电子商务中基于聚类的顾客满意度影响因素分析*

杨　波，　黄晓兰

(1.广东财经大学 华商学院 信息工程系，广东 广州 511300;2.广东财经大学 信息学院，广东 广州 510320)

激烈的竞争迫使电子商务公司发展创新的营销策略，提高顾客满意度和保留率[1].电子商务的爆炸式增长积累了大量的顾客数据可供分析，可以挖掘出影响顾客满意度的重要因素，并对此进行改善以留住重要顾客，阻止顾客流失，保持顾客的长期忠诚[2].提高公司的市场竞争力，降低管理成本，带来更高的收入和利润.顾客流失定义为在特定时期内停止购买公司产品的倾向.为了在竞争激烈的市场中生存，许多不同领域的公司正在转向数据挖掘技术，如金融服务、付费电视公司、电信和航空市场等[3].然而，很少有人对电子商务的顾客流失以及他们为什么会流失进行关注.为了避免顾客满意度下降和流失，找出影响满意度的主要因素至关重要.在本文中，基于RFM模型评分方法和聚类技术，提出一种电子商务中顾客满意度影响因素分析方法.利用有序加权平均(ordered weighted average，OWA)方法来获得RMF模型中各变量的权重.利用RFM模型对顾客的购买行为进行分析，并给出在R、F和M方面的评分.基于各项评分，使用模糊C均值(fuzzy C-means clustering，FCM)聚类技术对顾客进行聚类.通过集群的平均RFM值与整体平均RFM值的比较来发现流失的顾客类型.对这些顾客进行问卷调查可以获得影响这些顾客不满意的主要因素，并对此做出改善方案，以挽留顾客.通过一个案例分析，证明了提出方案的有效性.

1　电商顾客流失分析模型

1.1　RFM模型

RFM模型[4]是一种用于评估客户忠诚度、流失倾向的计算方法，在商业管理领域中广泛应用.RFM模型基于3个重要的属性来识别不同类型的顾客，定义如下：(1)R为上次交易发生的时间和现在的时间间隔，间隔越长，R越大.(2)F为某一特定时期内交易的次数，交易频率越高，F越大.(3)M为某一特定时期内的交易金额，交易量越大，M越大.

1.2　电商顾客满意度因素分析模型框架

2　基于OWA的权重计算

本文采用有序加权平均(OWA)方法进行决策获得RFM的权重.N维的OWA相当于一个具有权重向量w=[w1,w2,…,wn]T的相关映射F:Rn→R[7]，如

式中bj表示聚类集合中第j个最大的元素.不同的OWA运算符通过对应的权重向量wi区分.

然而，在OWA理论中，一个重要的问题是相关权重的确定.文献中已经提出了一些方法来获取相关权重,例如[8]利用概率密度函数来生成权重分布.

本文采用了一种多数递增OWA，是对算术平均值的一种改进.多数递增OWA的定义如下：

式中gj表示在聚类过程中使用bj元素的时刻，hk表示聚类过程中每一个步骤的元素数量.

3　基于FCM的顾客聚类

4　案例分析

4.1　影响因素设置

关于影响顾客满意度因素的研究文章有很多.这些研究更多地关注于电子商务本身，忽视了其他与电子商务有关的东西.本文采用了5个影响顾客满意度的因素，分别为：(1) 产品因素，主要指所销售产品的质量和产品丰富性；(2) 技术因素，主要指电子商务公司网页的响应速度、使用方便性，以及智能推荐技术；(3) 物流因素，指物流派送的及时性和安全性；(4) 售后服务因素，主要指产品维修、退换时的流程和效率；(5) 网络安全因素，主要指在电子商务网站购物时用户信息的隐蔽性和资金账号的安全性.

4.2　结果分析

根据国内一家电商网络的交易数据，建立一个包含1 824名顾客的电子商务数据集，利用本文提出的模型来分析顾客数据.分析过程如下：

(1) 计算RFM中变量权重.邀请了5位专家估计RFM的权重，将语言值转换为对应的数值，如表1所示.

以R为例，5位专家给出的评估值分别是L,L,H,F,F.现在对评估值按照L,L,F,F,H进行排名.那么，第一步中元素数量h1为h1=p11+p12+p13+p14+p15=3，其中，p11=1，p12=0，p13=1，p14=0，p15=1.同样，h2=3，h3=1，h4=1，h5=1.可获得5个专家的权重，即we1=1/(3×3×1×1)=1/9，we2=1/3，we3=1/9，we4=1/3，we5=1/9.那么，R的总体评估值为3/9+3/3+5/9+5/3+7/9=4.333.F和M的评估值可以通过同样的方法获得.最终可以计算出RFM中的权重，如表2所示.

