連漪

內(nèi)容摘要：隨著客戶關(guān)系管理的基礎(chǔ)理論不斷完善，越來越多的企業(yè)轉(zhuǎn)向以客戶為導向的市場戰(zhàn)略，從而對客戶價值細分的準確性提出了更高的要求，本文在討論目前客戶價值細分研究思路和方法的基礎(chǔ)上，結(jié)合客戶終身價值和客戶忠誠度理論，構(gòu)建三維客戶價值細分模型并提出各維度的度量方法，通過實例闡述該客戶價值細分模型的實現(xiàn)過程，驗證模型有效性的同時，針對不同細分類型的客戶提出個性化的客戶保持與營銷策略。

關(guān)鍵詞：價值細分 CLV 忠誠度 BG/NBD

研究概述

隨著全球經(jīng)濟進入服務(wù)經(jīng)濟的新時代，客戶已經(jīng)演變?yōu)槠髽I(yè)獲取現(xiàn)金流的重要通道之一，同時也成為企業(yè)在激烈的市場競爭中獲取競爭優(yōu)勢的新來源，以客戶為導向的客戶關(guān)系管理（Customer Relationship Management，CRM）成為了與企業(yè)資源規(guī)劃、供應(yīng)鏈管理相比肩的企業(yè)提升自身綜合競爭力的基本戰(zhàn)略。

目前，從價值角度進行客戶細分，即客戶價值細分（Customer Value Segmentation），已經(jīng)被眾多學者和研究人員廣泛認可，其研究的思路主要側(cè)重兩個方向：一是以客戶價值指標數(shù)據(jù)為輸入，運用數(shù)據(jù)挖掘等聚類算法，對客戶群進行多變量的聯(lián)合價值細分；二是建立不同維度的客戶價值細分模型，對客戶在不同維度上的表現(xiàn)分別做出價值評價，以客戶占據(jù)多維價值空間的相對位置進行細分。國內(nèi)學者對于聚類細分算法的應(yīng)用研究已十分豐富，鄧曉懿（2011）以K-means、SOM算法和粒子群優(yōu)化算法為基礎(chǔ)，提出混合聚類細分算法，對移動餐飲企業(yè)的客戶進行價值細分。賀昌政（2013）鑒于決策樹算法、BP神經(jīng)網(wǎng)絡(luò)、logistic算法在不同層面展現(xiàn)的優(yōu)越性，采用多分類器組合的方法，對某銀行信用卡客戶進行價值細分。褚格林（2014）針對移動客戶在無線互聯(lián)網(wǎng)流量使用過程中為企業(yè)貢獻的當前價值和潛在價值，應(yīng)用K-means劃分算法，并對各個細分類別的客戶群提出差異化的營銷策略。

但是按照數(shù)據(jù)挖掘的聚類算法對客戶進行價值細分是建立在企業(yè)擁有較為完整客戶數(shù)據(jù)庫的基礎(chǔ)上，很多企業(yè)為了降低數(shù)據(jù)收集和存儲的成本，通常有意忽略如市場波動、客戶心理等較難獲取的解釋變量，重點僅放在客戶的金錢價值、擴大購買等表層貢獻上，并未觸及客戶與企業(yè)之間更深層次的關(guān)系貢獻上。而且，不同行業(yè)、不同企業(yè)對客戶價值衡量標準存在差異，也導致細分算法的可解釋性僅被限制在某個特定范圍。為此，有學者提出另一種研究思路，即建立不同維度的客戶價值細分模型，如孟慶良（2008）將增值潛力進一步細分為客戶潛在顯性價值和潛在隱性價值，構(gòu)建三維價值細分模型，并對各個維度的度量方法做了描述。吳玲（2012）應(yīng)用二維價值細分模型，通過構(gòu)建客戶價值評估指標體系，細分電力客戶群，證實該細分模型的有效性的同時提升了其應(yīng)用的廣泛度。

通過以上綜述，本文結(jié)合兩種思路，以客戶終身價值和客戶忠誠度理論為基礎(chǔ)，構(gòu)建三維客戶價值細分模型，以我國電信行業(yè)為實證背景，討論如何根據(jù)細分的客戶類型優(yōu)化公司的資源配置和客戶保持策略。

