张姣 范馨月

摘 要 针对零售行业企业管理的合理性，基于某大型商场销售采集系统数据，构建适合零售运营商精准营销的FRLMC模型，实现零售行业的精准营销，优化会员管理制度.应用K-Means聚类分析方法构建合理实用的结构体系，精准识别会员消费特征，实现对会员消费行为画像描绘.通过实际应用说明模型的准确率，在其他行业经过验证可推广应用.

关键词  FRLMC模型;会员潜力挖掘;K-Means聚类方法;价格容忍度

中图分类号 F276.44文献标识码 A

Abstract Aiming at the rationality of retail business management， based on the data of a large shopping mall sales collection system， we establish a FRLMC model suitable for retail operators to achieve precision marketing， so as to achieve precision marketing in the retail industry and to optimize membership management system. The K-Means clustering analysis method is used to construct a rational and practical structure system， to accurately identify the characteristics of member consumption， and to describe the portrait of a member's consumption behavior. The accuracy of the model is illustrated by practical application， and it can be popularized in other industries.

Key words FRLMC model; member potential mining; K-Means clustering method; price tolerance

1 引 言

隨着全球经济一体化进程的加快，市场的激烈竞争和顾客几近严苛的要求使得企业从过去以产品为中心逐步向以客户为中心靠拢 [1].信息时代的到来，使得客户获取产品信息的渠道日益增多，零售运营商面临更加严峻的市场竞争.顾客关系管理（CRM）是企业维系与顾客良好关系的重要战略举措[2]，对特殊顾客群体，尤其是会员个体的精准识别和精准营销是提升企业盈利能力的关键.零售企业会员的不断流失，给零售运营商造成了严重损失，运营商应该有针对性地实施营销策略来加强与会员的良好关系.有人认为对老会员的维系成本太高，事实上，发展新会员的资金投入远比采取一定措施来维系现有会员要高.因此，与顾客建立稳定、长期的关系是实体零售行业得以更好发展的关键.

会员的价值体现在持续不断地为企业带来稳定的销售额和利润，同时也为企业制度的制定提供数据支持.在销售领域，RFM模型是一种对顾客识别和价值分析的经典模型[3]，被用来衡量顾客价值.用会员最近消费到观测结束时间R（Recency）、会员消费频次F（Frequency）和会员的累积消费金额M（Monetary），来识别顾客的长期或潜在价值.这3个指标来自于美国数据库营销机构的研究，现在逐渐成为会员价值研究以及会员营销的通用模型了.本文对RFM模型进行改进，在RFM模型3个指标的基础上，进一步考虑会员入会时间距观测时间的天数L和会员在观测期内高单价商品消费占比C两个指标，这5个指标将构成衡量会员价值的特征.运用K-Means聚类分析方法构建合理实用的结构体系，建立一套更加适合会员个体精准识别的FRLMC模型，实现对会员的价值识别与挖掘.

2 FRLMC模型

对于新增的价格容忍度这个维度C，价格容忍度高的会员，运营商获取的销售和利益应该是最大的，如果推送给他们特价商品反而是失败的营销.高单价商品消费占比就是用来衡量会员容忍度的指标.会员入会时间距观测时间的天数L，入会时间的长短作为分析会员状态的一个特征，基于此建立FRLMC模型.

2.1 数据的采集和处理

本文资料及数据来源于贵州省贵阳市某大型商场所有销售采集系统数据，将所有会员的详细资料和消费流水作为数据集，以2015年1月1日-2018年1月3日作为观测时间.从这些数据中，抽取观测时间内所有会员顾客的数据，总共约四十几万条记录.数据包括会员卡号、姓名、出身年月、身份证号、职业、电话、家庭住址、消费金额、办卡日期及消费日期等信息.首先对数据集进行脱敏处理，包括数据缺失、异常处理、数据属性的规约、清洗和变换.即剔除与FRLMC模型无关的记录，保留所需的属性.例如会员卡号、办卡日期、消费记录和消费金额等对该模型有用的信息，然后挑出错误和冗余的记录，进一步处理得到比较合理的数据集[4].

由于原始数据并没有直接给出所需的5个指标，于是需要通过一系列的统计计算才能得到F、R、L、M及C这5个属性，具体为L（会员入会日期到观测时间结束日期）（单位：天数）、R（最近一次消费时间到观测结束时间的天数）、F（在观测时间内消费的次数，以小票张数为基准）、M（会员在观测时间内消费的金额总数）（单位：元）和C（高单价消费占比），即会员顾客在此期间消费的高单价金额与金额总数的比值.值得注意的是，在计算指标C的时候，商品的高单价没有统一的标准进行刻画，本文先求出数据集中所有会员顾客消费金额的均值μ及标准差σ，把高于上限μ+hσ的消费金额作为商品高单价商品的最低金额，利用公式就可求出指标C.这里，h>0称为模型基于观测数据的待优化参数，本企业可令h=1.这样经过选择、删除、整理后就得到FRLMC模型所需要的属性，从而构成新的数据集，总共有89358条记录（部分会员特征数据见表1）.

