基于RFM模型的實體零售企業(yè)個性化推薦方法研究

發(fā)布時間：2020-05-07 04:09

【摘要】：目前,網絡零售業(yè)給實體零售企業(yè)帶來了一定的沖擊,在實體零售企業(yè)消費的客戶有所減少,導致其銷售業(yè)績不佳。隨著客戶消費觀念的轉變,消費關注點逐漸從商品價格轉向商品的品質以及個性化。在這種背景下,將個性化推薦方法應用到實體零售企業(yè)是有必要的。傳統(tǒng)推薦方法中的協(xié)同過濾算法主要依據客戶對商品的評價為客戶進行推薦,然而實體零售企業(yè)卻無法獲得客戶對商品的評價信息,因此實體零售企業(yè)無法直接采用該方法為客戶進行推薦。本文針對實體零售企業(yè)的現(xiàn)狀,提出一種適用于實體零售企業(yè)的混合推薦方法。即在Recency Frequency Monetary Values(RFM)模型的基礎上提出定性和定量結合分析法的Recency Frequency Profit(RFP)模型,再加入了客戶人口統(tǒng)計特征,采用協(xié)同過濾算法、排序學習算法,并通過實際數(shù)據實驗驗證了算法的有效性。解決實體零售企業(yè)無法獲得客戶對商品評價信息的情況下,為客戶進行推薦的問題。最后針對不同價值的客戶制定個性化的推薦策略,以幫助企業(yè)以有限的成本獲取盡可能高的利潤。本文的主要工作如下:第一,針對實體零售企業(yè)無法獲取客戶對商品評價的問題,本文在RFP模型的基礎上計算客戶對商品的價值得分來解決。雖然RFM模型計算出的客戶對商品的價值得分可以表達客戶的購物偏好,但是RFM模型在確定參數(shù)時采用層次分析法,不能從數(shù)據角度出發(fā),具有一定的主觀性,且RFM模型在表達客戶購物偏好時,無法準確地識別那些購買金額相同但給企業(yè)帶來利潤不同的客戶。因此,本文采用定性與定量結合分析法的RFP模型計算出客戶商品價值得分代替客戶對商品的評分,再采用協(xié)同過濾算法對商品進行預測推薦。通過實際數(shù)據實驗,驗證了基于定性與定量結合分析法的RFP模型能很好地反映客戶的購物偏好,推薦的準確度更高。第二,為了提高推薦商品的準確度,本文從客戶注冊的基本信息中,提煉出客戶年齡、性別、職業(yè)以及受教育程度四個統(tǒng)計特征,計算出客戶間的綜合特征相似度。與上述基于定性與定量結合分析法的RFP模型計算出的客戶價值相似度相結合,形成客戶混合相似度,進行協(xié)同過濾推薦。通過實驗,驗證了基于混合相似度的協(xié)同過濾算法推薦準確度優(yōu)于只基于定性與定量結合分析法RFP模型的協(xié)同過濾算法。第三,推薦方法的最終結果是向客戶展示一個商品推薦列表或者推薦商品排序。因此,在本文提出的基于混合相似度的協(xié)同過濾算法基礎上,融入排序學習算法。通過舒爾茨排序學習算法和貪婪排序學習算法分別優(yōu)化協(xié)同過濾算法下的待推薦商品列表,得到最終的商品推薦列表。實驗表明,通過排序學習算法最終得出的商品推薦列表,可以在一定程度上進一步提高推薦的準確度,且舒爾茨排序學習算法的提升效果優(yōu)于貪婪排序學習算法。最后,本文基于RFP模型識別不同價值的客戶,針對不同價值的客戶提出不同的推薦方案,進行內容和方式相結合的個性化推薦,且通過客戶分類幫助企業(yè)確定在不同價值客戶上的投入成本,進而以有限的成本獲取盡可能高利潤。
【圖文】：

示意圖,響應率,等級關系,客戶

圖 3.2 響應率與客戶 P、F 所處等級關系示意圖 3.2 中，橫軸 P 代表客戶利潤等級，縱軸 F 代表客戶購買頻次等級n 代表 PF 的響應率。其中客戶給企業(yè)帶來的利潤越高，P 等級越高頻次越高，F(xiàn) 等級越高。由圖 3.2 中可以得到，P、F 與響應率呈正相變時，隨著 P 的等級越高響應率越大；當 P 不變時，隨著 F 的等級越大；當 P、F 等級均為最高等級時響應率最大為 0.7852。

示意圖,響應率,等級關系,客戶