基于K-Means聚類分析的電商學生客戶細分研究

摘 要：進行精準客戶細分，維護客戶關系，優化客戶管理是電子商務行業大數據應用的一個重要方向。為了了解高校學生在線上平臺消費的傾向和偏好，滿足高校學生客戶的多元化需求，提高客戶認可度和核心競爭力，本文以收集的真實高校學生消費數據為基礎，通過改進的RFM模型和K-Means聚類分析對數據進行處理和分析。本文以手肘法確定分類類別數K值，以提高電子商務客戶細分的準確性，獲取更好的分類結果。最終根據客戶的細分結果，進行分析解讀，為不同客戶群制定對應的營銷方案和服務建議。

關鍵詞：客戶細分;K-Means聚類;RFM模型;手肘法

根據《中國電子商務市場競爭及企業競爭策略分析報告》顯示，2011年-2019年我國電子商務交易額呈逐年增長態勢，年均復合增速高達24%。2019年我國電子商務交易額為34.81萬億元，同比增長10.05%。突如其來的新冠疫情導致的封控措施更是推動了線上成交額的飛速上升。

雖然電子商務市場呈現出突飛猛進的發展趨勢，但其存在的一些亟待解決的問題仍不容忽視。根據中國商業聯合會調查的數據顯示，69%的電商客戶對網購商品的質量極不滿意。客戶是企業賴以生存和發展的基礎，客戶關系是企業極為重要的資源，把握好客戶關系是進行企業管理和市場營銷的關鍵，而進行客戶精準細分是把握客戶關系的重要步驟，線上客戶亦是擁有更為明顯的消費特征，因此對于線上客戶的進行細分研究對于當前的發展來說是極其必要的。

一、K-Means聚類簡述

1956年，美國經濟學家溫德爾·史密斯首次提出了市場細分的概念。其主要概念是根據客戶的不同需求，把整個市場劃分成一些具有共同特征的子市場。這個概念一經提出，就引發了相關學者的廣泛研究和探討。有很多學者在這一基礎上展開了更為細致的研究和應用，實踐表明客戶細分理論的有效應用能夠為企業帶來了非常大的收益。德薩羅等認為客戶細分對企業具有非常重要的指導作用，有助于企業制定科學高效的營銷策略。弗蘭克等學者通過對比客戶細分策略和傳統的價格歧視理論發現，客戶細分策略能夠更好地應對廣闊的市場以及顧客差異性帶來的挑戰。市場細分是客戶關系管理理論的一個主要分支，它既為企業盈利作出貢獻同時也提高了客戶滿意度。隨著市場多元化的發展，企業實行差異化營銷顯得尤為重要，客戶細分理論可以有效識別客戶價值，通過分析高價值顧客的需求和選擇偏好，從而為企業節約資源，有利于企業實現精準營銷。

RFM模型首先由美國數據庫營銷學家休斯在1994年發現。后續學者在自己研究的基礎上進行了改進和創新。徐翔斌等用利潤指標替換金額指標提出改進的RFP模型。徐文瑞用層次分析法確定RFM模型中的各指標權重，將定性和定量結合進行研究。包志強等加入客戶貢獻時間以改進RFM模型。熊蘭等將客戶的價值按產品類別進行分類。倪楓等加入客戶的活躍時間構造RFMT模型來衡量客戶價值。靖立崢，吳增源在經典RFM模型的基礎上增加客戶消費行為特征，構建了融入客戶線上行為特征的RFPAV客戶細分模型。

聚類的目的是將全部樣本劃分成若干類別，適合應用在客戶細分的相關研究上。其中K-means聚類能夠更快更好地處理數據量大的樣本集。K-means聚類是由麥奎因提出的，其主要做法是選擇K個聚類中心，按照最近原則將全部樣本分為各個聚類。由于K-means聚類算法存在一些限制性較大的缺陷，如聚類中心、K值不易選取等問題。相關學者針對這些缺陷進行了相應的改進。王虹、孫紅針對層次聚類法和K-means聚類法的缺陷，提出將二者相結合的改進算法。任春華、孫林夫等提出一種層次K近鄰密度峰值初始聚類中心選取方法。

本文通過以往的研究并結合本次研究對象對RFM模型進行改進。并且運用手肘法確定K值，將客戶分為對應價值的客戶群。

二、模型建立

傳統的RFM模型起源于20世紀60年代的公司直接營銷，在1994年由營銷學家休斯正式提出。如今RFM模型已經廣泛應用于各個行業的客戶細分，中外各個學者也對模型進行了相應的改變和擴展。傳統的RFM模型是通過客戶最近的購買時間R（recency）、購買頻率F（frequency）、購買金額M（monetary）三個基本數據指標來衡量相關的客戶價值。F、M值越大，通常客戶價值越高。

