基于消费行为的市场细分模型构建与验证——以移动通信行业为例，本文主要内容关键词为：消费行为论文,为例论文,通信行业论文,市场细分论文,模型论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
随着我国通信市场的全面开放，移动通信运营商（简称“运营商”）之间的竞争将变得异常激烈，产业规模也将进一步扩大。现阶段国内主要有3家“运营商”——中国移动（简称“移动”）、中国联通（简称“联通”）和中国网通，属于典型的寡头竞争市场。3大“运营商”中，市场占有率最高的一直是中国移动，其次是中国联通。中国网通由于它的主要业务是固定电话业务，“小灵通”只能是作为移动通信业务的补充，其市场份额相对较小。
随着通信技术的不断发展和客户消费行为的不断成熟，“移动”和“联通”作为2大“运营商”，市场竞争日趋激烈。从某种意义上说，“移动”和“联通”两家“运营商”面临着相似的外部环境。从宏观形势看，国家政策法规的颁布和实施都会影响到整个行业营销策略和价格策略的制定与实施。随着人民生活水平的逐步提高，居民消费观念和消费行为日趋差异化和多样化。从发展形势来看，根据信息产业部最新统计，我国“运营商”近来客户数虽然不断增加，但是业务收入与通话量的增长速度却远远低于客户数量的增长速度，即所谓的“丰收悖论”，一方面是迅猛增长的客户数，而另一方面却是收入的缓慢增长、客户满意度的持续走低。
如何提高客户满意度、客户忠诚度，进而提高客户价值，是现阶段“运营商”亟待解决的主要问题之一。最直接的方法就是“运营商”能够有针对性地开展市场营销活动，不断挖掘客户的潜在消费能力，而一个有效、准确的市场细分模型是运营商开展营销活动的基础和保障。基于此，本研究将首先分析移动通信行业客户的基本特征，并对现行的市场细分方法进行分析，在此基础上构建基于消费行为的市场细分模型，并采用K- means聚类算法对模型进行了验证分析。
1 移动通信行业客户特征及其价值
1.1 客户特征
移动通信行业客户特征相对复杂多样，主要表现在以下几个方面：
（1）多元化客户 移动通信行业是为全社会提供服务的，从党政机关、经济组织、社会团体直至个体居民都是享受移动通信业务的客户。不同的客户所需要的业务和服务是不同的。
（2）多样化需求 不同地区的客户会因为生活习惯、生活水平和收入结构等的不同而产生不同的业务和服务的需求，因此对于“运营商”而言，其业务的开展和服务的提供应该能够充分反映不同层次客户的多样化需求。
（3）替代性较强 市场竞争激烈，客户使用移动通信服务的随机性也较强。目前，通信市场不仅有固定电话、移动电话和小灵通，随着网络软件和硬件技术的不断发展，因特网也会替代一些传统通信工具，抢占部分市场份额。
1.2 客户创造的价值
客户创造价值，但是不同的客户为“运营商”创造的价值是不同的，各“运营商”的主要营销目的就是要不断地吸引、保留高价值的客户，为其进行量体裁衣式的服务，同时减少低价值客户的服务成本投入。
（1）客户对企业的贡献遵循帕累托原则[1]，不足20％的大客户为企业带来了大于80％的现在利润和未来利润，群体差异过大加大了移动通信企业开展市场营销的难度。
（2）移动通信行业最大的特点就是产品非实物性（又称二次性），通过提供服务来获得收入，其市场的二次性特征就意味着客户加入的时间越长，企业收入越多，即为“运营商”创造的价值就越高。
（3）在移动通信市场发展的初级阶段，“运营商”为客户提供的服务主要为语音通话业务，而随着通信技术的不断发展，“运营商”为客户提供种类越来越多的新业务，并且这些新业务不断地为客户所接受。
