搜索
商業自動化期中分組報告第十組以兩階段資料採礦分群方法應用於顧客關係管理和獲利績效評估之實證研究壹、緒論由於市場競爭激烈化，對企業來說，不得不重視顧客忠誠度這個議題。透過CRM資訊技術的運用，提升顧客忠誠度，是個相當重要的課題。貳、文獻討探一、客戶關係管理整合前端顧客接觸系統與後端企業作業系統的企業策略，然後從大量顧客的歷史交易資料中，找出對企業最具利潤貢獻度的客戶群，以協助建立或改善企業在行銷、銷售、服務等運作的核心企業流程。最終目的達成開發新客戶、保留舊客戶及提升顧客利潤貢獻度的目標。✽CRM的導入過程：客戶識別區隔互動客製化✽CRM的應用範圍：合作型作業型分析型二、客戶價值分析✽顧客分類與區隔方式：活躍靜態潛在疑似無利潤✽顧客忠誠度：RFM模型顧客獲利性衡量顧客價值矩陣Average消費型(Spender)不確定型(uncertain)最佳(Best)頻率型(Frequent)多(M)平均購買金額少多購買次數(F)三、資料採礦✽DataMining的運作流程✽DataMining功能種類：驗證驅動資料採礦發現驅動資料採礦✽傳統統計分析與類神經網路之分群方式：第一階段分群：自我組織圖SOM映射輸入層：代表輸入變數N維度的輸入向量資料輸出層：代表聚類第二階段分群：K-MeanSOMK-mean新的群體分群數目與重心多維度資料第一階段第二階段學習循環學習循環LRFM資料模型結構關係長度(L)沉寂長度(R)購買頻率(F)顧客獲利性(M)特定時間內顧客產生交易的天數第一次購買日最後一次購買日最後一次購買日分析日售價產品成本行銷成本參、研究架構與方法一、整合資料採礦技術之顧客關係管理運作架構系統的資料採礦將顧客分群作業，將產生的顧客名單匯至前端的CRM流程中，並將取出的目標顧客群的資訊與行銷活動相結合，且展開各項行銷活動，再依回應情況的資訊整合至前端的CRM執行，控制系統，進一步了解CRM的績效表現，並不斷紀錄CRM活動以有效學習顧客知識，使封閉式針對個案提出整合DM技術的CRM流程架構:(1)前端作業環境(2)後端分析系統由後端分析的CRM系統可實現顧客獲利、保留及增加顧客獲利性的目標。(一)LRFM資料模型為進行“非監督”的兩階段分群作業，須從顧客交易資料庫中，將L、R、F、M四個輸入變數資料匯入採礦資料庫內，以提供DM分群作業所需之資料。L:指顧客第一次與最後一次交易日間的長度，L越長表示顧客與企業所建立之交易關係越長顧客保留長度。R:指顧客最後一次交易日與分析日間的長度，當R大於特定的期間時，表示顧客為靜態顧客。F:指顧客在特定期間內發生交易的天數，同一天有多次的交易。M:指顧客獲利性。(二)資料採礦前置處理流程為了使LRFM模型的資料能夠順利且正常地進入採礦資料庫，在實際進行DM分群作業前，須先進行採礦前的咨療前置處理:(1)針對2001/6/31~2001/12/31期間有交易的顧客(活躍顧客)，透過SQL將LRFM資料模型從歷史交易資料庫中將每位活躍顧客的LRFM資料匯入採礦資料庫，以“標準差”進行離群分析。(2)為使兩階段的分群作業不受單位不一致性的影響，須將ＬＲＦＭ的資料進行標準化（及資料介於０～１之間）。(三)兩階段分群過程兩階段分群方式是由類神經網路的ＳＯＭ與統計方法中得叢集分析構成，屬“非監督式“的學習方法。(1)第一階段分群：在ＩＢＭＩＮＴＥＲＬＬＩＧＥＮＴＭＩＮＥＲ中的ＳＯＭ所需設定的參數有輸出層的維度與處理階段數。輸出維度：所有聚類的數量，處理階段則是學習得次數。(2)第二階段分群：Ｋ－ＭＥＡＮ分群系統德參數設定有收斂質與學習次數，距離衡量是採歐幾里得方式，每次學習平均總距離越小時，收斂品質越高。二、群體樣式分析（一）顧客關係類型矩陣提出以Ｌ與Ｒ兩個變數而形成顧客關係類型矩陣，目的在了解顧客價值矩陣所區隔之顧客群的流失與忠誠特徵。（１）緊密關係，易形成顧客忠誠度，若沒交易會消耗企業資源。（２）潛在關係，易形成潛在顧客群，亦可能成為流失顧客群。