基于RFMI模型的家电产品定制服务的客户价值研究

余方超，徐 雷，张国锋，叶宗鑫

(四川大学 机械工程学院，成都 610065）

0 引言

随着互联网技术、大数据以及5G通讯技术等新一代信息技术蓬勃发展，工业互联网迎来了全所未有的机遇。信息技术和制造方式的加速融合，推进现代制造企业的技术创新。同时，信息技术与管理技术的深度融合能加快制造企业的管理升级[1]。当代企业能够在新一轮的市场竞争中取得优势的关键在于企业能为顾客提供更好的利益和服务[2]。对于家电制造企业，提升企业竞争力的关键在于更短的时间和更少的成本向客户提供多样的定制产品，大规模定制是现代制造企业保持竞争力的关键[3]。定制服务是“制造—互联网+”的生产模式，利用物联网、人工智能、大数据等新一代信息技术，发展个性化设计、用户参与设计，推进生产制造的智能化、柔性化[4]。

定制服务的核心是“以客户为中心”，通过客户需求分析，为客户提供个性化的需求，使企业和客户能建立稳定、长远的双赢关系，逐渐获得稳定的客户，最终让企业获得市场[5]。企业的发展离不开产品创新和客户需求的紧密有效融合[6]，同时企业也认识到客户之间的差别，对企业的贡献也不同，企业也缺乏有效地挖掘客户需求的工具。在这样的情形下，为了满足不同需求的客户，通过有效的方法挖掘不同类型的客户，根据不同客户的需求提供个性化的服务，加深客户与企业的关系，建立长久的忠诚度和维护客户保持率，为企业创造更多的利润[7]。

本文将结合大数据处理技术、定制服务特点以及现代管理技术，对家电产品定制客户数据进行分析。期望能全面的反应客户价值，根据定制服务客户价值分析对不同类型的客户采用不同的销售手段，为实现客户个性化营销及企业资源的有效分配提供理论方法。

1 定制客户价值研究

1.1 定制客户价值评价指标

客户价值指标主要包括当前价值和潜在价值两个方面[8]。对于当前价值的衡量，较多采用利润率和购买量作为评价指标；对于潜在价值的衡量，较多是客户与企业联系的紧密度和未来预期的利润值[9]，如重复购买次数，兴趣度以及口碑等。定制服务模式是一种集企业、客户、供应商以及外界环境于一体的生产模式。当前价值可以从销售总额、消费次数、消费时间等能直接方便得到的指标进行分析；潜在价值指未来能为企业带来的经济效益，主要表现为对产品较高的关注度、兴趣度以及对产品开发的参与度等方面。

1.2 RFM客户价值模型研究

在客户价值模型研究中RFM模型是研究客户价值分类的主要方法。其中R（Recency），最近一次消费时间与截止时间的间隔；F（Frequency），某段时间内的购买频率；M（Monetary），某段时间内的消费总额。RFM方法可以分析和识别用户行为[10]，用客户行为数据将客户进行划分，同时进行消费预测[11]。RFM模型能快速的根据客户数据指标进行客户价值细分，得到不同的客户群体，是企业管理的有效方法。

2 RFMI模型构建

2.1 RFMI模型分析

RFM模型不能准确的描述定制服务下客户的价值划分。面对家电定制制造生产模式，企业在发展的初级阶段用会员制度吸引客户，建立企业与客户更加紧密的结构关系，进一步满足客户的个性化需求，也有利于提升客户粘性、改善客户关系[12]。同时定制服务的用户特点在于用户参与设计、以及交互设计，所以用户参与度也是定制服务的一个重要特征。为了完善RFM模型在定制服务中的应用，引入个性化指标I（Individualization），I由客户参与度组成，本文用客户会员等级和客户参与时间表示。RFMI模型流程如图1所示，主要是目标数据集抽取、数据处理分析、模型构建与结果分析。

图1 RFMI模型流程图

2.2 指标相关性分析

相关性指两个变量之间关联程度的大小，在客户价值分析模型中若两个变量有较强的相关性，可能导致模型存在多重共线性缺陷。在研究新的指标影响时，为增强模型正确性，应尽量避免这种情况，为了能更加准确的描述变量间的相关性，采用计算相关系数的方法，相关性矩阵C(u,v)定义为：