移动通信客户层次的多样性和需求的多样性增加了“运营商”市场营销工作的难度。“运营商”为了有效地推出新的业务和服务，以达到客户满意，提高客户忠诚度，进而为自己创造更多的价值，就要充分了解客户，对客户群体进行合理的市场细分，从而更有针对性地展开营销活动。
2 移动通信行业现有市场细分方法分析
最初市场细分的主要依据是人口统计学特征（例如年龄、性别等）。随着市场细分研究的不断深入，出现了一些新的细分方法，最具代表性的有基于客户购买行为的细分方法和基于客户生命周期价值理论的细分方法。细分方法之间的根本差别在于细分维度，不同的细分维度需要不同的细分技术来支撑，并由此导致相应的细分依据甚至细分方法论上的差异，最终使得各种细分方法有着各自不同的市场适用性。
市场细分的前提就是要了解所要研究客户的特征。以客户为视角的各种细分方法，其基本的维度内涵离不开客户的3个基本特征：人口特征、行为特征和心理特征。人口特征包含了客户展现出来的外部特征[2]；行为特征则表现为客户的具体购买行为；而心理特征不仅反映客户的行为，还包含兴趣和态度[3，4]。依据维度的不同可以将细分方法分为人口统计细分、行为细分和心理细分3类。
人口统计细分的基本假设就是人口特征与客户需求之间具有一定的联系[5]。行为细分借助行为在时间段上的延续性来预测将来的购买行为[6]。尽管心理细分也包含行为要素，但是它透过行为的外在表现深入到指导这些行为的心理内涵，再借助逻辑假设来推断客户的购买偏好和习惯[7]，最终达到细分目的。
不同的细分方法具有其应用倾向性，因此细分方法的选择要受到其细分目标的制约。人口统计细分，一般适用于了解基本的市场结构，尤其是客户结构，在实践中往往是其他细分方法的有效补充。行为细分和心理细分，具有较强的推理依据，比人口统计细分更广泛地用于营销和管理。相比而言，心理细分因其更可靠的方法论在市场适应性上又高于行为细分[8]，其应用于创新性的市场策略中会更有效果。行为细分的优势在于它不仅可以用来细分客户，还能够动态地管理客户。
综上所述，各种市场细分方法之间既相互关联又相互区别，各具特点和优势。其维度特征、维度内涵、细分依据、方法论和细分目标5个方面的具体含义见表1。
移动通信行业客户层次的多样性决定了合理地对客户群体进行市场细分的重要性。目前，“运营商”的市场细分主要通过以下2种方式进行[9]：
（1）按照客户的消费额度不同进行市场细分 此种细分方法即为典型的行为细分。目前移动通信企业普遍采用基于ARPU值（每人每月的平均消费水平）进行客户细分。基于ARPU值的市场细分方法操作简单，可以方便地根据营销资源预算取舍营销活动中的目标群体，在实践中简便易行。但是，此种方法存在的问题就是无法把握客户对不同业务的需求特点，如ARPU值相同的青年和中年客户，其消费结构必然存在着显著的差异。如果采用这种细分方法就会将消费结构截然不同的2种客户归并为一个细分群体，对其采用相同的营销策略，事实上这样做是不合理的。
（2）基于人口统计变量进行市场细分 此种方法为典型的人口统计细分方法，包括人口统计信息、地理信息等，然后通过这些信息，从宏观的角度去把握客户。目前，我国个人信用管理制度尚不完善，导致很多的移动客户个人信息的准确程度较低，而依据这些不准确的信息进行的市场细分也必将带来群体划分的不准确。同时，相同年龄结构的人可能会因为受教育程度的不同，家庭环境的不同而产生不同的业务需求和服务需求。这意味着，以人口统计变量作为细分维度进行市场细分对于“运营商”开展相应的市场营销活动的帮助是很有限的。表2对比了现阶段移动通信行业的2种典型的市场细分标准。
表2对现阶段移动通信行业市场细分的方法进行了比较，归纳出了移动通信行业市场细分所采用的方法及存在问题。从该表可见，无论是以消费额还是其他指标的综合度量，这些方法都存在局限性，不能很好地对客户进行准确的把握和判断。
3 移动通信行业市场细分模型构建
