改进神经网络的电子商务客户流失估计
2020-08-07崔彦君
崔彦君
摘 要: 针对传统电子商务客户流失估计模型对RFM数值分析不准确,估计误差大的问题,提出基于改进神经网络的电子商务客户流失估计模型。利用改进神经网络分析历史数据,完成数据挖掘,分析客户活跃度以及再交易的可能性,考察客户潜在价值,建立贡献分析评价流程,采用RFM模型确定权重,建立基于改进神经网络的电子商务客户流失估计模型。实验结果表明,与传统方法相比,所提方法对RFM数值分析更加精准,使电子商务客户流失估计误差明显缩小,由此证明所提出的基于改进神经网络的电子商务客户流失估计模型更加有效。
关键词: 改进神经网络; 电子商务; 模型构建; 客户流失; 数据挖掘; 价值分析
中图分类号: TN915?34; TP393 文献标识码: A 文章编号: 1004?373X(2020)13?0103?03
E?commerce customer churn estimation based on neural network
CUI Yanjun
(School of Data and Computer Science, Guangdong Peizheng College, Guangzhou 510830, China)
Abstract: In view of inaccurate RFM (recency, frequency, monetary) numerical analysis and big estimation error of the traditional e?commerce customer churn estimation model, a research on e?commerce customer churn estimation model based on the improved neural network is proposed. The improved neural network is used to analyze the historical data, complete the data mining, analyze the customer activity and the retransaction possibility, so as to investigate the customer potential value and establish the contribution analysis evaluation process. The RFM model is used to determine the weight for the establishment of e?commerce customer churn estimation model based on the improved neural network. The experimental results show that, in comparison with the traditional method, the proposed model is more accurate in the RFM numerical analysis and the estimation error of e?commerce customer loss is significantly reduced. Therefore, the proposed customer churn estimation model based on the improved neural network is more effective.
Keywords: improved neural network; e?commerce; model construction; customer churn; data mining; value analysis
0 引 言
电子商务客户流失是客户由于某些原因,不再选择该公司所提供的服务,是一种较为常见的现象。对于电子商务网站的运营来说,分析客户流失的原因以及客户流失速度是十分必要的[1]。与吸引新客户相比,挽留老客户所需要花费的成本更低,且所能得到的利润更高,客户的忠诚度是电子商务发展的重要支撑。客户的满意程度与客户流失量之间有着无法忽视的重要联系,客户的忠诚度越高,越能有效降低电子商务的服务成本,对电子商务企业的市场占有率,以及企业的收入有直接的影響[2]。降低客户流失量,提高客户满意度,是电子商务企业维持经营并从中赚取利益,提高企业竞争力的重要关键。为此,分析电子商务企业的隐形流失客户以及显性流失客户的流失原因,并估计其流失程度。电子商务网站通常采用信息技术管理方法实现客户资源共享,从而更好地管理客户群体,提高客户满意度,保留住老客户的同时,发展新的客户群体,从而扩大电子商务经营范围[3]。
