基于改进rfm模型的百度外卖客户价值分析

基于改进rfm模型的百度外卖客户价值分析

“360餐饮”是指360通讯社为客户提供餐饮服务的专业餐饮服务平台。目前,进行客户价值分析的相关文献有,文献RFM模型在反映客户价值及客户购买偏好方面具有良好的表征性,适合单次消费金额相对较低、消费频次相对较高的直销行业中,如电信、外卖和物流等行业为实现百度外卖客户价值分析,本文拟提出改进RFM模型,将采用离差标准化方法1分析用户群体细分RFM模型最近消费时间R,指客户在分析时间点和最近一次消费时间点之间的间隔时间。理论上,最近消费时间越短,客户对企业提供的商品或服务也最有可能发生反应,因此,最近消费时间越小,表明客户与企业再次发生交易的可能性越大。消费频率F,指客户在一定时期内发生消费行为的次数。消费频率越高的消费者,忠诚度越高,给企业带来的价值越大,因此,消费频率越大越好。消费金额M,指客户在一定时期内的消费总金额。消费金额是对企业产能最直接的衡量指标,消费金额越大,客户给企业带来的价值越大,因此,消费金额越大越好。根据客户购买行为,RFM模型可以完成客户群体的细分,评估客户的价值,采用RFM模型进行客户价值分析的步骤如下。步骤1得出最近消费时间、消费频率、消费金额3个客户行为指标。步骤2采用规范化方法对RFM模型的指标进行规范化处理。步骤3对RFM模型的指标进行权重分析。步骤4采用K-means聚类算法对RFM模型的指标进行聚类分群。步骤5针对每个客户群进行指标特征分析,得出不同客户群的价值。2改进的rfm模型为了更准确地对百度外卖客户进行价值分析,提出改进RFM模型,改进的RFM模型采用平均订单交易时间间隔、客户一定时期内的交易次数、平均单次订单交易金额、客户贡献时间4个指标对客户行为进行分析,得出不同客户群为企业带来的价值。2.1改进rfm模型在RFM模型中,最近消费时间R随机性较大,虽然考虑了消费时间对顾客价值的影响,但新客户和老客户在最近消费时间R指标的表现可能相同,在参考时间段内具有相似的最近消费的记录,企业无法根据该指标判断客户的新老属性。RFM模型中指标F和指标M之间存在共线性问题,忽略了客户与企业间的互动因素。为了更准确地对百度外卖客户进行价值分析,提出一种改进RFM模型,改进RFM模型指标构成如下。RFMS为客户贡献时间,指客户历史第一次交易至参考时间的最后一次交易的时间间隔。R其中TMS指标的公式为其中T在改进的RFM模型中,采用平均订单交易时间间隔R2.2数据标准化处理由于改进RFM模型的平均订单交易时间间隔、客户一定时期内的交易次数、平均单次订单交易金额、客户贡献时间4个指标的取值范围数据差异较大,为了消除数值对分类结果带来的影响,采用离差标准化方法对数据进行标准化处理,规范化处理式为其中x为样本数据,x′为规范化处理后的样本数据,x2.3指数权重分析指标权重改进RFM模型4个指标R计算x其中其中是矩阵C的特征值矩阵,U为矩阵C的特征向量,这样得到的λ2.4k-me现行聚类算法以改进后RFM模型的平均订单交易时间间隔、客户一定时期内的交易次数、平均单次订单交易金额、客户贡献时间4个指标为分类变量,采用K-means聚类算法K-means聚类算法,将具有相似特征的对象聚集在一起,将不具有相似特征的对象划分到不同的类中,通过迭代计算从每个点到聚类中心的距离,找到给定数据集的K个聚类中心。采用K-means聚类算法对客户作聚类分群,对每个客户群进行指标分析,分析不同客户群的客户价值高低。3结果分析3.1减少订单交易时实验采用百度外卖企业某市某商家为期3个月的4815条真实订单交易历史数据,数据中存在冗余特征且特征维数较多,如用户姓名、商户名称、订单状态、商圈、支付类型、配送物流等,将原始数据进行预处理,得到对客户价值分析有用的行为特征,如得到符合改进RFM模型的4个指标,即平均订单交易时间间隔、客户一定时期内的交易次数、平均单次订单交易金额、客户贡献时间。部分订单交易样本数据,如表1所示。表1中,用户名为1001的客户,平均订单交易时间间隔为2.88天,客户一定时期内的交易次数为8次,平均单次订单交易金额为38.5元,客户贡献时间为50.94天。用户名为1002的客户,平均订单交易时间间隔为0天,客户一定时期内的交易次数为1次,平均单次订单交易金额为26元,客户贡献时间为50.69天。采用主成分分析法对4815名客户的各指标进行权重的计算,以R统计分析软件中的princomp函数计算后的主成分的方差贡献率为各指标的权重,如表2所示。表2中,客户平均订单交易时间间隔的方差贡献率为0.413,表征其权重为0.413,客户交易次数的方差贡献率为0.238,表征其权重为0.238,客户平均单次订单交易金额的方差贡献率为0.207,表征其权重为0.207,客户贡献时间的方差贡献率为0.142,表征其权重为0.142。