本研究是主要針對高校學生電商客戶的研究，因此收集了202個高校學生在某電商平臺的真實消費數據。該數據是根據該電商平臺統計的人生賬單作為原始數據，記錄樣本學生的最近消費時間并計算樣本學生平均一年內的消費次數和消費總金額。本數據收集時間為十一月下旬，考慮到電商平臺“雙十一”活動參與的廣泛性和時間統計的抽象性，本研究將最近消費時間分為十一月之前以及十一月的上、中、下旬，分別設定值為1、3、5、7。由于消費金額和消費次數通常成正比，存在一定的共線性問題，容易使研究產生誤差，因此本研究根據原始數據計算單次的平均消費金額來作為M值。

考慮到部分學生的消費情況與一般同學相比差別較大一起分析會產生較大干擾，本文采用離差規范化法來消除這種干擾。離差規范化法受到最大值和最小值取值的限制，且經過該法處理后的結果數據都為小數，無較大差別，能夠有效地消除綱量和數據取值范圍的影響。離差規范化法對樣本數據進行處理時會在[0，1]內映射出原始數據的線性變換。

其轉換公式為

x*=（x-min）/（max-min）

公式中的min和max是樣本中同類數據的最小值和最大值，x為初始數據值，x*為處理后的數據值。

數據歸一化處理后進行聚類可以更好地得到結果，以便進行相應分析。K-means聚類是聚類研究中最常用的聚類算法，也廣泛地應用于各個行業的客戶細分。其基本思路是在選定聚類中心（即質心）后，逐一比較每個個案與質心的距離，將距離最近的一個個案首先與質心劃為一類，然后進行反復計算和迭代，直到滿足設定的要求為止。簡單來說，K-均值聚類就是根據歐幾里得距離把n個個案觀測值自動聚集為k（k

K-means聚類算法適用于觀測數據較多且為連續變量的情況，適合對個案的聚類。該方法的缺點是需要自行設定分類類別K值。分類類別值對于最后的聚類結果具有較大的影響，僅根據經驗隨機設定往往缺乏客觀科學性。因此本研究選用手肘法來確定最佳聚類數。

手肘法核心思想如下：

隨著分類類別數的增加，SSE的下降幅度會驟減，然后隨著K值的繼續增大而趨于平緩。也就是說誤差平方和SSE和K值的關系圖是一個手肘的形狀，而肘部對應的K值就是本次聚類的最佳聚類數。手肘法即為選取肘部對應的那個拐點。

核心指標：SSE（sum of the squared errors，誤差平方和）

Ci是第i個簇，p是Ci中的樣本點，mi是Ci的質心（Ci中所有樣本的均值）

SSE是所有樣本的聚類誤差。

本文設置K的范圍為[2，8]，根據誤差平方和SSE繪制分類效果圖如下圖所示。根據手肘法確定最佳聚類數K=4。

不同聚類數目下的SSE值

聚類情況如下。

三、結果分析

由上文可知，分類類別為四時聚類效果最好。根據得到的分類情況和最終聚類中心，可以看出不同類別的客戶群有著不同的差異，差異在消費時間、消費次數以及消費金額上均有體現。以下是對聚類出的不同客戶群進行分析。

第一類客戶群總共有27個個案，占全部樣本的13.37%，所占比例較小。該類客戶群購買頻率最高，距離最近購買時間最短，整體客戶群購物金額跨度較大，平均單次消費金額不高。該類客戶習慣于從該電商平臺購買日常所需用品，但價值不高，因為該客戶群通常較少購買大金額用品或者涉及金額較大的物品購置時則更多地考慮線下實體店購買。

該類客戶可劃分為次優質客戶群組。針對此類客戶，應該在原有的客戶維護基礎上，推出更多的承諾保障，針對大金額產品提供更多的保險服務和保障措施，使客戶充分信任平臺，相信平臺能夠最大力度地保證消費者的全部權益，即使是較大金額的產品也可放心購買，從而開發該類客戶在該平臺對于大額產品的消費潛力。

第二類客戶群總共有15個個案，占全部樣本的7.43%，所占比例最小。該類客戶群平均單次購買金額最大，距離最近購買時間較短，顧客群的購買次數跨度較大，但整體來看較高。該類客戶不會過于頻繁地從該電商平臺購買日常所需物品，但如果其有相應商品的購買需求，不會過于在意商品的價格，購買顧慮較少，該客戶群通常消費水平較高或者是出于對該平臺的信任習慣從該平臺購買大額產品。

