基于聚类分析的H公司微信精准营销研究

宗毅

摘要：随着大数据的兴起和互联网思维理念的应用，微信营销作为一种新兴的营销方式已占据越来越大的市场份额，以客户为中心的经营理念已成为共识。商家在进行微信推广时多采用“一对多”的方式，虽能高效管理，但很难对客户进行“一对一”的个性化服务，客户流失率很高。所以有必要对客户进行细分，旨在对每种类型的客户实行精准营销，提高顾客忠诚度。本文以某互联网企业微信营销平台的数据为研究对象，建立RFMA客户分析模型，利用K-means聚类算法对数据进行分类，目的是进行客户细分，帮助企业进行差异化管理，减少客户维系成本，以期引导公司营销环节的优化和升级。本文通过对聚类结果进行分析，将H公司现有的客户分为发展型、维持型、潜力型和核心型四种类型，并分别制定精准的营销策略。

关键词：K-means聚类算法;RFMA模型;聚类分析;精准营销

Abstract： With the rise of big data and the application of Internet thinking concepts， WeChat marketing has occupied an increasing market share as an emerging sales method， and the customer-focused business philosophy has become a consensus. When promoting WeChat， merchants often adopt the "one-to-many" method. Although they can be managed efficiently， it is difficult to provide "one-to-one" personalized services to customers， and the customer churn rate is high. Therefore， it is necessary to segment customers in order to implement precise marketing for each type of customer and improve customer loyalty. This article takes the data of an Internet company's WeChat sales platform as the research object， establishes an RFMA customer analysis model， and uses K-means clustering algorithm to classify the data. The purpose is to segment customers， help companies differentiate their management and reduce customers maintain costs to guide the optimization and upgrade of the company's marketing links. This article analyzes the clustering results， classifies the existing customers of company H into four types： development， maintenance， potential， and core， and formulates precise marketing strategies.

Key words： K-means clustering algorithm;RFMA model;cluster analysis;precision marketing

0  引言

中國互联网络信息中心（CNNIC）在2019年发布的第44次《中国互联网络发展状况统计报告》显示，我国手机网民规模达8.47亿[1]。2019年公布的《微信数据报告》显示，微信月活跃用户为11.51亿，小程序电商成交额8000多亿元，同比增长超过160%[2]。可见国内企业都把微信作为营销的一个重要渠道。H公司就是该产业一家线上营销的互联网企业，其主营业务有智能手机、生活消费产品（智能电视、笔记本电脑、按摩椅等）和互联网服务等。自2016年5月开展微信平台以来有超过200万活跃粉丝[3]。

经调研，H公司微信营销存在众多问题，如客户细分不足、用户粘度低等。因此，有必要对该公司的客户进行细分，帮助H企业有效识别各类客户的特征，并提出精准营销策略，优化客户体验。

1  文献回顾和模型建构

客户细分的方法和模型众多。Arthur Hughes的RFM模型作为一种有效的细分模型已经成功应用于不同行业[4]。因该模型中F和M存在多重共线性缺陷，任春华，孙林夫等（2019）提出了LRFAT模型，并通过K-means聚类算法对汽车领域的忠诚客户进行了细分[5]。Wen-Yu Chiang（2011）利用Apriori技术方法和RFMDR模型对网购客户进行了细分[6]。张斌（2017）基于KFAV模型，引入了局部密度值ρ和斥类值δ，对K-均值聚类法在初始聚类中心的选取方面进行了改进，验证了该方法对客户细分的精准度[7]。李晴雯等（2019）利用K-means聚类算法工具，并根据客户细分结构模型，将某航空公司的客户进行了分类，为该公司节约了大量的客户维系成本[8]。谢鹏寿等（2019）利用改进的TFM模型将客户进行了有效细分[9]。张石（2019）运用SOM-K-Means聚类算法对购买某产品客户的数据进行有效的挖掘分析，根据聚类结果为不同客户群体提供个性化营销策略[10]。

