本發(fā)明涉及醫(yī)療健康數(shù)據(jù)分析與挖掘領(lǐng)域，具體涉及一種用于藥店會員分析的H-RFM用戶建模方法；此外，本發(fā)明還涉及一種用于藥店會員分析的H-RFM用戶建模系統(tǒng)。
背景技術(shù)：
：會員是連鎖藥店最核心的資源，藥店通過多年積累下來的會員資料“堆積如山”，然而真正識得數(shù)據(jù)價值的藥店卻少之又少。一些藥店管理者對數(shù)據(jù)的認識還停留在會員檔案、銷售額等層次，對數(shù)據(jù)的深入挖掘、全面利用意識尚未形成。大部分藥店對會員管理采取的還是“胡子眉毛一把抓”的粗放式管理方法，在實際情況中體現(xiàn)在“會員日送雞蛋”和“群發(fā)短信”等活動上?！皶T日送雞蛋”等活動刺激了會員的短期沖動消費，但是會降低藥店在會員心中的品牌價值，“群發(fā)短信”則會招致非合適受眾的反感。這些粗放的會員管理方法從長遠來看都會導(dǎo)致會員流失，所以并不可取。實際上，會員管理中存在所謂的“二八定律”，即百分之二十的會員貢獻了百分之八十的利潤。因此利用大數(shù)據(jù)分析做用戶建模，對會員進行精細化分類，從而實現(xiàn)精準(zhǔn)而高效的會員管理。本發(fā)明將提出一種用于藥店會員管理的大數(shù)據(jù)用戶建模方法。技術(shù)實現(xiàn)要素：本發(fā)明要解決的技術(shù)問題在于提供一種用于藥店會員分析的H-RFM用戶建模方法，克服了現(xiàn)有技術(shù)的上述缺陷，利用大數(shù)據(jù)分析做用戶建模，對會員進行精細化分類和分析，從而實現(xiàn)精準(zhǔn)而高效的會員管理。為此，本發(fā)明還提供一種用于藥店會員分析的H-RFM用戶建模系統(tǒng)。零售數(shù)據(jù)中有三個神奇的要素，這三個要素構(gòu)成了數(shù)據(jù)分析最好的指標(biāo)：最近一次消費(Recency，簡稱R)、消費頻率(Frequency，簡稱F)、消費金額(Monetary，簡稱M)。最近一次消費R意指上一次購買的時間，消費頻率F是顧客在限定期內(nèi)購買的次數(shù)，消費金額M是顧客在限定期內(nèi)購買的金額或平均客單價。而在藥店這樣一個健康場景下，有別于其它零售行業(yè)的特點是會員的健康(Health，簡稱H)水平，因為從會員的角度來看，購買藥品的目的是為了改善健康。健康水平H是依據(jù)藥店會員的健康數(shù)據(jù)得到的一個量化指標(biāo)，用于定量的描述會員的健康狀況，可以是單個的健康指標(biāo)也可以是多個健康指標(biāo)的加權(quán)和?；谒幍甑馁徦幱涗洿髷?shù)據(jù)和會員的健康大數(shù)據(jù)構(gòu)建用戶模型，本發(fā)明從以上四個維度健康水平H，最近一次消費R，消費頻率F，消費金額M完整地顯示一個藥店會員的輪廓，提供一種用于藥店會員分析的H-RFM用戶建模方法，這為個性化的溝通和服務(wù)提供了依據(jù)。同時，隨著時間的發(fā)展和數(shù)據(jù)的積累，四項指標(biāo)能夠越來越精確地判斷該會員的長期價值(甚至是終身價值)。所以，對于連鎖藥店來說，大數(shù)據(jù)用戶建模是一個不斷成長、貼近會員真實價值，并不斷助力會員管理的過程。為解決上述技術(shù)問題，本發(fā)明提供一種用于藥店會員分析的H-RFM用戶建模方法，采用基于健康水平H、消費近度R、消費頻度F和消費額度M的K均值K-means聚類方法進行聚類，并計算每個聚類會員的加權(quán)平均HRFM得分用來確定它們的會員終身價值CLV大小順序，以實現(xiàn)會員分類。