CN102156932A

CN102156932A - 一种客户再次购买意向预测方法及装置

Info

Publication number: CN102156932A
Application number: CN201010111529.2A
Authority: CN
Inventors: 苏宁军
Original assignee: Alibaba Group Holding Ltd
Current assignee: Alibaba Group Holding Ltd
Priority date: 2010-02-11
Filing date: 2010-02-11
Publication date: 2011-08-17
Also published as: WO2011100015A1; EP2534628A1; JP2013519939A; EP2534628A4; JP5571804B2; US20120296698A1

Abstract

本申请涉及数据处理技术领域，公开了一种客户再次购买意向预测方法及装置，用于提高针对客户再次购买意向的预测结果的准确性。该方法为：从指定存储位置读取目标客户名单，根据获得的目标客户名单中保存的客户标识获得各客户的历史效益，并根据所述历史效益确定各客户的历史效益变化趋势，以及确定各客户的购买力参数和客户成熟度；并根据上述获得的各参数计算各客户的用户心理舒适度；以及根据用户心理舒适度达到设定条件的客户的客户标识生成最终的营销客户名单。这样，可以降低运算工作量，提高运算速度，从而有效减缓服务器的运行压力。本申请同时公开了一种评估装置。

Description

一种客户再次购买意向预测方法及装置

技术领域

本申请涉及数据处理技术领域，特别涉及一种客户再次购买意向预测方法及装置。

背景技术

随着技术的发展，电子商务逐渐成为企业运作的重要模式之一，对于企业而言，如何使客户对企业的产品/服务实现再次购买(包括：交叉销售、向上销售、续约销售)，是提升客户价值，保持企业获得持续盈利能力的关键。所谓再次购买，即是在已购买了某商家的产品/服务后，继续再次购买同类或其它产品/服务。所谓交叉销售，即是向已购买了某产品/服务的客户销售更多其它产品/服务；所谓向上销售，即是向已购买了某产品/服务的客户销售价值更高的同类产品/服务；所谓续约销售，即是购买服务到期后，续约购买，延长服务期限。

目前，对客户的再次购买行为的预测分析，一般采用数据挖掘的预测分析方法，即是将已经发生再次购买行为的客户作为样本客户，采用决策树、逻辑回归等预测分析方法建立预测分析模型，来预测其它客户的再次购买意向，这种预测方法受到样本客户数量、特征稳定性等因素的影响，其预测结果的有效性常常难以保证；而且在新产品刚推出时由于没有样本客户可参考，常规的数据挖掘预测分析方法将无法实施。

常规的数据挖掘预测分析方法在应用到互联网行业进行海量数据(如数千万，上亿级的客户数据)的挖掘分析时，由于数据量庞大，运算过程复杂对系统资源要求高，计算时间长，难以满足互联网行业快速响应的业务要求。

发明内容

本申请实施例提供一种客户再次购买意向预测方法及装置，用于提高针对客户再次购买意向的预测结果的准确性。

本申请实施例提供的具体技术方案如下：

一种客户再次购买意向预测方法，包括：

从指定存储位置读取目标客户名单，该目标客户名单中保存有需要进行再次购买意向分析的客户的客户标识；

根据获得的目标客户名单中保存的客户标识根据指定时间范围内的历史效果数据确定客获得各客户户的历史效益，并根据所述历史效益确定各客户的历史效益变化趋势的算法；以及

确定各客户的购买力参数和客户成熟度的算法；

根据获得的历史效益、历史效益趋势、各客户的购买力参数和客户成熟度计算各客户的用户心理舒适度的算法；

将用户心理舒适度达到设定条件的客户确定为具有再次购买意向的客户。

一种评估装置，包括：

获取单元，用于从指定存储位置读取目标客户名单，该目标客户名单中保存有需要进行再次购买意向分析的客户的客户标识；

第一运算单元，根据获得的目标客户名单中保存的客户标识获得各客户的历史效益，并根据所述历史效益确定各客户的历史效益变化趋势，以及确定各客户的购买力参数和客户成熟度；