（３）獲利關係，發生在關係剛建立的吸引新顧客的活動中。（４）流失關係，指新顧客的流失。（二）多維度顧客分群規則以顧客價值矩陣與顧客關係類型矩陣所構成的多維度顧客分群方式解釋每個群體樣式，包括；（１）最佳顧客：區分為高價值忠誠、高價值新顧客、潛在忠誠顧客、高價值流失顧客。（２）頻率型顧客：區分為高購買頻率顧客、頻率型促銷顧客、潛在頻率型顧客、頻率型流失顧客。（３）消費型顧客：區分為白金顧客、消費型促銷顧客、潛在消費型顧客、消費型流失顧客。（４）不確定顧客：區分為低消耗成本顧客，不確定新顧客，高消耗成本顧客、不確定流失顧客。三、觀念性研究模型之雛型接觸時間構面交易行為構面顧客購買產品種類顧客關係長度顧客購買頻率顧客獲利性顧客沉寂長度顧客人數比例肆、個案研究一、個案背景、動機與重要性由於統計報告指示「零售業中的種何商品業因連鎖式便利商店及量販店受消費青睞，營業家數持續擴增，近五年營業額平均年增10.7%。」所以研究個案對象為『大型量販店』:1.市場呈現不錯的發展空間且競爭激烈。2.國內多採用會員制，顧客人數龐大，但卻少有透過資料採礦技術在CRM上應用。選擇個案公司的理由:1.資料採礦所需的資料是企業內部的隱密資料取得不易。2.國內大型量販店屬新興行業，業者雖累積龐大顧客人數卻少有結合DM技術在CRM上的應用。故選擇一家尚未結合DM於CRM上的大型購物中心。3.此個案公司為目前國內一家透過郵寄活動來進行CRM的零售業大型購物中心，故其累積的顧客人數與歷史交易資料足夠所需的資料採礦作業。個案公司之經營特色:(1)目前分店數陸續擴張(2)顧客主要以年輕夫妻或小家庭為主(3)目前行銷資訊由MIS部門所供應，且尚無結合DM技術，僅以SQL方式進行(4)主要行銷活動為型錄寄送，成本相當高二、個案研究的目的與顧客分類方式目的:(1)了解CRM運作流程的模式及顧客區隔方式。(2)探討CRM活動績效評估方式。(3)比較研究所採用的L、R、F、M的顧客區隔方式與此公司所用的顧客區隔方式。(4)針對個案公司的實際案例已修正本研究之假設命題與研究模型。(5)探討DM分群技術在CRM活動之直接郵件的顧客篩選，以比較研究所產生之顧客區隔與個案公司由艦活動的績效表現。顧客分類方式:依顧客的「消費金額」區分和「造訪次數」區分。顧客分類的區分則根據消費特性採十等分區分顧客等級。依照是否有消費來區分顧客為活躍型與靜態型。此公司的CRM活動中主要顧客以活躍顧客為對象。三、個案公司之CRM定義與運作流程CRM定義:針對不同的主題與顧客互動，累積與顧客互動的資料透過互動資料庫學習顧客行為。運作流程:(1)確定行銷活動主題。(2)針對主題找出主題活動。(3)由主題活動中，找出目標顧客群。(4)行銷活動執行。(5)紀錄活動結果與評估績效。(6)學習過去的活動結果，不斷反覆操作1~5步驟四、整合資料採礦之CRM流程的預期成效(1)有效區隔個案公司活躍顧客中不同價值的顧客群。(2)進一步了解不同顧客區隔利潤貢獻情形。(3)區隔出不同價值的顧客在活動中的績效表現。五、修正後觀念性研究模型接觸時間構面活動績效構面交易行為構面回應率ROI顧客購買產品種類顧客關係長度顧客購買頻率顧客獲利性顧客沉寂長度顧客人數比例伍、資料分析•A公司之ＣＲＭ最主要的目的從活躍顧客中找出忠誠顧客•從Ａ公司2001/6/31~2001/12/31期間，找出活躍顧客499,940人*活躍顧客：有發生交易的顧客群•從1999/1/1~2001/12/31期間的交易資料庫中，萃取活躍顧客的L(關係長度)、R(沉寂長厲)、F(購買頻率)、M(顧客獲利性)的資料一、資料前置處理1.資料整合2.資料清洗3.資料轉換1、資料整合•將活躍顧客的L、R、F、M格式的資料以SQL的方式匯入採礦資料庫內2、資料清洗資料範圍平均數L1~1127429R35~249110F1~3366M2~2461576269有無離群值L無明顯離群值R無明顯離群值F845筆離群資料M824筆離群資料*原始活躍的LRFM採碼資料*LRFM離群值偵測3、資料轉換•為了使LRFM的資料轉換標準化的LRFM，標準化資料=(原始資料-範圍最小值)/(範圍最大值-範圍最小值)二、資料採礦分析1.