(2) 基于FCM的顾客聚类.通过FCM算法将顾客划分为8个组.表3给出了每个组对应的顾客数量和平均RFM值.最后一行表示所有顾客的总体RFM平均值.将每一组的平均值与总体平均值比较，如果一个组的平均RFM值超过了总体平均RFM值，那么就标记一个向上的箭头↑.表3的最后一列展示了每个组的RFM具体样式.不同的群组代表不同的顾客状态.例如，RFM具体样式为R↑F↓M↑的第6组被认为是顾客流失状态.

表1　语言值和数字

表2　RFM的评估值和权重

表3　聚类结果

表4　聚类结果的排名

(4) 识别流失的顾客.在表3中，第6组的RFM形式为R↑F↓M↑.这个组的特点是R值很大(即最近一次交易的时间间隔很长)，F值很小(即交易的频率很低)，M值很大(即每次交易的金额很大).这个群组的总交易金额是36 763元，意味着这个群组的顾客对电子商务公司来说是非常重要的.因此，了解哪些因素导致了他们的不满和流失是非常关键的.

(5) 顾客问卷调查及流失因素排名.顾客满意问卷调查是用来分析流失因素而实施的.从流失的顾客中随机选择一些顾客，并发送包含产品因素、技术因素、物流因素、售后服务因素和网络安全因素这5个方面的问卷.答复选项中可包含不满意、非常不满意、一般满意、满意和非常满意等.在收到有效问卷后，计算出问卷调查中顾客不满意主要原因的评估结果，并进行重要性排序.电商可以针对这些排序后的问题进行整改，例如提高电商的服务质量，开发推荐系统为顾客做出合理准确的推荐，为有价值的顾客提供一些折扣和赠品，与物流公司之间加强合作等.通过这些努力，可以进一步保留住顾客.

5　结　论

本文提出一种基于RFM模型评分方法和聚类技术的电子商务顾客满意度影响因素分析方法.运用OWA算法确定RFM中的权重.从RFM角度所描述的用户生命周期概念，通过FCM将顾客聚类到多个分组中，以此找出流失顾客和主要不满意因素.实验结果表明，该模型可以根据顾客生命周期价值对顾客进行有效的排名，给出导致顾客流失的主要因素，不仅可以改善对顾客的服务，还可以帮助决策者识别潜在的流失顾客，从而制定出更有效的策略.

[1]王伟, 徐平平, 王华君,等. 基于概率回归模型和K-最近邻的电子商务个性化推荐方案[J]. 湘潭大学自科学报, 2016, 38(1):97-100.

[2]李贯峰, 秦飞舟, 纳利军,等. 基于ILOWGA算子的B2C电子商务顾客满意度评价方法[J]. 宁夏大学学报(自然版), 2013, 34(2):156-159.

[3]由丽萍, 王嘉敏. 基于情感分析和VIKOR多属性决策法的电子商务顾客满意感测度[J]. 情报学报, 2015, 34(10):1098-1110.

[4]YOUNG S C, SI C N, SONG C M. Weighted mining association rules based quantity item with RFM score for personalized u-commerce recommendation system[C]// International Conference on Grid and Pervasive Computing. Berlin, Heidelberg：Springer,2013:367-375.

[5]LU S. Evaluation on suppliers selection in the context of e-commerce based on trapezoidal fuzzy order weighted average operator[J]. Journal of Software, 2012, 7(10):113-117.

[6]邵琳琳. 基于混合蛙跳模糊聚类的电子商务协同过滤推荐[J]. 科学技术与工程, 2013, 13(12):3452-3456.

[7]DE A, DIAZ E D. A fuzzy ordered weighted average (OWA) approach to result merging for metasearch using the analytical network process[C]// Second International Conference on Emerging Applications of Information Technology. IEEE, 2011:17-20.

[9]张付志, 常俊风, 周全强. 基于模糊C均值聚类的环境感知推荐算法[J]. 计算机研究与发展, 2013, 50(10):2185-2194.

[10]PRABHU P, ANBAZHAGAN N. FI-FCM algorithm for business intelligence[C]// International Conference on Mining Intelligence and Knowledge Exploration. New York：Springer-Verlag，2013:518-528.