打开文本图片集

摘要：移动电商的用户忠诚度是企业成功的关键因素，对企业的长期发展至关重要。本研究利用Orange数据挖掘软件，根据移动电商平台的用户行为忠诚度和情感忠诚度，通过主成分分析技术，构建一个忠诚度综合评价模型。通过实证研究，本论文探讨了影响用户忠诚度的关键因素，并提出了相应的策略建议，以期为企业带来参考与借鉴。

关键词：移动电商；用户忠诚度；主成分分析；综合评价模型

1.引言

1.1 研究背景与目的

随着移动互联网技术的快速发展，移动电商市场呈现出爆发式增长的态势。如何有效衡量和提升用户忠诚度，是移动电商平台面临的重要挑战。正如帕累托在80/20法则中提到的，一个企业80%的利润是由20%的消费者贡献的，而这20%的顾客通常被认为是企业的忠诚顾客。忠诚的用户不仅能够带来重复购买，还能通过口碑传播吸引新用户，从而为企业创造更高的利润。然而，在这个竞争激烈的市场中，许多企业在吸引新用户方面投入了大量的资源，但却忽视了对现有用户的忠诚度培养。目前，移动电商用户忠诚度的评价方法还存在一些不足之处。传统的评价方法主要侧重于用户的购买行为，而忽视了用户的情感因素和态度因素。因此，本研究将从行为忠诚度和情感忠诚度两个方面量化指标，对移动电商平台的用户进行综合的忠诚度评价。通过构建移动电商用户忠诚度综合评价模型，本研究希望能够帮助移动电商平台识别忠诚用户，为企业的精准营销提供目标用户，实现可持续发展。

1.2研究思路与工具

具体来说，本研究将通过以下四个步骤来构建移动电商用户忠诚度综合评价模型，如图1所示。首先，利用Orange3.37.0 for Mac软件，导入爬取的用户行为数据及用户评价数据，获取和查看用户编码、订单量、商品种类数、商品数量、用户活跃长度、复购次数、好评数量、中评数量、差评数量等特征数据。接着，分别对进行用户的行为和评价情况进行挖掘与分析，了解用户的行为习惯和偏好，评估用户对平台的态度和满意度。然后，将用户行为数据和用户态度数据进行合并，构建综合的用户忠诚度评价指标体系。最后，利用主成分分析方法，进行用户忠诚度综合评价，为企业提供决策依据。

本文的研究工具Orange拥有功能强大的模块与部件，能够快速、简单地进行数据挖掘和机器学习任务。‌Orange软件的操作具有低代码门槛特性，无需高超的编程或数学能力。分析者只需在图形界面中以可视化建模的方式，进行交互式的数据分析和灵活的部件组合，就能实现数据挖掘和应用开发。

2.理论基础

移动电商用户忠诚度是指用户对移动电商平台的商品或服务的偏好，并由此产生的重复使用或购买行为的程度与趋向。它涵盖了行为和情感两个方面，这是衡量用户对移动电商平台忠诚程度的重要指标。主成分分析技术能够降低数据的复杂性，便于对数据指标进行综合评价。

2.1 行为忠诚度

用户的行为忠诚度主要体现在重复购买、购买频率等方面。当用户对移动电商平台的商品或服务感到满意时，他们更有可能进行重复购买。重复购买率是衡量用户行为忠诚度的重要指标，它是指用户在一定时间内多次购买同一产品或服务的频率。用户复购率的提高意味着用户对平台的忠诚度增加，进而促进销售额的提升。用户行为忠诚是用户忠诚的低级体现，通过重复购买带来直接利润，体现其对企业的价值。这种忠诚虽然是维系用户的基本前提，但是由于影响行为忠诚的原因过于客观，很容易受到其他外因的影响，导致忠诚降低甚至是丧失。这一情况的根本原因是形成用户行为忠诚的影响因素都是较为浅显的指标，最有代表性的就是价格和便利等优势。

