基于数据挖掘的消费者价值细分模型研究.docxVIP

基于数据挖掘的消费者价值细分模型研究 　　摘要：针对服装电商客户细分，设计了包含3种变量8个指标的多层RFM模型，在此基础上，以某电商的服装营销数据为对象，利用SPSS工具对交易数据进行了数据分析，运用主客观综合法确定了各因素的权重，并采用K-Meam聚类方法对客户的行为变量进行细分，根据细分结果，结合实际研究问题，分析客户群特征，从而为消费者制定具有个性化的营销策略，来逐步实现精准营销。　　关键词：电子商务；RFM模型；K-Means聚类；消费者细分　　中图分类号： 文献标识码：A DOI：/　　引言　　随着网络与信息技术的快速发展，电子商务的发展也迅速壮大，电商与消费者之间通过互联网进行交易。在日益激烈的竞争环境中，对于服务消费者的电商来说，追踪客户的消费变化、了解客户的消费需求、满足客户的消费期望、识别和细分客户在企业竞争过程中尤为重要。　　消费者细分理论首先由Smith提出，它是指企业根据客户属性、行为、需求、偏好以及价值等因素对消费者进行分类，并提供具有针对性的产品、服务和销售模式的过程。对于服装电商来说，不同的消费者具有不同的特征，不同的购买习惯。从消费者的价值角度分类这些消费者，将有利于电商企业去发掘和维持客户价值较大的消费者，减少对客户价值较小的消费者的投入，从而更精准的进行推送，用相同的成本为服装电商企业带来更大收益。　　在营销领域，RFM模型被广泛地用来衡量客户的价值，本文通过对RFM模型的研究，将传统的RFM模型的三个指标进行扩充，设计了包含3种类型的8个指标，提出一种针对服装电子商务行业的多指标客户细分模型，并通过因子分析，提取细分变量，分析每个指标在因子上的载荷，同时运用层次分析法确定各个因子在客户价值的权重，以客户在各个因子上的得分和客户价值作为划分依据进行聚类，为服装电商企业提供了参考依据。　　1 基于数据挖掘的多指标RFM客户细分　　 消费者细分挖掘流程　　消费者交易数据细分挖掘，是以服装电商的交易数据为依据，根据服装交易数据的特征，确定消费者细分因素，从而建立消费者细分指标体系。　　 消费者细分指标体系的构建　　传统的RFM分析方法在每个因子上只有一个指标，不能全面地衡量消费者价值和行为特征。本文结合消费者习惯的多样化，在传统的RFM分析的基础上，对RFM的三个因素进行指标的扩充，构建包含3种类型8个指标的多层指标体系的RFM细分模型，来刻画消费者消费行为特征，如表1所示：　　用多个指标代替原来的RFM模型中的消费进度、频次和消费值，主要基于以下　　在此基础上，建立细分的RFM模型，利用主客观综合法确定了RFM模型的各因素权重，得到加权的新的交易数据，对新获得的交易数据进行聚类分析，根据每个类的消费特征，进行消费者类型的识别，从而进行营销策略的调整。具体消费者交易数据挖掘流程如图1所示：　　几点考虑：　　通过次最近一次购买和最远一次购买可以更清楚地了解该顾客的时间跨度，有利于辨别潜在消费者。　　用多个消费频次代替整体的消费频次，能更好地显示消费者在特定时间段的购买的规律和集中性，为市场营销提供参考依据。　　平均每次每件消费金额有利于确定消费者的购买力，结合总消费金额，可以判断出对商家营销贡献大的消费者。　　 主客观综合法确定RFM指标体系权重本文在权重的选取上采用了第三类赋权法，即主客观综合赋权法。主客观组合赋权法的常用方法是“加法”集成法。其公式是：　　其中表示第i个指标的组合权重；　　别为第i个属性的客观权重和主观权重。“加法”集成法实质上是线性加权，称为线性加权组合赋权方法。当决策者对不同赋权方法存在偏好时，a能够根据决策者的偏好信息来确定。　　本文通过因子分析法确定客观权重A，利用层次分析法确定主观权重勿。　　 提取?分变量的因子分析法　　在考虑多指标RFM模型中各个细分指标权重时，选用因子分析法，找出潜在影响客户细分的因素，确定因子个数和客户在因子上的得分，根据各因子解释客户细分的程度以确定各因子的权重。　　因子分析是一种数据简化的技术。它从所研究的全部指标中，通过探讨相关的内部依赖结构，将主要信息集中在几个主因子上。　　对于P个变量指标　　将原始数据标准化处理。　　考虑到服装电商的数据库存储的都是原始数据，各单位不同量纲不同，故需要对数据进行标准化处理：　　计算R的特征根和计算方差贡献率：　　其中5为第i个特征，　　为第i个主因子的方差贡献率，一般取确定为主因子，或累积贡献率大于85%的成分为主因子，　　设主因子分别为　　建立因子载荷矩阵实行方差最大正交旋转。　　将P个指标按照高载荷分成m类，并结合专业知识对各个因子命名。　　由因子解释总方差贡献率可得m个主因　　子的权重大小，设第i个主因子的贡献率为，归一化主