基于信息熵视角的在线零售企业顾客细分工商管理研究

1 绪论

1.1 研究背景
近年来，随着互联网市场的日益繁荣，电商企业得到了迅猛发展，企业的经营理念已由过去以“产品为中心”转向以“顾客为中心”（王宏，2006）。对于商品零散、顾客分散的在线零售企业来说，如何从海量的数据中提取有用信息，如何获得、保留顾客及挖掘顾客的潜在价值是在线零售企业要解决的主要问题。顾客细分是企业成功实施 CRM 的关键，数据挖掘技术的出现更是为顾客细分提供了新方法。
“互联网+”战略的提出，越来越多的企业从线下走向线上，我国在线零售业的发展也已由卖方市场转移到买方市场，顾客的获得与保持成为企业成功与否的关键。一方面，随着愈演愈烈的价格战及日益上升的广告成本，使得行业内竞争激烈，优胜劣汰明显，在线零售企业进入微利时代。张继艳（2015）指出电商企业若想在这种微利的情况下获得更好的生存，就需要回归到商业的本质，进行精细化的运营。另一方面，数据挖掘技术的出现，为获得顾客的购买记录、访问时间等有用的顾客信息提供了可能；而数据挖掘技术的日渐成熟和在顾客细分中的广泛应用，为在线零售企业识别顾客价值、分析顾客购买行为，从而因人制宜制定营销策略提供了技术支持。网络数据的易获性和数据挖掘技术的成熟为在线零售企业充分利用数据进行顾客细分奠定了物质基础。
实现精准营销的前提是有效的顾客细分，而选择何种细分方法和模型直接影响了顾客细分结果及其质量。因此选择适合的细分方法和模型是顾客细分的关键。相比于传统零售企业，在线零售企业具有商品种类繁多、交易次数频繁、交易数据呈爆炸式增长等特点，传统过于单一和简单化的顾客细分方式满足不了竞争日趋激烈的电商市场的发展需求，这就需要对在线零售企业的顾客细分方式进行具体分析。因此，选择合适的顾客细分方式和优化顾客细分模型，通过精细化的细分结果，还原这些数据背后顾客的行为特征和价值特征，进而通过细分结果指导企业经营决策，是电商企业更好运营的必经之路。
............................

1.2 研究的目的和意义
1.2.1 研究目的
本研究工作旨在针对在线零售企业的特点和当前的顾客细分研究现状，结合顾客细分理论和聚类分析方法，在对顾客细分的信息论特征探讨的基础上，引入信息熵的概念，构建基于信息熵的顾客细分模型，最终应用于企业实际以验证模型的适用性，以期为在线零售企业的经营决策尤其是营销策略的制订提供支持。
1.2.2 研究意义
在电子商务时代下，市场竞争加剧、企业资源的有限性以及消费者需求差异化等特点都决定了在线零售企业进行顾客细分的必要性。本研究通过信息熵对RFM 模型计算与聚类分析中 K-means 算法进行改进，并将两者结合起来，实现对在线零售企业的顾客细分；一方面，在理论丰富和完善了在线零售企业顾客关系管理和顾客细分理论，优化了顾客细分模型，一定程度上拓展了信息熵理论的应用范围，为后续研究提供了理论与方法参照；另一方面，在实践上，采取有效合理的顾客细分模型，通过科学、精确的方法计算，对在线零售企业通过顾客细分进行精准营销，进而提高营销和决策质量具有重大意义。
从理论角度上，国内外关于顾客细分的研究有很多，然而传统线下行业居多，对在线顾客细分的研究较少，将信息熵应用到顾客细分这方面的理论研究就更少了。本文一方面基于传统的 RFM 模型，针对 RFM 模型在计算顾客价值中的不足，通过熵权优化算法，丰富了 CRM 理论，完善了顾客细分理；另一方面，将信息熵的概念引入顾客细分中来，用于改进 K-means 聚类方法，克服其不足，一定程度上拓展了信息熵理论的应用范围。最后将优化的 RFM 模型和 K-means 聚类方法相结合用于顾客细分，识别顾客价值，构建适用于在线零售企业的顾客细分模型，对后续在线零售企业顾客细分的研究有参考意义。
本文基于信息熵视角，将信息熵用于对顾客细分模型的改进和优化，通过熵权法和叉熵聚类对 RFM 模型与聚类分析中 K-means 算法进行改进，并将两者结合起来，实现对在线零售企业的细分，以提高在线零售企业顾客细分的科学性和顾客细分质量，进而实现精准营销，将一对一营销发挥到极致，具有理论和现实意义。

...........................

