面向顾客资产的三维顾客细分模型及其应用，本文主要内容关键词为：顾客论文,及其应用论文,模型论文,资产论文，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。
文章编号：1002-1566(2008)05-0785-10
0 引言
为优化顾客获取成本与顾客保持成本，Blattberg和Deighton首次提出了顾客资产的概念[1]。顾客资产可以界定为企业全部顾客终身价值(Customer Lifetime Value,CLV)折现值的总和[2]。其基本理念是把顾客看成是一种资产，把营销上的开支看做是可以在未来为股东创造价值的一种投资。事实上这种把营销投资当作长期回报的理念确实能更好地指导企业进行有效决策[3]。但是，并非所有的顾客都能给企业带来盈利，因此，需要对顾客进行细分和识别。顾客细分是指按照一定的标准将企业的现有顾客划分为不同的群体，以便企业更好的识别顾客并对其进行区别对待。顾客细分是进行顾客资产管理的基础[2]，合适的顾客细分模型决定企业顾客资产管理的有效性。
在当前的顾客细分模型中，Hughes提出的RFM(Recency、Frequency、Monetary)模型应用较为广泛[4]，该模型基于顾客的历史购买行为进行细分，一定程度上能够达到预测顾客购买行为的目的。为了规避F和M两个变量之间的多重共线性，Mareus提出了基于购买次数F与平均购买额A的二维顾客细分模型[5]。上述细分方法从本质上讲是以顾客价值为立足点，在剖析顾客盈利性方面具有一定优势，但是没有考虑顾客的交叉购买意向和非货币贡献等因素，进而影响其对顾客定细分的精确性和有效性。随后，一些学者基于顾客资产研究了顾客细分问题：Werner等人从顾客利润贡献度和关系持续性两个维度对顾客进行细分[6]；Hyunseok等人[7]提出从顾客历史贡献、潜在贡献和流失率三个维度进行顾客细分，类似地，夏维力等人[8]考虑到顾客忠诚对CLV的影响，根据顾客当前价值、潜在价值和顾客忠诚三个维度建立顾客细分模型。但有学者指出，把顾客忠诚或关系质量作为其中一个关键维度的细分方法并不适用于非契约环境，进而提出了一种基于关系可靠性的顾客细分方法[12]。可以看出，上述模型虽然把顾客忠诚／关系质量作为顾客细分的一个关键维度，考虑到了顾客的无形贡献，但对顾客忠诚和关系质量来说，缺乏统一的度量标准，很难精确度量。而且，在顾客基很大时，企业无法针对每一个顾客度量其忠诚度。因此，部分学者对目前的顾客细分方法提出质疑[9]。
有别于传统的基于顾客行为、顾客价值的细分方法，面向顾客资产的顾客细分不仅关注顾客当前的利润贡献，而且强调顾客潜在的有形／无形贡献。运用“贡献”术语区别于以往用“价值”来描述顾客盈利性，因为顾客对企业顾客资产的贡献并不直观，除了传统的CLV外，还包括顾客能够带来的所有的影响企业绩效的间接价值[10]。
需要说明的是，本研究的适用环境为B2C非契约环境，即顾客与企业之间没有契约约束的市场环境，如百货商店、银行信用卡、网上购物及电邮购买等，在该环境下：顾客基较大，顾客个人与多家企业保持交易关系，顾客自主选择是否与企业交易、交易数量和金额、何时终止交易等，而且重复购买的时间间隔具有不确定性[11]；控制与预测顾客的未来行为具有很大难度；长期的关系并不意味着高收益[12]。
1 顾客资产贡献的构成维度
Julian等人指出[10]，顾客对企业顾客资产的贡献不仅体现在财务方面，即不仅包括CLV，还包括顾客对企业绩效的无形贡献，忽略这些贡献会极大低估顾客对企业的价值，并通过VAR模型，基于实证分析了口碑推荐对顾客资产的影响。事实上，企业每获取一个顾客，顾客资产就有可能通过多方面增值：①顾客与企业维系关系期间产生的现金流，由CLV反映出来；②顾客可能产生口碑效应（正或负）；③顾客可能通过向企业提供顾客能力改善企业当前绩效。因此，可以认为顾客对企业顾客资产的贡献主要通过三方面体现：
(1)顾客当前显性贡献：也就是顾客购买以及重复购买企业的产品／服务而产生的利润贡献，取决于顾客的消费能力和产品／服务的边际利润。其度量方法一般是通过计算CLV来实现。
