)，那么實(shí)際得到的RFMI模型將有81種不同的客戶(hù)類(lèi)型，針對(duì)不同的客戶(hù)類(lèi)型能進(jìn)一步的對(duì)不同客戶(hù)實(shí)施精確的個(gè)性化服務(wù)，提高企業(yè)的利益和競(jìng)爭(zhēng)力。

4 結(jié)語(yǔ)

客戶(hù)價(jià)值評(píng)價(jià)是一個(gè)企業(yè)發(fā)展的重要環(huán)節(jié)，本文通過(guò)定制服務(wù)下客戶(hù)價(jià)值研究，在RFM模型基礎(chǔ)上針對(duì)定制服務(wù)特點(diǎn)提出RFMI模型。通過(guò)對(duì)家電定制企業(yè)數(shù)據(jù)的實(shí)驗(yàn)分析，有效地對(duì)不同的客戶(hù)根據(jù)價(jià)值進(jìn)行分類(lèi)得到不同的客戶(hù)等級(jí)，同時(shí)針對(duì)不同客戶(hù)等級(jí)進(jìn)行不同的策略分析，為定制企業(yè)對(duì)不同的客戶(hù)群體管理，實(shí)現(xiàn)各類(lèi)客戶(hù)的個(gè)性化需求提供了科學(xué)的依據(jù)。但在實(shí)際應(yīng)用中也存在一些不足，本模型沒(méi)有涉及售后評(píng)價(jià)層面的分析，同時(shí)采用歷史數(shù)據(jù)進(jìn)行建模，為了提高模型穩(wěn)定性，更加全面地了解新老客戶(hù)行為特征，家電定制企業(yè)應(yīng)該根據(jù)自身特點(diǎn)，建立合理的定期訓(xùn)練模型時(shí)間。