基于RFM和AHP的商品组合选择方法

刘紫莲，叶 开

（电子科技大学 经济与管理学院，成都 611731）

电子商务迅猛发展，销售数据与市场需求随顾客偏好实时更新，挖掘商品组合以促进营销策略制定，是企业利润提升所关注的重要问题［1］。网络数据具有海量性、实时性，商品组合的选择要考虑价值、频繁、实时性，才能使综合制定的营销策略满足瞬息万变的市场竞争要求［2－7］。

在RFM模式中，R（Recency）表示客户最近一次购买的时间有多远，F（Frequency）表示客户在最近一段时间内购买的次数，M（Monetary）表示客户在最近一段时间内购买的金额。文章先对商品组合得分进行标准化，再分别采用全局平均、AHP、未赋权重三种方法对RFM中三变量的重要程度加以赋权。其中全局平均方法，是将所有频繁商品组合的、、进行标准化（如式1）后进行平均作为相应的权重，根据式2得到商品组合得分。

基于RFM增长算法。在挖掘商品组合过程中，采用类FP－growth算法 RFM－growth算法，构建 RFM－pattern－tree。

本文数据选用SQLserver2005中超市零售数据foodmart的销售数据，取1998年数据进行测试，包括2690个用户的18325条交易记录；再取1997年活跃度较高的3000个顾客的购买记录进行对比实验。测试实验进行6次，在给定衰减速度δ＝0.1的前提下，分别测试最小支持度α、β、γ取不同值时RFM－pattern项集数及相应的准确率，并根据公式2确定频繁三项集最终排序。 对比实验在 δ＝0.1，α＝0.1，β＝0.2%，γ＝500 时与已有的文献结果进行对比，并进行结果分析。

测试实验结果表明：（1）运用RFM-growth算法挖掘出的频繁二项集准确度较高，并且随着的增大准确率下降。（2）对于RFM－pattern，在三个参数分别变化时，频繁项集随参数的增大而减少，特别的，影响较大，次之。可见，超市的商品组合收到实时性和价值性影响较重。

对商品组合三项集、和进行标准化，根据专家打分确定WR、WF和 WM分别为 0.402，0.224，0.375， 对比试验对比实验在 δ＝0.1，α＝0.1，β＝0.2%，γ＝500 与先前实验结果（参考文献［1］）进行对比，发现对于奶酪、汤、香波、甜点、薯片等RFM值较高的商品而言，组合的二项集、三项集得分较高，这类商品组合销售可获得更高的利润，对于商家来说应对此制定好销售策略。

本文提出了一种基于RFM和AHP的商品组合选择模型，该模型不仅通过RFM思想考虑了商品组合选择的价值问题、热度问题、市场需求变化等问题，而且采用类FP－growth算法加以技术支持，为企业快速有效的获得商品组合全面信息提供了保障，实验方法也为企业有针对性的制定营销策略提供了可能。这种商品组合方法丰富了商品组合方法体系，并能给商家带来高利润，为决策者有针对性的制定营销策略提供了保障。

［1］张志宏，寇纪淞，陈富赞，等.基于关联分析的多目标商品组合选择方法［J］.系统工程学报，2011，26（1）：132－138.

［2］Wong R CW， Fu A W C， Wang K.Data M ining for I nventory I tem S election with C ross －S elling C onsiderations［J］.Data M ining and K nowledge D iscovery，2005， 11（1）： 81－112.

［3］Brijs T， Swinnen G， Vanhoof K， et al.Building an A ssociation R ules F ramework to I mprove P roduct A ssortment D ecisions［J］.DataMiningand Knowledge Discovery， 2004， 8（1）： 7－23.

［4］Ha Y H， Yeh TW.Discovering V aluable F requent P atterns B ased on RFM A nalysis w ithout C ustomer I dentification I nformation ［J］.Knowledge－Based Systems， 2014（61）：76－88.

［5］Han J，Kamber M，Pei J.Data M ining：Concepts and T echniques［M］.Morgan Kaufmann， 2011： 243－271.

［6］R Agrawal and R Srikant.Fast A lgorithms for M ining A ssociation R ules//Proc.1994 Int.Conf.Very Large Data Bases （VLDB’94），1994：487 －499，Santiago，Chile.

［7］Pei，J， Han，J， Mortazavi－Asl， B， Zhu，H.Mining A ccess P atterns E fficiently from W eb L ogs//Proceeding of the 2000 Pacific－Asia C onference on K nowledge D iscovery and D ata M ining （PAKDD’00），Kyoto，Japan，2000：396-407.