客戶價值細分模型的維度構(gòu)建

（一）客戶終身價值

Roberts和Berger（1998）最先從企業(yè)的角度定義了客戶價值：“客戶將來給企業(yè)的管理費用和利潤所貢獻的凈現(xiàn)值”。Cartwright R.（2002）首次提出了“客戶終身價值”（Customer Lifetime Value，CLV）的概念，將其定義為在企業(yè)在與客戶保持良好關(guān)系的前提下，客戶在當前和未來為企業(yè)帶來收入或利潤的折現(xiàn)值。根據(jù)帕累托定律，企業(yè)80%的利潤來源于與企業(yè)維系客戶關(guān)系的20%客戶。因此，正確細分出能夠給企業(yè)真正帶來高額利潤的那一小部分客戶群體，成為實現(xiàn)企業(yè)利潤最大化的關(guān)鍵，而客戶終身價值理論為此提供了解決思路。

客戶終身價值理論包涵廣義和狹義兩個層面，廣義上指客戶在其整個生命周期內(nèi)為企業(yè)帶來的利潤或損失的凈現(xiàn)值，它包含兩個部分，一是客戶的歷史貢獻，二是客戶的潛在貢獻。廣義層面的CLV也是目前學者進行客戶價值細分的基礎(chǔ)。而對客戶實施CRM時則更側(cè)重于客戶未來對企業(yè)的價值，因此，狹義的CLV即只是指客戶的潛在貢獻，本文將采用狹義CLV對客戶價值進行描述，用以反映客戶對企業(yè)最直接的財務(wù)貢獻，是一種外在的顯性價值。

（二）客戶忠誠度

客戶忠誠度是CRM的根本目標和動力，高忠誠度的客戶趨向于連貫的購買習慣、更低的價格敏感度、優(yōu)質(zhì)的口碑等無形價值，在增加企業(yè)收入的同時可以有效降低營銷成本。當前對客戶忠誠度的界定主要包括行為忠誠度和態(tài)度忠誠度。行為忠誠度指的是再次購買喜愛的產(chǎn)品或服務(wù)，盡管它僅是客戶忠誠的低級表現(xiàn)，卻是客戶關(guān)系可持續(xù)的關(guān)鍵。形成行為忠誠的原因也許是客戶對企業(yè)的認同感，也可能是因市場上缺少可替代產(chǎn)品而導致的壟斷性忠誠，因此，判斷客戶忠誠度還需要輔以態(tài)度層面的理解。

態(tài)度忠誠度不僅表現(xiàn)為客戶對企業(yè)的信任和情感依附，還意味著潛在購買和推薦的未來消費趨勢，態(tài)度忠誠度對企業(yè)的貢獻是通過作用于市場和客戶自身，從而間接作用于企業(yè)產(chǎn)生的?？蛻粜袨橹艺\度和態(tài)度忠誠度是從客戶自身的角度分析，以內(nèi)驅(qū)動力間接對企業(yè)產(chǎn)品的市場表現(xiàn)產(chǎn)生積極或消極的影響，因此，兩者均反映出客戶對企業(yè)的間接貢獻，不同的是，行為忠誠度是一種內(nèi)在的顯性價值，而態(tài)度忠誠度是一種內(nèi)在的隱性價值。

在界定了CLV和客戶忠誠度的概念之后，構(gòu)建三維客戶價值細分模型，如圖1所示，三個軸分別表示為客戶終身價值、客戶行為忠誠度、客戶態(tài)度忠誠度，客戶在不同維度上的表現(xiàn)決定了其所占據(jù)的空間位置，由此可區(qū)分企業(yè)所有客戶的價值貢獻。

客戶價值細分維度的測度方法

（一）CLV的測度方法

在客戶終身價值測度研究領(lǐng)域，Barbara Jackson（1985）最早給出用傳統(tǒng)現(xiàn)金分析測度CLV的方法，但局限在于未考慮潛在價值客戶和客戶活躍度的隨機性，為此，Paul D. Berger和Nadal Nasr（1998）針對典型客戶群，引入利潤波動函數(shù)π（t）和客戶保持率γ。本文CLV的測度方法是結(jié)合Fader等（2005）在負二項模型基礎(chǔ)上提出的BG/NBD分布模型以及Colombo和Jiang（1999）給出的用以捕捉客戶未來的交易貢獻的Gamma-Gamma模型，構(gòu)建客戶未來期望購買次數(shù)和期望購買金額的概率分布，進而通過計算CLV對客戶在終身價值維度上的表現(xiàn)進行描述。

該式中，E（X）和E（M）為上文模型得到的客戶期望購買次數(shù)和期望購買金額，x和mx分別表示客戶歷史平均購買次數(shù)和平均購買金額。BL>0，該客戶的購買行為忠誠度呈良性發(fā)展態(tài)勢，未來的消費行為可能給企業(yè)帶來更多利潤；反之，BL≤0，表明客戶開始或已經(jīng)表現(xiàn)出行為弱忠誠的現(xiàn)象，進而可能導致客戶終身價值減少，甚至最終選擇提前終止與企業(yè)的關(guān)系。