3 模型识别

判断会员顾客对企业的贡献度及其会员价值，把F、R、L、M和C这5个指标作为聚类变量，这里运用K-means聚类方法对客户群进行分类.根据客户的不同购买情况将其分为8类群体，用Python实现了聚类结果.而与传统的客户分类方法相比较，聚类方法不仅考虑了会员顾客的价值（历史价值、当前价值及潜在价值等因素）的差异，还综合了客户行为（交易的变化、流失的趋势和走向等行为）的变化，是比较可行实用的的方法.但由于K-means聚类方法存在其自身的一些缺陷，例如初始值不同，其聚类结果也会发生改变，所以在聚类的过程中粗略地判断了聚类的情况，然后进行多次聚类，筛选出了较好的聚类情况，作为最终的结果.整理聚类结果见表2.

FRLMC是会员消费的行为特征，容易获得，也是企业非常重要的价值分析资料，其思想就是通过这5个行为因素来判断会员顾客的价值[7].对会员顾客价值的分析研究，目的是通过分析不同会员的消费情况了解其综合价值进而判断出他们对企业的忠诚度，最终确定企业从不同类别的顾客中获取收益的多少.由表2的聚类结果对这8类客户群进行特征分析，不难得出这8类客户群的特征情况，且每个客户群都有自己显著的特征.由这5个指标的定义可知，F，L，M和C越高，R越低其顾客的价值越高.于是总结归纳出它们各自的优势及劣势特征，将其情况整理见表3.

根据聚类结果表及特征分析表的统计信息，将其聚类结果及显著特征进行归纳概括，将所有的会员顾客进行分类，为提高聚类结果的表征性，构建会员的价值魔方.传统的RFM模型认为RFM的值对客户的价值影响是同等的，Hughes， Arthur也认为RFM在衡量一个问题上的权重是一致的，因而并没有给予不同的划分.但是Stone， Bob则通过对信用卡实证分析，表示各个指标的权重并不相同，应该给予频度最高，近度次之，值度最低的权重[8].这里将利用AHP求得RFM的权重，步骤为：

客户群6指标L明显异常，对标准化结果的影响特别大，于是在对L进行标准化时做了一个简易处理，即把其指标L剔除后再进行计算，以平衡其他客户群数据标准化的结果.得到Q、L、C这3个新指标的标准化结果之后，求其均值为：

以Q、L和C建立空间坐标系，理论上大于均值的数据处于坐标轴的正半轴，反之在负半轴.但在实际操作中，由于某些客户群数据的接近，可能会导致最终结果相同而处于同一个区域.此时，将根据各自的指标做一些调整，纵然客户群的某个指标相对突出也要综合其他因素进行分类，得到细分结果图见图1.

4  结 论

FRLMC模型更能准确判断会员顾客的忠诚度，对不同类型的顾客针对性实施营销策略，从而为企业带来最大化收益.把这些会员顾客分为8类进行分析：

由以上信息及数据可以看出，客户群1的消费次数与消费金额较为一般，这可能是入会时间短导致的，但新鲜度及高单价消费高，说明这类客户应该是企业的新客户，跟其他客户群相比，这类客户具有较大的潜在价值.企业应当采取针对性的营销手段吸引这类客户群，提高他们的购买频次，因为他们具有这样的潜能.再者这类客户群占比较大，只要维持与他们的关系，就能为企业带来更多的利润.所以把这类客户视为企业的增长性客户.

客户群2的R（流失时间）最长且明显高于其他客户群，与企业的接触频次也不高，在指标L（入会时长）和M（消费总额）上更是不占优势，即这类客户群成为会员的时间比较短且很久没有消费记录，但C（高单价消费占比）却是这8类客户群中最高的，说明这类客户群购买力较高但是他们与企业的交易存在一定的偶然性[10]，并不是企业的忠诚会员，是企业的沉默客户.

客户群3的F（购买频次）最高且离最近一次消费时间间隔短，说明这类客户很活跃，然而M（消费总额）和C（高单价消费占比）都较低，且L（入会时长）也很短，说明他们的消费能力较低，给企业带来的利润很少，但适当维持与这类客户的关系也是有必要的，因为他们可能是附近的居民，以后也会长期与企业保持频繁的交易.所以，这类客户是企业的活跃客户.

客户群4的F（购买频次）较低，且新鲜度不高，但是L（入会时长）跟M（消费金额）处于中上水平，说明这类客户对企业比较忠诚.企业可以完善服务，预测客户的需求提高他们的满意度，增加与企业的接触率，毕竟服务是企业参与市场竞争的王牌武器.因此，把这类客户群归属为企业的潜在客户.