H公司通过在微信公众号发布本店相关内容，将大量忠实粉丝引流到店铺进而完成销售。本文应用K-means聚类分析法对客户的多项特性指标综合考量，根据特征的相似或相异度将数据样本进行分组，使同一组的数据尽可能相似，不同组的数据尽可能相异。由于该算法是在数十次、百次甚至千次的迭代计算中寻找最终的聚类结果，因此最终结果稳定可靠。

在研究模型方面，本文针对H公司这一线上销售情境，在Yu-Ting Kao所建立的LRFM模型的基础上，提出RFMA模型。其中，R表示同一顾客最近一次的购买时间到分析点的时间间隔（以月为单位）;F表示计算期内顾客在微信平台购买H企业产品的次数;M表示计算期内客户购买的总金额数;A表示计算期内客户购买H企业产品的数量。

2  实证分析

2.1 样本选择

本文使用的数据均由H企业提供。数据包含2017年1月1日0：00至2019年12月30日23：59的所有销售订单数据，主要包括客户基础数据表、商品基础信息表、销售记录表等。

2.2 数据整理

经统计，H企业两年内在微信平台的销售记录约6.3万笔，为使操作简单可行，本文通过分层抽样的方式在众多数据中抽取800笔销售订单作为研究数据。

为保证数据的可靠性，需对800笔订单进行清洗处理。首先要处理缺失、异常和重复的数据，像购买日期为空、购买费用明显有误的数据;另外，两年间由于微信平台不断升级，存在数据字段和内容不一致的问题，需通过结构化查询语言（SQL）批量处理此类问题。数据清理后，有效订单数量为715。运用RFMA模型，对订单数量进行统计，得到244位客户的数据，并对以上数据进行描述统计。结果见表1和表2。

RFMA模型中的特征值因计量单位不同，需要运用统计软件SPSS 23.0对数据进行Z标准化，部分数据如表3所示。

2.3 客户细分

对数据进行K-means聚类分析前，要先确定聚类数目K，它表示最终会形成的客户群体数。学界一般建议K介于3～6。本文以聚类指标DBI为标准计算K值，其过程如下：

在公式（1）中，k表示聚类数目;mi/mj表示第i/j个簇成员距离聚类中心的平均距离;d（ci，cj）表示i和j两个簇成员之间的距离。经计算，当K=3时，DBI=1.357;K=4时，DBI=0.489;K=5时，DBI=0.912;K=6时，DBI=1.125。通常来说，DBI越小，簇成员之间的关系就越紧密。所以K=4为最佳聚类数目。然后将标准化后的数据导入SPSS 软件中进行统计分析，统计过程见表4、表5。

经连续迭代，系统自动停止聚类。最终聚类结果见表6、表7。

2.4 实证结果分析

第一类客户。这类客户共50位，占客户总数的20.49%。在聚类结果中可看出这类群体最近一次购买距分析点的时间间隔最大，说明他们的重复购买率较低，忠诚度和用户粘性也较低。其次，购买的商品数量、购买频率和购买金额的聚类值在四类客户中都是最小的，说明该类客户的购买力度不够且购买需求小。通过对原始数据进行查找，这类客户的交易次数大多为一次，且每次交易都在500元以下，两年内交易总额不超过2000元，他们所购买的产品多集中在电子激光笔、电脑鼠标、电动牙刷、无线耳机等小型附属物件。虽不稳定但零散的有交易量，且没有存在减少交易量或者停止的势头，属于低价值客户。这类客户对公司和产品的认知处于起步阶段，将其归类为发展型客户。

第二类客户。这类客户共137位，占客户总数的56.15%。这类群体最大的特点就是四项指标都很均匀、稳定。购买频率和购买金額虽比第一类和第二类低，但购买间隔较短，这部分客户对该公司的产品依然持续着一种购买的冲动。可见，这类客户的业务量稳定，能持续、平稳地输出需求，将其归类为维持型客户。

第三类客户。该类共43位，占客户总数的17.62%。在四类客户中，它的购买频率是最高的，可见此类客户对产品的需求较大且连续。另外，购买金额虽不如第四类，却远远高于前两类，购买热情也远远高于前两类。可见，这类客户的潜力很大，将其归为潜力型客户。

