摘要：文章首先通过梳理相关文献、调查现实数据从数字经济背景下的电商客户特征、当前价值及潜在价值3个维度，下设16个二级指标，构建新的基于客户价值的电商客户分类指标体系。其次采用问卷调查法收集相关数据，将数据归一化处理后运用BP神经网络算法将客户分为4个类别，并通过仿真测试证明该模型的有效性。最后根据电商客户价值的高低从企业的角度给出客户管理工作的建议。
关键词：数字经济,客户价值,客户分类,BP神经网络
引言
随着信息技术的发展及互联网普及度的大幅提高，电商企业面对海量的网络用户数据，盲目的推送信息不能够较好地变现。这也促使电商企业大力提倡“大数据化”和“云化”，加强对数据的运用获取有效的客户，实现精准营销。为了保持竞争优势，企业必须坚持以客户为中心的战略，加强客户关系管理，并及时了解客户的需求。客户的行为可以反映出其现实的价值，因此，本文结合了数字经济环境下电商客户行为的特点，建立基于客户价值的电商客户分类指标体系。在这个指标体系的基础上，利用BP神经网络算法对数字经济下的电商客户进行分类，最后提出针对性建议措施。
随着互联网信息技术的进步，数字技术的广泛应用为经济发展带来了更多机会。在电商平台上，客户的浏览痕迹被平台以数据的形式反馈给商家，商家可以利用这些数据了解用户的真实需求，从而实现精准营销，这一观点已经得到了吴鑫等（2022）［1］、关阳（2020）［2］、周楠（2018）［3］的认同。当企业拥有大量的客户数据时，他们更希望能够高效地获取利润，因此产生了对客户分类的需求。客户分类和预测客户类型被认为有助于提高企业的客户关系管理，这一观点得到了郭星等（2022）［4］、冯玥（2020）［5］、贾应丽（2018）［6］的认同。郭科远等（2022）从客户价值的角度提出了对平台用户行为数据的及时分析和处理，以确立服务等级［7］。刘军跃等（2022）对一系列数据进行定量分析，发现当客户认为产品越好就越有可能产生购买行为［8］。夏国恩等（2018）利用网络客户满意度预测其潜在行为，进而为企业判定可能会流失的客户［9］。由于客户价值可以从客户当前价值、潜在价值和人口统计特征等多个层面进行综合评价，其构成可以表现出周期性的动态特征，因此本文将基于客户价值对电商客户行为进行分析。
一、基于客户价值的客户分类指标体系构建
本文将通过文献梳理及现实基础总结当前数字经济下的电商客户行为特征，并从客户特征、当前价值及潜在价值三个维度出发，构建基于客户价值的电商客户分类指标体系，从以上维度建立的客户分类模型能够更加准确地反应出数字经济环境下电商客户的价值。
对各个分类指标进行梳理后，本文所构建的数字经济下基于客户价值的电商客户分类指标体系如表1所示。
二、基于客户价值的电商客户分类研究
（一）客户价值相关数据采集及处理
随着互联网及数据分析技术的全面快速发展，数据分析企业和部门逐渐专业化，通过一系列的数据搜集渠道，可实现对客户资料的全方位采集。本文选取电商G公司的部分客户，通过调查问卷的方式进行数据采集，发放数量为600份，收到有效调查问卷回复520份，问卷收回的有效率为86.67%。由于涉及数据范围广，且分类指标有定性和定量两类。因此，在进行客户价值计算之前，需要对所采集的数据进行相关的处理，以确保数据能进行实证分析。本文应用李克特量表的五分制，将具有不同属性的指标值都映射到1—5分的范围内。
（二）基于客户当前价值的预分类
客户预分类不仅能够帮助对于企业客户有一个初步的了解，同时由于很多客户拥有相同的价值特征，预分类也能够为之后的分类取样做好铺垫，从而极大地提高了取样的有效性和代表性。
权重集是与分类指标所相对应的集合，α=｛α1，α2，…，αn｝，且∑αi=1。鉴于当前数字经济下各企业的情况不尽相同、发展环境实时变化等原因，专家可以在一定程度上全面考虑后，再来进行打分确定，这样能够得到相对更加准确的权重设定，因此本文在进行权重的确定时选择用专家打分法。选择10名电商G公司的管理人员和专业的研究学者来对指标进行赋权打分，结果如图1所示。