随着客户需求和偏好的个性化发展，“运营商”如何有针对性地进行服务就显得尤为重要，因此一个合理有效的市场细分模型就成为“运营商”进行营销活动的基础。从“运营商”的角度来说，他们关心的是客户的消费行为，传统的利用人口统计变量作为细分维度的方法已经不能适应企业集约式发展、精细化管理的需要，而基于消费行为的市场细分方法对于企业营销决策的制定将具有更强的针对性。所以本文尝试使用客户消费行为变量来构建移动通信行业的市场细分模型。目前，移动通信行业完备的客户交易数据系统（BOSS库系统）和经营分析系统都为基于消费行为的市场细分模型的构建提供了有力的数据保障。
为了避免概念混淆，有必要对客户价值的含义予以界定。客户价值既可以指客户对企业的价值，也可以指企业为客户提供的价值[10]，本文所讨论的客户价值指客户对企业的价值。
移动通信客户对“运营商”的价值主要体现在3个方面：客户的当前价值、客户的发展性和客户的忠诚度。这3个方面都是很抽象的概念，因此首先要从移动通信行业BOSS库系统和经营分析系统中甄选出相应的变量来表征消费者在这3个方面的价值。
（1）客户的当前价值 它是假定客户现行购买行为模式保持不变时，客户可望为公司创造的利润[11]。它是以现在客户对企业的利润贡献模式不变为前提的，对于“运营商”来说，最基本的传统业务为语音业务，客户在传统业务上的消费额是最能体现其现阶段对“运营商”的利润贡献的。如果客户继续保持这一消费模式不改变，其对运营商价值的贡献模式也将不会改变。
（2）客户的发展性 随着移动通信行业相关技术的发展，各“运营商”都相继推出了新业务（如彩铃、彩信、GPRS上网和VOR等），对于“运营商”来说，客户在新业务上的消费是最能体现其发展性的。当“运营商”推出新业务时，客户也会保持其自身消费结构的发展性，增加对新业务的消费，从而为“运营商”带来相应的利润贡献。
（3）客户的忠诚度 OLIVER[12]将客户忠诚定义为“高度承诺在未来一贯地重复购买偏好的产品或服务，并因此产生对同一品牌或同一品牌系列产品或服务的重复购买行为，而且不会因为（市场）态势的变化和（竞争性产品）营销努力的吸引而产生转移行为”。客户对企业的忠诚度既是客户价值的前提条件，也是客户发展性的基础，因此要将客户忠诚度纳入模型当中。
目前，“运营商”的数据库中所能获得的数据资料为客户消费行为数据。这些数据以交易数据为主，而交易数据是通过导入每一单个通话或通话尝试的呼叫记录得到的。
移动通信业务可以分为传统业务和新业务：①传统业务是指已经非常成熟的语音业务，几乎每个移动客户都是语音业务的使用者。2007年底辽宁移动通信有限责任公司对辽宁省移动通信行业的业务发展情况进行了详细的对比分析，结果显示语音业务虽然仍是移动通信行业收入的主要来源，但是其使用量增长幅度十分缓慢，在某些月份还出现了下降的趋势。当客户的通话量降低到一定程度时，语音业务的消费就会出现饱和状态，逐渐趋于稳定，属于企业的“金牛业务”。②新业务就是除了语音业务之外的增值业务和数据业务的统称[13]。新业务中除了短信和彩信在一定程度上得到客户的认可和使用（但是与移动通信企业的业务承载量相比还有很大的发展空间）外，其他的很多新业务无论是在价格上，还是在使用便利性等方面甚至还没有被消费者所接受。发展新业务已经成为目前移动通信行业市场工作的重点，因此新业务具有很大的潜在消费空间，属于企业的“明星业务”。
因此，语音业务的稳定发展和趋于饱和的状态可以用于表示客户的当前价值，新业务的潜在消费空间可以用来表示客户的发展性。而在网时长的差异，既体现了客户对“运营商”的忠诚度也体现了客户对品牌的忠诚度，所以用在网时长这一参数来衡量客户的忠诚度。