3.2客户类别特征客户价值分析模型主要由两个部分组成:第一部分,根据改进RFM模型中的4个指标的数据,将4815名客户进行聚类分群,得到不同价值的重要保持型客户、忠诚型客户、发展型客户、一般客户、低价值客户5类客户群体;第二部分,针对每个客户群进行特征分析,得出客户的价值,并对客户群进行排名。以改进后RFM模型的指标作为聚类变量,采用K-means聚类算法表3中,S将聚类后的客户分群结果进行分析,如图1所示。图1中,客户群1在贡献时间指标上偏大,在平均订单交易时间间隔、客户一定时期内的交易次数、平均单次订单交易金额3个指标上最小。客户群2在指标平均订单交易时间间隔和交易次数两个指标上达到最大,在客户贡献时间指标上达到最小。客户群3在平均单次订单交易金额上达到最大,在平均订单交易时间间隔、客户一定时期内的交易次数、客户贡献时间3个指标上表现不明显。客户群4在平均订单交易时间间隔、客户一定时期内的交易次数、平均单次订单交易金额、客户贡献时间4个指标上的表现均不太显著。客户群5在贡献时间指标上达到最大,在平均订单交易时间间隔、客户一定时期内的交易次数、平均单次订单交易金额3个指标上表现不显著,为劣势特征。通过对上述客户群的指标分析,将百度外卖的客户视作为:重要保持型客户、忠诚型客户、发展型客户、一般客户、低价值客户5种客户类别,每类客户群的特征如下。(1)重要保持型客户。这类客户群(客户群3)的平均单次订单交易金额指标达到最大,消费频率较高,贡献时间也较高,是企业的高价值客户,也是最为理想的客户类型,但该类客户群所占的比例较小,企业应该投入更多的精力和资源,并对他们进行差异化地服务和精准营销,延长该类客户的贡献时间。(2)忠诚型客户。这类客户群(客户群5)的平均单次订单交易金额相对较高,贡献时间指标为优势特征,客户的贡献时间久,对企业的贡献度相对较高,企业应重点发展此类客户,使这类客户逐渐转化为企业的高价值客户。(3)发展型客户。这类客户群(客户群2)的平均单次订单交易时间最长,消费频率最高,平均单次订单交易金额适中,但其贡献时间较短,企业应重点发展此类客户群,延长其贡献时间。(4)一般客户。这类客户群(客户群4)在平均订单交易时间间隔、客户一定时期内的交易次数、平均单次订单交易金额、客户贡献时间4个指标上的表现均不太显著,外卖企业应该根据这类客户的最近消费时间和消费次数的变动情况,推测客户的异动情况,采取一定的营销手段,延长客户的生命周期。(5)低价值客户。这类客户群(客户群1)的平均单次订单交易时间最低,贡献时间较长,但其消费频率和平均单次订单交易金额最低,为企业的低价值客户群。3.3基于rfm模型的客户价值分析分析得到客户的价值后,从回归客户订单交易的原始数据中,对改进后RFM模型进行百度外卖客户价值分析结果进行验证,现以部分客户经过RFM模型和改进RFM模型的客户价值指标及客户分类结果为例,说明改进RFM模型的可信性,如表4和表5所示。表4和表5中,用户名为1001顾客为交易次数较高的老客户,用户名为1002顾客为新客户,其最近消费时间相近,故最近消费时间指标不能很好地描述顾客价值,而平均订单交易时间间隔克服了最近消费时间指标的这一缺陷,对于交易次数较高的老客户,平均订单交易时间间隔更具有代表性。将原始数据通过RFM模型和改进后的RFM模型进行百度外卖客户价值分析,得到客户群聚类结果。通过各指标分析得出平均订单交易时间间隔越小、交易次数越高、平均单次订单交易金额越大、客户贡献时间越久,客户相对于企业的价值越高。数据表明,RFM模型将用户名为1001的顾客划分为价值较低的第4类客户群即一般客户群,由于该客户的消费频率和消费金额较高,客户贡献时间久,该客户应属于价值较高的客户群,改进RFM模型将用户名为1001顾客划分为价值较高的第3类客户群即重要保持型客户。RFM模型将用户名为1002的顾客划分为价值较高的第2类客户群即发展型客户,由于该客户的消费频率较低,消费金额较少,该客户应属于价值较低的客户群,改进RFM模型将用户名为1002的顾客划分为价值较低的第4类客户群即一般客户。因此,改进RFM模型的客户细分结果更为准确。上述实验分析结果表明,改进后RFM模型不仅能消除RFM模型的不足,而且改进后RFM模型的客户细分结果与RFM模型的客户细分结果相比较更为准确,基于改进后的RFM模型可更准确地对百度外卖客户进行价值分析。4客户价值分析为了分析百度外卖客户的价值,提出一种基于改进后RFM模型的客户价值分析方法。包括平均订单交易时间间隔、客户一定时期内的交易次数、平均单次订单交易金额、客户贡献时间4个指标,运用离差标准化方法对指标进行规范化处