第二節 RFM 模型之聚類分析
二、 基於 RFM 模型之聚類分析（Clustering）
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
二、基於 RFM 模型之聚類分析（Clustering）
使用數據處理後之目標數據集，觀察消費者之消費鄰近度（Recency）、消 費頻率（Frequency）以及消費貨幣價值（Amount）三方面進行消費者之特徵分 類，其中，本文欲透過 Python 之機器學習開源軟體 scikit-learn，以 K-means 套 件進行聚類分析，分析研究對象之間之相關性以及相似度以進行分組，惟深度 學習的演算法因為無合適的計算平台，故本文沒有實作。
聚類分析（Clustering）為一種提供人們尋找相似研究對象組的技術，在同 一個集群中的對象彼此之間的關係，相較於其他集群中的對象更具相關以及相 似性，基於分類結果針對不同特徵之顧客推薦適合之產品，並進行不同的行銷 策劃以達到最有效益之結果，其中，k 均值算法（k-means）屬於基於原型的聚 類類別，意即每個聚類由原型表示，原型可以是具有連續特徵的相似點的質心
（平均值），或者在分類特徵的情況下的中間體（最具代表性或最頻繁出現的 點），但由於此聚類演算法需先提供參數 k，以決定要分類之集群類別個數 k，
經過多次分析以尋找最適模型，k 的不適當選擇可能導致較差的群集性能。
在此數據分析中，設定分類群組數量為 3，即為 k=3 進行資料分析，其 中，聚類分析結果如圖 4-3（僅列出其中 10 筆資料），並透過降維度之方式以 劃出三個族群之分類結果圖（如圖 4-4），另外，藉由 k-means 變數分析結果觀 察（如圖 4-5），其中集群類別為 0 之消費者個數共有 4,790 個人、集群類別為 1 共有 3,266 個消費者，此外，從數據分析結果可發現，自變數中，消費頻率
（Frequency）與消費總金額（Amount）具有正相關性，而鄰近度（Recency）
則與其他兩個變數為負相關性，意即顧客鄰近度越小，其購買頻率以及消費金 額相較於其他消費者較高，由圖 4-6 至圖 4-8，分為顧客鄰近度與消費頻率之關 係、顧客鄰近度與消費總金額之關係，以及消費頻率與消費總金額之關係，其 中，紅色標記為集群類別 0、綠色標記為集群類別 1、藍色標記為集群類別 2，
透過圖形可更輕易看出變數之間的相關性。此外，圖 4-8 為降維後之消費者分 類結果。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖表 4- 3 消費者之類別資料結果
圖表 4- 4 聚類分析分類結果圖
圖表 4- 5 聚類分析結果
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖表 4- 6 顧客鄰近度與消費頻率之關係
圖表 4- 7 顧客鄰近度與消費總金額之關係
圖表 4- 8 消費頻率與消費總金額之關係
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
從分類結果觀察三個變數所帶來的訊息，以及其分類標準，圖 9 至圖 4-10 分別為三個集群類別 0 至 2 的變數密度圖，類別 1（標記綠色）共有 3,699 名 消費者，佔總人口的 35.9％，此組消費者之最近一次購買時間較長，且其消費 頻率以及消費金額小，屬於所有消費者中似乎是最不具備表現力的群體，而類 別 0（標記紅色）共有 4,790 名消費者，佔總人口的 59.2％，此群體屬於中等消 費者，因為此群體中的消費者相較於類別 1 之消費者最近一次之購買時間較為 短，但較類別 2 之消費者最近一次購買期間長，而其消費頻率以及消費金額高 於類別 1 之消費者，而相較於類別 2 之消費者亦較低。
另外，透過觀察所有客戶資料聚類分析結果，可觀察在此群體中，最有利 之群體為類別 2（標記藍色），其消費者人數僅有 26 名，佔總人口不到 1％，
相較於其他兩集群之消費者，此群體之消費者不但最近一次購買時間較近，且 購物頻率高、消費金額亦高，顯示此集群之消費者可能較易接收到行銷廣告資 訊，且亦為最可能購買商品之消費者。
綜合以上，若行銷策略人員若能夠透過消費者訊息以蒐集有用之資訊，對 於特定顧客進行特定之行銷方式，不但可增加其效益，為顧客提供更好以及更 符合顧客需求之服務。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖表 4- 9 類別 0 消費者之變數機率密度圖
圖表 4- 10 類別 1 消費者之變數機率密度圖
圖表 4- 11 類別 2 消費者之變數機率密度圖