大型百货商场会员画像描绘的研究

杜珍珍, 周 同

(铜陵职业技术学院基础部， 安徽 铜陵 244000)

0 引 言

在零售行业中，会员价值体现在持续不断地为零售运营商带来稳定的销售额和利润，同时也为零售运营商策略的制定提供数据支持。当前电商的发展使商场会员不断流失，给零售运营商带来了严重损失。此时，运营商需要有针对性地实施营销策略来加强与会员的良好关系[1]。完善会员画像描绘，加强对现有会员的精细化管理，定期向其推送产品和服务，与会员建立稳定的关系是实体零售行业得以更好发展的有效途径。

本文以2018年全国大学生数学建模竞赛赛题C的数据，分析了商场会员的消费特征，建立了会员购买力的数学模型，探索了会员的生命周期及会员生命周期中非活跃会员的激活率模型，使得商场管理者能有效地对会员进行管理，以此使会员群体给商场带来一定的价值。

文中所用数据请在全国大学生数学建模竞赛组委会网站下载，链接为http://www.mcm.edu.cn/html_cn/node/460baf68ab0ed0e1e557a0c79b1c4648.html

1 商场会员的消费特征

1.1 数据分析与处理

由2018年赛题C可知，附件1是商场的会员信息数据，附件2是商场近几年的销售流水表，附件3是会员消费明细表。由附件中数据字典的解释可知：会员卡号，是会员的唯一标志。有的卡号在附件1中找不到对应会员，是由于该会员是其他分店的会员到本店消费，所以会员信息不在附件1中。因此，我们只针对附件1中的会员进行管理。首先要解决的是怎样区分附件2中的消费是会员还是非会员的,我们的做法是把附件3和附件1中会员卡号做比较，相同的卡号才是该商场的会员，以此剔除不在该商场登记的会员。再根据单据号、商品编码、商品售价、销售数量、消费金额、消费产生的时间、收银机号这几个指标和附件2比较，就可以得出附件2中哪些是会员消费的，哪些是非会员消费的。

1.2 模型建立

由于附件中数据太多，根据数理统计用样本推断总体思想，本节随机选取2016年4月份和2016年10月份这两个月会员和非会员销费总额和平均消费额的情况进行讨论。消费特征可用平均消费额来衡量，通过计算可得下表。

表1 2016年4月消费特征情况统计表

表2 2016年10月消费特征情况统计表

通过比较上表可知：我们随机选取的两个月都是会员人均销售费额显著比非会员人均销费额大(会员比非会员高20%左右)，由此可知商场实行会员制能够带来一定的价值。

2 商场会员的购买力

2.1 RFM模型

1994年，美国数据库营销研究所的研究员Arthur Hughers发现，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(Recency)；消费频率(Frequency)；消费金额(Monetary)。通过这三个要素Arthur Hughers建立了会员精细管理模型--RFM模型[2]，其中R表示近度，指的是最近购买时间，即上次购买至现在的时间间隔；F表示频度，指的是购买频率，即某一期间内的购物次数；M表示额度，指的是总购买金额，即某一期间内购买商品的金额。

RFM模型在精细化管理会员中是按下述操作进行的。

首先对R、F、M三个要素分档，分档标准如下表所示[3]。

分档以后，会员即分为27类，对会员进行精细化管理的含义主要就在于此。

然后，27类会员中按R归于第 档、按F归于第 档、按M归于第 档，该类就记为数组 ；这样一来每类会员就与一个三维数组 对应起来了。比如，某会员的消费信息是：最近一次消费在3天前--归于R第1档，两个月内总购物次数为8次--归于F第2档，消费总金额为1326元--归于M第2档，则该会员就归属于类122。

最后，对会员的精细化管理带来精准营销，即商户按27类会员对每类会员进行有针对性的营销，以提高商户热度及营业额度。

表3 RFM分档标准表

2.2 购买力模型的建立

本文应用RFM模型来刻画会员的购买力。

2.2.1 数据计算 为了数据的完整性和连续性，选取附件3中自2016年3月11日至2018年1月3日这段时间会员的消费信息来分析每个会员的购买力。首先应用Excel剔除附件1中部分信息不全的会员、清洗附件3中消费数据的冗余信息；然后应用matlab[4]对附件1和附件3两张表格中的会员卡号进行碰撞，筛选出附件3中本店会员的消费信息，在所选时段内共计37230名本店会员有消费信息653742条；最后计算出每位会员的R、F、M值(部分会员的R、F、M值如表4所示，按R升序罗列)：

