摘要
先从阿里天池获得淘宝用户数据集，接着通过数据库工具（SQL SERVER 2019）和EXCEL进行数据预处理——对数据进行筛选和清洗，然后结合RFM模型，AARRR漏斗模型等相关理论对用户的购买行为、用户的价值以及商品的不同维度进行分析，并把分析结果图表可视化，从图表中发现用户购买的规律，对用户和商品进行分类，并最终得出结论。根据结论，针对不同类型用户和商品的特点，给淘宝商家相应的营销建议，以达到降低商家的营运成本，增加商家的营业收入的目的。
关键词：RFM模型，AARRR漏斗模型，用户行为。
第一章、绪论
1.1.研究背景及现状
1.1.1.研究背景
随着互联网信息技术的快速发展和普及化，电子商务不断得到扩大，以及各个企业应用电子商务网络平台的推广和相关政策法规对电子商务行业市场发展的重视，电子商务已经开始逐渐改变人们日常的生活观念，渐渐地影响国人的消费理念。
据中国电子商务研究中心发布的调查报告统计数字显示，2019年下半年中国网上零售市场交易额达到 103200亿人民币，增长 20.56%。2019年国内网络零售用户规模达7.32亿人，较2018年的5.7亿人，同比增长28.42%。以上数据表明，随着电子商务市场的繁荣和快速发展，使得网络购物已经成为一种拉动消费的重要渠道，中国的电子商务企业获得了前所未有的发展机遇和挑战。
然而，在繁荣发展的电子商务市场背后也出现了两类难题：
一是，突出表现在规模庞大的用户行为信息的合理利用上，如何高效、准确、及时地发现潜在客户。因为用户在网站上的浏览方式表达了用户购物的习惯、爱好、购买意向等潜在利用信息；而对于一个电子商务企业来说，利用好这些用户行为信息，从中发现潜在客户群体变得十分重要。如果挖掘出某些客户群体为网站上潜在的价值客户，就可以对这部分潜在客户推行新一轮的个性化服务战略，使他们尽快转换成为真正的客户群体。这对于企业来说，就代表着交易订单次数的增多，利润的提高。在大数据时代，谁可以最大限度地挖出并留住潜在客户成为许多电子商务企业客户关系管理的核心。
二是，如何吸引客户、提高服务质量和满意度，更好地提升消费者的购物体验和服务个性化。当下随着电子商务市场的快速发展，市场竞争日益激烈，哪个电商企业能在更短时间发现及获得客户更多的信息，它就能掌握更多经济资源。
1.1.2.国内外研究现状
本文主要从客户行为分析、潜在客户挖掘两个大方面对国内外研究现状进行梳理分析。
（1）用户行为分析研究
Lopez Jose等人利用Hopfield人工神经网络技术对电力行业客户行为数据进行了分类分析。牛文博等[33]人以 B2C电子商务交易过程为基础，以客户行为分析的目标出发，建立基于B2C电子商务环境下的客户行为分析模型，并且对B2C
环境下的客户消费心理和行为进行了深入分析，提出了 B2C 环境下的客户保留策略。
（2）潜在客户挖掘研究
陈晓琴应和不响应客户两大类，接着利用建立响应客户预测模型，实现潜在客户的分类识别效果。齐丽丽等引入粗糙集的思想对 ID3 算法加以改进，用以挖掘预测高价值的潜在客户，并提出了获取零售业中潜在客户信息的营销策略。
1.2.本论文研究的目的意义
世界经济全球化步伐的不断加快以及科技信息技术的加速演化和发展，使电子商务企业迈进了一个崭新的经济活跃时代，同时也使电子商务行业竞争变得越来越激烈，如：企业之间良性竞争发生重大改变，电子商务网站增加与淘汰加速，客户流失率大等。
目前电子商务领域最大的优势就是易于获取规模庞大的客户行为数据，而且这些数据信息每天都在成千万倍地增长。若是把用户在网站发生的浏览行为和购买行为的数据进行整合处理，则可以收集到海量复杂的客户购物产生的行为信息。如果能有效利用这些客户行为信息数据，电子商务企业就可以进行相应的营销调整策略，不断获得新客户资源。
