基于RFM模型的实体零售企业个性化推荐方法研究

发布时间：2020-05-07 04:09

【摘要】：目前,网络零售业给实体零售企业带来了一定的冲击,在实体零售企业消费的客户有所减少,导致其销售业绩不佳。随着客户消费观念的转变,消费关注点逐渐从商品价格转向商品的品质以及个性化。在这种背景下,将个性化推荐方法应用到实体零售企业是有必要的。传统推荐方法中的协同过滤算法主要依据客户对商品的评价为客户进行推荐,然而实体零售企业却无法获得客户对商品的评价信息,因此实体零售企业无法直接采用该方法为客户进行推荐。本文针对实体零售企业的现状,提出一种适用于实体零售企业的混合推荐方法。即在Recency Frequency Monetary Values(RFM)模型的基础上提出定性和定量结合分析法的Recency Frequency Profit(RFP)模型,再加入了客户人口统计特征,采用协同过滤算法、排序学习算法,并通过实际数据实验验证了算法的有效性。解决实体零售企业无法获得客户对商品评价信息的情况下,为客户进行推荐的问题。最后针对不同价值的客户制定个性化的推荐策略,以帮助企业以有限的成本获取尽可能高的利润。本文的主要工作如下:第一,针对实体零售企业无法获取客户对商品评价的问题,本文在RFP模型的基础上计算客户对商品的价值得分来解决。虽然RFM模型计算出的客户对商品的价值得分可以表达客户的购物偏好,但是RFM模型在确定参数时采用层次分析法,不能从数据角度出发,具有一定的主观性,且RFM模型在表达客户购物偏好时,无法准确地识别那些购买金额相同但给企业带来利润不同的客户。因此,本文采用定性与定量结合分析法的RFP模型计算出客户商品价值得分代替客户对商品的评分,再采用协同过滤算法对商品进行预测推荐。通过实际数据实验,验证了基于定性与定量结合分析法的RFP模型能很好地反映客户的购物偏好,推荐的准确度更高。第二,为了提高推荐商品的准确度,本文从客户注册的基本信息中,提炼出客户年龄、性别、职业以及受教育程度四个统计特征,计算出客户间的综合特征相似度。与上述基于定性与定量结合分析法的RFP模型计算出的客户价值相似度相结合,形成客户混合相似度,进行协同过滤推荐。通过实验,验证了基于混合相似度的协同过滤算法推荐准确度优于只基于定性与定量结合分析法RFP模型的协同过滤算法。第三,推荐方法的最终结果是向客户展示一个商品推荐列表或者推荐商品排序。因此,在本文提出的基于混合相似度的协同过滤算法基础上,融入排序学习算法。通过舒尔茨排序学习算法和贪婪排序学习算法分别优化协同过滤算法下的待推荐商品列表,得到最终的商品推荐列表。实验表明,通过排序学习算法最终得出的商品推荐列表,可以在一定程度上进一步提高推荐的准确度,且舒尔茨排序学习算法的提升效果优于贪婪排序学习算法。最后,本文基于RFP模型识别不同价值的客户,针对不同价值的客户提出不同的推荐方案,进行内容和方式相结合的个性化推荐,且通过客户分类帮助企业确定在不同价值客户上的投入成本,进而以有限的成本获取尽可能高利润。
【图文】：

示意图,响应率,等级关系,客户

图 3.2 响应率与客户 P、F 所处等级关系示意图 3.2 中，横轴 P 代表客户利润等级，纵轴 F 代表客户购买频次等级n 代表 PF 的响应率。其中客户给企业带来的利润越高，P 等级越高频次越高，F 等级越高。由图 3.2 中可以得到，P、F 与响应率呈正相变时，随着 P 的等级越高响应率越大；当 P 不变时，随着 F 的等级越大；当 P、F 等级均为最高等级时响应率最大为 0.7852。

示意图,响应率,等级关系,客户

【参考文献】