用友UAP曾小青:基于数据挖掘的客户细分方法分析

三、基于消费行为的客户细分。消费行为真实描述了客户的购买，同时也表现了客户对企业各种服务和产品的真实反应。最常用的基于消费行为的客户细分是1994 年Hushes提出的RFM 模型细分。

基于消费数据挖掘的行为细分

通过对常用的客户分类方法比较和分析，曾小青表示，基于消费数据挖掘的行为细分是更为科学的细分方式。基于消费数据挖掘的客户细分方法依据客户以往和现在的行为来预测将来的行为，是一种以行为模式数据为基础、以信息技术为支撑的细分方法。该方法是通过分析数据库中已有客户的消费行为模式来将客户分类。

Hushes(1994)提出了RFM(R：Recency，F：Frequency，M:Monetary)模型，以3 个行为变量来区分客户。R 是最近一次购买至现在的时间间隔，F 是购买次数，M 是某一期间内购买的金额。RFM 分析针对客户的每个指标打分，计算三个指标的加权和，再按这个结果排序。

针对传统RFM 模型，Hui-Chu Chang指出R、F 的值越大，相关客户与企业开展新交易的可能性越大;M 的值越大，相关客户与企业重复购买的可能性越大。Fang-Ming Hsu从客户交易数据库中查询客户最近一次购买产品的时间，并按照购买先后顺序进行排序，然后将客户群划分成5 等份，最近购买的客户记5分，购买时间最远的客户记1 分。用类似的方法，对所有客户按照其购买的频率和总金额由高到低进行打分，每个客户都具有反映其RFM 状况的三个分值。例如，得分为111 的客户是最近没有购买且购买频率和金额都很低的客户，得分为555的客户是拥有最近购买行为、购买频率和金额都很高的客户。

但是该方法对于分值代表范围有不确定性，人为影响较为严重。并且购买次数F和同期总购买额M 两个变量之间会存在多重共线性。Ching-Hsue Cheng利用粗糙集结合RFM 模型，得出最合适的客户分类数，改进了传统RFM 细分模型。从以上众多方法可以看出，目前无论是客户细分技术还是客户分类变量的选择都较为分散，而且往往只给出了某一个或几个环节的方法，缺乏现实指导性。

曾小青在总结了前人的经验后，提出了一种更加完整的针对消费数据挖掘的客户细分新方法——基于消费数据挖掘的多指标RFM客户细分。下期，笔者将继续邀请用友UAP的大数据专家曾小青为大家详细介绍该方法的具体内容。

微信扫一扫实时了解行业动态

微信扫一扫分享本文给好友