2.3　基于RFM模型的客户终身价值研究

本节从群体层面进行客户终身价值的计算，将客户终身价值分为购买价值和评论价值，其中，购买价值采用传统的RFM模型进行度量；评论价值采用RFMP模型进行度量。最后，利用K-Means聚类分析进行客户分类，识别真正高价值的客户，具体分析框架如图2-2所示。

2.3.1　基于RFM模型的客户终身价值分析

1．基于评论行为的RFMP模型

目前对RFM模型的研究主要聚焦于传统购买行为、改进针对购买行为的RFM模型，也出现了部分研究者将社交网络上的评论行为与RFM模型进行结合，提出了针对线上意见领袖识别的改进方法：蔡淑琴、马玉涛和王瑞（2011）提出了RFMS模型，将R定义为最近一次评论距现在时间的天数，F定义为一段时间内发表评论的次数，M定义为一段时间内认为评论有用的人数，同时引入了情感变量（S），代表评论中情感词的总数，用以进行意见领袖的识别。然而该模型的侧重点主要集中于研究网络社区单个用户的评论影响力，对用户影响力评价的主体为其他用户。而本文对用户评论行为贡献的评价主体为企业，即从企业的角度对单个用户单次发表评论的贡献大小进行衡量。

根据社交网络的特征，笔者提出了基于用户评论行为的RFMP模型：其中，R为最近评论时间，表示顾客最近一次的评论时间和分析时间点间隔的天数，若该值较小，则表明消费者在短期内刚有过评论行为；F为评论频率，表示一段时间内顾客评论产品或服务的次数。一般来说，顾客评论的频率越高，这类顾客越忠诚，其产生的价值就越大；M为评论总贡献值，企业对于单个用户单次评论均会进行贡献值打分，因此M表示一段时间内用户发表的评论内容所获得的贡献值大小；P为评论正向占比，表示一段时间内用户发表的正向评论数占该用户发表评论数的百分比。

对于各变量对客户终身价值的影响大小，Hughes认为用RFM模型计算客户终身价值时，三个指标是一样重要的，因此给RFM模型中的三个指标赋予相同的权重。但该方法存在很大的缺陷，对于客户终身价值大小相同的顾客，他们的购买行为可能存大巨大的差异，因此Miglautsch认为对于不同的变量应该赋予不同的权重。同样各指标对于客户终身价值的影响是存在差异的，因此对各个指标赋予不同的权重，具体的RFMP模型如下所示（α₁、β₁、γ₁和δ₁分别代表R、F、M和P的权重）。

2．基于RFM模型的客户终身价值

对于电商企业而言，用户的购买行为和评论行为均会对其带来价值，因此在考虑电子商务企业的客户终身价值时，应该共同考虑顾客的购买行为和评论行为。针对用户的购买行为，本文采用传统的RFM模型，即认为R′为最近评论时间，表示顾客最近一次的购买时间和分析时间点间隔的天数；F′为购买频率，表示一段时间内顾客购买产品或服务的次数；M′为购买总金额，表示一段时间内用户购买的总金额，具体的RFM模型如下所示（α₂、β₂和γ₂分别代表R′、F′、M′的权重）

最终，基于用户在线评论行为的客户终身价值计算模型如下所示（其中，ε₁、ε₂分别代表购买价值RFM_（buy）和评论价值的权重RFM_{（comment）}）：

对于权重的确定通常有两种方法，即主观方法和客观方法。传统的主观方法大多采用层次分析法、专家咨询方法，这些方法带有很强的主观色彩，精确度较差；而传统的客观方法则包括神经网络、主成分分析法和熵值法等，能够利用客观数据得到较符合实际的权重。因此，我们采用客观方法中的熵值法确定客户终身价值模型中各指标的权重，具体步骤如下。

第一步：标准化处理

由于各指标的量纲、数量级均有差异，所以为消除因量纲不同对评价结果的影响，本文采用max-min方法对各指标进行标准化处理。其中，若所用指标的值越大越好，则采用式（2-12）进行标准化处理；若所用的指标的值越小越好，则采用式（2-13）进行标准化处理。