作為本發(fā)明優(yōu)選的技術(shù)方案，該方法具體包括如下步驟：第一步，數(shù)據(jù)清洗：針對購藥記錄的特點，以天為單位整合每個會員的購藥信息，把同一天購藥信息整合并作為單次購藥信息，刪除干擾信息；第二步，特征提取：提取會員的健康水平H、消費近度R、消費頻度F和消費額度M特征；所述消費近度R是會員最近一次購藥時間距當(dāng)前研究時間的天數(shù)或該研究時間段內(nèi)的持續(xù)購藥天數(shù)；所述消費頻度F是會員在研究時間段內(nèi)總的購藥次數(shù)；所述消費額度M是會員在研究時間段的購藥單價或購藥總費用；第三步，加權(quán)處理：初步確定HRFM四者權(quán)重的初步比例關(guān)系；對特征進行兩兩比較得到相應(yīng)的評價矩陣，并進行相應(yīng)的調(diào)整以使其通過一致性檢驗；利用層次分析法求得HRFM四個特征的權(quán)重；第四步，聚類分析：利用K-means聚類算法對加權(quán)后的HRFM作聚類分析；第五步，類型定義：對每類會員標(biāo)準(zhǔn)化后的HRFM取平均，將平均值加權(quán)求和，得到相應(yīng)的加權(quán)后的會員終身價值CLV得分，并在此基礎(chǔ)上確定每類會員的終身價值大小排序；將每類會員的HRFM平均值和全部會員的HRFM平均值比較，得到每類會員的HRFM的變動情況用來分析該會員類別的性質(zhì)，并結(jié)合每類會員的終身價值大小排序和藥店自身的運營經(jīng)驗定義會員類型。作為本發(fā)明優(yōu)選的技術(shù)方案，第一步中，所述干擾信息包括：有退藥記錄的會員；單次購藥金額很小的記錄；單次消費金額最大的5％的會員的記錄或者單次消費金額在一定金額以上的會員的記錄；數(shù)據(jù)重復(fù)記錄。作為本發(fā)明優(yōu)選的技術(shù)方案，第二步中，所述健康水平H是會員的BMI值、血壓級別和血糖級別的加權(quán)和，其計算如公式(1)所示：H＝LevelBMI*WBMI+LevelBP*WBP+LevelBS*WBS(1)其中，LevelBMI、LevelBP和LevelBS分別是BMI值、血壓值和血糖值在系統(tǒng)中定義的級別，WBMI、WBP和WBS是BMI值、血壓值和血糖值的相應(yīng)權(quán)重。作為本發(fā)明優(yōu)選的技術(shù)方案，第二步中，對提取的所述健康水平H、消費近度R、消費頻度F和消費額度M特征進行標(biāo)準(zhǔn)化處理。所述標(biāo)準(zhǔn)化處理可以采用每個特征的標(biāo)準(zhǔn)分數(shù)來代替原來相應(yīng)特征的具體值。作為本發(fā)明優(yōu)選的技術(shù)方案，第四步中，所述K-means聚類算法，包括如下步驟：步驟1：隨機選取K個點作為K個聚類的初始中心點；步驟2：將每個樣本分配給與其距離最近的聚類；步驟3：更新每個聚類的中心點位置；步驟4：滿足終止條件則終止，否則回到步驟2；終止條件可以設(shè)置為每個聚類中心點位置幾乎不變動，即小于設(shè)定的閾值。作為本發(fā)明優(yōu)選的技術(shù)方案，第五步中，所述將平均值加權(quán)求和，按照公式(2)加權(quán)求和：CLVscore＝NH*WH+NR*WR+NF*WF+NM*WM(2)其中，NH、NR、NF和NM分別代表標(biāo)準(zhǔn)化后的H、R、F、M值，WH、WR、WF和WM是對應(yīng)的權(quán)重。