用戶價值判斷

Step1: 肯定權重。

認爲R、F、M 三要素對用戶行爲差別的反映是同等重要的。所以選擇RFM 的權重爲1: 1: 1。

Step2: 歸一化。

R、F、M單位不一樣，數值上存在巨大的差別，所以要對RFM 分別進行歸一化處理。

F 越大說明用戶購買次數越高，M越大說明用戶訂購金額越大，F，M越大說明用戶價值越高。R 表明用戶上一次訂購的時刻與研究時刻之間的時間間隔，這時間間隔越小，說明用戶在這一段時間內的用戶價值越高。所以，F 與M 與用戶穩定程度正相關，而R 與用戶穩定程度負相關，歸一化時應區別處理。歸一化後的數值越高，用戶價值越高。

歸一化方法：min-max標準化（Min-Max Normalization）

也稱爲離差標準化，是對原始數據的線性變換，使結果值映射到[0，1]之間。轉換函數以下：

       F 、M ：     X’ = ( X - X_min ) / ( X_max - X_min )  ——X越大，X’越大

R：               X’ = ( X_max - X) / ( X_max - X_min )  ——X越小，X’越大

Step3: 聚類。

採用K 均值算法進行聚類。使用K-均值聚類法時，須要預先判斷其聚類的類別數。本模型中客戶分類經過每一個顧客類別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狀況：大於(等於)或小於平均值，所以可能有2 ×2 ×2 = 8種類別。標準化和肯定聚類類別數後，進行聚類分析，獲得8 類客戶。

Step4: 劃分用戶所處等級。

即劃分用戶得分，獲得每類用戶的類型，以便定性分析用戶忠誠度。

將R，F，M 分別按照歸一化後的數值，由高到低排序，並均分爲5 個等級，數值最高的等級得分爲5，最低等級得分爲1。最後得出每類用戶的3 個元素分別所處的等級，獲得3 個分數的組合。例如，第i 個用戶，其元素R 平均值較大，得分爲5，元素F 得分爲3，元素M 得分爲2，那麼第i 個用戶的類型爲( 5，3，2) 型。

Step5: 劃分用戶類型。

將8 類客戶的RFM平均值與總RFM均值比較，若是單個客戶類別的均值大於總均值，則給該指標一個向上的箭頭「↑」標記，反之則用「↓」。樣本2中的比較狀況以下。

類別	數量	R均值	F均值	M均值	比較狀況	客戶類型	用戶價值
1	1	80.00	1.00	299.00	↓↓↑	重要發展客戶	較高
2	1	80.00	54.00	308.00	↓↑↑	重要保持客戶	高
3	218	83.29	2.76	26.36	↑↑↑	重要挽留客戶	較高
4	134	83.22	2.74	26.23	↓↓↓	新客戶：重要發展客戶 老客戶：無價值客戶	新：較高   老：低
5	111	83.26	2.76	26.26	↑↑↓	通常客戶	通常
6	24	83.18	2.78	26.40	↓↑↑	重要保持客戶	高
7	7	83.57	3.03	28.88	↑↑↑	重要挽留客戶	高
8	4	83.53	2.98	28.10	↑↑↑	重要挽留客戶	高
總均值	83.246	2.758	26.286

 

Step6: 用戶價值指數L_i。

L_i = ω_RC_iR + ω_FC_iF + ω_MC_iM

權數ω可更具AHP法得到。聚類後，第i類R、F、M元素歸一化數值的均值記爲C_iR、C_iF、C_iM。

經過計算的出的用戶價值指數能夠清楚比較用戶價值大小。