第二运行单元，根据获得的历史效益、历史效益趋势、各客户的购买力参数和客户成熟度计算各客户的用户心理舒适度；

处理单元，将用户心理舒适度达到设定条件的客户确定为具有再次购买意向的客户。

本申请实施例中，根据重新定义的各种参量，如，客户的历史效益、历史效益趋势、客户购买力参数和客户心理成熟度等等，来计算获得客户的心理舒适度，再根据客户的心理舒适度对客户的再次购买意向进行准确预测，得到最终的营销客户名单，从而可以基于客户心理在合适时机执行准确的产品营销策略，进而提升营销成功率。另一方面，相较于现有技术，采用本申请提供的技术方案计算最终的营销客户名单，可以降低运算工作量，提高运算速度，从而有效减缓服务器的运行压力。

附图说明

图1为本申请实施例中三要素分析法示意图；

图2为本申请实施例中客户心理舒适度示意图；

图3为本申请实施例中客户心理舒适度分布曲线示意图；

图4为本申请实施例中评估装置功能结构图；

图5为本申请实施例中对评估客户再次购买意向流程图；

图6为本申请实施例中根据客户再次购买意向制定营销方案示意图。

具体实施方式

本申请实施例基于内驱力理论、诱发力-期望理论等购买动机理论，将影响客户再次购买意向的主要因素归结为：历史效益(电子商务中主要指客户的产品广告获得的曝光、点击、反馈、交易量)、自身的条件(主要指客户的经济实力，广告投资预算等)、想达成的目标(主要指客户期望的广告投入回报)三个方面，并对三方面进行剖析。参阅图1和图2所示，其中，

“历史效益”的决定因素有：过去购买的效益所处水平(如过去获得的广告反馈量)，过去购买效益的变化趋势情况。

“自身的条件”的决定因素有：客户购买力、客户成熟度、客户能接受的价格水平。

“想达成的目标”的决定因素有：对购买后效果的乐观或悲观期望；可以通过已经取得的效益及他人的成功案例刺激客户对“想达成的目标”持有乐观预期。

历史效益是影响再次购买三要素中最重要的因素，历史效益的变化会直接影响客户购买时机。如果客户“历史效益”处在较好的区间，且效益的变化趋势在向好的方向发展，那么在任何时候向这类客户推荐再次购买都是合适的时机；如果客户效益在由好变坏，刚开始变差时，向其推荐能改善其效益的产品进行交叉销售可能容易成功，然而当效益变差到客户不能忍受的区间时，就失去了好的营销时机。如果客户“历史效益”处在较差的区间，且效益的变化趋势在向更差的方向发展，那么在任何时候向这类客户推荐再次购买都不是合适的时机；如果客户效益在由差变好，不必要等客户效益进入好的区间，只需要客户对这种变化有明显感知时，就可以向客户进行再次购买推荐。

总之，在客户对过去购买的产品/服务取得的效益有明显感知时，客户的消费心理会处在一个比较舒适的状态，这时向其进行再次购买的营销会比较容易成功，不然则会引起客户的反感。具体为：

根据获得的目标客户名单中保存的客户标识根据指定时间范围内的历史效果数据确定获得各客户的历史效益，并根据所述历史效益确定各客户的历史效益变化趋势；以及确定各客户的购买力参数和客户成熟度；

将用户心理舒适度达到设定条件的客户确定为具有再次购买意向的客户，并根据具有再次购买意向的客户的客户标识生成最终的营销客户名单。

下面结合附图对本申请优选的实施方式进行详细说明。

参阅图4所示，本申请实施例中，用于对客户再次购买意向进行评估的装置包括获取单元10、第一运算单元11、第二运算单元12和处理单元13，其中，

获取单元10，用于从指定存储位置读取目标客户名单，该目标客户名单中保存有需要进行再次购买意向分析的客户的客户标识；

第一运算单元11，根据获得的目标客户名单中保存的客户标识获得各客户的历史效益，并根据所述历史效益确定各客户的历史效益变化趋势，以及确定各客户的购买力参数和客户成熟度；