2.2 情感忠诚度

情感忠诚度主要包括用户满意度、信任度等情感因素对忠诚度的影响。用户满意度是指用户对电商平台的产品质量、价格、功能、服务态度、响应速度、售后服务、整体体验、界面设计、操作便捷性等方面的满意程度。用户对企业有较深的信任度，说明其关注的指标更多，有更深层次的品牌形象。用户在对多个指标的综合评定下，对价格和便利性这些较为浅显的指标的敏感性会下降。

2.3主成分分析

主成分分析是一种统计方法，它可以通过正交变换将一组可能相关的变量转换为一组线性不相关的变量，称为主成分。这种方法通常用于降维，即在尽可能保留原始数据集信息的前提下，减少数据的复杂性。这些主成分按照方差的大小排序，最重要的成分具有最大的方差，第二主成分具有次大的方差，且与第一主成分正交，以此类推。主成分的方差比例越大，说明该主成分在数据中的重要性越高。

3.构建用户忠诚度综合评价模型

3.1数据预处理

3.1.1数据加载与探索

在Orange软件中，双击File与File（1）部件，分别导入用户行为信息表、用户评论信息表。双击Data Table（数据表）部件查看原始数据，可知：用户行为信息数据集共有98924个实例，3.1%的缺失值，每个实例包括5个影响用户忠诚度的特征变量（订单量、商品种类数、商品数量、用户活跃长度、复购次数）和1个不具备计算意义的特征（用户编号）。双击Feature Statistics（特征统计）部件，可知特征类型均为数值型特征；各特征的分布、均值、中位数、离差、最小值、最大值与缺失值，缺失值全部集中在特征“复购次数”，共记18254个缺失值。同理可知，用户评论信息数据集共有42191个实例，每个实例包括3个影响用户忠诚度的特征变量（差评、好评、中评）和1个不具备计算意义的特征（用户编号）。由于数据录入有误，导致特征差评、好评、中评为0时，都有不同程度的缺失，合计48%的缺失值。

3.1.2数据清洗

数据清洗指的是识别并纠正或删除数据集中的错误、缺失值、重复数据、异常值等脏数据，以提高数据质量的过程。鉴于样本数据量庞大，为确保分析的准确性并减少误差，双击Impute（填充）部件，对于特征复购次数，选择删除含缺失值的实例； 双击Impute（1）部件，对于差评、好评、中评这三个特征，均选择以固定值0填充。

3.1.3数据标准化

数据标准化的主要目的是消除不同特征之间的量纲差异，使得不同特征在数值上具有可比性。双击Formula（公式）部件，根据马赛克图与箱线图等可视化部件，创建新的特征。以新特征“N_商品种类数”为例：根据数据的分布情况与集中趋势，由于原始特征“商品种类数”的最大值为151，最小值为1，中位数大约是5.94，25%的值低于2，75%的值低于7，于是使用半角输入法输入计算表达式：（商品种类数-1）/（151-1）*10，点击Send（发送），使标准化后的数据落在区间[0，10]。同理，N_复购次数= （复购次数）/1294*10；N_用户活跃长度= （用户活跃长度-1）/（365-1）*10；N_商品数量= （商品数量-1）/（3919-1）*10；N_订单量= （订单量-1）/（1366-1）*10。

3.2特征工程与数据合并

双击Formula（1）部件，点击New（新建）--Categorical（分类数据），输入新特征的名称“综合评论得分”，使用半角输入法输入计算表达式：2*好评+中评+2*差评，设置好评与差评权重均为2，中评的权重为1，点击Send（发送）。接着，对新特征 “综合评论得分”进行数据标准化处理，即定义N_综合评论得分=（综合评论得分+20）/（294+20）*10。双击“选择列”部件，忽略两个数据集的原始数据特征。

双击Merge Data（合并数据）部件，设置合并方法为：找出两组数据共有的行，匹配行为：用户编码匹配用户编码。至此，用户行为信息与用户评价信息成为一个新的综合数据集，共39038个实例，6个与模型相关的数值型特征变量（N_商品种类数、N_复购次数、N_用户活跃长度、N_商品数量、N_订单量、N_综合评论得分），无缺失值。双击Select Columns（2）部件，忽略无计算意义的特征“用户编号”， 它是一个标识符，不携带关于用户行为的有用信息。