（三）客戶態(tài)度忠誠度的測度方法

客戶對企業(yè)產(chǎn)品或服務(wù)的態(tài)度是客戶在行為忠誠表現(xiàn)的內(nèi)在驅(qū)動力，而行為方面的顯性變量并不能精確、直接地描述客戶的態(tài)度忠誠度，大量潛在隱性變量的存在也對客戶態(tài)度產(chǎn)生波動，當前企業(yè)判別個體客戶的態(tài)度忠誠度方面仍存在很大局限?？紤]到企業(yè)在細分客戶時維度數(shù)據(jù)的可解釋性，可將客戶的態(tài)度忠誠度看作響應(yīng)變量，僅描述其為顯著與不顯著。因此，本文認為采用種群動力研究領(lǐng)域內(nèi)廣泛應(yīng)用的二分類Logistic方程判別客戶態(tài)度忠誠是否顯著比較合適，其最大的特點是擺脫了復雜的前提假設(shè)，并且相比其他擬合函數(shù)有著很強的適應(yīng)性，方程的構(gòu)建過程如下：

第一，yi作為因變量表示客戶態(tài)度忠誠度，其取值為0和1，yi=1為客戶態(tài)度忠誠顯著，yi=0為客戶態(tài)度不顯著，且P（yi=1）=πi。

實證研究及結(jié)果

本文研究的應(yīng)用數(shù)據(jù)來源于某電信公司，以周為單位，樣本時間區(qū)間為2014年8月（初始交易發(fā)生在2014年8月1日以后）到2015年7月共52周，并從數(shù)據(jù)中心隨機獲取3158位客戶的歷史交易數(shù)據(jù)，如每月用戶繳費次數(shù)、每月賬戶余額、用戶在網(wǎng)時長、欠費金額、每月流量使用、月租、每月增值消費額等，同時截取必要的人口統(tǒng)計信息，如性別、年齡等。為了保證細分結(jié)果真實有效，對存在疑似虛假消費信息或統(tǒng)計信息缺失的209個異?？蛻暨M行剔除，剩余2949名客戶的統(tǒng)計數(shù)據(jù)進行價值細分分析。

（一）CLV的測度結(jié)果

本文通過BG/NBD和Gamma-Gamma模型，從客戶的統(tǒng)計數(shù)據(jù)中獲取繳費次數(shù)X、觀測時間T、從初次購買到最后一次購買的時間間隔t、平均購買金額mx，建立兩組客戶信息（x，t，T）和（x，mx）分別預(yù)測期望繳費次數(shù)E（X）和期望平均繳費金額E（M）。模型參數(shù)的確定，采用最大似然估計的方法，應(yīng)用Matlab軟件對似然函數(shù)（13）、函數(shù)（14）進行求解，得到模型具體參數(shù)值，如表1所示。

從參數(shù)估計的結(jié)果來看，客戶在（0，T）內(nèi)尚未流失時，期望繳費次數(shù)s/β=0.369次/周，則意味著年交易次數(shù)為19.19次，預(yù)測客戶單次平均繳費金額為αu/（ν-1）=86.029元。

將參數(shù)代入公式（6）、（8），求得每個客戶的E（X）和E（M）。此外，本文通過文獻研究和對電信公司內(nèi)部專家的深度訪談，確定貼現(xiàn)率d的取值為d=8%，并且如果預(yù)測時間過長，用戶套餐消費內(nèi)容可能會發(fā)生變動，影響預(yù)測結(jié)果，根據(jù)經(jīng)驗以一年期作為預(yù)測期，結(jié)合公式（9），預(yù)測每個客戶在未來一年內(nèi)的CLV準確值，限于篇幅僅列出部分結(jié)果，如表2所示。

模型可以很好地擬合客戶數(shù)據(jù)并給出每個客戶的CLV，可以作為企業(yè)進行客戶價值細分的依據(jù)，但是從每個客戶的整個統(tǒng)計數(shù)據(jù)來看，如43627054客戶雖然其CLV預(yù)測值很高，但是有9次欠費停機記錄，并且從2015年4月開始交易金額從361.49下降至89.5，各項電信服務(wù)業(yè)務(wù)的使用量也出現(xiàn)降低，而由于期望金額較高，交易多集中在前8個月，導致其在最終的CLV結(jié)果中表現(xiàn)出虛假高價值，因此，也證明了企業(yè)單一利用客戶終身價值進行客戶細分的效果并不理想，仍需進一步從客戶的角度識別其與企業(yè)之間關(guān)系的強度，即客戶忠誠度。

