聚类的客户价值分析的应用及实证研究——以零售业物流库存管理为例，本文主要内容关键词为：为例论文,零售业论文,库存管理论文,价值论文,实证研究论文，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。
一、应用现状
市场竞争就是企业争夺客户资源的竞争，企业要实现盈利必须依赖于客户，要在市场竞争中保持优势和长期稳定发展，必须重视客户的个性化需求，深入挖掘客户价值才能达到企业-客户双赢的目的。因此，CRM越来越受到企业的青睐，通过CRM以及多种业务系统的数据采集，采用数据挖掘的方式，可以产生一些所需要的信息，例如通过挖掘客户的消费信息，可以有针对性地进行服务，在物流方面，可以提供缩短订货周期、提高物流效率、减少货损货差和进行个性化、定制化的物流服务。[1]
二、存在的不足
相较于传统的客户价值分析方法，ABC分类法、因素组合分类法、客户价值矩阵法等，其在数据的挖掘方面存在明显不足，具体表现在如下几个方面：
1.对顾客需求变化的把握不足。在我国的一些大中型城市，零售行业已经历了趋近饱和、竞争同质化的一个时期，正开始跨入新一轮消费升级的成熟期，根据ACNielsen的一项市场调查，我国大城市中各个收入阶层在零售业渠道的花费是比较均衡，其中大型卖场和超市两者渠道占有率超过了80%[2]。参考日本和台湾的零售业的发展经验，随着城市人口人均年收入日益增长，消费者对价格的敏感度会降低，更为认同时间价值，更加关注享受到的服务质量。也就是说，顾客变得更挑剔，如果不能及时地追踪发现顾客需求的变化，零售行业企业可能面临着严重的客户流失问题。
2.物流业总体水平落后。目前我国物流产业仍处在初级阶段，2010年，我国社会物流总费用与GDP的比率为17.8%，这个比例比发达国家高了许多，影响了国民经济效益的提高。而目前我国物流业界缺乏重量级的企业，大大小小的物流公司各自为战，无序发展，尤其是许多销售终端企业纷纷自建配送中心和仓库，造成了大量重复建设，而物流的社会化需求不足。例如我国产品销售物流中，采用第三方物流的比例仅为16.1%。很显然，缺少大规模的现代化物流企业，物流信息数据挖掘的难度也很大。
3.停留在静态数据分析阶段。目前国内销售终端企业对客户信息进行数据挖掘大多采用报表系统，属于静态的统计分析，在操作过程中存在一定的延迟性和孤立性，而比这更严重却又普遍存在的一个重要问题是：执行数据挖掘的信息化部门严重缺乏与业务经营有关的业务知识，业务部门则缺乏将业务特性经验贡献出来，并输入到信息系统中的意识，而且部门之间的沟通也普遍不够通畅，这样就容易造成数据挖掘的困局，挖掘出的“知识”无法给出合理的业务解释，只能作为陈设。在进行数据分析的时候，信息化部门与业务部门之间的沟通十分重要，必须将技术资源与业务资源相融合，让信息部门参与到业务部门的管理中去。
三、基于数据挖掘-聚类的客户价值分析方法及策略
如上所述，传统的客户分析方法一般只能满足企业某些方面的需要，企业应该根据不同的需要，综合使用不同的分析方法。随着客户资料的不断增加，传统的客户分析方法显示出明显的不足。因此，有必要进一步优化现有的CRM模型，做好数据挖掘工作，即采用聚类的客户价值分析方法及策略，以期最大限度地利用客户数据，从不同维度进行客户分析，从而增加客户分析的准确度。其具体操作步骤如下：
1.确立客户价值评价原则。首先从研究问题的目的出发，进行指标体系的选取，选取的指标要尽可能反映研究对象的各个方面，且不具有偏向性，其变化应存在规律性，受偶然因素干扰就会发生剧烈变化的指标不宜入选，并且这些评价指标应是可行的，即指标数据易得且真实准确。构建指标体系必须将定性分析与定量分析结合起来，评价指标体系必须采用科学、准确的元素和结构，运用合理的指标计算方法。分层次建立综合评价指标体系，为进一步的因素分析创造条件。
2.确立客户价值评价体系。为了能更准确地评估客户价值，本案例在构建指标体系时，采用定性与定量计算相结合的方法，尝试构建一个客户价值评价的多层次指标体系，本模型不仅考虑了客户的当前价值，还看重客户的潜在价值，以期得到更准备、更优预见性的评估指标体系。
3.运用K-means对客户价值进行分类。接着采用K-means聚类算法来分析客户评价指标体系。值得注意的是，在进行聚类分析时，需要对存在着不同量纲、不同数量级的变量采用归一化等方式进行数据转换，使这些变量具有可比性[3]。