表4 部分会员的R、F、M值

会员的RFM值在反映会员购买偏好方面具有良好的表征性：若某会员的R越小、F越大、M越大，则该会员越有可能与商场达成新的交易，也就说明该会员购买力越强。比如，由上表可知：会员卡号是006bb861的会员，最后一笔消费时间是2018年1月2日17时10分56秒，距离附件3中最后的统计时间2018年1月3日时间间隔R=1很小，而F=47和M=78169.4都较大，这些数据表明这位会员购买力很强。这正是应用RFM模型描述会员购买力的基础。

2.2.2 购买力模型 应用RFM模型描述会员购买力。RFM模型将会员分档为27类，每类会员对应着一种购买力，这就是本文所建立的购买力模型。

依此模型得到具有同档购买力的会员数如表5所示。

表5 会员同等购买力人数

本文所建立的会员购买力模型是通过会员的最近购物时间R、某时段购物频次F以及该时段内消费总额M三项指标来描述的，是衡量会员价值和会员创利能力的重要工具和手段。这就将RFM模型对会员的分类管理升华为对会员的价值管理。

3 商场会员的生命周期

3.1 会员生命周期模型

会员生命周期[5]是指会员从入会到退出的整个过程。描述会员生命周期的模型是RF模型，其中R、F的含义同于3.1节中RFM模型中R、F的含义。

RF模型对会员生命周期的描述是按下表6来操作的。

表6 会员生命周期操作表

表6导出的会员生命周期管理模型描述为：对会员按R分为四档活跃度、按F分为三个阶段，表中空白填写 对应的会员的占比，根据占比变化确认会员生命周期的转换。

3.2 商场会员生命周期管理

本文通过描述会员生命周期的RF模型计算出会员占比如表7所示：

表7 会员生命周期操作表

从表7获得关于该大型百货商场会员的生命周期大体结果：

(1)占比位居前五位的会员处于生命周期中的死亡初级会员(38.67%)、初级流失会员(14.74%)、成长流失会员(11.06%)、成长死亡会员(9.05%)和成熟活跃会员(7.27%)；

(2)成熟活跃会员占比合理位居第五，是一个相当不错的比例，商场需采取措施维持这部分会员的忠诚度；

(3)表中左下角四个格子占比非常大，若成本许可需采取措施唤醒这个庞大的群体。

4 商场非活跃会员的激活率

4.1 数据处理与模型建立

不活跃会员的特征是，在登记为会员以后，消费频率很低，所以我们可以用消费频率来描述会员的活跃度。

消费频率f是指单位时间内的消费频数。消费频数则是指登记为会员后至最近一次购物的消费次数的总和F，这个指标已计算在表4中。所以要计算f，只需计算会员时长L，即登记为会员之日起到最近一次购物的消费时间所经历的天数。根据上述信息计算出L及f如表8所示。

做出消费频率f的柱状图及其分布函数图，获取f的概率分部信息，见图1。

表8 会员时长与消费频率统计表

图1 消费频率f的柱状图及其分布函数图

因为f的值及其分布函数值都在区间[0,1]上，所以根据分布函数曲线趋势，选取分布函数为:

φ(f)=afb,f∈[0,1]

其中a、b为待定参数。转化如下对数线性模型：

log (φ(f))=loga+blog(f)=c+blog(f)

再由matlab回归得到c=-0.0013,b=0.0596。回归精度[6]为

统计精度指标 R2Fp^e2指标值0.718644163.179700.3320

于是最终模型为：

φ(f)=0.9996f0.0596

模型的意义是，消费频率小于f的会员被激活的可能性为φ(f)=0.9996f0.0596。

4.2 模型的应用

对商场管理者而言，每个会员的消费频率都是已知的，现在商场管理者想采取措施激活消费频率低于f=0.05，问这样的睡眠会员被激活的可能性有多大？

由上述激活模型，知这样的会员被激活的可能性为

φ(0.05)=0.9996×0.050.0596=0.83615

从而可知被激活的可能性极大，应该采取措施果断激活这样的会员。

现在商场想激活一批会员消费频率在[0.001,0.005]之间的会员，问可能性有多大？再次由上述激活模型，知这样的会员被激活的可能性为

φ(0.05)-φ(0.001)=0.9996×(0.050.0596-0.0010.0596)=0.066672

可知这批会员被激活的可能性不大，采取消耗财力物力的措施取强行激活将会徒劳无功。

5 结 论

本文根据某大型百货商场会员的相关信息，分析了该商场会员的消费特征，建立了会员购买力的数学模型，探索了会员的生命周期及会员生命周期中非活跃会员的激活率模型，使得商场管理者能有效地对会员进行管理，以此使会员群体给商场带来稳定的销售额和利润，同时也为零售商场策略的制定提供数据支持。