因此，可构建以当前价值、发展性和忠诚度3种客户消费行为作为维度的市场细分模型。通过有效的聚类分析可以得到更有实际意义的客户群体分类。基于客户消费行为的市场细分模型见图1。
图1 基于客户消费行为的市场细分模型
4 基于K-means聚类的市场细分模型验证
移动通信企业记录了每一个单个通话或者尝试通话的记录。研究的数据来源于辽宁省某移动通信企业的BOSS库系统和经营分析系统中的客户消费的话费详单。研究从数据库中随机抽取出10000个样本（4个月的通话记录详单），并根据ID号（手机号）对其各项消费进行了平均处理。有研究发现客户的移动通信消费也是具有季节性的，因此本研究在每个季度分别随机抽取了1个月，以此减少季节对客户消费的影响。
研究所构建的移动通信行业市场细分模型选择了“当前价值”、“发展性”和“忠诚度”3个维度。根据研究需要在某移动通信企业进行了数据的收集，选择了相关的测量变量，首先要对选取的变量进行因子分析。选取的变量及命名见表3。
在进行数据的预处理后，研究使用clementine数据挖掘软件对数据进行因子分析，其中KMO值为检验因子分析适合度的一个重要参数指标，其取值范围在0～1之间，KMO值愈大，表示变量间的共同因素愈多，愈适合进行因子分析，根据学者KAISER的观点，当KMO的值小于0.5时，较不适合进行因子。对所收集的数据进行因子分析，得到的KMO值为0.864，表示该数据集适合进行因子分析。
表4中的数值表示各个变量在各因子上的负载，即因子表达式中的系数值，反映了因子和各变量间的密切程度，它的绝对值越大，说明该因子对当前变量的影响程度越大。该数据集共提取出3个因子，其中因子1包括变量“本地通话费”、“国内长途话费”和“漫游费”；各变量在因子1上的因子负载分别为0.81、0.60和0.53，对应模型中的传统业务。因子2中有2个变量，分别为“信息费”和“数据业务费”，其因子负载分别为0.67和0.64，全部属于新业务，对应模型中的新业务。因子3只有一个变量“在网时长”，其反映的是客户的状态，即对应模型中的客户状态，是一个独立因子。因子结构见图2。
图2 市场细分维度的因子结构
得到因子分析结果后，为了便于聚类，将3个因子下的所属变量值分别相加，生成3个新变量分别以3个维度的名称为其命名，即为“tra_fee”、“new_fee”和“mon_time”，生成一个3维立体结构图，其分布情况见图3。
图3 样本数据分布
本研究采用K-means聚类算法，使用clementine中的K- means的聚类模型。取类别参数为2～20的不同数据，即通过选项MAXC取不同值进行检验。根据对该类数据进行分类的目的和经验，本例共执行了19次FASTCLUS过程，并记录每次执行产生的相关统计量。为了找到最合适的分类数，分别取maxc＝2，3，…，20执行前述程序。
（1）R_square统计量（RSQ） 用于评价聚类的效果。理论上，其值越大，表示类内离差平方和在总离差平方和中占的比例越小，聚类效果越好。R_square的值总是在0和1之间，当n个样品分为n类时，R_squate＝1；当n个样品最后合并成一类时，R_square＝0，R_square的值总是随着分类个数的减少而变小。因此在实际问题中，不能孤立地看每次聚类值的大小，应该看R_square值的变化。当聚成不同的类时，观察两两相邻的R_square值的变化，当R_square值出现了大幅下降时，则下降前的类的个数是最合适的。
从图4可以看出：整体来说，R-Square值随着聚类数目的增加呈上升趋势，但当从11类合并成10类时，R-Square值下降0.04，其变化幅度最大；其次是当从13类合并成12类时，R-Square值下降0.03；此统计量表明聚成11类较合适。
图4 R-Square统计值变化趋势