該類客戶可劃分為優質客戶群組，對該電商平臺的信任程度較高，購買頻率較大，價格敏感度低，具有極高的客戶價值。對于本類客戶，要做好相應的客戶維護工作，要注意根據客戶的需要定期推送相關產品以避免和其他電商平臺的競爭，在進行產品推薦時要更注重質量而非價格。保證客戶的購物體驗是輕松愉快的。

第三類客戶群總共有127個個案，占全部樣本的62.87%，所占比例最大。該類客戶群的平均單次購買金額、購買頻率和距離最近購買時間間隔均居中，不會從該電商平臺過于頻繁購買或購買大額商品，客戶價值一般，但是卻具有較大的開發空間。

該類客戶可劃分為潛力客戶群組，擁有固定從該平臺購買的商品清單，購物時間、次數和金額均相對穩定。針對此類客戶，該電商平臺應該在做好基礎的客戶維護上，對比線下實體店和其他電商平臺，根據后臺數據統計的客戶需要有傾向性地推送本平臺的優勢產品，提供更多保障以提高客戶信任度，充分開發客戶的購買潛力。

第四類客戶群總共有33個個案，占全部樣本的16.33%，所占比例較小。該類客戶群的購買頻率和購買金額均是最低的。可知，該類客戶較少從該電商平臺購物且單次購物金額較少，客戶價值最低。

該類客戶可劃分為一般客戶群組，缺乏對該電商平臺的信任，更多地從實體店購物或是在其他電商平臺消費。針對此類客戶，該電商平臺應當多進行相應的產品推送和活動推薦，刺激客戶的消費需求。平臺可先推送一些性價比較高的低價商品，根據客戶的反應情況，再做后續的維護和推廣。

四、結語

在物質經濟和科學技術高速發展的今天，客戶細分及關系管理對于電子商務行業乃至各行各業都具有極大的意義。而隨著互聯網技術的飛速發展和廣泛應用，企業可以快捷地根據自有平臺統計的客戶消費數據對客戶的消費行為進行分析并總結出對應的消費規律，將具有相似特征的消費者歸為一個客戶群，從而有針對性地制定不同的營銷策略，也可以給客戶帶來更多的便捷。本文以改進的RFM模型和加以手肘法輔助的K-means聚類對收集的高校學生消費數據進行分析，高校學生是電商平臺的重要客戶和優質潛力客戶，因此本研究具有一定的研究價值和應用意義。通過手肘法確定K值，并以改進的RFM模型進行分析，得到了較好的分析結果。從研究結果中可以看到，高校學生的客戶價值是普遍較低的，并且上下差異較大。但高校學生還是具有較大的消費潛力，高校學生目前主要經濟來源是家庭資助和學校的獎助，其消費能力相對有限，出于對價格的敏感性和生活的便捷性，較多地從電商平臺購買日常所需物品。未來，高校學生畢業工作后，擁有較大的自主消費能力后，還是會習慣性地從線上購買相關所需物品。因此，做好對高校學生客戶的客戶關系維護是十分必要的。

當然本文也存在諸多不足，比如選取樣本的數量較少且分布較為集中，對RFM模型的相關數據指標還可以更加細化。相信未來的研究一定可以克服各種困難和不足，達到理想的客戶細分效果。

參考文獻：

[1]王潤清.基于聚類分析的航空旅客在線購票行為研究[D].中國民航大學，2020.

[2]徐翔斌，王佳強，涂歡，穆明.基于改進RFM模型的電子商務客戶細分[J].計算機應用，2012，32（05）：1439-1442.

[3]徐文瑞.基于RFM模型的顧客消費行為與顧客價值預測研究[J].商業經濟研究，2017（19）：44-46.

[4]包志強，趙媛媛，趙研，胡嘯天，黃瓊丹.基于改進RFM模型的百度外賣客戶價值分析[J].西安郵電大學學報，2019，24（01）：105-110.

[5]熊蘭，高炳.基于RFM多層級客戶價值模型的客戶細分研究[J].商業經濟研究，2017（05）：55-57.

[6]冀慧杰，倪楓，劉姜，趙燚.基于灰色關聯度和K-Means++的電子商務客戶價值分類[J].計算機系統應用，2020，29（09）：249-254.

[7]靖立崢，吳增源.基于改進K-means算法的電子商務客戶細分研究[J].中國計量大學學報，2020，31（04）：482-489.

[8]王虹，孫紅.基于混合聚類算法的客戶細分策略研究[J].電子科技，2016，29（01）：29-32.

作者簡介：張玉琨（1997- ），女，漢族，河北沙河人，碩士研究生在讀，研究方向：服務營銷