论文网
电子商务类论文范文参考文献,与基于客户价值的B2C客户分类探析相关论文查重免费
本论文是一篇电子商务类论文查重免费,关于基于客户价值的B2C客户分类探析相关毕业论文模板范文。免费优秀的关于电子商务及电子商务企业及客户方面论文范文资料,适合电子商务论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。
如,发布一条推荐信息第一次可能被10人转发,转发信息的10个人圈子中可能每个人又能影响10人转发,那么经过两次转发受众面已经达到100（102）人,经过N次转发关注人群可能达到10n,这种注意力带来的直接影响是急速提升的企业影响力与品牌附加值.在B2C电子商务模式中可用网络晒单、评论来量化网络口碑传播.不论是增加购买频率,还是口碑推荐,都是客户对企业或企业提供的产品与服务的一种认可,反映出了客户的忠诚,这种认可促成了客户的增长性、持续性、圈子性的购买,为企业未来的利润增加做出了贡献.鉴于此,客户忠诚也可以用来衡量客户的潜在价值.3.基于客户价值的B2C客户分类指标
客户分类最常使用的指标是传统的RFM模型中三个行为变量,即R（Recency）、F（Frequency）、M（Moary）.R（Recency）近度,表示最近一次购买行为距离现在的时间间隔.有研究表明,R值越低,客户价值越高[15].F（Frequency）频率,指的是在某一段时间内客户购买的总次数,可以用来考核一个客户的潜在价值.M（Moary）额度,指客户在某段时间内的购买金额,也是用来衡量顾客价值大小最主要的因素.由于模型中的三个变量指标不涉及到客户个人隐私,在实际交易过程中非常容易获得且能够被准确量化.因此,自Hughes提出RFM客户分类模型以来,RFM模型被企业广泛地应用在客户分类中,如电信行业、银行业、零售行业等.
FRM模型中购买频率F与购买金额M两个变量之间存在多重共线性,即F与M之间存在很强的关联性,具体表现为当F增加时M也会明显增加,从而无法准确衡量客户的价值.鉴于RFM模型的缺点,Marcus提出了用平均购买金额替代总购买金额,用购买次数（Frequency）和平均购买金额A（Averagemoary）来构建客户价值矩阵.
客户价值包括客户当前价值和潜在价值两个计量维度.结合B2C电子商务的客户价值度量分析,客户当前价值可以通过购买价值来衡量,客户潜在价值可以通过客户需求结构和客户忠诚度来衡量.在B2C电子商务活动中,客户从选择商品到购后行为阶段,企业往往能够得到以下几方面的准确数据：下单时间、订单数量、订单商品的品类、订单金额、是否有晒单、评论等网上口碑宣传行为.根据以上数据积累,B2C电子商务企业可以准确计算出每位客户以下有用的数据信息：平均每次的购物金额、购买产品组合习惯（或购物种类数）、某段时间内的购买频率、虚拟社区口碑宣传度（如晒单评论数）.
结合RFM模型和Marcus价值矩阵分析可知,由于客户平均购物金额与客户购买种类数反映了客户购买价值,可用来衡量客户当前价值；客户购买产品组合（或购物种类数）反映了客户的需求结构,客户某段时间内的购买频率、虚拟社区口碑宣传度（如晒单数评论数等）反映了客户的忠诚度,因而可用来可衡量客户的潜在价值.由此构造出B2C电子商务企业客户的分类指标如下图1
图1B2C电子商务企业客户的分类指标
4.B2C客户分类方法
对与传统商务活动相比,数据存储海量、信息更新动态变化、客户转移成本低等特性无疑是B2C电子商务客户最显著的特点.然而,在信息时代数据就意味着价值,B2C电子商务企业如何通过深层次分析这些数据,挖掘数据背后的价值,进而挖出对企业真正有价值的客户,实施分类管理与服务,以增加客户的转移成本保持有价值的客户,这些问题都无法通过传统的分类方法实现.然而,数据挖掘能将客户数据库的大量数据转变成描述顾客特征的一些图像[16],从技术方法上为B2C电子商务的客户分类提供指导和帮助.
