一种基于RFMW模型的货主信用等级评价方法技术

本发明专利技术公开了一种基于RFMW模型的货主会员等级评价方法，利用RFMW模型抽取会员特征值：与上次交易的时间间隔R，时间T内发生总业务数F，时间T内托运交易总金额M，时间T内托运总吨数W；并将模型计算所得数据通过聚类分析将货主会员分为三类，1类为低级货主会员，2类为中级货主会员，3类为高级货主会员。RFMW模型，是基于RFM模型划分货主会员的顾客价值的模型，可以精准获取、识别、细分货主会员的顾客价值；依托聚类分析，对不同层次的货主进行K‑均值聚类分析，将结果转化为直观的图表形式，可更好地进行目标市场细分，对不同的客户进行不同的激励措施。

【技术实现步骤摘要】
一种基于RFMW模型的货主信用等级评价方法
本专利技术属于大数据信息分析
，特别涉及一种基于RFMW模型的货主信用等级评价方法。
技术介绍
随着信息技术的不断发展，物流与电子商务相结合的趋势也在不断加强。物流运输商务平台作为货主与车辆承运人之间的桥梁，其存在具有重要意义。而交易过程中物流运输商务平台涉及的对象与提供的内容也越发庞大与复杂，对于货主会员的各项信息进行采集、分析、分类是物流运输商务企业发展业务和精准服务的必要途径。在大数据信息技术不断进步的当下，精准获取、识别、细分货主会员的顾客价值有助于客户关系管理及企业未来的发展。因此，目前物流运输商务行业需要一种有利于企业对货主会员进行精准评级，从而提高物流运输企业对有价值会员的关系管理的分析方法。
技术实现思路
专利技术目的：针对现有技术中存在的问题，本专利技术提供一种适用于物流运输商务平台从数据库中获取货主信息并对货主进行客观、科学、综合的量化评级的基于RFMW模型的货主信用等级评价方法。技术方案：为解决上述技术问题，本专利技术提供一种基于RFMW模型的货主信用等级评价方法，包括以下步骤：步骤一：提取平台数据库信息；步骤二：抽取货主特征值，特征值包括与货主相关的三类信息，即与上次交易的时间间隔R'，时间T内发生总业务数F'，时间T内托运交易总金额M'，时间T内托运总吨数W'；步骤三：将数据进行标准化并利用RFMW模型消除货主信息的数据误差；步骤四：对货主信用指标数据进行聚类分析并输出结果；步骤五：根据结果对货主信用等级进行分类。进一步的，所述步骤三中利用RFMW模型消除货主信息的数据误差的方法如下：其中：R′(Ci)为货主Ci与上次交易的时间间隔，F′(Ci)为货主Ci在时间T内发生总业务数，M′(Ci)为货主Ci在时间T内托运交易总金额，W′(Ci)为货主Ci在时间T内托运总吨数进行计算；Cn表示所有消费者的指标数据；R，μF，μM，μW分别表示所有会员R′(Ci)，F′(Ci)，M′(Ci)，W′(Ci)的平均值；σR，σF，σM，σW表示所有会员R′(Ci)，F′(Ci)，M′(Ci)，W′(Ci)的标准差。进一步的，所述步骤四中货主信用指标数据进行聚类分析并输出结果的具体步骤如下：步骤4.1：选取样本中每个货主为K个初始聚类中心，z1(1)，z2(1)，...，zK(1)，其中括号内的序号为寻找聚类中心的迭代运算的次序号；聚类中心的向量值可任意设定；步骤4.2：进行初始分类，逐个将需分类的模式样本{x}按最小距离准则分配给K个聚类中心中的某一个zj(1)；步骤4.3：判断分类是否合理，如果i＝j时，则其中k为迭代运算的次序号，第一次迭代k＝1，Sj表示第j个聚类，其聚类中心为Zj；如果i≠j，(j＝1,2,…,K)，则返回第二步，将模式样本逐个重新分类；步骤4.4：假设i＝j时，则其中k为迭代运算的次序号，第一次迭代k＝1，Sj表示第j个聚类，其聚类中心为Zj，计算各个聚类中心的新的向量值，zj(K+1)，j＝1,2,…,K求各聚类域中所包含样本均值向量步骤4.5：若i≠j，(j＝1,2,…,K)，则返回第二步，将模式样本逐个重新分类，重复迭代运算，若zj(K)＝zj(K+1)，j＝1,2,…,K，其中Zj(K)经过j＝1,2,…,K，次迭代得出，此时算法收敛，计算结束。与现有技术相比，本专利技术的优点在于：通过创新性地改进RFMW模型，更好地适应货运企业对货主会员的量化评价，更为精准地细分顾客价值。附图说明图1为本专利技术的总体流程图；图2为图1中RFMW模型的构建流程图；图3.为图1中聚类分析的流程图。具体实施方式下面结合附图和具体实施方式，进一步阐明本专利技术。本专利技术采用的技术方案包括以下步骤：一.提取数据并抽取货主会员属性1.提取平台数据库信息数据来源自货运公司的内部资料及平台数据库信息。对数据进行分析，选取与货主会员相关指标进行提取。2.抽取会员特征值通过对数据进行分析，提取与货主会员相关的四类信息，即与上次交易的时间间隔R′(Ci)，时间T内发生总业务数F′(Ci)，时间T内托运交易总金额M′(Ci)，时间T内托运总吨数W′(Ci)进行计算。以下表格中所使用的数据是南京某物流运输商务平台数据库所提供的货主会员的交易数据，这个数据集合包括150位货主会员的基本信息和在时间T内的详细交易信息。表1：二.利用RFMW模型计算货主会员属性值RFMW模型(Recency-Frequency-Monetary-WeightModel)是基于RFM模型划分货主会员的顾客价值的模型。Recency指与上次交易的时间间隔，Frequency指时间T内发生总业务数，Monetary指时间T内托运交易总金额，Weight指时间T内托运总吨数。由这四个指标，我们可以判定与企业合作的货主会员中最有价值的顾客。在RFMW模型中，四项指标不能很好的描述新进顾客的价值。由于新进顾客在T时间内的进入的时间点不同，因此简单利用抽取的货主会员数据进行聚类分析，会低估新进会员作为潜在高价值顾客的可能性。将数据进行标准化并利用RFMW模型消除新进会员数据误差。利用RFMW模型提取货主Ci的四项指标：与上次交易的时间间隔R′(Ci)，时间T内发生总业务数F′(Ci)，时间T内托运交易总金额M′(Ci)，时间T内托运总吨数W′(Ci)，并进行计算。其中Cn表示所有消费者的指标数据。μR，μF，μM，μW分别表示所有会员R′(Ci)，F′(Ci)，M′(Ci)，W′(Ci)的平均值。σR，σF，σM，σW表示所有会员R′(Ci)，F′(Ci)，M′(Ci)，W′(Ci)的标准差。根据计算可以得到标准化后的数据如下表：表2：三、对会员指标数据进行聚类分析并输出结果通过上述RFMW模型计算出货主会员的属性值，对不同层次的货主进行K-均值聚类分析。首先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算，最终将结果转化为直观的图表形式。以便公司可更好地进行目标市场细分，对不同的客户进行不同的激励措施。具体步骤如下：Step1根据货主的四个标准化特征值进行初始聚类中心计算，结果如下表：表3：Step2根据K-均值聚类分析法下的具体迭代过程：表4：Step3、4经过迭代，得到最终的聚类中心，最终将系统中的货主分为三类：普通会员、VIP会员与VVIP会员，聚类结果如下：表5：表6：从如上数据可以得出货主可以聚类为三类：1类为低级货主会员，在本算例中称为普通会员；2类为中级货主会员，在本算例中称为VIP会员；3类为高级货主会员，在本算例中称为VVIP会员。可以看出，VVIP会员的交易金额和业务总数都要高于VIP会员和普通会员，企业可以基于这种聚类分析根据货主会员对平台的商业价值进行货主会员分类管理和精准营销。以上所述仅为本专利技术的实施例子而已，并不用于限制本专利技术。凡在本专利技术的原则之内，所作的等同替换，均应包含在本专利技术的保护范围之内。本专利技术未作详细阐述的内容属于本专业领域技术人员公知的已有技术。本文档来自技高网...

