基于购买行为RFM和评论行为RFMP模型的客户终身价值研究_rfm论文

基于购买行为RFM及评论行为RFMP模型的客户终身价值研究，本文主要内容关键词为：模型论文,价值论文,客户论文,RFM论文,RFMP论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。

       中图分类号：F270:C934 文献标志码：A 文章编号：1007－3116(2014)09－0091－08

       一、引言

       随着Web2.0的不断发展，越来越多的用户乐于在购物网站(如亚马逊、天猫、京东商城等)、点评类网站(如大众点评网、epinion.com等)以及社交类网站(如facebook、人人网、新浪微博等)上以文字的形式，发布对相关产品、服务、品牌或企业的评价。根据点评类网站大众点评网的相关数据显示，截至2013年第四季度大众点评网的点评数量已超过3000万条。那么，这一巨大的评论量究竟对企业意味着什么呢？众所周知，对于企业而言，用户每产生一次购买行为都会为企业带来一定的利润，并给企业带来一定的直接价值，而用户每产生一次评论行为是否同样会为企业带来一定的影响与价值呢？

       现阶段已有研究者发现了在线评论所带来的影响，这其中既包括评论对用户的决策产生影响，也包括其对企业销量产生的影响。针对在线评论对用户决策产生的影响，Chevalier等认为评论的情感会对用户决策产生影响，且极端负面情感的评论比极端正面情感的评论对用户购买影响要大[1]；陈蓓蕾发现网络口碑对消费者的购买决策有重大影响[2]；翟丽孔在对网店在线评论研究中发现，在线评论数量越多、评论强度越大对消费者购买意愿影响越大[3]；Joseph B.发现评论的效价、对他人评论的赞同程度以及评论等级三因素会对用户决策产生影响[4]。而针对在线评论对企业销量产生的影响，Chen等在对Amazon.com的书籍销售分析时发现用户评论量会影响产品销量[5]；Dhar等发现用户创作内容会对产品的销量产生影响[6]。综上所述，用户的在线评论会影响用户的决策以及企业的销售量，这会给企业带来间接的价值。

       现阶段已有研究者将用户的评论行为考虑进客户终身价值计算中。在线下客户终身价值的计算中，Hogan等认为客户价值既包括传统的客户终身价值也包括口碑价值，并提出了口碑价值系数的计算方法，认为其与保留率、通过口碑的新客户获取率和折现率有关[7]。而随着社交媒体的出现，这种仅考虑购买行为的传统客户终身价值计算方法已具有一定局限性，一些研究者提出了更加全面地衡量客户价值的方法。Khajvand等认为随着社交媒体的出现，传统客户终身价值已经不能全面地体现客户对企业的价值，并基于此提出了社交客户关系管理需要综合考虑传统客户终身价值、客户推荐价值以及客户影响价值[8]。Kumar等认为客户价值应包括消费者的购买价值和影响价值，并通过计算用户口碑的影响人数、构建口碑传播网络来体现消费者的影响价值[9]。

       然而，上述研究者在度量口碑价值时均以口碑影响的范围作为衡量标准，并没有考虑评论自身所含信息量(例如用户评论全面性、评论情感倾向)所产生的价值。因此，本文以用户的评论特征为切入点，综合考虑用户的购买、评论行为，提出基于这两种行为的客户终身价值分析方法。

       二、相关概念界定及理论基础

       (一)客户终身价值

       对于客户价值，目前国内外的研究者主要从三个不同的角度来对其进行定义：以顾客为价值感受主体、以企业为价值感受主体以及以企业和顾客互为感受主体和客体。以顾客为价值感受主体，就是顾客感知到的利益与其在获取产品或服务时所付出的成本进行权衡比较后对产品或服务的总体评价，称为顾客感知价值[10]。该顾客价值衡量了企业提供给顾客的消费者剩余的大小，顾客通过对不同的企业所提供的消费者剩余的比较，从而做出购买决策；以企业为价值感受主体，也即顾客对企业的价值，可以理解为每个购买者在未来可能为企业带来的收益总和，称为顾客终身价值，该顾客价值评估了顾客对企业的重要性，有利于企业在长期盈利最大化的目标下为顾客提供优质的产品或服务，如何吸引新顾客和保留老顾客是该研究的目标；而以企业和顾客互为价值感受主体和客体，这种顾客价值的研究称为顾客价值交换研究，这是一个比较新的领域，相关研究还停留在概念阶段，有价值和有影响力的研究成果较少。基于此，本文主要是从第二种角度出发，即企业的角度研究客户终身价值。