（二）客戶忠誠度的測度結(jié)果

對于客戶的行為忠誠度BL進行量化描述，變量值可直接在上步的計算中的獲取，應(yīng)用公式（10）對每個客戶的行為忠誠度進行描述，量化值以0為閾值來界定客戶行為忠誠是否顯著，部分具體的測度結(jié)果如表6所示。

運用Logistic模型對客戶態(tài)度忠誠進行量化描述，從模型的構(gòu)成上來說，應(yīng)將盡可能所有與客戶態(tài)度忠誠度有高相關(guān)度的自變量都納入其中，但是出于某些技術(shù)和操作上存在較大難度，本文擬定10個自變量及部分客戶數(shù)據(jù)如表3所示。

將所有自變量以及客戶統(tǒng)計數(shù)據(jù)錄入SPSS軟件，并對自變量進行篩選和剔除，采用基于主成分模型的成分分析法，得到對客戶態(tài)度忠誠有顯著影響力度的自變量為賬戶余額k1、欠費次數(shù)k2、在網(wǎng)時長k3、通話時長k4和繳費次數(shù)k5，再用進入法將所得到的5個自變量納入二分類Logistic模型，可以求得各個自變量所對應(yīng)的參數(shù)估計，如表4所示，各回歸系數(shù)的Sig.指標均小于0.05，應(yīng)拒絕原假設(shè)，認為自變量與Logit（πi）的關(guān)系顯著，則πi 的Logistic回歸方程為：

將2949個客戶的數(shù)據(jù)代入回歸方程（15）進行模型效果檢驗，由交叉預(yù)測效果統(tǒng)計的表5可見，模型預(yù)測的準確率達到95.4%，證明所建立的模型有效。

回歸方程中的因變量πi即為客戶態(tài)度忠誠顯著的概率值，πi越大說明客戶的態(tài)度忠誠越強，而當πi<0.5時，可以認為該客戶的態(tài)度忠誠度不顯著，客戶對企業(yè)產(chǎn)品、品牌或服務(wù)的滿意度不高，客戶態(tài)度忠誠度預(yù)測值部分如表3所示。由此可以明顯的觀察到，客戶在態(tài)度和行為兩個不同的層面所表現(xiàn)出的忠誠度并無十分明顯的相關(guān)關(guān)系，態(tài)度忠誠顯著（如客戶53986071）并不一定在行為層面表現(xiàn)出高度忠誠，反之亦然，由此也再一次論證企業(yè)對客戶忠誠度是否顯著的描述要綜合客戶在行為和態(tài)度兩個層面的綜合表現(xiàn)。

（三）客戶價值細分結(jié)果

客戶價值細分在三個維度上閾值的確定，首先，依照20/80定律將前20%客戶的CLV最低值作為客戶終身價值維度的閾值，為1085元。其次，客戶行為忠誠與態(tài)度忠誠維度的閾值分別取其是否顯著的臨界值，即0和0.5，由此將客戶細分為8類，對不同的類型的客戶，企業(yè)應(yīng)采取相應(yīng)的客戶保留策略，樣本細分結(jié)果如表6所示。

I類客戶屬于最優(yōu)質(zhì)的一部分群體，該群體在與電信公司關(guān)系維系中處于穩(wěn)定并且有持續(xù)增長的趨勢，未來在增量購買、口碑推薦等方面可以給企業(yè)帶來大量潛在收益，此外，高度的忠誠也意味著高額的轉(zhuǎn)移成本，電信公司也應(yīng)將優(yōu)質(zhì)的營銷資源投入到保持與發(fā)展這部分客戶上。

II類客戶與電信運營商保持著良好的關(guān)系，但對于通信業(yè)務(wù)的需求大多表現(xiàn)為最基本的通話方面，對電信公司推出的增值業(yè)務(wù)的使用意向不強，因此，電信公司可以在保持其忠誠度的基礎(chǔ)上，適當采取營銷手段如適時推薦新業(yè)務(wù)、交叉營銷等，用以激發(fā)客戶新需求。

III類客戶當期業(yè)務(wù)量很大，也為企業(yè)帶來了短期高額的收益，因此電信公司很容易誤將這類客戶歸為第一類，下一期投入了大量營銷資源，卻最終因缺乏情感忠誠導致該類客戶的流失。對于這類客戶，企業(yè)要認真識別，通過關(guān)系營銷使客戶感受到企業(yè)的關(guān)注與關(guān)懷，并努力將其轉(zhuǎn)化為第一類客戶。