第二运算单元12，根据获得的历史效益、历史效益趋势、各客户的购买力参数和客户成熟度计算各客户的用户心理舒适度；

处理单元13，将用户心理舒适度达到设定条件的客户确定为具有再次购买意向的客户，并根据具有再次购买意向的客户的客户标识生成最终的营销客户名单。

如图4所示，上述评估装置内还可以进一步包括选择执行单元14，用于针对确定存在再次购买意见的客户，基于其目标产品选择对应的营销推荐方案并执行该方案。

本申请实施例中，影响客户心理舒适度的因素有：历史效益，过去效益的变化趋势，客户对效益的期望。评估“历史效益”处在什么区间，可通过与其它客户(如同行客户)的平均效益相比较；“客户对效益的期望”与客户购买力有相关性，购买力强对效益的期望会低，购买力弱的客户反而对效益的期望会高。当“历史效益”处在较好区间，且效益的变化趋向在向好发展，已取得的效益超过了客户期望时，客户心理舒适度处在最舒适区。

对以上影响购买的各类因素，用统计分析、综合评价方法探索适当的因子变量、权重和描述函数来量化各类因素的影响。以B2B电子商务行业为例：

当前点客户的历史效益可表示为：HB＝∑(月产品曝光的数量×a1+月产品点击的数量×a2+月收到反馈的数量×a3+月接收订单数量×a4)×f(t)(公式一)(权重：a1＜a2＜a3＜a4，∑ai＝1，f(t)为时间衰减函数，f(t)＝exp(-t/12)，t为至当前月份间隔)。

客户的历史效益的变化趋势可以表示为：

HBT＝(n∑xy-(∑x)(∑y))/(n∑X²-(∑X)²) (公式二)

(其中，n是HB的数量，也称为数据点点数，x是数据点编号，如果数据点等距分布，则x取自然数系列：1，2，3.....，y是数据点的值，即各月HB(不考虑时间衰减)的取值。)

客户购买力可表示为：PP＝(年均合同总价×b1+最高年份合同总价×b2)+所处行业年均合同总价×(雇员数/同行业平均雇员数+平均年销售额/同行业平均年销售额)/2×b3(公式三)(权重：b1＞b2＞b3，∑bi＝1)。

客户成熟度可表示为：MG＝(会员年限等级×c1+网络熟悉程度等级×c2+客户活跃度等级×c3)(公式四)(c1＞c2＞c3，∑ci＝1)。

基于上述各参量，可以将客户心理舒适度表示为：CG＝(客户历史效益HB与同行平均效益比值HB/AVG(HB)×d1+客户历史效益评分变化趋势/全体客户效益评分变化趋势绝对值的平均值HBT/|AVG(HBT)|×d2+(客户购买力/客户购买力均值PP/AVG(PP))×d3+客户成熟度/客户成熟度均值MG/AVG(MG)×d4(公式五)(d1＞d2＞d3＞d4，∑di＝1)。

以上各变量ai，bi，ci，di的权重可由管理员按照经验打分法(如，德尔菲法)或综合评价方法预先设定。下面的示例中各变量权重也可以按照多种方法预先设定，如综合评价方法中的层次分析法、多元统计综合评价法(因子分析法)、人工神经网络评价法等等。

根据以上述方法得出客户的心理舒适度后，根据如图3所示的在不同的心理舒适度评分区间，已实现再次购买的客户的分布情况示意图，来确定有更高购买意向的客户的锁定条件；如果没有已实现再次购买的客户的样本可参照，可以直接根据总体客户的心理舒适度分布和均值来进行判断。

基于上述原理，参阅图5所示，基于用户的效果数据计算客户心理舒适度，从而预测其再次购买的详细流程如下：

步骤500：从指定存储位置读取目标客户名单，该目标客户名单中保存有需要进行再次购买意向分析的客户的标识信息。

步骤510：根据获得的目标客户名单中保存的客户标识获得各客户的历史效益数据，并确定各客户的历史效益HB。

例如，某一客户1-6月份获得的效果数据如表1所示：

表1

如公式一所示，各变量根据业务重要性及对客户心理影响的重要程度(即权重)a1＜a2＜a3＜a4，由管理员根据经验值预设，假设分别为：0.05，0.1，0.25，0.6，那么，根据(公式一)可以得到当前分析点(6月份)该客户的历史效益为：

