一种基于改进RFM模型的数字集群用户分类方法

数字集群系统具有组呼和半双工通信等特点,针对传统用户分类方法不能满足数字集群用户分类需求的问题,提出一种基于改进RFM模型的数字集群用户分类方法。首先引入平均讲话时长属性建立RVS模型;然后采用层次分析法确定RVS模型参数的权重;最后,利用K-means++聚类算法对数字集群用户进行分类。仿真结果表明,使用提出的用户分类方法,数字集群用户分类的准确度可达到87.9%以上。

基于改进RFM模型的百度外卖客户价值分析

为了核算百度外卖客户给企业带来的价值,对百度外卖客户进行价值分析,提出一种改进的最近消费时间、消费频率、消费金额(recency frequency monetary,RFM)模型。该模型由平均订单交易时间间隔、客户一定时期内的交易次数、平均单次订单交易金额、客户贡献时间4个指标构成,运用离差标准化方法对4个指标进行规范化处理,采用主成分分析法计算4个指标的权重,4个指标与指标对应权重的乘积之和为客户的价值,采用K-Means聚类算法将客户分为价值由高到低的客户群。对2017年百度外卖企业某商家为期3个月的4 815名客户的订单交易数据进行聚类,结果表明,4 815名客户可以分为重要保持型客户、忠诚型客户、发展型客户、一般客户、低价值客户5类客户群体。改进后RFM模型可用于百度外卖客户价值分析。

RFM改进模型下的商场会员价值分析

为对商场会员进行精准化营销,通过建立一种基于改进RFM模型[1]的会员分类模型RFA模型,对会员价值进行分析。首先对消费时间间隔(R)、消费频次(F)、平均消费金额(A)三个指标,进行标准化;其次,采用层次分析法,确定RFA模型参数的权重;接着,利用K-Means聚类算法,对商场会员进行分类;最后,计算每个会员价值得分。通过计算三个指标的相关性,结果表明,改进的会员分类方法,能够很好地消除原模型指标的共线性。

基于RFA模型和聚类分析的百度外卖客户细分

针对百度外卖行业具有的客户数量大、消费数据多、维度多等特点,提出一种基于客户消费行为视角的改进RFM模型。采用层次分析算法确定模型中各个变量的权重,并在此基础上采用K-Means聚类算法进行客户细分,计算确定客户对于商家的个人价值。数据分析结果表明,基于改进RFM模型的客户细分方法可以使商家对不同价值的客户采取针对性的策略。

新消费场景下成都环城生态公园消费满意度评价

生态公园新消费场景成为新的消费增长点。本文以成都环城生态公园为例,基于现有消费者的消费特征与消费意愿,利用改进的RFM模型测度现有消费者满意度,为成都建设公园城市新消费场景及提高城市居民的游玩体验及消费满意度提供策略。研究发现:1) 性别、年龄、学历、收入与消费者消费满意度相关;2) 产品价格因素对消费者满意度起负向作用;3) 消费者对生态公园整体满意度高、景观活动空间、公共设施基础设施、娱乐项目、特色活动、环境卫生对于现有消费者的消费体验均起正向的作用。对此,提出新消费场景下提高成都环城生态公园消费满意度的建议。

基于买家在线评价的购后评价特征数据挖掘

买家在线评论作为买家购后满意情况的反映,是买家进行购买决策和商家了解顾客、发现并改进不足之处的重要依据。利用中文分词、RFM改进模型和情感聚焦雷达图对天猫网碧根果买家在线评论的分析表明,各类型买家关注的因素大体相同,但关注度不一;各类型买家购后评论情感聚焦点基本一致,但参与程度不同。其中,口味是产品的核心竞争力,服务、物流、价格因素也是不可或缺的参考点。鉴于此,主营坚果及其他食品类产品的电商不仅要根据产品属性及情感聚焦点的不同进行差异化营销和服务,而且要在重点关注口味的同时,制定客户服务标准,实施个性化服务,选择能够为自身加分的物流服务提供商(或自身承担物流)。此外,还要把握产品毛利率,保证质量,提升促销感知力度,更新完善包装,拓展产品用途,关注负面在线评论并有针对性地加以解决。而买家则应在线上购物信息搜寻阶段,参考其他买家评价,收集整理自己关注的问题,提升决策有效性。