(2)顾客潜在显性贡献：即顾客发生增加购买和交叉购买行为所带来的额外收益，之所以将其单独考虑，是因为这种价值对于客户关系的持续性具有重要的意义。交叉购买是指顾客购买以前从未买过的产品类型或拓展与企业的业务范围，顾客发生交叉购买行为取决于企业对产品的拓展程度、顾客对企业品牌的情感依赖和购买习惯等因素。顾客增加购买是指顾客增加已购买过产品／服务的交易额度，顾客增加购买的可能性取决于顾客关系的质量、顾客自身的成长等因素。
(3)顾客潜在隐性贡献：主要体现为顾客对企业绩效的无形贡献，主要包括顾客的口碑推荐价值、信息价值和合作价值。顾客的口碑推荐价值取决于顾客的影响范围和相关人群的收益价值，之所以将口碑推荐界定为顾客的隐性贡献，主要考虑到大多情境下，顾客口碑推荐产生的利润贡献都具有极大的不确定性，很难精确地用货币表示，而且顾客口碑推荐是顾客作用于市场的一种行为，并不能直接产生利润贡献，其贡献主要是通过潜在顾客的利润贡献来体现。顾客的信息价值一方面体现在顾客主动提供给企业所需的与顾客相关的信息，进而节约信息获取成本，另一方面是顾客对市场信息的提供，有助于企业把握整个市场动态。顾客的合作价值是指顾客与企业的有效协同而产生的效用，顾客与企业的有效合作能降低交易成本和提升产品／服务的创新绩效。顾客潜在隐性价值贡献不是顾客直接作用于企业（通过购买产品／服务）产生的，而是通过作用于市场（口碑推荐）和自身（学习、知识等价值）而产生。
2 顾客资产的三维贡献度量方法
2.1 顾客当前显性贡献的度量方法
度量顾客当前显性贡献的基本依据是顾客终身价值。目前在非契约环境下得到普遍认可的模型是由Schmittlein等人提出的Pareto/NBD模型，也称SMC模型[13]，其基本假设为：
(1)活跃顾客随机与企业发生交易，其交易过程可以用购买率为λ的泊松分布表示；
(2)个体顾客生存时间服从流失率为μ的指数分布；
(3)不同顾客的购买率λ服从参数为r和α的
分布；
(4)不同顾客的流失率μ服从参数为s和β的
分布；
(5)λ和μ相互独立。
Pareto/NBD模型的主要结果如下：
当α＞β时，
针对模型参数r，α，s，β的估计，Schmittlein等人给出了三种方法，常用的是极大似然估计法。
度量顾客当前显性贡献，除了需要预测顾客在未来时期内的期望购买次数，还需要了解顾客每次交易的回报。Fader等人指出Gamma-Gamma模型能够根据顾客以往每次发生的交易额预测未来顾客每次交易的回报，模型有如下假设[14]：
(1)给定交易的价值回报围绕平均交易价值随机变化；
(2)顾客之间的平均交易价值不同，但是对于给定的顾客，其平均交易价值不随时间变化；
(3)顾客之间的平均交易价值分布与交易过程相互独立。假定顾客进行了x次交易，用
表示每次交易的价值回报。其平均交易价值为：
2.2 顾客潜在显性贡献的度量
对顾客潜在显性贡献度量的目的在于预测顾客进行交叉购买和增加购买的可能性。交叉购买是指现有顾客购买企业的其他不同的产品／服务，而增加购买则是顾客购买更多同样的产品／服务，交叉购买带来的价值贡献可以表示为：
对于顾客发生增加购买和交叉购买的倾向很难用精确的概率模型描述，考虑到Logistic模型的最大优点是不需要严格的假设条件、克服了线性方程受统计假设约束的局限性、比多元线形回归具有更强的适应性、便于操作等优势[9]，认为Logistic模型是预测顾客潜在显性贡献比较适合的模型。此外，考虑到统计模型的有效性依赖于数据的输入样本以及统计方法的选取，Olivia指出有三类数据可以作为预测的输入样本：顾客的人口统计学特征数据非常稳定，且成本很低，应用在预测建模中最为合适；心理数据通常需要通过调查和推论得出，其成本较高，预测性和稳定性一般；虽然顾客行为数据具有很高的预测能力，但稳定性很低，收集这些数据的成本也很高[15]。因此，运用Logistic模型进行预测时应综合考虑这些因素。其基本原理如下：
(1)回归函数应该限制在0-1之间的单调增函数。
Logistic回归模型对样本量有严格的要求，适合大样本处理，该过程可以通过SPSS软件中Regression分析中的Binary Logistic命令实现，样本量的选取原则上是越大越好[9]。
2.3 顾客潜在隐性贡献度量