1 基于改进神经网络的电子商务客户流失估计模型
分析电子商务客户的流失原因,采用改进神经网络完成数据挖掘,考察客户潜在价值,分析客户活跃度以及再交易的可能性,建立基于改进神经网络的电子商务客户流失估计模型。
1.1 基于改进神经网络的数据挖掘
电子商务客户流失率的估计需要大量的数据作为支撑,为此利用改进神经网络完成数据挖掘。通过改进神经网络建立信息数据接收处理以及能够正确判断的综合系统,分析所得数据,完成非线性处理与逻辑操作[4]。利用输入的数据信息自我学习,不断调整各种参数,通过改进神经网络的输入层输入值,估计神经网络所输出的目标值。电子商务网站能够自由选择改进神经网络中每一个函数的表现形式,并利用该节点临近值的加权总和完成函数相关计算,与此同时,不断对比所得结果与输出层的目标数据,达到减小误差的效果,具体过程如下所示:
式中:[NETi]为所输入变量与相应权重乘积之和;[M1]为第一个输入节点的变量;[Mn]第[n]个输入节点的变量;[Win]为第[n]个输入变量的相应权重;[Ni]为输出变量;[F]为实际目标与输出结果间的误差值。
通过上述计算得到改进神经网络模型在数据挖掘中的应用示意图,如图1所示。
根据上述改进神经网络模型挖掘相关数据中所隐含的具有实际意义的信息,分析推断其包含的内容,完成数据的修正及变换。采用朴素贝叶斯算法浏览并理解数据,得到合理的概率假设[5]。若样本有[n]个不同属性([A1,A2,…,An]),当任意样本[X]为[n]维空间中的任意一点时,则其属性为([x1,x2,…,xn])。在既定条件下,属性项之间无相互依赖关系,相互独立,至此完成基于改进神经网络模型的数据挖掘,从而进一步分析客户的潜在价值。
1.2 电子商务客户潜在价值分析
电子商务客户的潜在价值具有多层次性,其影响因素多种多样,但最为主要的因素在于客户对于长期净现金流的创造能力[6]。结合实际情况,在客户历史交易记录的基础上,考察其潜在价值,分析客户活跃度以及再交易可能性,建立电子商务客户潜在价值的贡献分析评价流程,其具体情况如图2所示。
对于电子商务客户的价值贡献识别分析,主要在于为企业带来一定价值的客户,其他无法为电子商务企业创造价值或是所创造价值过小的客户,不包含在潜在价值分析的范围[7]。客户之间的差异较大,地区以及收入或是需求方面都大不相同,导致其对于企业的潜在价值差异。为此需量化评估客户群体,计算客户价值,识别出对电子商务企业有价值的客户群体。采用RFM模型确定权重,使[R],[F],[M]三个指标的权重相同,则对客户潜在价值的衡量结果一致。但由于不同的行业在频度、近度以及值度上的衡量方法是有差异的,[R],[F],[M]三个指标对于电子商务客户的潜在价值衡量标准也将有所差异,则权重也将有所差异[8]。为此结合实际情况,采用层次分析法计算指标权重。
首先构建层次结构,提取客户潜在价值的决定性因素,将其按照属性分解成若干层次。由于处在相同层次上的不同因素,在承受下一层次影响的同时,会对上一层产生一定量的影响,则位于最上层的目标层只有在准则过多时,分解出子准则层[9]。随机选取某个时间段调整相关数值权重,使其响应率达到最大值,则该时间点权重为电商企业最合适权重。计算各个能够构成对比矩阵的最大特征根,以及与其所相应的特征向量,利用一致性指标与一致性比率检验其一致性。檢验合格后,则归一化的特征向量即为权重向量[10?11],从而完成对于电子商务客户的潜在价值分析。
1.3 电子商务客户流失估计模型构建
在完成电子商务客户的潜在价值分析后,构建客户流失估计模型。从所收集到的电子商务客户资料,以及历史交易记录等信息中,提取所需要的信息数据,并上传至数据库中,根据相关属性计算各信息增益指数,得到客户流失影响因素。利用改进神经网络分析所得到的影响因素,从中提取出导致客户流失的主要属性[12?13],将其与客户潜在价值同时输入改进神经网络,作为输入元素,训练数据集,输出最终客户流失率,其具体过程如图3所示。
根据上述过程,估计客户流失情况,采用改进神经网络训练非线性映射,优化其存在的问题。将改进神经网络中所输入的各项指标设定为[m1,m2,…,mx],将所输出的各项指标设定为[n],则得到函数关系式如下:
式中[α]为输入各项与输出各项间的映射关系。