其中，x_j为第j项指标值；x_max为第j项指标的最大值；x_min为第j项指标的最小值；x_ij为标准化值。

第二步：计算比重矩阵

通过标准化处理的数据计算第j项指标下第i个用户的比重y_ij，即

由此，可以建立数据的比重矩Y＝｛y_ij｝_m×n（m为用户的个数，n为指标的个数）。

第三步：计算信息熵值和信息效用值d

根据第二步所得的比重y_ij，可以得到第j项指标的信息熵值e_j，具体公式如下所示。

其中，K为常数。

而某项指标的信息效用价值取决于该指标的信息熵e_j与1之间的差值，信息效用值越大，对评价的重要性就越大，权重也就越大。因此信息效用值

第四步：计算指标权重

最终，得到第j项指标的权重w_j为

2.3.2　实证研究

1．数据来源

本研究所采用的数据来源于大众点评网（dianpin.com）。大众点评网是中国领先的本地生活信息及交易平台，也是全球最早建立的独立第三方消费点评网站。大众点评网不仅为用户提供商户信息、消费点评及消费优惠等信息服务，同时也提供团购、餐厅预订、外卖及电子会员卡等O2O（Online To Offline）交易服务，是一个最典型的消费类社交网络平台。目前，已有研究者利用大众点评网上的评论数据进行研究（蔡淑琴、马玉涛等，2013），因此网站数据的稳定性和可靠性是可以被认可的。

数据的取样过程如下：首先随机选取4 000名注册时间为2009年1月1日至2010年12月31的大众点评网用户，提取这4 000名用户从2011年1月1日至2013年11月30日所产生的评论行为和团购行为数据，具体情况如图2-3所示。由于4 000名用户中有些用户的数据有缺失，例如未填写性别、年龄等，因此本文对提取的数据进行了缺失值的处理，最终采用2 486名用户共计79 573条数据来进行客户终身价值的分析。其中，由于大众点评网用户每发生一次评论点评网均对该次评论进行贡献值打分，因此本文能够获取到点评网用户的总评论贡献值。具体数据如表2-1～表2-3所示。

对于样本的数据基本描述如表2-4所示。通过该表可以看出，在年龄方面大众点评网用户的平均年龄约为27岁，标准差为7.736，这说明所选数据集中，大多数用户均在30岁以下，属于年轻群体；在性别方面，28%的用户为男性用户（男性＝1，女性＝0）。这在一定程度上反映出大众点评网的用户群体趋于年轻化且女性用户居多；在贡献值方面，单个用户的最小贡献值为负数，这说明该用户进行不当点评等不合规操作较多，使得整体贡献值为负数。

2．权重确定

1）RFM模型权重确定

将大众点评网相关购买数据进行处理后得到如表2-5所示的RFM模型涉及数据。

采用熵值法确定3个指标的权重，通过式（2-14）～式（2-18）分别得到标准化矩阵、如表2-6所示的3个指标的信息熵值和如表2-7所示的指标权重，最终得到最近一次购买时间R′的权重为0.016，购买次数F′的权重为0.485，购买总金额M′的权重为0.499。

2）RFMP模型权重确定

同样地，将大众点评网相关购买评论进行处理后得到如表2-8所示的RFMP模型涉及数据。

采用熵值法确定3个指标的权重，通过式（2-14）～式（2-18）分别得到标准化矩阵、如表2-9所示的4个指标的信息熵值和如表2-10所示的指标权重，最终得到最近一次评论时间R的权重为0.054，评论次数F的权重为0.418，评论总贡献值M对应的权重为0.436，评论正向占比P对应的权重为0.092。

同样地，可以得到RFM_（buy）和RFM_{（comment）}对应的权重为0.52和0.48。最终，本书得到基于用户在线评论行为的客户终身价值计算公式如下所示。