此外，本發(fā)明還提供一種實現(xiàn)上述方法的用于藥店會員分析的H-RFM用戶建模系統(tǒng)，包括數(shù)據(jù)清洗模塊、特征提取模塊、加權(quán)處理模塊、聚類分析模塊以及類型定義模塊；所述數(shù)據(jù)清洗模塊用于整合每個會員每天購藥信息作為單次購藥信息，并刪除干擾信息；所述特征提取模塊用于提取會員的健康水平H、消費近度R、消費頻度F和消費額度M特征；所述消費近度R是會員最近一次購藥時間距當(dāng)前研究時間的天數(shù)或該研究時間段內(nèi)的持續(xù)購藥天數(shù)；所述消費頻度F是會員在研究時間段內(nèi)總的購藥次數(shù)；所述消費額度M是會員在研究時間段的購藥單價或購藥總費用；所述加權(quán)處理模塊用于確定初步確定健康水平H、消費近度R、消費頻度F和消費額度M四個特征的權(quán)重；所述聚類分析模塊用于利用K-means聚類算法對加權(quán)后的HRFM作聚類分析；所述類型定義模塊用于計算每個聚類會員的加權(quán)平均HRFM得分用來確定其會員終身價值CLV大小順序，以實現(xiàn)會員分類。根據(jù)以上提供的技術(shù)方案，與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：1、本發(fā)明將RFM模型引入藥店行業(yè)，并根據(jù)藥店行業(yè)的特點引入會員的健康水平H，幫助藥店進行更加精確的會員分析；2、本發(fā)明考慮H-RFM四個指標(biāo)的權(quán)重，幫助藥店進行更加個性化的會員分析；3、本發(fā)明運用加權(quán)處理以及聚類分析方法來分析會員類別的性質(zhì)，并在此基礎(chǔ)上定義會員類型，經(jīng)過多次實驗分析，得到了健康水平H以及會員終身價值CLV的經(jīng)驗公式，有利于更合理地、更準(zhǔn)確地對會員進行精細化分類。附圖說明下面結(jié)合附圖和實施例對本發(fā)明進一步說明。圖1是本發(fā)明的整體流程圖及系統(tǒng)模塊圖。圖2是本發(fā)明中K-means聚類算法流程圖。具體實施方式現(xiàn)在結(jié)合附圖對本發(fā)明作進一步詳細的說明。這些附圖均為簡化的示意圖，僅以示意方式說明本發(fā)明的基本結(jié)構(gòu)，因此其僅顯示與本發(fā)明有關(guān)的構(gòu)成。本發(fā)明一種用于藥店會員分析的H-RFM用戶建模方法，采用基于健康水平H(Health)、消費近度R(Recency)、消費頻度F(Frequency)和消費額度M(Monetary)的K均值K-means聚類方法進行聚類，并計算每個聚類會員的加權(quán)平均HRFM得分用來確定它們的會員終身價值CLV(CustomerLifetimeValue)大小順序，以實現(xiàn)會員分類。該方法的整體流程如圖1所示，具體實現(xiàn)步驟如下：1)數(shù)據(jù)清洗針對購藥記錄的特點，以天為單位整合每個會員的購藥信息，把同一天購藥信息整合并作為單次購藥信息；刪除有退藥記錄的會員；刪除單次購藥金額很小的記錄；刪除單次消費金額最大的5％的會員的記錄或者刪除單次消費金額在一定金額以上的會員的記錄(這兩種情況一般為團體性而非個人購藥行為，此刪除處理，主要是想把團體性購藥行為與個人購藥行為分開討論，團體性購藥主要表現(xiàn)就是單次購藥金額很大)，如發(fā)現(xiàn)有數(shù)據(jù)重復(fù)問題，去除重復(fù)記錄僅保留一條記錄即可。2)特征提取從會員基本信息表、血壓測量表和血糖測量表中分別提取會員的最新BMI值(體質(zhì)指數(shù)BMI＝體重(kg)÷身高2(m))、血壓級別和血糖級別。本發(fā)明中BMI、血壓和血糖分級標(biāo)準(zhǔn)，分別如表1、2和3所示。