第一階段分群處理(SOM)：以IBMIntelligentMiner之SOM進行2.第二階段分群作業(K-mean)：以K-mean分群系統進行3.SOM分群與兩階段(SOM+K-mean)分群比較：(1)兩階段分群改善SOM分群結果(2)兩階段分群明顯改善群體間模糊現象(3)兩階段分群後，群體內差異性變小三、分群結果之群體分析•經由多維度顧客分析的區隔之後，符合多維度分群規則只有9個顧客區隔，以下將針對九種顧客區隔樣式個別進行探討：1、多維度顧客區隔分析1)高價值忠誠顧客：以較少人數比例為企業創造較高比例的獲利性(如圖)2)潛在忠誠顧客：以較少人數比例為企業創造較高比例的獲利性，但是沉寂長度較長的顧客易流失(如圖)3)高價值新顧客：由於此區隔為企業新獲取的高價值顧客，可以發現人數比例並不高(如圖)4)高消耗成本顧客與低消耗成本顧客：低消耗成本顧客群則與企業再度交易的機會則高於高消耗成本顧客群(如圖)5)不確定新顧客與不確定流失顧客：不確定型顧客除了可以透過FM變數來區隔，也可以透過LR變數來了解新顧客與流失顧客的區別(如圖)6)高購買頻率顧客與消費型促銷顧客：高購買頻率顧客樣式並無法從顧客價值矩陣識別，但透過顧客關係類型矩陣可知屬於緊密關係*多維度顧客區隔之顧客數與獲利性比較顧客區隔人數(%)獲利性(%)高價值忠誠顧客9.3032.6潛在忠誠顧客7.7016.7高價值新顧客1.103.8高消耗成本顧客14.8011.7低消耗成本顧客12.609.3不確定新顧客24.509.2不確定流失顧客21.207.6高購買頻率顧客87.5消費型促銷顧客0.701.6*多維度顧客分群之顧客區隔樣式顧客區隔LRFM採礦群體數高價值忠誠顧客8665629310839潛在忠誠顧客76515214235496高消耗成本顧客592166548796低消耗成本顧客61363545566不確定新顧客143672271610不確定流失顧客91167225256高購買頻率顧客94276757663高價值新顧客2916512247992消費型促銷顧客964861442512、不同顧客區隔方式之比較分析1)個案公司之群體樣式只有符合九種多維度顧客區隔樣式2)個案公司之獲利性分佈並沒有非常集中在少數顧客群，但是少數顧客群，卻能夠為企業帶來較高的獲利性3)活躍顧客群之群體分佈則主要在顧客價值矩陣的最佳、不確定象限上四、顧客區隔之績效評估績效表現顧客區隔活動(一)活動(二)回應率(%)ROI(%)回應率(%)ROI(%)最佳高價值忠誠顧客50.2534.0154.8250.62高價值新顧客46.1444.5351.4561.12消費型促銷顧客54.7085.5548.8785.53低消耗成本顧客33.7918.1528.1120.14普通潛在忠誠顧客14.527.828.1818.18高購買頻率顧客25.8913.2928.2217.66不確定新顧客27.9415.6323.1316.7最差高消耗成本顧客8.784.1618.309.86不確定流失顧客5.862.8912.046.92五、假設驗證1.相關分析(1)進行相關分析，以進一步探討不同獲利性影響因子與顧客獲利性間的相關性：影響因子統計值相關係數相關性顧客關係長度顧客獲利性0.0080.375顯著正向關係顧客購買頻率0.00010.742顯著正向關係顧客沉寂長度0.237-0.172不顯著負向關係顧客購買產品種類0.00010.876顯著正向關係(2)顧客獲利性與二次活動績效表現間的相關性如下：統計值相關係數顧客獲利性活動(一)回應率0.0060.375ROI0.00010.729活動(二)回應率0.00010.686ROI0.00010.882.驗證假設假設研究假設內容結果