       (二)RFM模型

       针对线上用户的客户终身价值分析，很多研究者均采用了RFM模型并验证了其对于电商网站的适用性，例如安祥茜等采用淘宝网服装产品和数码产品两大产品的数据验证了RFM应用于C2C网站的可行性[10]；徐祥斌等分别选取小型B2C网站的数据通过RFM模型对用户价值进行度量和聚类分析[11]。RFM模型最初是由Hughes提出的，曾被广泛应用于直销领域，它包括R(Recency)、F(Frequency)、M(Monetary)三个变量，其中最近购买时间(R)表示顾客最近一次的购买时间和分析时间点间隔的天数[12]105－107。如果该值较小，表明顾客在短期内刚有过购买行为，可以认为顾客重复购买的可能性较大，这类顾客的价值可能比较高；购买频率(F)表示计算期内顾客购买产品或服务的次数。一般来说，顾客购买频率越高，这类顾客越忠诚，顾客价值越大；购买金额(M)表示计算期内顾客的购买总金额，一般来说顾客购买金额越高，顾客越忠诚，顾客价值越大[13]。

       随着研究的深入，一些研究者对传统的RFM模型进行了改进，计海斌在对RFM模型进行改进时将用户的消费积分替代购买的总金额，并用用户一段时间的用户持续时间来体现用户的购买能力[14]；Ma等针对B2C网站的特点引入了“客户的会话情况和购买情况”，增加了

(访问的时间间隔)及

(产生访问行为的频率)[15]；乔中杰则在RFM模型中引入了“用户的访问频率”[16]；蔡淑琴等则将R定义为最近一次评论距现在时间的天数，F表示一段时间内发表评论的次数，M表示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[17]。

       通过上述研究发现，大多数研究者对于线上客户终身价值的计算，均是从用户购买行为的角度出发采用RFM模型的方法来进行分析，但是这些研究者均未考虑在线用户的评论行为，将这种评论行为引入RFM模型中度量客户终身价值。基于此，本文综合考虑用户的购买行为和评论行为，建立了更加全面的基于用户在线评论行为的客户终身价值模型。

       三、基于用户在线评论行为的RFM改进模型

       (一)针对评论行为的RFMP模型

       1.模型建立。通过前文对RFM模型的文献梳理可以发现，大多数研究者仍聚焦于传统购买行为、改进针对购买行为的RFM模型，但也已出现研究者将评论行为与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：蔡淑琴等提出了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[17]。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。

       综上所述，本文提出了针对用户评论行为的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。

       对于各变量对于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在巨大的差异，因此Miglautsch认为对于不同的变量应该赋予不同的权重[18]。同样，本文认为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：

      

       其中

分别代表R、F、M和P的权重。

       2.权重确定。对于权重的确定通常有两种方法，即主观方法和客观方法。而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，本文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)进行标准化处理；若所用的指标的值越小越好，则采用式(3)进行标准化处理：

      

      

       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

，即：

      

       由此，可以建立数据的比重矩

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

，可以得到第j项指标的信息熵值

，具体公式如下所示：

      

       其中K为常数，K＝1/lnm。

       而某项指标的信息效用价值取决于该指标的信息熵

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

为：

      

       (二)基于用户在线评论行为的客户终身价值改进

       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。同样的，对购买行为涉及的三个指标赋予不同的权重，具体的R′F′M′模型如下所示(

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式(3)所示(其中ε1、ε2分别代表购买价值

的权重：

      

       同样，本文选取熵值法确定式(8)和式(9)的相应权重。

       四、实证分析

       (一)样本选择

       本文的数据来源于大众点评网。大众点评网是一家典型的第三方消费指南网站，成立于2003年，主要为大众提供第三方评论平台和团购平台。已有研究者利用大众点评网上的评论数据进行研究，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4000名注册时间为2009年1月1日至2010年11月30的大众点评网用户，提取这4000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。由于4000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2486名用户共计79573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。

