摘要：客户细分是客户关系管理过程中的最重要一环。对B2C网站客户进行细分并采取相应的营销策略，实现最低成本最高利润，是电子商务发展成熟的重要标志。本文通过改进RFM模型，创新性的增加了利润率属性，建立RFMP模型后，使用K-Means方法对B2C网站客户进行聚类分析，并与RFM模型进行比较，验证了RFMP模型在B2C网站客户区分上更具优势。最后本文针对RFMP模型，尤其考虑到客户利润，提出相关营销策略，具有较大的实用价值。

关键字：B2C；聚类分析；RFM模型；客户细分；电子商务

1  引言

1.1  研究背景及现状

近年来，电子商务在短短几年中以惊人的速度蓬勃发展，它的迅速发展引发了交易方式、流通模式、商业模式的不断创新和进步。一方面它规避了创业者由于实体店面投资而产生的资金风险，另一方面，提高了客户服务水平以及更多的商品选择机会。随着电子商务交易量快速增加和B2C市场的激烈竞争，电子商务B2C领域需要像传统的市场营销一样，通过对B2C网站的客户细分，从而满足客户们日益增长的个性化需求，并且通过差异化服务、针对性策略吸引客户，形成长期购买行为，提高客户忠诚度，在激烈的市场竞争中立于不败之地。目前，国内诸多学者通过数据挖掘对RFM模型进行了分析。向坚持，刘相滨，资武成[1]针对K-Means算法存在的问题，提出了基于密度的K-Means算法，证明了改进算法的有效性和稳定性并用于客户细分研究中；周欢[2]基于RFM分析模式对零售业客户进行了分群；Marcelo Maia, Jussara Almeida, Virgilio Almeida[3]通过对视频网站YouTobe客户的九个属性聚类分析[4]，并给出了一种新的确定K值的方法以及分析如何排除不必要属性；James Caverlee, Steve Webb[5]研究了上百万数量的MySpace客户，验证了客户如何自我描述和分享兴趣和情感；杜修平和王中[6]通过改进的RFM-ROI模型对证券行业客户流失进行了分析；张玲芳和张婧[7]将RFM模型与原协同过滤机制进行结合，制定了差异化的电子商务推荐策略；刘慧婷，倪志伟[8]针对客户交易数据维数高的特点，提出了基于EMD和K-Means的客户行为聚类方法，为商家提供了促销依据并节约了数据存储空间；王扶东，马玉芳[9]利用层次分析法和聚类方法相结合，进行了实证分析。但目前为止针对B2C网站客户细分的具体模型仍很少有人涉及，提出的营销策略仍存在于表面阶段，对客户带来的利润进行详细分析模型更少之又少。