其中u，v表示两个不同的指标，当C＞0为正相关关系；C<0为负相关关系；当|C|≤0.3为极弱线性相关或不相关；0.3<|C|≤0.5为低线性相关；0.5<|C|≤0.8为显著线性相关；|C|>0.8为高线性相关。

2.3 指标权值分析

用于权重分析的方法很多，一般包括主观方法和客观方法。主观方法一般有专家咨询法、多层次分析法，有很强的主观性，准确性较差；客观方法包括熵权法、离差及均方差法和主成分分析法等。由于在客户划分中实际数据量大，可以用熵权法通过数据差异确定权重。熵权法中信息的无序程度用信息熵表示，信息的无序程度越小，信息熵越小，信息的效用值越大[14]，赋权步骤如下：

Step1：数据规范化。采用离差标准化将各指标数值映射到[0,1]之间表示为：

其中u代表原始数据，v表示规范后的数据。

Step2：计算指标比重系数K。规范化后的第i个样本的第j个指标vij占所有样本的比重表示为：

Step3：计算信息熵。根据信息熵的定义以及指标比重系数，样本中第j个指标的信息熵表示为：

其中n表示数据指标类型个数。

Step4：计算客观权重。根据信息熵的定义，第j项数据的信息效用值等于1和Ej的差值，所以第j项指标权重表示为：

2.4 RFMI指标构造

R指最近一次消费时间和窗口结束时间的时间间隔，R越小客户价值越大；F指窗口期内的消费次数，F越大客户价值越大；M指窗口期内消费的总额，M越大客户价值越大；I指的是个性化指标如式(6)所示，I越大客户价值越大。

其中u代表客户参与时间，v表示客户会员等级，n表示客户数量。

2.5 K-means++算法

K-means算法是典型的通过距离计算的非层次聚类算法，传统K-means方法初始聚类中心是随机选择的，可能使结果局部收敛，严重偏离全局最优解。为了聚类结果更加准确，K-means++算法能优化初始簇心能避免聚类结果严重偏离全局最优解，同时加快算法收敛速度[15]。K-means++算法步骤如下：

输入：样本集X，簇心数K。

输出：对应的簇心C和K个类。

Step1：K个初始簇心的选择。

1）从X中随机选择一个数据作为第一个簇心。

2）计算簇心与X中每一个数据点间的距离。

3）选择距离最大的数据点作为新的簇心。

重复1～3，直到选出K个簇心。

Step2：计算K个簇心和每条数据间的距离。同时利用了两边之和大于等于第三边,以及两边之差小于第三边的三角形性质，来减少距离的计算。

Step3：按照“距离最近”原则，将每条数据都划分到最近的簇类中。

Step4：数据划分完后，K个簇心重新计算。

Step5：迭代执行Step2～Step4，直到K个簇心不再改变，或者满足给定条件。

3 实验研究与分析

3.1 实验数据处理与分析

实验数据来自某家电企业2015年4月1日至2017年3月31日的实际销售数据，其中包含客户基本信息数据、商品信息数据、销售数据等。针对RFMI模型生成原始数据表，主要包含最后一次购买时间、购买的次数、消费的总金额、会员等级、用户参与时间、折扣率等相关指标。原始数据共67582条数据，通过数据预处理删除其中异常数据以及分布不合理数据，最终得到62020条有效数据用于实验分析。

通过式(1)对实验数据选择的指标进行相关性分析，得到相关性矩阵如图2所示：

图2 指标相关性矩阵图

从图2中可以看到原始数据表中不同指标间的相互关联程度，除去R、F、M三个指标的联系，VIP_TIER（会员等级）和M（消费总额）程较高的正相关关系，直接用客户会员等级作为衡量衡量指标会加大模型误差，AVG_DIS（平均折扣）和M、VIP_TIER有较弱的正相关和其他指标相关性不强，这是因为折扣在活动期间会有很大的波动，顾不适合用于模型分析，PAT_TIME（用户参与时间）和其他指标相关性均不强，对于该模型可以作为一个衡量标准。