       对于样本的数据基本描述如表1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。

      

       (二)模型权重确定

       1.R′F′M′模型权重确定。将大众点评网相关数据进行处理后得到如表2所示的购买行为数据，采用熵值法进行三个指标的权重确定，通过式(2)～(7)分别得到了标准化矩阵、如表3所示的三个指标的信息熵值和如表4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，将大众点评网相关数据进行处理后得到如表5所示的评论行为数据，采用熵值法进行三个指标的权重确定，通过式(2)～(7)分别得到标准化矩阵、如表6所示的四个指标的信息熵值和表7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。

      

       3.基于用户在线评论行为的客户终身价值模型权重确定。同样，可以得到

对应的权重为0.52和0.48。最终，本文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：

      

       (三)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仅考虑用户的购买行为。本文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8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表示利用公式(2)和(3)进行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9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)和(3)进行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10所示。其中，Rank1表示客户价值2对应的排名，Rank2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，仅有5个用户的排名未发生变化，其他用户的客户终身价值均发生了变化，这说明用户的评论行为对客户终身价值的衡量存在影响。进一步分析发现，一些用户虽然购买次数多、购买金额较大产生了较大的直接价值，但由于其评论的次数较少、贡献值较低，导致该用户综合的客户终身价值下降，甚至不如一些直接价值相对较小但评论的次数较多、贡献值较大的用户所产生的客户终身价值，例如通过比较表8～10的用户5和用户3可以发现，用户3的购买R′、F′和M′均大于用户5，说明其购买行为产生的价值要高于用户5，但由于用户3的最近一次评论时间较长、评论的次数较少、评论的贡献值较小，导致用户3的综合客户终身价值小于用户5的客户终身价值。

      

       五、用户聚类分析及相关管理建议

       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(图1表示以购买总金额为例的极端值)，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，因此我们首先将极端数值进行删除处理，最终保留了2481名用户的数据。

      

       图1 购买金额的极端值

       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2481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(

)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(

)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四类，具体四类用户群行为数据如表11、12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12可以看出第Ⅰ类用户的平均购买价值为1624，平均评论价值为150，这在四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需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，无需频繁的发送促销邮件。

      

      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12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12可以看出第Ⅲ类用户的平均购买价值为1365，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，这种评论价值在四类用户中排名第二。这类用户是在Web2.0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。

       六、结论

       本文首先将用户的评论行为引入客户终身价值的计算中，提出了以RFM模型为基础的针对评论行为的RFMP模型；其次，综合考虑了客户的购买行为和评论行为，建立了基于用户在线评论行为的客户终身价值模型，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，利用大众点评网2486名用户的团购数据和点评数据分别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Web2.0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。在Web2.0时代，拥有较活跃评论行为的用户其对网站的价值可能会大于具有较活跃购买行为的用户；最后，为了找到企业的真正高价值用户，本文采用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四类，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。

       本文的研究成果进一步丰富了RFM模型的应用范围，并提出了用户的评论行为同样应被企业考虑进客户终身价值的判断中。然而，本文所做的研究也存在一定不足：首先，在考虑用户购买行为时并未将用户浏览网站的行为纳入模型中；再次，应进一步考虑用户发表评论传播的影响范围，将评论的传播影响价值纳入模型中；最后，仅以大众点评网随机抽取的2486名用户进行分析，且用户的购买行为具有团购性质，即购买行为无明显的规律性与周期性，与传统意义上的购买行为(随着产品的周期性消耗，购买行为体现一定的周期性与规律性)有一定差异，因此下一阶段应针对传统电商网站的客户终身价值进行分析。以上这些都是未来值得考虑的问题，将是后续进一步深入研究的重点。

       收稿日期：2014－03－14

标签：rfm论文;  顾客价值论文;  客户价值论文;  网站权重论文;  客户分析论文;  产品价值论文;  口碑传播论文;  时间计算论文;  服务标准化论文;  用户分析论文;  聚类论文;  熵值论文;  权重论文;