顾客潜在隐性贡献包括顾客的口碑价值、信息价值和合作价值，在企业不同时期，这几部分的价值贡献对企业的重要性也不尽相同[2]。顾客的潜在隐性贡献很难通过货币度量，如对口碑推荐来说，如果考虑网络的影响，将更难把握顾客的这一行为所带来的影响。考虑到操作性和稳定性，对该维度的预测应结合定性和定量的研究办法，如银行认为口碑推荐在很大程度影响其收益，通常采用关联交易同行交易比例进行衡量。关联交易同行交易比例指与该顾客有往来交易的账户中，同行交易次数所占的比例以及同行交易金额占中交易金额比例，以及同行交易金额占总交易金额比例，但该方法在更为复杂的日用品消费环境下可能就不再适用。同样，顾客潜在隐性贡献的度量也可以用Logistic模型预测得到。
3 实证研究
数据来源于南京某商业银行百货信用卡的消费记录，持百货信用卡的顾客消费行为符合上述的非契约环境下的顾客消费特征。考虑到数据库中客户数据很多，仅截取与银行关系维系时间大于4个月的顾客数据，对其中的5746条记录进行分析，以验证顾客细分模型的可行性和有效性。考虑实际情况，将顾客潜在显性贡献用顾客交叉购买带来的贡献来表征，顾客的潜在隐性贡献只考虑顾客的口碑推荐，这是因为顾客主动与银行的交互较少，在该环境下顾客的信息价值和合作价值对银行贡献并不显著。
3.1 顾客当前显性贡献的预测
基于Pareto/NBD模型，通过获取三类顾客历史购买数据：购买次数、距离上次购买的时间以及观察时间长度。观察时间定义为顾客激活信用卡到最后一次统计日期的时间长度，以月为单位。在Windows XP环境下通过Matlab6.5中优化工具箱中的fmincon函数实现Pareto／NBD模型的最大似然估计。
Pareto／NBD模型的最大似然函数为
用顾客期望购买次数与顾客未来的每次购买回报的乘积进行折现，即可作为对顾客当前显性贡献的值。如果数据可得，结合Gamma-Gamma模型可以预测顾客每次交易的回报额，但考虑到该模型需要顾客的每次历史购买行为数据作为输入数据，比较复杂，在本文中仅用顾客历史购买的平均回报进行估计。
3.2 顾客潜在显性贡献的预测
运用Logistic模型对顾客潜在显性贡献进行预测，在Windows XP环境下通过SPSS13.0实现。首先，将数据分为预测样本和确认样本，按照50/50分割，取其中2873条记录建立模型，然后对其余纪录进行预测。模型的响应变量为顾客是否发生交叉购买（发生购买为1，否则为0）。理论上，应该将所有的可以很好预测响应变量的自变量都纳入到模型中[16]，但是结合数据获取的难易程度及获取成本，应该权衡自变量的选取和预测效果。本研究中拟定的自变量如图1所示：
图1 顾客交叉购买影响指标
图2 面向顾客资产的顾客细分模型
根据银行数据库的代码表定义，对个别变量的说明如下：
(1)性别：1代表女，0代表男；
(2)年龄：1表示12～17岁，2表示18～22岁，3代表23～32岁，4代表33～40岁，5代表41～55岁，6代表56～70岁；
(3)婚姻状况：0指未婚，1指已婚；
(4)行业类型：1代表机关团体，2代表邮电通信计算机网络，3代表商业／贸易，4代表银行／保险／证券／金融／投资，5代表财政／税务，6代表社会服务；
(5)教育程度：1表示初中以下，2高中，3大专或本科，4研究生及以上；
(6)顾客年收入：1描述6000元以下，2描述6000元（含）～12000元，3描述12000元（含）～24000元，4描述24000元（含）～36000元，5描述36000元（含）～6万元，6描述6万元（含）～96000元，7描述96000元（含）～12万元，8描述12万元（含）以上；
(7)账户余额：1代表小于100元，2代表100（含）元～500元，3代表500（含）元～2000元，4代表2000（含）元～5000元，5代表5000（含）元～1万元，6代表1万（含）元～5万元，7代表5万（含）元～10万元，8代表10万元以上；
(8)累计交易次数：1为0次，2为1-2次，3为3-4次，4为5-6次，5为7-8次，6为9-10次，7为11-12次，8为13-15次，9为16-20次，10为21-25次，11为26-30次，12为31-40次，13为41-50次，14为51-70次，15为71-90次，16为91-110次，17为111-150次，18为151次以上；
(9)累计交易金额：1代表100元以下，2代表100（含）元～1000元，3代表1000（含）元～5000元，4代表5000（含）元～1万元，5代表1万（含）元～5万元，6代表5万（含）元～10万元，7代表10万（含）以上；