2 顾客细分的相关理论与方法

2.1 顾客细分的概念与意义
2.1.1 顾客细分的概念
顾客细分这一概念最早起源于市场营销中的市场细分这一概念，由美国著名市场营销学家 Smith 在上个世纪 50 年代提出后，便引起了大批学者的广泛关注。不同的学者对顾客细分的概念界定各不相同。
Bernard 和 Mark Hammond（2002）指出顾客细分是指企业在明确的战略、业务模式和特定的市场中，根据顾客的属性、行为、需求、偏好以及价值等因素对顾客进行分类，并提供针对的产品、服务和营销模式的过程。
顾客细分是从顾客需求的角度，基于顾客之间消费行为的差异性进行分类，使不同的顾客群体间差异尽可能的大，同一群体内的顾客尽可能的相似，其理论主要基于以下两点：
（1）顾客需求的差异性。不同顾客的需求是不同的，由于顾客本身特征不一，年龄、性别、兴趣爱好、教育背景等等的差异都会导致顾客在购买行为上的不同，不同顾客面对相同的产品或服务时，他们关注点显然也是不同的，因而，由于顾客需求的差异性，有必要对顾客进行细分。
（2）企业资源的有限性。企业的资源是有限的，这就决定了企业不可能将资源均等地分配到每一位顾客身上。根据“帕雷托法则”，即企业 80％的收入来自 20％的消费者(李守强，2011)。这就需要企业将关注点集中在给企业带来较大经济效益的部分顾客身上。资源的局限性是顾客细分的外在基础（肖聪，2010）。企业要想以较低的成本获得较高的利润，在营销过程中应当以顾客为中心，分析顾客的特征，了解顾客的需求，从而为顾客提供更加令人满意的服务和产品。
..........................

2.2 顾客细分常用的方法
2.2.1 顾客细分的依据
进行顾客细分有许多标准，最常用的细分依据主要有：
（1）顾客外在属性。顾客外在属性主要包括基于地理环境、人文统计等因素的顾客信息，如顾客性别、年龄、收入、职业、学历等。只根据外在属性进行细分，会使得细分结果比较粗糙，难以了解顾客的各层面价值。
（2）顾客内在属性。顾客内在属性主要受内在因素影响，包括偏好、习惯、忠诚度等属性，通过顾客心理、价值取向层面对顾客进行分析归类，以发掘顾客深层次的价值。顾客内在属性一般基于调查问卷和统计得到，主观性强，真实性难以保证。
（3）顾客消费行为属性。对消费行为属性的分析主要通过经典的模型 RFM和 GL 顾客价值矩阵。RFM 模型是通过三个指标，即最近一次消费距今时间 R、消费频率 F 和消费额度 M 进行细分，通过分析消费行为，可以探索出顾客的消费习惯，进而完成有效的细分，但这种细分的结果过于复杂，无法对不同的顾客群一一展开相应的营销策略。顾客价值矩阵是通过两个指标构造二维顾客价值矩阵，把所有顾客划分到四个不同的象限；缺点是不能对潜在的顾客进行定义和评价而只能针对已经拥有的顾客，因此，顾客价值矩阵实用性并不高。
2.2.2 顾客细分的 RFM 模型
RFM 模型最早由美国数据库营销学家 Hughes 于 1994 提出，其基本思想是通过行为指标来描述和区分顾客的价值状况，这三个指标即消费时间间隔 R（Recency）、消费频次 F（Frequency）、消费金额 M（Monetary Value），其中，R是指最近一次购买时间和观测时间的间隔，通常用来反映顾客的忠诚度；F 是指统计时间内购买的次数综合，通常用来反映顾客的消费变动情况；M 是指统计时间内顾客消费的金额综合，通常用来反映顾客对企业经济的贡献度。自 Hughes提出 RFM 模型后，R、F、M 三要素一直被公认为顾客细分中分析消费者行为的三个完美指标，后被广泛的应用在顾客消费行为分析中，成为顾客价值衡量的重要方法之一。此后的研究大多都以 RFM 模型为基础，在此基础上进行改进。
..........................