表1BMI分級標(biāo)準(zhǔn)BMI分級偏瘦-1<18.5正常-018.5-23.9偏胖-124-27.9肥胖-2>28表2血壓分級標(biāo)準(zhǔn)表3血糖分級標(biāo)準(zhǔn)H(Health)代表會員(顧客)健康水平，可以是單個的健康指標(biāo)也可以是多個健康指標(biāo)的加權(quán)和，在本方法中，H是會員的BMI值、血壓級別和血糖級別的加權(quán)和，如公式(1)所示。H＝LevelBMI*WBMI+LevelBP*WBP+LevelBS*WBS(1)其中，LevelBMI、LevelBP和LevelBS分別是BMI值、血壓值(BP)和血糖值(BS)在系統(tǒng)中定義的級別，WBMI、WBP和WBS是相應(yīng)的BMI值、血壓值和血糖值的權(quán)重。比如可以將BMI值、血壓值和血糖值的權(quán)重比例關(guān)系確定為2:4:4，那么一個偏胖、二級高血壓但血糖正常的會員，他或她的H指標(biāo)值就是14。H＝1*2+3*4+0*4＝14R(Recency)是會員(顧客)最近一次購藥時間距當(dāng)前研究時間的天數(shù)或該研究時間段內(nèi)的持續(xù)購藥天數(shù)。F(Frequency)是會員(顧客)在研究時間段內(nèi)總的購藥次數(shù)。M(Monetary)是會員(顧客)在研究時間段的購藥單價或購藥總費用。由于不同特征的量綱不同，需要進行標(biāo)準(zhǔn)化處理，比如可以用每個特征的標(biāo)準(zhǔn)分數(shù)standardscore來代替原來相應(yīng)特征的具體值。標(biāo)準(zhǔn)分數(shù)(standardscore)也叫z分數(shù)(z-score),是一個分數(shù)與平均數(shù)的差再除以標(biāo)準(zhǔn)差的過程。用公式表示為：z＝(x-μ)/σ。其中x為某一具體分數(shù)，μ為平均數(shù)，σ為標(biāo)準(zhǔn)差。3)加權(quán)處理考慮到藥店對HRFM各類特征的重視程度可能不同，因此可以對這四個不同特征賦予相應(yīng)的權(quán)重。在本方法中，采用專家咨詢的方式，結(jié)合藥店運營一線的調(diào)研反饋，初步確定HRFM四者權(quán)重的初步比例關(guān)系。比如對于某家藥店，它所采用的HRFM的權(quán)重比例關(guān)系為2:3:3:2。如果需要調(diào)整權(quán)值，可以對特征進行兩兩比較得到相應(yīng)的評價矩陣，并進行相應(yīng)的調(diào)整以使其通過一致性檢驗，然后利用層次分析法求得HRFM四個特征的權(quán)重。假設(shè)某家藥店所采用的HRFM評價矩陣如表4所示，該表對應(yīng)的一致性比例為0.055，小于0.1表明該矩陣的一致性可以接受，計算得到HRFM各指標(biāo)相對權(quán)重為(0.232，0.402，0.061，0.305)。表4示例評價矩陣HRFMH11/351R3151F1/51/511/5M11514)聚類分析利用K-means聚類算法對加權(quán)后的HRFM作聚類分析。在本方法中，依據(jù)藥店運營的經(jīng)驗和建議，來確定聚類的數(shù)目K值。K-means是非常經(jīng)典的聚類算法，其主要計算過程如圖2所示，包括如下步驟：步驟1：隨機選取K個點作為K個聚類的初始中心點；步驟2：將每個樣本分配給與其距離最近的聚類；步驟3：更新每個聚類的中心點位置；步驟4：滿足終止條件則終止，否則回到步驟2；終止條件可以設(shè)置為每個聚類中心點位置幾乎不變動，即小于設(shè)定的閾值。