第四类客户。这类客户共14位，占客户总数的5.74%。虽然人数少，但创造的价值却占据了公司利润的80%，他们无疑是公司的高价值客户。且这类群体的购买间隔小，经查询，他们的购买间隔均不超过6个月，可见此类顾客重复购买力强，对H公司有较高的忠诚度，将其归为核心型客户。

3  H公司客户精准营销策略

发展型客户。这类群体的忠诚度不高，对于H公司这种线上运营模式，可通过微信互动的方式与客户保持密切关系。对于售价超过6000的产品可享受无息分期付款的优惠。另外，可通过给客户产品优惠的奖励去激励他们在自己的朋友圈转发、推广。

维持型客户。这类客户的人数占比虽大，可很容易对公司的产品和服务失去兴趣，需要对营销过程动态管理，始终给予这类顾客以新鲜感。可通过线上活动对此类客户实施事件营销，开展各种主题活动使其感受到公司的特殊服务。对新产品及功效特点主打宣传。另外，购买产品的同时使其成为会员并有相应购买积分，下次购买可抵扣现金。

潜力型客户。这类客户对公司和产品的认知处于起步阶段，一般来说营销效果的见效需要一定的时间。为使用户发现产品信息，可利用SEO优化、SEM推广去提高客户对公司和产品的认知，利用用户检索信息的机会将营销信息传递给目标客户。

核心型客户。对于这部分客户要善于运用关系营销和关怀营销策略，与该类客户建立朋友关系，并以朋友的角度给予客户产品附属品、赠品等不定期的赠与待遇。在生日、重大节日等日期给予一定的人文关怀。当有新产品上市时，优先推荐给核心客户。另外，因其购买频率高，可为这类客户提供折扣机制。

4  结论和展望

本文通过建立RFMA模型，利用K-means算法将H公司微信平台的客户分为发展型、维持型、潜力型和核心型四种类型，验证了客户细分模型和算法的有效性。目的是促使该公司发掘客户的潜在价值，实现精准营销。

本文所使用的样本仅是客户消费订单，客户细分标准也仅依据购买间隔、购买频率、购买金额和购买数量四种指标，涉及范围有限，像客户的年龄、性别、职业、学历、经济能力、消费水平等基础信息却没有考虑，细分模型还有待进一步扩展。

参考文献：

[1]中国互联网络信息中心. 第44次《中国互联网络发展状况统计报告》[EB/OL]. http：//www. cac. gov. Cn.1124938750. htm，2019，08，30.

[2]微信公众平台.2019微信数据报告[EB/OL].http：//www.woshipm.com/evaluating/3310778.htm，2020，01，09.

[3]有赞微商城.2019数据报告[EB/OL].http：//www.youzan.com/？from_source=sougou_ppqpx3_bt_1，2020，1，20.

[4]HUGHES A M.Strategic database marketing[M].Chicago，I11.，USA：Probus Publishing Company，1994.

[5]任春华，孙林夫，吴奇石.基于LRFAT模型和改进K-means的汽车忠诚客户细分方法[J].计算机集成制造系统，2019，25（12）：3267-3278.

[6]CHIANG W Y.To mine association rules of customer values via a data mining procedure with improved model：An empirical case study[J].Expert Systems with Applications，2011，38（3）：1716-1722.

[7]張斌，彭其渊.基于KFAV的中国铁路货运客户细分方法研究[J].交通运输系统工程与信息，2017，17（03）：235-242.

[8]李晴雯，涂敏，段李杰.基于聚类分析的航空公司客户群细分及营销策略[J].物流工程与管理，2019，41（12）：136-138，126.

[9]谢鹏寿，张宽，范宏进，贵向泉，张恩展.汽车4S店TFM客户细分模型及其方法研究[J].小型微型计算机系统，2019，40（10）：2165-2169.

[10]张石.SOM-K-Means聚类算法在零售银行客户细分中的应用研究[J].攀枝花学院学报，2019，36（05）：66-70.