在指标处理时对当前价值的每个指标进行五分制区间的打分，用每个分数乘以所占权重，将三个指标得分相加后得到客户当前价值得分，具体算法公式如下。
其中，表示每一个客户的当前价值，Ri、Fi、Mi分别表示该客户在当前价值的三个指标中所得的分数，而WR、WF、WM则分别表示当前价值的三个指标各占的比重。
通过对G公司客户当前价值的计算，将客户预分类处理为5类。具体分类结果如表2所示。
（三）基于BP神经网络算法的客户分类
1.BP神经网络算法基础
BP神经网络的全称为Back-Propagation Network，即反向传播网络，常用于函数逼近、信息分类和模式分析等领域。通过一层或者多层的隐含层，输入层的信息传递到输出层，神经网络的训练过程实现了这一过程。若神经网络训练的输出值和实际值的误差不在接受范围内，系统则会将这结果逆向传播，通过改变连接神经元的阈值进行重复训练，直到误差最终达到可接受的范围。常见的BP神经网络模型结构如图2所示。
（1）确定BP神经网络的层数
如果神经网络结构合理和节点数目恰当，那么含有单隐含层的三层结构的BP神经网络就能够完成逼近任何连续函数这一任务。因此，在进行数字经济下客户价值计算时，选用含有输入层、单隐含层、输出层的BP神经网络模型。
（2）确定输入层神经元数目
输入层的神经元数目应该等同于输入变量的个数，输入层神经元数与基于客户价值的数字经济下客户分类指标个数相对应，根据以上分析可知该文的输入层神经元数目是16。
（3）确定隐含层神经元数目
在BP神经网络模型设计中，隐含层神经元数目设定的多少关系着BP神经网络学习效率及精确度。根据目前的研究来看，隐含层神经元数目的确定比较复杂，其与输入层、输出层神经元个数之间有以下近似关系：
j表示隐含层神经元个数，i表示输入层神经元个数，k表示输出层神经元个数，a为任取1～10的数。
（4）确定输出层神经元数目
衡量电商客户行为是否具有价值的单位不具有统一性，采用BP神经网络算法进行价值大小的核算需要提前对客户数据进行归一化处理，然后进行网络训练，最后综合输出结果，对数字经济下客户进行分类。将输出层神经元数设定为1，即客户价值，用“K”表示。
（5）样本的确定及处理
在进行数字经济下客户分类时，选择一定量的数据作为训练、测试和验证样本。大量数据的单位不统一，难以进行衡量，故将所有数据进行归一化处理，具体的处理方法如下：
在公式中，Xi个体表示样本中的单个元素，而最小值MIN(X)和最大值MAX(X)分别表示样本中单个元素的最小和最大值。处理后的个体Xi′表示经过某种处理方法后得到的样本中的单个元素。这样在处理数据后，能够将数据标准化处理为［0，1］之间的数值，进而方便之后的研究分析。
2.电商客户分类研究结果
依据预分类处理的结果，首先，从各个类别的客户中随机选择50%的客户，组成一个有260个容量的样本进行研究，使得分类结果具有一定的有效性和准确性。其次，采用最小—最大规范化方法来对所选取的260个样本中X1—X260各指标数据得分进行标准化处理，其中S1—S182为训练样本进行神经网络的训练，其余S183—S260这78个样本分别进行仿真测试和验证。
均方误差（MSE）越小代表训练值和实际值的误差越小，R值越大代表解释变量和被解释变量的线性相关程度越大，从图3显示的结果可看出当前训练的模型可接受度很高。误差在105次训练后达到收敛。其中，train表示训练曲线，best表示训练效果最优的误差值，最终收敛于2.405 2*10-6。在构建神经网络进行拟合后，我们将最终得到的各种数据和拟合值保存下来，并在MATLAB工作区中进行查看。通过这样的操作，我们可以得到所需的拟合值。
鉴于此，本文构建的基于客户价值的数字经济下电商客户分类指标体系能够较好地表现价值的大小，也就能够直接使用训练好的BP神经网络对数字经济下的客户价值进行分析计算，进而得到价值高低的排序。在进行分析时，只需要输入该客户标准归一化的各个指标数据值，就能够立即得到计算结果数据。
根据研究结果及对G公司的实证分析，本文将其客户分为4大类，具体如表3所示。
