[发明专利]一种基于加权RFM模型的电商平台客户细分方法

说明书

本发明公开了一种基于加权RFM模型的电商平台客户细分方法，从电商平台客户数据库中提取客户消费数据，进行数据清理；根据数据清理后的电商平台客户消费数据，计算每位客户最近一次消费的时间间隔R、规定时间段的消费频率F、规定时间段的消费总金额M，并进行Z分数标准化变换；将所得数据作为输入数据，确定加权欧氏距离公式，去除客户集中所有孤立点，得到客户集X'；使用Canopy算法对X'进行粗聚类得中心点集合；利用中心点集合作为K‑means算法初始聚类中心进行聚类，得k类电商平台客户群；计算聚类后不同电商平台客户群的各个指标的平均值，与全体电商平台客户的各个指标的平均值进行比较，得每类电商平台客户群的RFM类型。本发明能够高效精确地对电商平台进行客户分类。

技术领域

本发明涉及数据挖掘与数据分析领域，具体是一种基于加权RFM模型的电商平台客户细分方法。

背景技术

随着我国电子商务行业的飞速发展，网络购物越来越受大众青睐，中小型电商企业间的竞争也愈发激烈，现代企业的营销理念已经从“以产品为中心”演变为“以客户为中心”，对于企业而言客户成为极具价值的资源。面对庞大的不同行为模式的客户群体，科学评价客户价值并进行精准客户细分，从而制定相应客户服务策略，提供差异化营销策略，是电商企业将有限资源利益最大化、高效提升客户忠诚度的重要途径，有助于电商企业在激烈的市场竞争中占据优势地位。

目前RFM模型在客户细分领域被广泛应用，但是传统RFM模型的客户细分主要是根据R、F、M三个指标的均值直接将客户划分为8类，导致客户分类常常存在分类模糊问题。K-means聚类分析算法作为一种经典的迭代求解的划分聚类算法，常与RFM模型结合使用以提高客户分类精度，然而传统K-means聚类分析算法存在一定局限性，k值需要预先人工经验设定，且k值的估计非常困难；初始聚类中心随机选取而成，易造成聚类结果不准确；孤立点的存在容易造成聚类迭代次数增加，且聚类陷入局部最优；当数据属性值种类多且重要性不一致时，所使用的欧氏距离对待每个属性的重要性权重相同，导致聚类精度产生偏差。

其次，在RFM模型中，各指标权重的选取是客户价值评估模型的关键，但是在大多数RFM模型应用中，识别客户价值时使用的各指标权重相同，对客户价值评价的准确性产生了负面影响。

发明内容

针对现有技术中存在的技术问题，本发明提供了一种基于加权RFM模型的电商平台客户细分方法，以高效精确地对电商平台进行客户分类。

为了解决上述技术问题，本发明通过以下技术方案予以实现：

一种基于加权RFM模型的电商平台客户细分方法，包括以下步骤：

步骤1、从电商平台客户数据库中提取客户消费数据，并对客户消费数据进行数据清理，对数据清理后的客户消费数据集进行向量化处理，获得客户集X＝{x₁,x₂,…x_i,…x_n}，1≤i≤n，n为客户个数；所述客户消费数据包括客户编号、订单编号、购买时间和消费金额；

步骤2、根据数据清理后的电商平台客户消费数据，计算每位客户最近一次消费的时间间隔R指标、规定时间段的消费频率F指标和规定时间段的消费总金额M指标；对R、F和M指标分别进行Z分数标准化变换得到x_ir、x_if和x_im，记为客户x_i的三个属性值；

步骤3、将步骤2得到的客户x_i的三个属性值作为输入数据，确定加权欧氏距离公式，去除客户集X中所有孤立点，得到客户集X'＝{x₁',x₂',…x_i',…x_m'}，1≤i≤m≤n；

步骤4、使用Canopy算法对步骤3得到的客户集X'进行粗聚类得到中心点集合；