信息化–数据挖掘–挖掘持续性购买行为.pptVIP

探勘持續性購買行為－以銷售資料為例 指導教授：許中川 博士 研究生：林勇助 林旻宏 報告大綱 研究動機 研究目的 研究架構 持續性購買探勘演算法 實驗與結果 結論 研究動機 賣場收集大量而龐雜的會員交易記錄 相關研究重點大多在於顧客特徵發掘及產品銷售之關聯性 分析與探討「持續性購買」行為 研究目的 建構持續性購買顧客探勘演算法 挖掘出各產品之持續性購買顧客清單，協助行銷策略制定 評估持續性購買顧客探勘演算法之績效 RFM模型 常用於評估顧客對企業忠誠度或貢獻度 RFM由三個維度組成 Recency：最近購買時間 Frequency：購買次數 Monetary：購買金額 本研究採用RFM為顧客持續購買力 研究架構 持續性購買探勘演算法 傳統RFM方法 Stone RFM[Stone, 1989] Customer Quintiles[Miglautsch, 2000] Behavior Quintiles[Miglautsch, 2000] 改良式動態RFM Stone RFM R 本季：R=24 距今六個月內：R=12 距今九個月內：R=6 今年：R=3 F 購買次數乘上4 M max{消費金額*10%, 9} 如此是要避免購買頻率低卻大量消費金額的情形 顧客五等分法 R 將顧客交易資料依最近購買時間由近至遠分成五等分，分別給予5至1分 F 將顧客交易資料依購買次數由多至少分成五等分，分別給予5至1分 M 將顧客交易資料依購買金額由多至少分成五等分，分別給予5至1分 行為五等分法 R 前0~3個月間：得分5 前4~6個月間：得分4 前7~12個月間：得分3 前13~24個月間：得分2 25個月前：得分1 F 購買頻率只購買一次者得分為1 計算其餘顧客之頻率平均，購買頻率少於平均者得分為一等分 重覆此法直到分為5群，由高至低分別給定5至1分 M：同顧客五等分法 改良式動態 RFM 提供一個R、F、M三值計算之基準值，以適用各類產品 依顧客與母體平均之差距給定分數以消弭個人主觀達到客觀性之要求 提供一個更精準量度值、更具鑑別度之給分方式 產品銷售平均週期 產品銷售平均頻率 產品銷售平均金額 改良式動態 RFM(續) 實驗資料來源 實驗資料來源 某校之消費合作社會員消費記錄 記錄時間自1999/10/1至2000/5/31 扣除寒假(2000/1/23~2000/2/19)消費記錄 會員數811人，產品數2275項 資料約10,000筆 訓練期：1999/10/1~2000/3/31(約5個月) 測試期：2000/4/1~2000/5/31(2個月) 績效評量指標 顧客具購買持續性假設檢驗 高購買頻率顧客預測能力檢驗 RFM參數個別績效分析 RFM參數權重敏感度分析 RFM參數權重敏感度分析(續) 顧客具購買持續性假設檢驗 高購買頻率顧客預測能力檢驗 鑑別度實驗 結論 提出持續性購買顧客探勘架構 整理出四種持續性購買演算法，並進行分析及比較 DRFM在績效上及鑑別度上優於其它方法，適用於各類產品之持續性購買顧客探勘。 輔助行銷決策與顧客關係管理 * * 智慧型資料庫系統實驗室 VIP PRODUCT POS 前置處理 權重敏感度分析 持續性購買顧客 個別績效分析 持續性購買顧客探勘方法 Dynamic RFM Customer Quintiles Stone RFM Behavior Quintiles 顧客具購買持續性假設檢驗 高購買頻率顧客預測能力檢驗 其中Timeend 與 Timestart為計算之日期區間起迄 Frequencyi 為顧客i購買某產品之次數 Frequency_threshold為顧客購買某產品之最小次數要求 e.g. : a顧客30天內買了3次?10天/次 b顧客30天內買了5次?6天/次 =8天 其中Frequencyi 為顧客i購買某產品之次數 e.g. : a顧客30天內買了3次 b顧客30天內買了5次 = 4次 其中Amounti,t為顧客i於計算之日期區間內每次購買某產品之金額 TRANSACTIONi為顧客i於計算日期區間內之交易集合 e.g. : a顧客30天內買了30元 b顧客30天內買了50元 = 40元 其中WR、WF 與WM為權重值，C為一個常數值，n為該顧客最近購買時間落於最近幾個區間內，而Timelast,i是顧客i於計算區間中最後一次購買某產品之日期。 其中，Ntraning：訓練期中RFM值較佳之排名前p名顧客 |Ntraning|：訓練期中RFM值較佳之排名前p名顧客人