因为这些行为信息可以较为准确描述潜在客户的行为特征，有效反映出客户的潜在购物心理和购物倾向。对于一个电子商务企业来讲，不断获得新客户是企业持续成长的核心竞争力，而且潜在客户群体是无限的，有很大的开发和增值潜力。在竞争激烈的电子商务市场环境中，如何充分利用这些行为信息进行挖掘和提取客户的行为特征，就能更高效、准确、及时地识别出潜在客户。
总而言之，认真对待客户行为分析将使电子商务企业掌握领先其它竞争对手的重要手段，同时也意味着企业将赢得更多市场的销售份额。
潜在客户是电子商务企业今后发展的强大驱动力，重视潜在客户的挖掘和管理，企业就可以长期立足于市场当中，并且在激烈的市场竞争中取胜。相反，如果仅仅了解和关注潜在客户，不重视该类型客户群体的开发，那么企业将会在激烈的市场竞争中处于被动地位。
现代互联网技术、数据库技术和数据挖掘技术的飞速发展，商家与客户一对一的需求营销服务已经成为可能，并逐渐成为各大在线购物网站个性化服务的主要策略。除此之外，移动互联网时代的全面到来，使得电子商务市场发展环境越来越激烈，同时消费者获取信息的途径和方式将变得更加容易，主动性和能动性的需求也更加强烈，而且也具有个性化的选择空间。
因此，随着电子商务不断发展，如何在海量的客户行为数据中有效地获取新的客户，如何辨别获得的客户是否为高价值的潜在客户，企业就能够开展有针对性和目的性的市场营销策略，就可以大大降低服务的成本，同时也可以不断开展客户引导服务措施，更重要的是可以提前确定客户购买的意向，大大降低营销服务费用，并及时调整相应决策来捕获客户的个性化需求，提高客户在线的购物体验及服务满意度，从而牢牢地吸引住自己的客户群。
所以，研究如何从海量信息资源中快速准确地获取潜在的客户知识，并为其提供个性化服务，成为各大电子商务网站追求的热点，也是一种信息知识发现模型的新型识别技术，具有较高的实际应用研究价值和现实意义。
第二章、相关的理论基础
2.1.RFM模型
在众多客户关系管理的客户分析模式中，RFM （Recency，Frequency，Monetary）分析是比较受欢迎的分析方法，是衡量客户价值的重要评价指标。 RFM 模型最初由 Hughes 于 1994 年提出，曾被广泛应用于直销领域，它包括 R( Recency) 、F( Frequency) 、M( monetary) 3个变量。
R 表示最近一次购买时间，也叫近度( Recency) ，理论上最近一次购买时间越近的用户对提供即时商品或服务也最可能有反应，因此 R 越小越好; F 表示消费者在某个时间段中的购买次数，也叫频度( Frequency) ，经常购买的消费者越有意向再次购买，客户忠诚度高，因此 F 越大越好; M 表示某个时间段中客户购买的总金额，也叫额度( Monetary) ，购买金额越大，给企业带来的价值越大，因此 M 越大越好，即客户的价值与 R 成反比，与 F、M 成正比。
企业可以使用 RFM模型测量客户价值，并使用 RFM 模型指标对客户进行分类。 RFM 模型计算客户价值公式如式( 1) :
RFM=ωR ×R+ωF ×F+ωM ×M ( 1)
其中 RFM 指客户的综合 RFM 值，ωR、ωF和 ωM分别是 R、 F 和 M 在计算客户价值的权重，R、F 和 M 在本文中的含义，如表 1 示。
表 1 RFM 模型及各指标在文中的含义
最低0.47元/天 解锁文章
710
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
