基于RFM的汽車售后服務業客戶分類的研究

張婧

摘 要：提出汽車售后服務企業客戶消費的RFM模型，通過AHP法得到汽車售后服務業RFM指標的權重，并應用K-means聚類法對客戶進行分類。分析各類客戶的客戶等級，并結合指標權重對各類客戶進行客戶價值比較分析。實證研究表明本文所提出的模型和方法可以有效地對汽車售后服務企業客戶進行分類。

關鍵詞：客戶生命周期價值;客戶分類;RFM;K-means聚類算法

1 引言

客戶生命周期價值（Customer Lifetime Value，CLV）是客戶細分最為重要的依據。依據客戶生命周期價值對客戶群進細分，可以使企業根據客戶價值級別的不同決定如何在客戶中分配企業有限資源，然后根據客戶的不同需求，設計和實施不同的客戶保持策略。其目的在于牢牢保持那部分對企業最有價值的客戶，并把有潛力的當前低價值客戶在未來轉化為高價值客戶，鼓勵那些不論是現在還是將來都對公司無價值的客戶轉向其競爭對手，從而最終達企業的總體利潤最大化。本文利用基于所提出的RFM的聚類算法對汽車售后服務業客戶進行分類，分析每一類客戶的消費行為特征和CLV，并基于某汽車售后服務企業2017年度的服務記錄數據進行實證研究。

2 汽車售后服務業RFM模型及權重

2.1 汽車售后服務業RFM模型

RFM由三個基本因素構成，即近期（Recency， R）、頻數（Frequency， F）和金額（Monetary， M）。RFM模型是一個簡捷、實用的客戶或市場劃分的模型。RFM模型同樣適用于汽車售后服務業的客戶分類。該行業的RFM指標與傳統的RFM指標含義比較如表1所示。

2.2 RFM權重分析

三個指標變量（R，F，M）對于衡量汽車售后服務業的客戶的忠誠度和價值的重要性是不一樣的。本研究利用層次分析法（AHP）計算出RFM三種指標的權重，從而為用RFM分析劃分客戶群提供科學、可行、簡便的方案。

用層次分析法分析問題大體要經過以下五個步驟：（1）建立層次結構模型;（2）構造判斷矩陣;（3）層次單排序;（4）層次總排序;（5）一致性檢驗。其中后三個步驟在整個過程中需要逐層地進行。

3 基于K-means聚類法和CLV的客戶分類

應用K-means聚類法，以加權RFM為指標，將具有相同RFM變動情況的客戶歸為一類，然后計算各類的客戶生命周期價值CLV，根據CLV的取值對客戶進行二次分類，基本思路如下：

（1）應用AHP法確定RFM各個指標的權重wR 、wF、 wM;

（2）將RFM各指標標準化，并將各個指標加權：

由于R，F，M這三個變量的度量不統一，為了避免聚類結果對度量單位的依賴，數據應當使用統一的度量標準，即數據應當標準化。

設θL為客戶群中R（F或M）變量的最大變量值，θS為客戶群中R（F或M）變量的最小變量值。對于R變量，它對客戶生命周期價值有負的影響，因此，R變量用公式θ′=θL-θθL-θS來進行標準化。R標準化后的變量用R′來表示。對于F和M兩個變量，它們對客戶生命周期價值有正的影響，因此，F和M兩個變量用公式θ′=θ-θSθL-θS來進行標準化。F（或M）標準化后的變量用來F′或（M′）表示。

設加權后的RFM變量分別計為R″、F″、M″，則：

R″=wR×R′，F″=wF×F′，M″=wM×M′

客戶價值細分最終根據加權的RFM變量即R″、F″、M″進行聚類分析。

（3）確定聚類的類別數量m。

本模型中客戶分類通過每位客戶類別RFM平均值與總RFM平均值相比較來決定的，而單個指標的比較只能有兩種情況：大于（等于）或小于平均值，因此可能有2×2×2=8種類別。

（4）應用K-means聚類法對加權后的RFM指標進行聚類，得到m類客戶。

用于聚類分析的數據R″、F″、M″得到后，即可以開始進行聚類分析。

首先，進行數據清洗。包括異常值處理和數據標準化。

然后，將得到的清洗過的數據采用K-means聚類法進行聚類，使用spss軟件將數據分成m類;