【技术保护点】
一种基于RFMW模型的货主信用等级评价方法，其特征在于，包括以下步骤：步骤一：提取平台数据库信息；步骤二：抽取货主特征值，特征值包括与货主相关的三类信息，即与上次交易的时间间隔R'，时间T内发生总业务数F'，时间T内托运交易总金额M'，时间T内托运总吨数W'；步骤三：将数据进行标准化并利用RFMW模型消除货主信息的数据误差；步骤四：对货主信用指标数据进行聚类分析并输出结果；步骤五：根据结果对货主信用等级进行分类。

【技术特征摘要】
1.一种基于RFMW模型的货主信用等级评价方法，其特征在于，包括以下步骤：步骤一：提取平台数据库信息；步骤二：抽取货主特征值，特征值包括与货主相关的三类信息，即与上次交易的时间间隔R'，时间T内发生总业务数F'，时间T内托运交易总金额M'，时间T内托运总吨数W'；步骤三：将数据进行标准化并利用RFMW模型消除货主信息的数据误差；步骤四：对货主信用指标数据进行聚类分析并输出结果；步骤五：根据结果对货主信用等级进行分类。2.根据权利要求1所述的一种基于RFMW模型的货主信用等级评价方法，其特征在于，所述步骤三中利用RFMW模型消除货主信息的数据误差的方法如下：其中：R′(Ci)为货主Ci与上次交易的时间间隔，F′(Ci)为货主Ci在时间T内发生总业务数，M′(Ci)为货主Ci在时间T内托运交易总金额，W′(Ci)为货主Ci在时间T内托运总...

【专利技术属性】
技术研发人员：李敬泉，高子涵，陈烨，刘云飞，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏,32