用户价值判断

Step1: 肯定权重。

认为R、F、M 三要素对用户行为差别的反映是同等重要的。所以选择RFM 的权重为1: 1: 1。

Step2: 归一化。

R、F、M单位不一样，数值上存在巨大的差别，所以要对RFM 分别进行归一化处理。

F 越大说明用户购买次数越高，M越大说明用户订购金额越大，F，M越大说明用户价值越高。R 表明用户上一次订购的时刻与研究时刻之间的时间间隔，这时间间隔越小，说明用户在这一段时间内的用户价值越高。所以，F 与M 与用户稳定程度正相关，而R 与用户稳定程度负相关，归一化时应区别处理。归一化后的数值越高，用户价值越高。

归一化方法：min-max标准化（Min-Max Normalization）

也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0，1]之间。转换函数以下：

       F 、M ：     X’ = ( X - X_min ) / ( X_max - X_min )  ——X越大，X’越大

R：               X’ = ( X_max - X) / ( X_max - X_min )  ——X越小，X’越大

Step3: 聚类。

采用K 均值算法进行聚类。使用K-均值聚类法时，须要预先判断其聚类的类别数。本模型中客户分类经过每一个顾客类别RFM平均值与总RFM平均值相比较来决定的，而单个指标的比较只能有两种状况：大于(等于)或小于平均值，所以可能有2 ×2 ×2 = 8种类别。标准化和肯定聚类类别数后，进行聚类分析，获得8 类客户。

Step4: 划分用户所处等级。

即划分用户得分，获得每类用户的类型，以便定性分析用户忠诚度。

将R，F，M 分别按照归一化后的数值，由高到低排序，并均分为5 个等级，数值最高的等级得分为5，最低等级得分为1。最后得出每类用户的3 个元素分别所处的等级，获得3 个分数的组合。例如，第i 个用户，其元素R 平均值较大，得分为5，元素F 得分为3，元素M 得分为2，那么第i 个用户的类型为( 5，3，2) 型。

Step5: 划分用户类型。

将8 类客户的RFM平均值与总RFM均值比较，若是单个客户类别的均值大于总均值，则给该指标一个向上的箭头“↑”标记，反之则用“↓”。样本2中的比较状况以下。

类别	数量	R均值	F均值	M均值	比较状况	客户类型	用户价值
1	1	80.00	1.00	299.00	↓↓↑	重要发展客户	较高
2	1	80.00	54.00	308.00	↓↑↑	重要保持客户	高
3	218	83.29	2.76	26.36	↑↑↑	重要挽留客户	较高
4	134	83.22	2.74	26.23	↓↓↓	新客户：重要发展客户 老客户：无价值客户	新：较高   老：低
5	111	83.26	2.76	26.26	↑↑↓	通常客户	通常
6	24	83.18	2.78	26.40	↓↑↑	重要保持客户	高
7	7	83.57	3.03	28.88	↑↑↑	重要挽留客户	高
8	4	83.53	2.98	28.10	↑↑↑	重要挽留客户	高
总均值	83.246	2.758	26.286

 

Step6: 用户价值指数L_i。

L_i = ω_RC_iR + ω_FC_iF + ω_MC_iM

权数ω可更具AHP法得到。聚类后，第i类R、F、M元素归一化数值的均值记为C_iR、C_iF、C_iM。

经过计算的出的用户价值指数能够清楚比较用户价值大小。