（5）將每類客戶的R″、F″、M″平均值和總R″、F″、M″平均值作比較，每次對比有兩個結果：大于（等于）平均值和小于平均值，通過對比得到每類客戶RFM的變動情況。

（6）根據每個客戶類別的RFM的變動情況分析該客戶類別的性質，如該客戶類別是傾向于忠誠的還是傾向于背離的，然后在此基礎上定義客戶類型。

（7）對每類客戶標準化后的各個指標取平均，將平均值加權求和，得到每類客戶的CLV總得分，分析各類客戶生命周期價值的差別，運算公式為：

CLVj= M R″+M F″+M M″

其中M R″、M F″、M M″分別代表上文中的R″、F″、M″變量在各類中的平均值。最后，根據總得分的大小來對各類客戶來進行排序。

4 某汽車4s店實證研究

4.1 客戶分類

本實證研究基于某汽車4s店2017年的服務記錄共25645條。確定RFM模型各指標含義后，結合實證數據，確定需要的數據內容，整理出后期用于聚類分析的數據共5486條。

根據判斷矩陣計算出三個指標的相對權重。經過對決策小組各專家的咨詢，確定出 RFM 變量的權重分別為 wR=0.221，wF=0.341，wM=0.438。可見消費金額（M）對客戶生命周期價值的影響最大。

根據篩選出來的某汽車售后服務廠2017年的服務記錄結合RFM模型確定的用于聚類分析的數據共24條進行客戶類型識別分析。設加權后的RFM變量分別計為R″、F″、M″，則R″=wR×R′，F″=wF×F′， M″=wM×M′，計算后取3位小數。

進行數據清洗后，最終得到2218條數據。運用SPSS軟件進行K-means聚類分析，得到8類客戶。將8類客戶的RFM平均值與總RFM均值比較。如果單個客戶類別的均值大于總均值，則給該指標一個向上的箭頭“↑”標記，反之則用“↓”。根據以上的定義，一種理論上的聚類結果如表6。其中M R″、M F″、M M″三行分別代表上文中的R″、F″、M″變量在各個簇的平均值。注意，由于R″的計算公式為：

R″= wR×R′= wR×RL-RRL-RS

故R″與R成反比，即R越大，計算出來的R″越小。所以在比較R″時，若單個客戶類別的均值大于總均值，則給該指標一個向上的箭頭“↓”標記，反之則用“↑”。

通過RFM分析將企業客戶群體劃分成重要保持客戶、重要發展客戶、重要挽留客戶、無價值客戶等4個級別，各客戶簇的客戶級別如表2所示。

4.2 CLV比較分析

根據每一類客戶的客戶CLV來進行二次排序，運算公式為：

CLVj= M R″+M F″+M M″

其中M R″、M F″、M M″分別代表上文中的R″、F″、M″變量在各個簇中的平均值。最后，根據總得分的大小來對各類客戶來進行排序。

排名靠前的客戶相對排名靠后的客戶具有更高的客戶價值，忠誠度更高，對于企業來說更為重要。表2顯示，客戶簇6的CLV最高，客戶簇7和8的CLV次之，客戶簇1的CLV最低，因此屬于客戶簇6的客戶是企業最有價值的客戶，在企業資源有限的情況下，應最優先考慮該類客戶的需求。此外，對于處于同等級的客戶簇2和3也進行了細分，從表2中可以看出，盡管都屬于重要發展客戶，但客戶簇3比4的價值更大，應優先發展屬于該客戶簇的客戶。

5 結論及展望

客戶分類是根據任何一個客戶屬性劃分的客戶集合，它是成功實施客戶保持策略的基本原則之一。本文就是運用長期預測的CLV分析法與短期預測的RFM方法兩套客戶屬性指標結合對汽車售后服務業的客戶進行基于客戶行為數據的分類，針對具有不同特點的每一類客戶企業應采用不同的客戶策略，以期獲得最大的利潤。

參考文獻

[1]林彥，蔡啟明.生命周期意義下的客戶資源價值挖掘研究[J].統計與信息論壇，2004，11：31-33.

[2]陳明亮，李懷祖.客戶價值細分與保持策略研究[J].成組技術與生產現代化，2001，18（4）：23-27.