客户群5虽然C（高单价消费占比）较高，但从购买频次、流失时间和购买量三方面来分析，这类客户群都显得拙劣与平庸，显然是流失客户.然而这类客户群人数占比不低，这对企业是大大的考验.面对这类客户，企业应当分析其中利弊，加大其投入可能会存在失败风险，但如果营销到位，就可以利用这类客户群人数多和高单价消费占比高两个优势为企业创造利润.

客户群6相对于其他几类客户群显得尤为特殊，只有卡号为‘9001000320和‘9001000209的2位会员.对其分析，不难发现她们都是女性，应当有稳定的经济来源，而且她们成为会员的时间很长、消费金额非常高，远远超过其他客户群的指标.不仅如此，她们与企业的接触频次、购买高价产品的数目和新鲜度都较高.说明这类客户群是企业的忠实会员，属于高端客户.

客户群7入会时间长、购买频次高、消费金额高且高单价消费也不容小觑，但由于较长时间没有与企业交易，可能会因为某些原因离开企业.针对这类客户群，企业应当致力于为顾客创造良好的消費环境，并超越顾客的期望值，为企业创造价值.可以把这类客户群视为企业的优质客户.

客户群8所占比例最大，高达总人数的32.94%，这类顾客的C（高单价消费占比）是其优势且新鲜度可观，然而F（购买频次）、M（购买量）及L（入会时长）都较低，无法给企业带来丰厚的利润.这与客户群1情况类似，但从这几个指标来看这类客户群的潜在价值较客户群1低，可以把这类客户群视为目标客户.

基于传统的RFM模型，引入的指标C（高单价消费占比）是否对分类结果有影响，做了一个比较，在剔除指标C的情况下，聚类结果见表6.

经分析，剔除指标C后分类结果大有不同，依照前文分析的方法可知，客户群1～客户群8分别可视为流失客户、沉默客户、活跃客户、潜在客户、高端客户、目标客户、增长性客户和优质客户8类.同引入指标C相比不仅每类客户群的人数、聚类中心发生变化，相应的类别也有所改变.例如对于引入指标C时，特殊客户群6只有卡号为‘9001000320和‘9001000209的2位会员，他们是高端客户.在未引入指标C的模型中，分别被聚类到了客户群1为流失客户和客户群4为潜在客户.据以上分析可以总结，指标C对客户群分类结果有着重要的影响和意义.

根据以上对会员顾客价值的细分研究，可以将这几类客户群分为增长性客户、沉默客户、潜在客户、流失客户、高端客户、高端客户、优质客户和目标客户8类.单从这几个指标来看，企业应当根据这5类客户群的不同显著特征提供超越期望值的服务，有针对性、合理地分配企业资源，为企业获得更多的收益.利用本文所提出的的客户细分模型FRLMC，企业就可以针对现有的会员顾客根据其价值进行分析评价，然后据此区别出不同价值的顾客群体，针对各自的优势劣势特征做出相应的策略，比如合理分配企业资源、做促销活动及电话营销等等，实现企业长期价值最大化[11].

参考文献

[1] 尚永伟.基于客户价值的客户关系管理研究 [D].武汉：武汉理工大学管理学院， 2008：1-2.

[2] 徐文瑞.基于RFM模型的顾客消费行为与顾客价值预测研究 [J].商业经济研究，2017（19）：44-46.

[3] HUGHES  A M. Strategic database marketing [M].Chicago：Probus Publishing Company，2005.

[4] 张良均， 王路， 谭利云，等. Python数据分析与挖掘实战 [M].北京：机械工业出版社， 2017：164-179.

[5] HAN J， KAMBER M. Data mining： concepts and techniques [M]. San Francisco ：Morgan Kaufmann， 2001.

[6] 刘芝怡，陈功. 基于改进K-means算法的RFAT客户细分研究[J].南京理工大学学报，2014，38（4）：531-536.

[7] HUGHES  A M. Boosting response with RFM [J]. American Demographics， 1996，5：4-9.

[8] MIGLAUSTSCH J R.Thoughts on RFM scoring [J].The Journal of Database MarKeting & Customer Strategy Management， 2000， 8（1）：67-72.

[9] 刘紫莲，叶开.基于RFM和AHP的商品组合选择方法[J].中国管理信息化， 2015，18（19）：171-172.

[10]刘朝华，梅强，蔡淑琴. 基于RFM的客戶分类及价值评价模型[J].技术经济与管理研究，2012（5）：33-36.

[11]徐翔斌，王佳强，涂欢，等. 基于改进RFM模型的电子商务客户细分[J].计算机应用， 2012，32（5）：1439-1442.