其中，仅考虑购买行为R′F′M′模型计算公式为

仅考虑评论行为的RFMP模型计算公式为

3．基于RFM模型的客户终身价值计算

采用RFM模型进行传统客户终身价值计算的方法仅考虑用户的购买行为。因此，首先不考虑用户的评论行为，仅以用户的购买行为来计算客户终身价值，部分数据结果如表2-11所示，其中，客户价值1代表未对R′、F′和M′进行标准化处理得到的客户终身价值，客户价值2表示利用式（2-12）和式（2-13）进行max-min指标标准化处理后得到的客户终身价值。

综合考虑用户的购买行为和评论行为得到的基于用户在线评论行为的客户终身价值如表2-12所示，其中，客户价值3代表未对R、F、M和P进行标准化处理得到的客户终身价值，客户价值4表示利用式（2-12）和式（2-13）进行max-min指标标准化处理后得到的客户终身价值。

最后，将不考虑评论行为得到的客户终身价值与综合考虑用户的购买行为和评论行为的客户终身价值进行对比，结果如表2-12所示。其中，第1列表示客户价值3对应的排名，第2列表示客户价值4对应的排名。

最终通过两个客户终身价值的对比可以发现当考虑用户的评论行为后，用户的客户终身价值出现了变化，其中高价值用户的标准为排名在前1 000名的用户，中价值用户的标准为排名在前2 000名的用户，低价值用户的标准为排名在前3 000名的用户，具体如表2-13所示。

通过表2-13可以看出：有663名在仅考虑购买行为时为高价值用户，而在综合考虑评论行为和购买行为之后仍然为高价值用户；有260名在仅考虑购买行为时为高价值用户，而在综合考虑评论行为和购买行为之后为中价值用户；有77名在仅考虑购买行为时为高价值用户，而在综合考虑评论行为和购买行为之后为低价值用户。这其中两次判断出现差异的用户人数为337人，由此对其采取的用户策略也会相应产生变化。

而对于仅考虑购买行为判断为中价值用户中，有304名用户在综合考虑其行为后价值未发生变化，有456名用户变化为中价值用户，有240名用户变化为低价值用户。这其中两次判断出现差异的用户人数为696人。

最后，对于仅考虑购买行为判断为低价值用户中，有169名用户在综合考虑其行为后价值未发生变化，有33名低价值用户转化为高价值用户，有284名用户变化为中价值用户。这其中两次判断出现差异的用户人数为317人。

综上所述，在分析了仅考虑购买行为计算的客户终身价值与综合考虑用户购买行为和评论行为计算的客户终身价值后发现，有2 350人的价值判断出现了差异。这说明大众点评网已经不能仅依靠用户的购买行为来衡量客户的终身价值，而应该综合考虑用户的评论行为和购买行为，使其更加合理地对用户行为进行判断。

同时，为了更进一步地说明考虑评论行为后的客户情况以及相关管理建议，接下来采取K-Means聚类分析法进行客户细分。

4．用户聚类分析

K-Means聚类分析是用户群细分的一种常用方法。其主要思想为从样本中随机选取k个聚类中心，再根据欧氏距离把每个点分配到最接近其均值的聚类中，然后计算被分配到每个聚类的点的均值向量，并作为新的中心进行递归，最终得到聚类结果。而极端异常点的存在会使得聚类的准确度大大降低。因此本文首先对指标进行描述性统计，发现购买总金额和评论总贡献值存在极端偏大值，这些极端值的存在会导致在进行K-Means聚类分析时存在较大误差，因此首先将极端数值进行删除处理，最终保留了2 481名用户的数据。

通过客户终身价值的分析发现用户的评论行为对用户价值的识别产生影响，那么对于企业而言哪些用户才是真正的高价值用户？本文综合考虑用户的购买行为和评论行为，对大众点评网2 481名用户进行聚类分析。用户群聚类的个数一般依据指标个数划分，本文中应根据7个指标将用户细分为128（2⁷）类，但聚类数过多会导致用户群划分过于分散，因此本文将用户聚类数确定为32（2⁵）类，即将用户的购买行为看成一体。随后，通过分析32个客户细分群的行为数据，基于不同用户群的行为特征最终将大众点评网用户归为4类，具体4类用户群行为数据如表2-14所示。