(10)最近一次交易量：1代表100元以下，2代表100（含）元～1000元，3代表1000（含）元～5000元，4代表5000（含）元～1万元，5代表1万（含）元～5万元，6代表5万（含）元～10万元，7代表10万（含）以上。
由于自变量较多，需要进行选取和剔出，设置年龄和教育程度为类别变量，通过前向逐步法和反向逐步法检验，剔除不显著变量，最终显著的自变量为年龄、教育程度、账户余额、累计交易额以及账户数。然后用Enter法将自变量纳入模型，得到参数估计结果输出如表2所示，预测有效性如表3所示，可以看到预测精度较高，认为模型有效。可得模型的表达式为：
用回归模型可以得出最终的预测概率和组别结果，该过程通过Excel进行实现。最终结果片断见表1。
3.3 顾客潜在隐性贡献的预测
对顾客发生口碑倾向的预测过程类似于对顾客交叉购买倾向的预测过程，其中，婚姻状况、交易次数、累计交易量对顾客的口碑推荐不具显著影响，而统计发现较长的顾客与银行的交易时间、女性、23-32岁的顾客更容易发生口碑推荐，这一结果也比较符合常理。各自变量的参数估计结果和分类效果如表4和表5。
3.4 顾客细分结果
限于篇幅，截取顾客部分分析数据，给出具体的顾客细分结果，见表1（应数据来源单位的要求，本文对部分数据及格式作了调整）。
根据表1，最终得出商业银行的顾客细分结果，如图2所示。
第一类顾客：当前显性贡献、交叉购买倾向和口碑推荐倾向都较高，该类顾客是顾客资产中最稳定、最优质的部分，显然对银行来说是最理想的顾客。拥有这类顾客群，不仅使企业获得规模经济的优势，并且其忠诚度营造的巨额转移成本会形成竞争者的进入壁垒。在对这类顾客关系的管理上，企业的策略是实施顾客忠诚管理，目的在于稳定、保留这部分顾客，防止其流失，同时，企业还应与之建立伙伴关系，形成利益共同体，锁定这部分顾客。
第二类顾客：当前显性贡献较低、口碑推荐倾向较高。通过考察影响当前显性贡献的前因变量，提升顾客的当前显性贡献，同时与顾客建立情感联系渠道，通过关系营销、情感营销表达对顾客的关注和感谢，激励其口碑推荐行为。
第三类顾客：当前显性贡献较低、交叉购买倾向较高。银行要考察影响当前显性贡献的前因变量，如果该类顾客的活跃度较高，说明是其消费金额较小，因此，应采取一定的营销手段刺激其扩大消费金额；如果活跃度较低，银行应该考虑是否将其转变为相关其他业务的顾客。
第四类顾客：当前显性贡献和交叉购买倾向都较高，口碑推荐倾向较低的顾客。说明该类顾客表现出行为忠诚，而缺乏情感忠诚。因此，银行应采取合适的营销策略激励其口碑推荐行为。
第五类顾客：当前显性贡献和口碑推荐倾向都较高，交叉购买倾向较低。理论上该类顾客是存在的，而且该类顾客当前对银行应该是比较满意的，但在本实证中没有出现。由于我国信用卡行业刚刚起步，对顾客的个性化偏好关注不够，不能有效的向顾客推荐关联产品。
第六类顾客：口碑推荐倾向较高、当前显性贡献和交叉购买倾向都较低的顾客。在情感上，该类顾客对银行比较满意，但受限于自身的消费水平，无法表现出高的消费行为。这部分顾客很多一部分是潜在顾客。如高校大学生等，他们目前的消费能力较低，但潜力很大，因此，实践中出现很多银行向高校大学生发放大批信用卡的例子。
第七类顾客：当前显性贡献、交叉购买倾向和口碑推荐倾向都较低。该类顾客都表现为活跃度低，极有可能流失或者已经流失。通常挽回该类顾客需要付出较大的代价，银行应该考虑放弃该类顾客。
第八类顾客：当前显性贡献较高、口碑推荐倾向和交叉购买倾向都较低的顾客。样本中该类顾客出现的也较多，银行需要维系该类顾客，因为信用卡的特质决定了如果与这类顾客保持长期关系，也有利于银行获取最大化的关系资产。
4 结论
相对传统的顾客细分模型，面向顾客资产的三维顾客细分模型具有一定的优势：首先，该顾客细分模型更为全面和准确地理解顾客带给企业的价值。顾客当前显性贡献可以表征顾客对企业的盈利贡献，也是顾客最直接的价值体现；顾客潜在显性贡献表征企业在维系顾客的过程中，顾客给企业带来的盈利贡献；顾客潜在隐性贡献表征顾客对企业绩效的无行贡献。综合考察顾客各种价值贡献能够有效避免低估顾客资产。其次，三维顾客细分模型有助于企业更直观的认识和理解当前的顾客基以及每个维度的顾客贡献情况，企业可以有针对性地锁定顾客并开展顾客关系管理策略，满足了顾客细分要具有可命中性的要求。第三，论文提出的三维顾客细分模型针对各个维度运用相关统计方法可以得到有效量化，实现了顾客细分要具有可操作性和精确性的要求。