5)類型定義對每類會員標(biāo)準(zhǔn)化后的HRFM取平均，將平均值按照公式(2)加權(quán)求和，得到相應(yīng)的加權(quán)后的CLV得分，并在此基礎(chǔ)上確定每類會員的終身價值大小排序。CLVscore＝NH*WH+NR*WR+NF*WF+NM*WM(2)其中，NH、NR、NF和NM分別代表標(biāo)準(zhǔn)化后的H、R、F、M值，WH、WR、WF和WM是對應(yīng)的權(quán)重。假設(shè)某家藥店的HRFM對應(yīng)的權(quán)重依次為0.2、-0.3、0.3和0.2，有兩個會員聚類，它們標(biāo)準(zhǔn)化后的HRFM平均值依次為(0.21，0.09，0.32，0.12)和(0.28，0.31，0.11，0.14)。前一個會員聚類的加權(quán)CLV得分為0.135大于后一個會員聚類的0.024，所以前一個會員聚類的會員終身價值CLVscore1大于后一個會員的CLVscore2。具體計算過程如下：CLVscore1＝0.21*0.2-0.09*0.3+0.32*0.3+0.12*0.2＝0.135CLVscore2＝0.28*0.2-0.31*0.3+0.11*0.3+0.14*0.2＝0.024將每類會員的HRFM平均值和全部會員的HRFM平均值比較，得到每類會員的HRFM的變動情況用來分析該會員類別的性質(zhì)，并結(jié)合每類會員的終身價值大小排序和藥店自身的運營經(jīng)驗定義會員類型。例如某家藥店的重要挽留型會員的典型特征是R很大明顯高于平均水平表明距上次購藥有很長的一段時間了，M很大遠高于平均水平或H明顯高于平均水平。該家藥店全部會員的HRFM平均值依次為2.31、93.71、7.97和46.61，其中一個會員聚類的HRFM平均值依次為3.28、145.11、2.26和151.11。它的R值明顯大于全部會員的平均水平，有近5個月沒有來過藥店，但它的M值是全部會員的平均水平的3倍多，可以將此類會員定義為重要挽留會員。如圖1所示，本發(fā)明一種用于藥店會員分析的H-RFM用戶建模系統(tǒng)，包括數(shù)據(jù)清洗模塊、特征提取模塊、加權(quán)處理模塊、聚類分析模塊以及類型定義；所述數(shù)據(jù)清洗模塊用于整合每個會員每天購藥信息作為單次購藥信息，并刪除干擾信息；所述特征提取模塊用于提取會員的健康水平H、消費近度R、消費頻度F和消費額度M特征；所述消費近度R是會員最近一次購藥時間距當(dāng)前研究時間的天數(shù)或該研究時間段內(nèi)的持續(xù)購藥天數(shù)；所述消費頻度F是會員在研究時間段內(nèi)總的購藥次數(shù)；所述消費額度M是會員在研究時間段的購藥單價或購藥總費用；所述加權(quán)處理模塊用于確定初步確定健康水平H、消費近度R、消費頻度F和消費額度M四個特征的權(quán)重；所述聚類分析模塊用于利用K-means聚類算法對加權(quán)后的HRFM作聚類分析；所述類型定義模塊用于計算每個聚類會員的加權(quán)平均HRFM得分用來確定其會員終身價值CLV大小順序，以實現(xiàn)會員分類。以上述依據(jù)本發(fā)明的理想實施例為啟示，通過上述的說明內(nèi)容，相關(guān)工作人員完全可以在不偏離本項發(fā)明技術(shù)思想的范圍內(nèi)，進行多樣的變更以及修改。本項發(fā)明的技術(shù)性范圍并不局限于說明書上的內(nèi)容，必須要根據(jù)權(quán)利要求范圍來確定其技術(shù)性范圍。當(dāng)前第1頁1 2 3