将第Ⅰ类用户定义为高价值用户，其具体行为特征为：能够经常在网站上进行团购且购买金额较大，同时这类用户的评论积极性也处于较高水平，能够较频繁地在网站上发布正向评论且这些评论的贡献值均较大。通过表2-15可以看出第Ⅰ类用户的平均购买价值为1 624，平均评论价值为150，这在4类用户中是价值最大的。由此可以看出这些用户对网站的忠诚度极高，他们与企业的关系处在稳定期，但是这类客户的发展潜力较低，他们能给企业带来的收益已经达到最大，利润上升的空间已经很小。因此对于这类客户，大众点评网应尽量维持与他们的关系，防止他们流向竞争对手，因为他们带给企业的收益是企业现金流的重要组成部分。但同时对于这类客户企业也无须在他们身上投入过多的资源。例如，可以适当减少在他们身上的广告投放量，无须频繁地发送促销邮件。

将第Ⅱ类用户定义为低价值用户，其具体行为特征为：网站使用率低，既很少发生团购行为也很少发生评论行为，且其对网站的金额贡献和评论贡献都相对较低。通过表2-15可以看出第Ⅱ类用户的平均购买价值为645，平均评论价值为47，两类价值均处于较低水平。由此可以看出这类客户对网站的忠诚度很低，随时都有流失的可能。同时由于他们的发展潜力较低，因此应具体分析导致这类客户不活跃的原因。若客户是由于网站的服务质量或产品质量而流失，尽管该客户的发展潜力不高，在未来不能给企业带来太多的利润，但企业仍应该花精力去处理客户的负面评价，防止他们将对产品、网站的负面评价传递给更多的人，从而使企业的潜在客户流失。

将第Ⅲ类用户定义为传统用户，其具体行为特征为：客户的团购次数较少但对网站的金额贡献较大；但是这些用户不善于发表评论，评论次数以及评论的贡献值都较低。通过表2-15可以看出第Ⅲ类用户的平均购买价值为1 365，平均评论价值为22。这类用户是传统的购买型用户，他们能够为企业带来较大的收益，但是由于这类用户不善于发表自己的看法、表达自己对产品或服务的看法，无法产生较多的评论价值、促进企业潜在客户的增加。因此，针对这类用户，企业需要制定一些鼓励发表评论的激励措施，例如，评论贡献值可以冲抵金额。

将第Ⅳ类用户定义为口碑用户，其具体行为特征为：客户不经常参加网站的团购活动且购买金额较少，但是这些用户非常乐于与他人分享自己对所体验的产品或服务的观点和看法，经常在网站上发表评论。这类用户的平均购买价值为135，平均评论价值为75，这种评论价值在4类用户中排名第二。这类用户是在Web 2.0时代产生的口碑型用户，尽管他们对企业的消费贡献较低，但是他们对网站仍有较强的依赖性，能够经常性地在网站上发表观点和看法，对企业潜在客户的影响较大。因此，针对这类用户，企业需要重点分析用户购买行为不强的原因，考虑网站的营销策略以及产品的定位是否符合此类客户的需求，推荐一对一的团购项目刺激用户的购买行为。

2.3.3　总结

本节从群体层面将用户自身的点评行为和购买行为结合起来，基于传统的RFM模型提出了更加全面的客户终身价值计算方法，并利用客观数据指标权重确定方法——熵值法确定了各指标的权重；随后，通过实证研究进行了仅考虑用户购买行为的客户终身价值计算和综合考虑购买行为和点评行为的客户终身价值计算，并就两种客户价值进行了对比分析，发现仅以用户的购买行为来判断客户终身价值这种传统方法在Web 2.0时代已有一定的局限性，用户的评论行为会对客户终身价值的判断产生影响；最后，为了找到企业的真正高价值用户，我们采用K-Means聚类分析方法对大众点评网用户进行了用户群划分，将网站的用户细分为4类，并将每类用户群所产生的平均购买价值和平均评论价值进行对比，将大众点评网涉及的用户划分为高价值用户、低价值用户、传统用户和口碑用户，提出了相应的管理建议。