HB＝(200×0.05+30×0.1+5×0.25+2×0.6)×EXP((1-6)/12)+

(250×0.05+50×0.1+10×0.25+3×0.6)×EXP((2-6)/12)+

(300×0.05+55×0.1+12×0.25+5×0.6)×EXP((3-6)/12)+

(280×0.05+60×0.1+9×0.25+4×0.6)×EXP((4-6)/12)+

(400×0.05+100×0.1+20×0.25+9×0.6)×EXP((5-6)/12)+

(550×0.05+160×0.1+40×0.25+10×0.6)×EXP((6-6)/12)

＝4.92

步骤520：根据获得的历史效益HB，确定各客户的历史效益变化趋势HBT。

y1＝HB1＝(200×0.05+30×0.1+5×0.25+2×0.6)＝15.45

y2＝HB2＝(250×0.05+50×0.1+10×0.25+3×0.6)＝21.8

y3＝HB3＝(300×0.05+55×0.1+12×0.25+5×0.6)＝26.5

y4＝HB4＝(280×0.05+60×0.1+9×0.25+4×0.6)＝24.65

y5＝HB5＝(400×0.05+100×0.1+20×0.25+9×0.6)＝40.4

y6＝HB6＝(550×0.05+160×0.1+40×0.25+10×0.6)＝59.5

x1＝1，x2＝2，x3＝3，x4＝4，x5＝5，x6＝6

基于(公式二)，可得到HBT＝7.83

步骤530：根据各客户的购买潜力数据，确定各客户的购买力参数PP。

假设客户的购买潜力相关数据如表2所示：

表2

基于(公式三)，可得到客户购买力：

PP＝3800×0.5+5800×0.3+3500×(15/10+150/120)/2×0.2＝4602.5

步骤540：根据网络熟悉程度等级、会员年限等级和客户活跃度等级，确定各客户的成熟度MG。

会员年限等级：会员年限＜＝1年，1级；会员年限2年，2级；会员年限＞＝3年，3级。

网络熟悉程度等级：无公司网站且无专业操作人员，1级；有公司网站或有专业操作人员，没使用过其它电子商务平台，2级；有公司网站或有专业操作人员，使用过其它电子商务平台，3级。

客户活跃度等级：日均在线时长＜＝2小时，1级；2小时＜日均在线时长＜＝4小时，2级；日均在线时长＞4小时，3级。

基于(公式四)，客户成熟度MG可表示为：

MG＝2×0.5+3×0.3+2×0.2＝2.3

步骤550：根据获得的HB、HBT、PP和MG计算各客户的用户心理舒适度CG。

数据分析及调研证实，HB、HBT、PP、MG都与CG正相关。即历史效益H越好，心理舒适度越高；效益上升趋势明显，心理舒适度得分高；购买力越强，期望值越低，心理舒适度得分较高；成熟度等级越高，期望值越趋合理，心理舒适度得分较高。

本实施例中，计算用户心理舒适度CG时，先计算获得的HB、HBT、PP、MG的均值：AVG(HB)＝4，AVG(HBT)＝8，AVG(PP)＝3800，AVG(MG)＝1.8

再基于(公式五)，依据市场调研，确定各项因素的影响权重，计算心理舒适度：CG＝4.92/4×0.5+7.83/8×0.2+4602.5/3800×0.2+2.3/1.8×0.1＝1.18。

步骤560：将用户心理舒适度达到设定条件的客户确定为具有再次购买意向的客户。

例如，参阅图3所示的心理舒适度分布曲线示意图，当心理舒适度取值＞0.9时，确定客户有更高的再次购买意向，该区间已发生再次购买的客户的占比大于整体水平(20％)，以上示例客户的心理舒适度评分为1.18，处于心理舒适区，因此，确定该客户具有再次购买意向。

步骤570：根据具有再次购买意向的客户的客户标识生成最终的营销客户名单。

实际应用中，可以根据最终生成的营销客户名单对该名单内记录的客户进行交叉销售或向上销售产品的推荐营销。

基于上述实施例，可以通过客户历史效益、效益变化趋势分析，及购买力评分、成熟度评分、心理舒适度评分等综合，实现对潜在再次购买意向客户的准确定位。其次可对处在心理舒适区的客户即再次购买可能性大的客户，如上示例中心理舒适度评分＞0.9的客户进行重点营销。