4.客户价值分析结果。经过以上步骤之后，可以采用四象限法进行客户价值分类，分类结果如图1所示。
由上图可知，根据客户的潜在价值和当前价值的高低可以将客户分为四种类型：低价值客户、潜力价值客户、次价值客户和高价值客户。分类结果可以对决策进行支持[4]。
四、CRM模型引入数据挖掘技术对物流管理的意义
通过数据挖掘给出的客户价值聚类结果，销售终端企业能更准确地把握客户真正的价值，更有效地利用其有限的企业资源。
对于低价值客户，其当前价值和潜在价值都较低，企业应对这类客户限定资源输出，在物流服务上，可以对其订单进行普通处理。例如可以按照本企业常用的缺货水平进行货物分拨，以维持较低的库存水平。
对于有发展潜力的客户，要根据其特点对其进行资源输出，比如针对总购买量较低，而其忠诚度和信用指数较高的客户来说，企业应实施吸引客户购买的策略，例如提供小批量、多批次的配送服务；提高现货供应比例，或者进行价格折扣等。对于次价值客户，应对其进行深入分析，总结其规模与发展力度，如果都较低，则应减少对这种客户的投资；对于高价值客户，虽然其比例较小，但其利润贡献率高，企业应该加大对价值客户的关注，加大物流投入，甚至可以协助其进行物流决策，例如帮助其建立合适的决策模型，协助其制定合理的订货策略，建议其采取经济订货批量(EOQ)来进行采购管理；缩短其订单处理周期，以降低其库存水平；增加信息的共享度，以消除供应链上的牛鞭效应；提供可视化物流服务，供其随时查询商品物流状况等。通过这些个性化的服务和人性化的建议，可以提高客户的满意度，增加其忠诚度。
此外，根据客户流失分析模型得到的结论发现客户流失的原因分为财务原因和非财务原因。财务原因引起主动流失的客户和非主动流失的客户都是较低价值的客户，对企业影响不大。非财务原因引起的客户流失值得关注，经研究发现，客户流失的非财务原因包括：客户服务水平低下，例如订单处理时间过长、缺货率高、送货服务水平较低、个性化差异化服务水平较低等。这些原因有相当部分并不是由于产品的质量引起的，而是在于服务水平，特别是物流服务水平。因此挖掘此类信息可以让企业有针对性的提高整体服务质量，充分挖掘第三利润源的潜在利润。
五、季节性调整物流库存实例
1.数据抽取与准备。数据来自某连锁超市的终端销售系统，数据文件类型为数据表，记录格式为文本，原纪录构成各商品的当日销售明细表，时间从2008年1月到2011年12月，通过数据挖掘系统的预处理，可以根据需求建立关注主题，进行上卷汇总，可以得到关注主题的商品在不同维度上历史交易数据。在本实例中，我们选择关注主题为啤酒的消费季节性变化，以此来指导销售终端企业在采购、仓储、调配等方面的物流策略。表1显示了季节和年度的啤酒销售数据。
2.数据清洗。销售历史数据来自不同的门面店，由于门面店成立的时间、地点、规模、人员等方面的差异，系统中的数据并不都是正确的，存在着一些重复、不完整、不一致等问题。这些数据会使得挖掘过程的输出出现偏差乃至谬误。通过数据清洗，补充空缺值，降低噪声，删除奇异点，解决不一致，使得数据更为可靠有效。
3.数据筛选和归一化。数据筛选对挖掘的主题目标确定相关的变量，包括直接变量和现有数据资料中计算出所需的衍生变量。例如，本例中，啤酒的品牌、价格、日销售量等就是直接变量，而季度平均销售量、年度平均销售量、季度指数(某季度与季度平均值的比)则是衍生变量，参见表2。此外很多变量的量纲是不一样的，需要进行归一化处理。
4.数据挖掘。从前面筛选的数据的一些变量中，我们可以观察到销售终端的啤酒销售量具有明显的季节变化，第3季度的销售量明显高于其他季度，这给销售终端在采购、仓储等方面提供了较为可靠的决策依据。
但是从表1中，我们可以看到，啤酒的销售量每个年度均有一定幅度的增长，那么，我们可以从历史数据中进行数据挖掘，预测下一个年度的啤酒销售量。本实例采用以下公式计算的平均速度指标预测法来预测下一年度的啤酒销售量。
R=(AN/A0)1/(N-1)
其中，R为年平均发展速度，AN为第N年的销售量，A0为记录初始的销售量，代入数据，可以得到2012年的年度销售量为3.99万瓶。
而某超市2012年度的啤酒销售量实际为4.02万瓶，误差仅为0.03万瓶。说明上述模型虽然简单，但是比较有效，因此，可以用来预测新的年度的啤酒销售量，并做出啤酒库存及销售季节变化的预测，在物流方面，在采购、仓储、配送等方面可以及早做出规划，尤其是库存方面，通过合理规划，可以降低销售终端企业的成本，又为客户提供了及时的服务，产生了双赢的局面。[5]