从表3的结果看，一共出现了4种客户类型，其中A类客户，即价值输出在0.75≤K≤1范围内，这类客户是企业最重要的客户，需要企业重点维持和发展的客户。B类客户，即价值输出在0.5≤K＜0.75，这类客户也是企业利润的较大贡献者，企业应该重中之重进行资源投入，尽可能将其转变为A类客户。C类客户，即价值输出在0.25≤K＜0.5，应有选择性的来维系客户，以保证客户在企业未来发展时依旧能够为企业创造利润。对于D类客户，即价值输出在0≤K＜0.25，G企业可以采取相对冷淡的态度，任其流失。
三、结论与建议
把数字经济下的电商客户特征结合客户当前价值和潜在价值构建客户分类指标体系，能更系统地评估当前数字经济下的客户行为。新的客户价值指标体系和分类方法应用于G公司，形成有效的客户分类，有利于企业实现对客户的动态管理。互联网背景下不同价值客户在消费行为上存在诸多差异，为了更好地推进企业客户管理工作，该文提出3点建议。
第一，从客户管理角度，企业不仅要重视客户当前价值和潜在价值，更要结合当前数字经济下的电商客户行为特征，制定合理的营销策略。对于A类客户，企业应将大部分资源用于维系这类客户，具体措施可以建立单独的核心数据库，主要包括基本信息、性格、消费偏向、心理变化等客户客观及情感因素，实施一对一的客户关系发展维护策略，主动进行高效率沟通，提供灵活便捷的支付方式和减免折扣，为他们提供全套的问题解决方案。对于B类客户，企业在进行客户管理时，也应该着重进行资源投入，尽可能将其转变为A类客户。对于C类客户，企业需要投入一定的资源，或者寻求到更低成本的途径，有选择性地来维系客户，以保证客户在企业未来发展时依旧能够为企业创造利润。对于D类客户，可以采取相对冷淡的态度，任其流失。
第二，从企业经营角度，随着计算机技术和互联网信息的快速发展，企业应与时俱进，实现经营管理的信息化，以客户为中心和重心，建立客户与企业360度关联性。数字经济在客户管理领域发挥着重要作用，因此我们应该积极构建大数据管理系统，以进一步实现对分析结果的直观化和可视化，从而提高企业在客户管理方面的决策效率。
第三，从市场营销角度，以消费者为导向的4C理论比传统的4P理论更加适合互联网环境下的企业，4C理论主要强调以客户为中心，将提升客户的满意度放在第一位。网络时代客户社交行为与日俱增，企业可利用客户评论促进口碑营销，充分挖掘客户潜在价值。
参考文献：
［1］吴鑫，李君，茅智慧，等.基于GA-XGBoost的电商用户购买行为预测［J］.浙江万里学院学报，2022，35（4）：86-92.
［2］关阳.大数据背景下电商新零售对消费的影响分析［J］.商业经济，2020（11）：76-77+143.
［3］周楠.互联网背景下居民消费行为特征与影响要素探析［J］.商业经济研究，2018（24）：65-68.
［4］郭星，许旺土，任冲.基于常旅客价值的高速铁路客户分类研究［J］.铁道运输与经济，2022，44（6）：48-55.
［5］冯玥.商业银行大数据技术探索——从日常交易流水到价值客户发现［J］.上海金融，2020（8）：72-79.
［6］贾应丽.“大数据”背景下的客户关系管理研究——以B2C电子商务企业为例［J］.电子商务，2018（2）：5-8+10.
［7］郭科远，刘桂锋，包翔.基于数据挖掘的数字图书馆用户行为特征研究——以CADAL平台为例［J］.图书情报研究，2022，15（3）：106-114.
［8］刘军跃，丁乙，李军锋，等.什么决定了社交电商用户的购买意愿？——基于“认知—情感—行为意愿”理论的实证解释［J］.重庆理工大学学报（社会科学），2022，36（8）：90-99.
［9］夏国恩，马文斌，唐婵娟，等.融入客户价值特征和情感特征的网络客户流失预测研究［J］.管理学报，2018，15（3）：442-449.
文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jingjilunwen/78352.html