在以上客户心理舒适度评分分析中可以看到客户历史效益变化趋势HBT如果是负值，即效益如果开始下降，将对客户心理舒适度评分有较大影响，需要对这类客户尽早重点关注。

基于再次购买意向分析，在确定了重点营销对象后，进一步，基于不同产品客户群特征，实现购买意向目标客户与产品的匹配对应；根据对匹配不同产品的购买意向细分客户群，并配置不同的营销推荐脚本方案，以及提供对应产品的典型成功客户案例来刺激客户的消费购买，具体如图6所示。

综上所述。本申请实施例中，根据重新定义的各种参量，如，客户的历史效益、历史效益趋势、客户购买力参数和客户心理成熟度等等，来计算获得客户的心理舒适度，再根据客户的心理舒适度对客户的再次购买意向进行准确预测，得到最终的营销客户名单，从而可以基于客户心理在合适时机执行准确的产品营销策略，进而提升营销成功率。另一方面，相较于现有技术，采用本申请提供的技术方案计算最终的营销客户名单，可以降低运算工作量，提高运算速度，从而有效减缓服务器的运行压力。

另一方面，本申请还解决了现有技术下常规数据挖掘预测方法受到样本客户数量、特征稳定性等因素影响，其预测结果的有效性常常难以保证，及在新产品刚推出时由于没有样本客户可参考，常规的数据挖掘预测分析方法将无法实施等方面问题。

显然，本领域的技术人员可以对本申请中的实施例进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请实施例中的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请中的实施例也意图包含这些改动和变型在内。

Claims

1.一种客户再次购买意向预测方法，其特征在于，包括：

根据获得的目标客户名单中保存的客户标识获得各客户的历史效益，并根据所述历史效益确定各客户的历史效益变化趋势，以及确定各客户的购买力参数和客户成熟度；

根据获得的历史效益、历史效益趋势、各客户的购买力参数和客户成熟度计算各客户的用户心理舒适度；

2.如权利要求1所述的方法，其特征在于，所述历史效益与相应客户历史效果数据正相关，其中，所述客户历史效果数据包括：月产品曝光的数量、月产品点击的数量、月收到反馈的数量、月接收订单数量之一或其中的任意组合。

3.如权利要求1所述的方法，其特征在于，所述历史效益变化趋势随着各数据点表示的历史效益取值的变化而变化。

4.如权利要求1所述的方法，其特征在于，根据公式HBT＝(n∑xy-(∑x)(∑y))/(n∑X²-(∑X)²)，计算所述历史效益变化趋势，其中，n为表示历史效益的数据点的数量，x为所述数据点编号，y为各数据点表示的历史效益取值。

5.如权利要求1所述的方法，其特征在于，所述客户的购买力参数与该客户的年均合同总价、该客户的最高年份合同总价、所处行业年均合同总价之一或其任意组合正相关。

6.如权利要求1所述的方法，其特征在于，所述客户成熟度与会员年限等级、网络熟悉程度等级、客户活跃度等级之一或其中的任意组合正相关。

7.如权利要求1-6任一项所述的方法，其特征在于，所述客户心理舒适度与客户历史效益、客户历史效益变化趋势、客户购买力、客户成熟度之一或其中的任意组合正相关。

8.如权利要求1所述的方法，其特征在于，还包括：根据具有再次购买意向的客户的客户标识生成最终的营销客户名单。

9.如权利要求8所述的方法，其特征在于，针对所述最终生成的营销客户名单，基于各客户的目标产品选择对应的营销推荐方案并执行该方案。

10.一种评估装置，其特征在于，包括：

11.如权利要求10所述的评估装置，其特征在于，所述处理单元还包括：根据具有再次购买意向的客户的客户标识生成最终的营销客户名单。

12.如权利要求10所述的评估装置，其特征在于，还包括：

选择执行单元，用于针对所述最终生成的营销客户名单，基于各客户的目标产品选择对应的营销推荐方案并执行该方案。