3 熵权法在 RFM 模型中的应用研究...........................21
3.1 B2C 环境下在线零售企业的特征................ 21
3.2 RFM 模型的适宜性与不足......................22
4 基于叉熵的顾客聚类方法研究....................28
4.1 K-Means 聚类算法的优缺点分析................... 28
4.1.1 K-means 算法的优点......................28
4.1.2 K-means 算法的缺点.....................28
5 实证分析....................40
5.1 业务理解...................40
5.2 数据理解.......................41

5 实证分析

5.1 业务理解
本文解决的主要问题是对某装饰品在线零售企业的顾客进行细分，进而针对不同的顾客群实现差异化营销策略，提升顾客满意度，提高企业利润。利用在线零售企业顾客的交易数据，通过对在线零售企业顾客的交易行为进行分析建立顾客细分模型，通过细分识别顾客行为特征和价值特征，为企业决策提供支持。
本文的数据来源于 UCI 数据库的数据集，根据本文要研究的企业类型，选取了 Online Retail 数据集，对某装饰品企业的顾客进行细分。本章拟以该公司12 个月的销售数据共 541910 条消费记录为依据，以顾客细分、信息熵和聚类分析理论为基础，基于第四章建立的改进 RFM 模型算法和 K-means 聚类方法的细分模型，利用数据库中已有的交易记录，对顾客进行细分，通过对消费行为特征总结反映顾客偏好，通过识别顾客价值反映顾客价值的异动情况，进而加深对顾客的了解与认识，针对不同细分结果提出相应的营销策略。
为了计算和展示方便，本文先从数据库中提出 4940 条交易记录，共 30 位顾客，对 30 名顾客作为示例进行演算，并进行结果分析与解释，同时附上交易数据库一年交易情况的细分结果。
..........................

6 结论与展望

6.1 结论
本文系统地阐述了顾客细分理论和聚类分析理论，通过对顾客细分方法和在线零售企业特征进行分析，构建了基于 RFM 模型的指标体系，并通过熵权确定RFM 指标权重；基于聚类技术，利用信息熵在顾客细分中的应用，建立了在线零售业顾客细分模型，并采用某在线零售企业网站交易数据进行了实证研究，实现了在线零售企业顾客细分，并针对细分结果提出了相应的营销策略。本文的主要结论有：
（1）本文从信息论的角度看待顾客细分问题，在网络市场细分中引入信息熵的概念，将信息熵与顾客细分相结合，试图用信息熵来描述网络的信息含量，通过熵权确定各指标权重，并以熵值的计算比较来确定聚类数目。与以往传统顾客细分更多的关注顾客个人属性相比，本文更侧重与消费数据本身所包含数据的信息量，根据数据本身从而对顾客进行细分。可以减少主观因素，使结果更具有客观性，也为顾客的细分提供了新视角。
（2）本文根据 RFM 三大指标对顾客价值影响的显著不同，通过客观的赋权方法—熵权法来确定指标权重；同时，通过叉熵测度距离，根据熵值比较确定顾客聚类中心，最终实现从客观上确定权重和聚类数目 K，为之后的 K-means聚类的实现做好准备。
（3）基于传统 RFM 模型存在划分效果存在类别过多、类别间差距不大的不足，本文将传统的 RFM 模型与聚类技术的 K-means 聚类相结合，并引入信息熵中熵权和叉熵的概念，建立适合在线零售企业的顾客细分模型。通过顾客之间距离来划分，以减少主观因素的影响。
（4）本文从顾客价值和顾客消费行为两个角度对细分结果进行分析。首先，从消费行为角度通过对 RFM 的三个单项指标分别进行分析，从总体上判别顾客的所属类型；然后根据顾客加权值计算顾客价值，通过三项指标联合判别顾客价值。最终实现从顾客行为特征及顾客购买偏好角度对顾客进行细分研究，并识别相关顾客群的顾客特征，符合在线零售业顾客精细化管理的需求。
参考文献（略）