3.2 RFMI权值分析

会员等级和用户参与时间的量纲、范围均不相同，通过式(2)进行数据规范化处理，采用熵权法进行赋权，通过式(3)～式(5)得到VIP_TIER权重为0.793，PAR_TIME权重为0.175，通过式(6)加权得到指标I的值，将I的数据值添加至原有数据集中得到最终实验数据，如表1所示。

表1 最终实验数据分布表

同样通过熵权法对R、F、M、I四个指标进行权重确定，最终得到R的权重为0.229，F的权重为0.333，M的权重为0.275，I的权重为0.163，如图3所示。

图3 各指标权重图

3.3 聚类结果与客户分类

为了方便后面指标分析，先将最终的到的实验数据通过差商标准化，以分数的大小衡量客户价值的高低。运用K-means++算法对R、F、M、I指标进行聚类，得到的指标的簇心分布如表2所示：

表2 各指标簇心分布表

在RFMI模型中，为了使每个指标影响一致，在划分客户时R的值取（1-R），根据各指标原始的数值范围和得到的聚类结果，为了使各个指标能更加合理的评价客户价值，根据数据层次，将R、F、I乘100，M乘1000。结合各个指标的权重，得到各指标分类得分情况，结果如表3所示。

表3 各指标分类得分表

根据定制客户价值研究，将客户当前价值定义为最近购买时间R、购买次数F以及消费总额M之和，将客户潜在价值定义为最近购买时间R以及个性化指数I之和，客户价值为客户当前和客户潜在价值两者之和。

结合客户各类价值分类定义可以得到客户价值分类详情，结果如图4所示。对当前价值、潜在价值以及客户价值分类排序，结果从高到底排序依次均为类型3、类型5、类型2、类型4和类型1。

图4 客户价值分类图

3.4 策略分析

通过分析表3和图4，可以得到客户等级划分以及占比情况，如表4所示。

表4 客户等级划分表

通过表4可知类型3是Ⅰ级客户，这类客户是企业的高价值用户，是最为理想的客户类型。企业应该优先将资源放在这类客户上，实行差异性管理和一对一的个性化服务，提高满意度和忠诚度。类型5是Ⅱ级客户，这类客户是企业的中高等价值用户，是重要的客户类型。企业应该投入足够的资源和独特的服务，加强这类客户的满意度，提高转向竞争对手的转移成本，进一步提高客户忠诚度。类型2是Ⅲ级客户，这类客户的价值不确定性很高，是重要挽留客户类型。企业应该掌握客户的最新消息、维持与客户之间的互动，采用一定的促销手段，加强客户联系，延长客户生命周期，为企业创造更多利润。类型4是Ⅳ级客户，是一般客户类型。这类客户当前、潜在价值都偏低，可能是新用户群体，也有可能是出现较大优惠才消费的低消费群体，企业应该投入适当的资源和营销策略，努力吸引这类客户，进一步发展客户间的关系。类1是Ⅴ级客户，这类客户是企业的低价值客户。这类客户当前、潜在价值都很低，未来能为企业带来的收入很少，企业应该降低对该类客户的投入，降低服务成本。

根据RFMI模型的指标特点，实际应用中可以将R、F、M、I四个指标看成四个维度，每一个维度可以按照重要程度的不同进行进行划分，例如每个维度都有重要、中等和不重要三个等级，那么实际得到的RFMI模型将有81种不同的客户类型，针对不同的客户类型能进一步的对不同客户实施精确的个性化服务，提高企业的利益和竞争力。

4 结语

客户价值评价是一个企业发展的重要环节，本文通过定制服务下客户价值研究，在RFM模型基础上针对定制服务特点提出RFMI模型。通过对家电定制企业数据的实验分析，有效地对不同的客户根据价值进行分类得到不同的客户等级，同时针对不同客户等级进行不同的策略分析，为定制企业对不同的客户群体管理，实现各类客户的个性化需求提供了科学的依据。但在实际应用中也存在一些不足，本模型没有涉及售后评价层面的分析，同时采用历史数据进行建模，为了提高模型稳定性，更加全面地了解新老客户行为特征，家电定制企业应该根据自身特点，建立合理的定期训练模型时间。