随着经济发展和科学技术的进步,零售行业也迎来了前所未有的变革和挑战。零售企业对于客户价值的研究一直都是一个热门的话题,由于零售商品的特点,对于零售客户的消费习惯、消费行为等研究能帮助零售企业掌握零售客户的重要信息,这些消费相关的信息能有效地辅助零售企业进行商业决策,制定相关的企业战略。随着企业信息化的日益普及,众多零售企业完成数字化转型之后,如何利用信息技术提供的先进工具赋能企业,指导零售企业日常运营,对许多企业来说,是十分重大的挑战。本文的研究工作如下:第一个工作是对现阶段客户价值分析模型的研究。针对现阶段客户价值分析模型不足以对客户的消费行为和特点进行表征,以及现阶段RFM模型(Recency Frequency Monetary Model)对客户分类方法存在的问题和局限性,提出一种基于聚类算法的客户价值分析模型。本工作的主要创新点包括:第一,通过考察现阶段企业系统的三层架构模型,提出了扁平架构的聚类方法,这一方法通过简化分析过程中数据在应用服务器中的传输步骤,简化了现有的分析流程;第二,提出了改进之后的客户价值分析模型:C-RFM模型(Clustering-Based Recency Frequency Monetary Model),这一模型改进了RFM模型在客户分类方式过程中对客户数据进行离散处理导致数据信息损失问题;第三,引入聚类算法的两个数量指标,改进了RFM模型缺乏客观评价指标的局限。实验结果表明:引入了数量指标之后,C-RFM模型在确定聚类重要参数以及聚类算法选型上面具有指导作用。第二个工作是基于本文提出的C-RFM模型,并结合列式存储技术,实现了基于内存计算的分析系统。本工作的主要创新点包括:第一,实现了前文提出的面向扁平架构的聚类方法;第二,对扁平架构的分析流程中,涉及的客户端与数据库服务器端的参数操作进行优化,进一步改良分析流程;第三,采用基于列式存储的内存计算数据库HANA作为实现原型系统的平台,实现实时分析。结合实验结果,采用HANA平台的内存计算系统经过改良之后与主流的数据分析引擎进行对比,在处理聚类任务上表现更佳,运行时间更短。
为了核算百度外卖客户给企业带来的价值,对百度外卖客户进行价值分析,提出一种改进的最近消费时间、消费频率、消费金额(recency frequency monetary,RFM)模型。该模型由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...
详细信息
为了核算百度外卖客户给企业带来的价值,对百度外卖客户进行价值分析,提出一种改进的最近消费时间、消费频率、消费金额(recency frequency monetary,RFM)模型。该模型由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个指标构成,运用离差标准化方法对4个指标进行规范化处理,采用主成分分析法计算4个指标的权重,4个指标与指标对应权重的乘积之和为客户的价值,采用K-Means聚类算法将客户分为价值由高到低的客户群。对2017年百度外卖企业某商家为期3个月的4 815名客户的订单交易数据进行聚类,结果表明,4 815名客户可以分为重要保持型客户、忠诚型客户、发展型客户、一般客户、低价值客户5类客户群体。改进后RFM模型可用于百度外卖客户价值分析。
暂无评论