[发明专利]一种基于RFM模型的用户分组方法、装置及可读介质

说明书

本发明公开了一种基于RFM模型的用户分组方法、装置及可读介质，通过获取用户的订单数据，并对用户的订单数据进行数据清理；根据数据清理后的订单数据，计算用户的最近一次下单的时间间隔R、规定时间段内的下单频率F和规定时间段内的下单总金额M三个指标；基于时间间隔R、下单频率F、下单总金额M的数值区间设置指标分箱，并通过指标分箱对时间间隔R、下单频率F、下单总金额M进行归一化，得到对应的指标值Rsubgt;S/subgt;、Fsubgt;S/subgt;、Msubgt;S/subgt;；采用熵权法确定指标对应的权重系数，并根据指标值Rsubgt;S/subgt;、Fsubgt;S/subgt;、Msubgt;S/subgt;与权重系数计算出每个指标的最终得分；将每个指标的最终得分输入K‑means聚类算法，得到用户的最优分组结果。为企业的运营、决策和项目阶段总结提供数据支持。

技术领域

本发明涉及数据分类领域，具体涉及一种基于RFM模型的用户分组方法、装置及可读介质。

背景技术

随着现代企业的营销理念的转变，从之前的“以产品为中心”转变为现在的“以客户为中心”，对于企业来说用户成为占比越来越重的资源。企业对处于不同阶段的用户制定不同的服务方案。由上可以看出科学的划分出用户的组别，从而制定相应的用户服务策略，提供差异化的用户服务策略实现个性化的服务，是企业将有限的资源利益最大化的重要途径，有助于企业在激烈的市场竞争中占据优势地位。

目前RFM模型在用户细分领域被广泛应用，但是传统RFM模型的用户细分主要是根据R、F、M三个指标的均值直接将用户划分为8类，导致用户分类常常存在分类模糊问题。K-means聚类分析算法作为一种经典的迭代求解的划分聚类算法，常与RFM模型结合使用以提高用户分类精度，然而传统K-means聚类分析算法存在一定局限性，k值需要预先人工经验设定，且k值的估计非常困难；初始聚类中心随机选取而成，易造成聚类结果不准确；孤立点的存在容易造成聚类迭代次数增加，且聚类陷入局部最优；当数据属性值种类多且重要性不一致时，所使用的欧氏距离对待每个属性的重要性权重相同，导致聚类精度产生偏差。

其次，在RFM模型中，好的指标权重是关乎RFM模型性能的关键，但是在大多数RFM模型应用中，识别用户价值时使用的各指标权重相同，对用户价值评价的准确性产生了负面影响。

发明内容

针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于RFM模型的用户分组方法、装置及可读介质，来解决以上背景技术部分提到的技术问题。

第一方面，本申请的实施例提供了一种基于RFM模型的用户分组方法，包括以下步骤：

S1，获取用户的订单数据，并对用户的订单数据进行数据清理；

S2，根据数据清理后的订单数据，计算用户的最近一次下单的时间间隔R、规定时间段内的下单频率F和规定时间段内的下单总金额M三个指标；

S3，基于时间间隔R、下单频率F、下单总金额M的数值区间设置指标分箱，并通过指标分箱对步骤S2计算得到的时间间隔R、下单频率F、下单总金额M进行归一化，得到对应的指标值R_S、F_S、M_S；

S4，采用熵权法确定指标对应的权重系数，并根据指标值R_S、F_S、M_S与权重系数计算出每个指标的最终得分；

S5，将每个指标的最终得分输入K-means聚类算法，得到用户的最优分组结果。

在一些实施例中，步骤S3中的指标分箱具体包括：将时间间隔R、下单频率F、下单总金额M按照数值区间划分为多个分箱，每个分箱分别设置对应的指标值。