若在保证其他自变量不发生改变的前提下,只改变自变量[m],则能够得出,在输入[mi]后,输出值[n]的变化量。在此基础上计算每个输入变量对所输出指标的贡献率,最终得到电子商务客户的流失估计:
式中[nimvar]为所输出变量[n]的绝对变化量。
由上述计算可知,根据已有的客户数据对其进行流失估计,除去不适用或是数据有缺失的客户信息,分析客户的历史交易信息,考虑客户未来价值,制定对其的定位标准,至此建立基于改进神经网络的电子商务客户流失估计模型。
2 仿真实验结果与分析
为准确验证所提出的基于改进神经网络的电子商务客户流失估计模型的有效性,采用传统电子商务客户流失估计模型与本文模型进行对照实验。随机选取6个月内的电子商务客户相关数据作为实验对象,利用FineBI智能分析软件分析其RFM数值,RFM数值通常指客户的最近一次消费,消费频率以及消费金额,分析其数值规律,从而达到衡量客户价值和客户创利能力的目的[14?15],得到对于客户流失的估计结果。将所提出的改进神经网络电子商务客户流失估计结果范围与传统估计模型进行比较,其具体对比结果如图4所示。通过图4的对照分析能够得出,传统的估计模型将跨类目商品的购买率分析结果作为客户忠诚度的衡量标准,但由于跨类目的商品不具有可比性,且在[F]值与[M]值为定值时,[R]值对于客户的细分作用较弱,导致传统模型对RFM数值的分析不够准确。而本文所提出的基于改进神经网络的电子商务客户流失估计模型与传统模型相比,优化了这一缺陷,对RFM数值的分析更为精准,使得估计误差明显缩小。为了使本次实验结果的严谨性得到保障,本文进行了多次的客户流失估计数值模拟实验。经过多次实验论证得出,所提出的基于改进神经网络的电子商务客户流失估计模型更为有效。
3 结 语
由于网络市场的竞争日益激烈,导致电子商务企业的生存环境艰难,对客户资源也变得十分重视。为此提出基于改进神经网络的电子商务客户流失估计,分析客户的潜在价值、流失率以及客户流失的相关影响因素。利用改进神经网络建立数据处理系统,完成相关非线性处理操作。分析电子商务客户的潜在价值,并估算其再交易的可能性及再交易金额,根据层次结构计算权重,构建电子商务客户流失估计模型。实验结果证明,采用基于改进神经网络的电子商务客户流失估计模型能够得到更精准的估计结果,为电子商务企业提供相应依据。
参考文献
[1] 武小军,孟苏芳.基于客户细分和AdaBoost的电子商务客户流失预测研究[J].工业工程,2017,20(2):99?107.
[2] 王斐玉,文华,王红梅.语义挖掘结合神经网络的电商网页推荐方案[J].控制工程,2018,25(1):149?153.
[3] 张小敏,伍小平,丰婷,等.基于最优加权组合的电信客户流失预测模型设计研究[J].赤峰学院学报(自然科学版),2017,33(12):3?4.
[4] 韦琦,杨明.改进神经网络算法的智能电网短期负荷预测[J].哈尔滨理工大学学报,2017,22(4):65?69.
[5] 吴才德,章玉明,田领川,等.基于改进神经网络的地铁车站深基坑位移反分析[J].科技通报,2017,33(1):142?146.
[6] 王秋实,王小敏.基于FTA与改进神经网络的轨道电路红光带诊断方法[J].铁道标准设计,2017,61(4):147?153.
[7] 陈德华,洪灵涛,潘乔.基于改進神经网络的糖尿病生化指标值预测[J].微型机与应用,2017,12(5):54?56.
[8] 张宪红,张春蕊.一种改进的细胞神经网络图像边缘提取方法[J].暨南大学学报(自然科学与医学版),2017,38(2):178?184.
[9] 辛建英.改进神经网络的大学物理实验教学质量评价[J].现代电子技术,2017,40(15):146?149.
[10] 姜逢源,董胜,张鑫.基于改进神经网络的板桩结构可靠性分析[J].海洋湖沼通报,2018(2):103?109.
[11] 吴曦,姚楠,许建刚.基于改进神经网络算法的变电站变压器裂纹图像识别[J].现代电子技术,2017,40(13):66?69.
[12] 刘翔.改进神经网络的数字调制信号识别[J].内蒙古师范大学学报(自然科学汉文版),2017,46(2):200?203.
[13] 翟梅杰,高鹏.基于改进神经网络的汽车ABS故障诊断[J].中小企业管理与科技,2017,21(28):173?174.
[14] 刘佩瑶,郝振纯,王国庆,等.新安江模型和改进BP神经网络模型在闽江水文预报中的应用[J].水资源与水工程学报,2017,28(1):40?44.
[15] 黄璇,郭立红,李姜,等.改进粒子群优化BP神经网络的目标威胁估计[J].吉林大学学报(工学版),2017,47(3):996?1002.