3.3 主成分分析

双击PCA（主成分分析）部件，选择前四个主成分进行分析，这是因为前四个主成分已经能够解释大部分的数据方差，而选择更多的主成分并不会显著增加解释的方差比例。从PCA（主成分分析）部件可知，前四个主成分的累积方差比例达到了0.961，这意味着这四个主成分共同解释了数据总方差的96.1%，符合主成分分析的要求。

双击Data Table（5）部件，查看四个主成分的具体内容，如表1所示：components这一列列出了各个主成分的编号，从PC1到PC4，表示主成分分析中提取的前四个主成分。主成分1解释了62.1623%的方差，是最重要的主成分。主成分1主要与N_复购次数、N_商品数量、N_商品种类数、N_订单量显著正相关，将主成分1归类为购买行为因子。主成分2与N_复购次数和N_商品数量显著正相关，但与N_商品种类数显著负相关，将主成分2归类为商品种类偏好因子。主成分3与N_用户活跃长度显著正相关，但与N_综合评论得分显著负相关，将主成分3归类为忠诚度和活跃度因子。主成分4与N_综合评论得分显著正相关，将主成分4归类为整体满意度因子。

将N_复购次数、N_商品数量、N_商品种类数、N_订单量、N_用户活跃长度、N_综合评论得分指标分别用、、、、、表示。利用以上四个因子代替原来的六个指标，根据各指标的特征向量，列出主成分的函数表达式，得出四个主成分变化的线性方程：=+++++；=+−+−−；=+−++−；=−−−++。双击Formula（3）部件，选取四个主成分的方差贡献率作为权重，构建用户忠诚度综合评价得分函数：=*+*+*+*。双击Data Table（6）部件，可查看转换后的、、、值。双击Data Table（7）部件，可查看每个用户的用户忠诚度综合得分（）。

4.总结

通过主成分分析技术，本文揭示了用户行为（如订单量、商品种类数、商品数量、复购次数等）与忠诚度之间的强相关性。这表明通过监控和分析用户行为数据，可以有效地评估和提升用户忠诚度。除了交易行为外，用户的情感体验也是提升忠诚度的关键因素。用户的评论和反馈是评估情感忠诚度的重要来源。企业应该重视用户反馈，将其作为产品和服务改进的重要参考。通过构建综合评价模型，移动电商平台可以更全面地评估用户的忠诚度。这种模型可以帮助企业从多个维度理解用户行为，从而制定更有效的用户维护策略。

提高移动电商平台的用户忠诚度是一个复杂的过程，涉及到用户行为和情感的多个方面。平台可以从用户行为和情感角度出发，提高用户忠诚度。在个性化推荐方面，平台可以利用大数据和机器学习技术，根据用户的购买历史和浏览行为，提供个性化的商品推荐；定期更新推荐算法，确保推荐的相关性和新颖性。在会员制度方面，平台可以设计多层次的会员体系，根据用户的复购频率提供不同的会员等级和特权，提供积分、优惠券等激励措施，鼓励用户复购。在用户反馈机制方面，平台可以建立有效的用户反馈渠道，快速响应用户的意见和建议，并根据用户反馈优化服务。平台还可以设计忠诚度计划，如VIP客户服务、专属活动等，让忠诚用户感受到特殊待遇。通过上述措施，平台可以在用户行为和情感两个层面上提升用户的忠诚度，从而增加用户的复购率和好评率，为平台带来长期的客户价值。

参考文献：

[1]Abdi， H.， & Williams， L. J. （2010）. Principal Component Analysis. Wiley Interdisciplinary Reviews： Computational Statistics， 2（4）， 433-459.

[2]Orange [DB/OL].[2012-01-04].http：//orange. biolab.si/.

[3]沈晶，孙玲芳.电子商务环境下顾客忠诚度评价模型研究[J].科技情报开发与经济，2007，（29）：188-190.