数据挖掘中可用于客户分类的方法有很多种,包括决策树分类法、贝叶斯分类法、基于规则的分类法、支持向量机、遗传算法、粗糙集算法、模糊集算法、K-最近邻分类、K-means聚类、K-中心聚类、自组织神经网络等方法.国内不少学者已经将数据挖掘中的分类技术运用到B2C电子商务企业的客户分类中,与传统的分类指标（RFM模型中的三个变量）结合,将客户划分成不同的群体,并验证了这些分类技术的有效性.其中,用比较多的分类技术有：K-means聚类分析、以K-mean、SOM和PSO算法为基础混合型聚类算法（即KSP算法）、与主成分分析结合的朴素贝叶斯算法等.
三、结论
客户成为电子商务时代企业最重要的资产,国内外已经有大量关于客户分类的研究,而且基于客户价值的客户分类也是学术界、企业界比较认可的客户分类理论.文章针对B2C电子商务实际情形提出的客户分类指标,易度量、可操作性强,提高了B2C电子商务客户分类的成功性,有助于企业准确的认知与管理不同价值的客户；此外,文章在分析B2C电子商务客户的特点的基础上,指出了数据挖掘技术中的分类技术可应用于B2C电子商务的客户分类中.但文章并未对数据挖掘技术的分类做出详细说明,该方面的研究有待进一步研究.参考文献：
[1]http：//.nic../hlwfzyj/hlwxzbg/hlwtjbg/201301/P020140116509848228756.pdf
[2]王晓燕,潘开灵,邓旭东.我国B2C电子商务发展现状研究[J].经济研究导刊,2011（139）
[3]李琪.电子商务通览[M],中国商业出版社,P110
[4]Kalakota,R.&Whinston,A.B.Afrontierofelectronicmerce[M].Reading,Mass,Addison-Wesley,1996
[5]金淑敏.亚马逊：看不见的巨人[J].富基商业评论,2011（2）
[6]盛晓白.网络经济通论[M].南京：东南大学出版社,2003
[7]瞿艳平.国内外客户关系管理理论研究述评与展望[J].财经论丛,2011（3）
[8]杨东龙.细分[M].北京：中国社会科学出版社,2003,6
[9]JohnJ.Sviokla,BensonP.Shapiro.KeepingCustomers[A].HarvardBusinessSchoolPress,1993
[10]Frederic
电子商务类论文范文参考文献
[11]Reichheld,FrederickF,EarlW,Sasser.ZeroDefections：QualityComestoServices[J].HarvardBusinessReview,1990
[12]弗雷德里克·赖克赫德.忠诚度和市场营销的复兴[M].阿德里安·佩恩等.关系营销——形成和保持竞争优势[A].中信出版社,2002：359-382
[13]葛斯·哈伯.差异化营销[M].内蒙古人民出版社,1998
[14]VerhoefP.C.,DonkersB..Predictingcustomerpotentialvalueanapplicationintheinsuranceindustry[J].DecisionSupportSystems.2001（32）189-199
[15]Wu,C.,Chen,H.L.Countingyourcustomers：countingcustomer'sinstoredecisions,interpurchasetimeandrepurchasingbehavior[J].EuropeanJounralofOperationalResearch,2000,127（1）rnalofOperationalResearch,2000,127（1）：109-119
[16]MichaelJ.A.Berry,GordonS.Linoff.MasteringDataMining：TheArtandScienceofCustomerRelationshipManagement[M].Wiley,1999
作者简介：
杜乐（1987-）,女,北方工业大学硕士研究生,研究管理创新.
范景军,北方工业大学,副教授.
（作者单位：北方工业大学,北京100144）
电子商务类论文范文参考文献,与基于客户价值的B2C客户分类探析相关论文查重免费参考文献资料：