（2）RSQ（1－RSQ）统计量 它等于类间方差与类内方差的比值。当聚成不同的类时，观察两两相邻的RSQ（1－RSQ）值的变化，当RSQ（1－RSQ）值出现了大幅下降时，下降前的类的个数是最合适的。
从图5可以看出，其RSQ／（1－RSQ）值与R-square的变化趋势相同，随着聚类数目的减少，类间方差与类内方差的比值呈下降趋势，但当从13类合并成12类时，RSQ／（1－RSQ）值下降0.72，下降幅度最大；其次是当从11类合并成10类时，RSQ／（1－RSQ）值下降0.64，下降幅度也比较大：单从此统计量来看，聚为13类最为合适，聚为11类也可以接受。
图5 RSQ／（1－RSQ）统计值变化趋势
（3）伪F统计量 在给定水平上该统计量用于评价分为N个类的聚类效果，伪F值出现最陡峭的峰值时所对应的分类最为合适。
由图6可以看出：Pseudo F统计量在C＝5、C＝11、C＝13时3次达到峰值，结合前2个统计量进行综合评判，可以对C＝11和C＝132种情况进行比较。通过观察发现，当C＝11时，其峰值更陡些，所以选择数据聚成11类。
图6 Pseudo F统计量变化趋势
市场细分模型将从3个维度对客户进行描述，分别是传统业务、数据业务和在网时长，分别来表征客户的当前价值、发展性和忠诚度。将已经聚成的11个客户群体以三维矩阵的形式表现出来，见图7。
图7 市场细分矩阵
通过聚类算法得出的11类客户群体有着不同的消费行为特征。图7中的市场细分矩阵分3个维度，各个维度分别取一个标准值。而这标准的取值不是通常意义上的均值，根据2／8原理，企业80％的收入是由20％的客户提供的，所以将各个细分维度的标准值取样品80％处为分位点。也就是说，如果某一个客户群体在某一维度上的均值大于标准值，则说明此客户群体在此维度上是对企业有贡献的；反之亦然。
3个维度将市场细分矩阵分为8个象限，而11个客户群体分布在市场细分矩阵的不同位置，各象限的特征见表5。
通过聚类算法将客户进行细分，得到11类客户群体已经分布在市场细分矩阵的8个象限中。据此，“运营商”就可以对客户矩阵中的各类客户群体开展有针对性的营销活动，以达到营销效果的最佳化。
5 结论
分析了移动通信行业主要的市场细分方法，在此基础上提出更加有针对性的以客户消费行为为变量的市场细分模型，选取了当前价值、发展性和忠诚度3个维度，并用移动通信业务中的传统业务和新业务来表征客户的当前价值和发展性，用在网时长来衡量客户的忠诚度，将“运营商”的数据库与客户消费行为连结起来，提供了衡量消费行为的数据资料。在验证模型的方法选用上，该论文采用K- means聚类算法。验证表明，消费者行为导向的细分模型是个较为理想的市场细分方法，因为它不仅帮助“运营商”从客户行为角度了解客户的消费方向，也为“运营商”找出客户的特征，并且为制定进一步的营销方案提供了数据支持。
未来“运营商”市场的营销模式应该是深度营销。“运营商”对客户的认识越全面，对细分市场间的差异认识也就越深刻，细分的效果就会越好。
由于研究条件的限制，模型存在着一些有待完善的地方：
（1）考虑到客户的动态性，因此要及时更新数据以保证模型的适用性；或者，在此模型的基础上，使用时间序列数据，构建出预测模型，以适应客户的动态性。
（2）应该加强客户调查研究工作。通过市场调查研究，可以获得一些数据库平台不能提供的关于客户的消费心理、态度特征等方面的变量。通过把心理特征等变量与行为特征变量结合起来进行定性、定量研究，同时辅之以人口统计特征，相信会使整个市场细分工作更为出色。
标签：中国移动论文; 人口统计论文; 通信论文; 客户忠诚度论文; 市场细分论文; 客户细分论文; 因子分析论文; 客户价值论文; 企业特征论文; 群体行为论文; 运营商论文; 空间维度论文;