IV類客戶在企業(yè)客戶量中占比最多，由于其較為頻繁的通信使用和較低的利潤貢獻的表現(xiàn)，企業(yè)需要一定資源的投入用以保持這部分客戶，延長客戶關(guān)系時間，通過量上的積累，也有利于企業(yè)獲得可觀收益。

V類客戶有較長的在網(wǎng)時長，雖然每期的使用并不頻繁，但不定期會出現(xiàn)較高的使用費用，因此，電信公司對這小部分特殊群體可以通過提升整體服務(wù)和優(yōu)惠促銷手段，增強客戶滿意的同時培養(yǎng)客戶的使用習慣，盡可能將其升級為優(yōu)質(zhì)客戶。

VI類客戶受限于客戶對公司產(chǎn)品的了解和自身消費能力，對企業(yè)的貢獻并不突出，但該類客戶對運營商的服務(wù)較為滿意，并伴有很強的與運營商長期合作意向，是十分重要的潛在客戶群，因此可以通過延伸與增值業(yè)務(wù)內(nèi)容，提供差異化服務(wù)，將企業(yè)成長型和成熟型數(shù)據(jù)業(yè)務(wù)直接投向該類客戶，進一步優(yōu)化和調(diào)節(jié)客戶期望，并積極處理客戶的信息反饋，預(yù)防客戶流失。

VII類客戶屬于短暫交易類型，此類客戶數(shù)量并不多，雖對電信公司的整體收益產(chǎn)生了一定貢獻，但與運營商的關(guān)系十分薄弱，很容易受競爭對手的營銷誘惑。因此，應(yīng)保持客戶當前水平，不必為其投入過多營銷資源。

VIII類客戶處于長尾末端，由其客戶特征來看，該類客戶未來不僅不會為企業(yè)帶來可觀收益，還會因虛假信息反饋、欠費等給運營商造成多重負面影響，因此企業(yè)可以放棄繼續(xù)保持這類客戶，任其流失即可。

結(jié)論

本文跳出單一采用優(yōu)化算法捕捉客戶價值的客戶細分思想，將焦點放在企業(yè)更關(guān)注的客戶終身價值上，從行為和態(tài)度兩個維度，構(gòu)建并研究了三維客戶價值細分模型中各維度的測度方法，輔以大樣本統(tǒng)計數(shù)據(jù)，對客戶三個層面的價值貢獻做了有效量化，在分析不同群體客戶固有特征的前提下，制定有針對性的客戶保持與營銷策略。本文在設(shè)計模型各維度上的影響因素時，側(cè)重于客戶與企業(yè)的人口特征、交易的統(tǒng)計數(shù)據(jù)，隨著互聯(lián)網(wǎng)技術(shù)的日益成熟以及企業(yè)在CRM上的投入增加，可以將市場規(guī)模的變化、交叉購買、口碑等更多的影響因素加以量化，融入到客戶價值細分模型當中，更加準確的指導企業(yè)客戶關(guān)系管理工作。

參考文獻：

1.鄧曉懿，金淳，口良之，韓慶平.移動商務(wù)中面向客戶細分的KSP 混合聚類算法[J].管理科學， 2011，24（4）

2.賀昌政，孔力.基于CLV要素的信用卡客戶細分模型[J].統(tǒng)計與決策，2013（11）

3.褚格林.基于聚類模型的電信客戶細分研究[J].統(tǒng)計與決策，2014（8）

4.孟慶良，鄒農(nóng)基，陳曉君.面向顧客資產(chǎn)的三維顧客細分模型及其應(yīng)用[J].數(shù)理統(tǒng)計與管理，2008，27

5.吳玲， 李叢叢.基于客戶終身價值的電力客戶細分研究[J].科技和產(chǎn)業(yè)，2012，12（11）

6.Berger P， Nasr N. Customer lifetime value：marketing models and applications [J].Journal of Interactive Marketing， 1998， 12（1）

7.羅杰·卡特懷特. 掌握顧客關(guān)系[M].廣西師范大學出版社，2002

8.Jackson， B.B， Building Customer Relationship that last[J]. Harvard Business Review， 1985

9.Fader P S， Hardie B G S， Ka L L. RFM and CLV： Using Iso-Value Curves for Customer Base Analysis.[J]. Journal of Marketing Research （JMR）. 2005， 42（4）

10.Colombo R， Jiang W. A stochastic RFM model[J]. Journal of Interactive Marketing，1999，13（3）

11.Hughes A M. Strategic Datebase Marketing[M]. Chicago： Probus Publishing Company， 1994