[发明专利]一种基于RFM模型的消费者评估方法、装置及介质

说明书

本发明提供一种基于RFM模型的消费者评估方法、装置及介质，该方法包括：从客户数据库中提取客户消费数据，并对客户消费数据按照不同地理区域进行数据分类，对数据分类后的客户消费数据集进行向量化处理，获得客户集X＝{x1,x2,…xi,…xn}，1≤i≤n，n为客户个数；根据数据分类后的客户消费数据，计算每位客户最近一次消费的时间间隔R指标、规定时间段的消费频率F指标和规定时间段的消费总金额M指标；采用层次分析法计算R、F和M各指标权重系数分别为μ_r、μ_f和μ_m，确定每个客户的综合价值的加权计算公式，根据每个客户的综合价值的加权计算公式计算得到每个客户的综合价值。本发明可以精确地对进行消费者价值评估。

技术领域

本发明涉及数据挖掘与数据分析领域，具体是一种基于RFM模型的消费者评估方法、装置及介质。

背景技术

随着我国烟草行业的飞速发展，各个烟草企业间的竞争也愈发激烈，现代企业的营销理念已经从“以产品为中心”演变为“以客户为中心”，对于企业而言客户成为极具价值的资源。面对庞大的不同行为模式的客户群体，科学评价客户价值并进行精准客户细分，从而制定相应客户服务策略，提供差异化营销策略，是企业将有限资源利益最大化、高效提升客户忠诚度的重要途径，有助于企业在激烈的市场竞争中占据优势地位。

目前RFM模型在客户细分领域被广泛应用，但是传统RFM模型的客户细分主要是根据R、F、M三个指标的均值直接将客户划分为8类，导致客户分类常常存在分类模糊问题。Kmeans聚类分析算法作为一种经典的迭代求解的划分聚类算法，常与RFM模型结合使用以提高客户分类精度，然而传统K-means聚类分析算法存在一定局限性，k值需要预先人工经验设定，且k值的估计非常困难；初始聚类中心随机选取而成，易造成聚类结果不准确；孤立点的存在容易造成聚类迭代次数增加，且聚类陷入局部最优；当数据属性值种类多且重要性不一致时，所使用的欧氏距离对待每个属性的重要性权重相同，导致聚类精度产生偏差。其次，在RFM模型中，各指标权重的选取是客户价值评估模型的关键，但是在大多数RFM模型应用中，识别客户价值时使用的各指标权重相同，对客户价值评价的准确性产生了负面影响。

发明内容

本发明提供一种基于RFM模型的消费者评估方法、装置及介质，解决现有RFM模型对消费者分类不精确，易造成评估结果不准确的问题，能更加科学评价客户和精准客户分类，提高企业的管理水平。

为实现以上目的，本发明提供以下技术方案：

一种基于RFM模型的消费者评估方法，包括：

从客户数据库中提取客户消费数据，并对客户消费数据按照不同地理区域进行数据分类，对数据分类后的客户消费数据集进行向量化处理，以获得客户集X＝{x1,x2,…xi,…xn}，1≤i≤n，n为客户个数，其中，所述客户消费数据包括卷烟类型、卷烟口味、包装设计、消费意愿、消费氛围、消费频率和消费金额；

根据数据分类后的客户消费数据，计算每位客户最近一次消费的时间间隔R指标、规定时间段的消费频率F指标和规定时间段的消费总金额M指标；

采用层次分析法计算所述R指标、所述F指标和所述M指标所对应的权重系数μ_r、μ_f和μ_m，确定每个客户的综合价值的加权计算公式；

根据每个客户的综合价值的加权计算公式计算得到每个客户的综合价值。

优选的，还包括：

对所述R指标、所述F指标和所述M指标分别进行Z分数标准化变换得到xi_r、xi_f和xi_m，记为客户xi的三个属性值；

将得到的客户xi的三个属性值作为输入数据，确定加权欧氏距离公式，去除客户集X中所有孤立点，得到客户集X'＝{x1',x2',…xi',…xm'}，1≤i≤m≤n；