基于新三维客户细分模型的线上会员客户价值研究

叶志龙，黄章树

(福州大学 经济与管理学院，福建 福州350108)



基于新三维客户细分模型的线上会员客户价值研究

叶志龙，黄章树

(福州大学 经济与管理学院，福建 福州350108)

摘要：从客户的当前价值、潜在价值、忠诚度价值三个方面出发，建立适用于线上企业的会员客户价值评价指标体系。同时，在传统RFM模型的基础上构建了新三维的客户细分模型，并根据改进的客户价值细分维度进一步细分客户，利用主成分分析法计算每个客户群的价值得分。最终选取某网站的会员客户数据进行算例分析，通过识别不同客户群体、价值和状态，为企业实施精准营销提供更加细致的客户细分依据。

关键词：数据挖掘；客户价值；客户细分；RFM模型

一、引言

在开放式环境下，多方面的因素加剧了企业之间的竞争，客户影响着企业市场占有率的扩大、企业运营效率的提升以及企业核心竞争力的增强。如何有效管理客户资源已经成为企业面临的一大现实问题。然而，并不是所有的客户对企业都有价值，通过对为企业创造绝大部分利润的客户进行识别、维护和发展，才能实现客户资源的有效管理和企业资源的优化配置。

目前国内外一些学者对客户价值分析进行了一系列的研究。Huang S C等分别采用K均值聚类法、模糊C均值聚类法和袋装聚类算法来分析客户价值，并得出袋装聚类算法优于其他两种方法[1]。Ma Y等通过评估购物体验和服务过程中的特点来识别产品的可能买家，发现了良好的服务流程和购物体验可以帮助许多企业提供卓越的客户价值[2]。Chen S等提出了基于模糊层次分析法(FAHP)来评价B2C电子商务公司的客户价值[3]。Khajvand M等提出基于自适应加权RFM分析的CLV计算模型来计算客户潜在价值的方法[4]。Lin等根据RFM模型对超市的客户进行聚类分析，识别出高价值客户以促进交叉销售[5]。Han等提出了基于客户生命周期价值的客户细分方法，包括五个决策模型，即当前价值、历史价值、长期价值、信用度和忠诚度预测的模型[6]。 Keränen J等探讨了从供应商解决方案的角度来看客户价值评估，确定了五个关键过程，包括价值潜力的识别、基线评估、绩效评估、长期价值的实现以及系统的数据管理[7]。赵萌等针对用户在线评论行为所产生的价值，以传统的RFM模型为基础构建了基于评论行为的RFMP模型，同时将购买RFM和评论RFMP模型进行结合，提出了适用于线上企业的客户终身价值评价方法[8]。

从上述的研究成果可以看出，目前客户价值分析的研究缺乏更加细致明确的客户细分方法，因此本文在传统RFM价值评价模型的基础上，建立了线上会员客户价值评价指标体系，接着用聚类算法构建客户分群模型，根据改进后的客户价值细分维度进一步细分客户，最后计算每个客户群的价值得分并进行价值比较。

二、线上会员客户价值评价指标体系

在线上花同样价钱的客户对于线上企业来说其价值并不一定相同。比如，一位购买大量低价位商品的客户与一位购买少量但都是中高价位商品的客户相比，也许两者的购物总额相差无几，但是后者很有可能对线上企业更有价值，如果仅利用RFM模型来分析线上客户是不准确的。基于此，本文根据线上会员客户的基本属性、购物行为、会员卡状态等方面的信息，在传统的RFM模型的基础上，从会员客户的当前价值、潜在价值、以及忠诚度价值三个方面综合构建线上会员客户综合价值评价指标体系，如图1所示。该指标体系包含3个一级指标，6个二级指标以及19个三级指标。

图1　线上会员客户综合价值评价指标体系图

(一)当前价值指标

购物价值指标。购物总次数，指会员客户在某段时间内在该网站购物的累计次数；购物总金额，指会员客户在某段时间内在该网站购物的累计金额。

会员卡积分价值。总基本积分，指客户会员卡在某段时间内购物兑换的基本积分总和；其他积分，皂旨客户会员卡在某段时间内通过签到、分享商品、店铺活动等方式所得的积分。

(二)潜在价值指标

客户现状指标。客户年龄，指会员客户的年龄；客户性别，指会员客户的性别；客户所在城市，指会员客户当前居住的城市。

成长预期指标。购物总额之差，指会员客户在两个相同时段内后一段时间的购物总额减去前一段时间的购物总额；购物次数之差，指会员客户在两个相同时段内后一段时间的购物次数减去前一段时间的购物次数；积分之差，指会员客户在两个相同时间段内后一段时间获得的总积分减去前一段时间获得的总积分；购物次数趋势值，表示在某几段相同的时间内客户购物次数增大或减小的速度与方向；会员卡积分趋势值，表示在某几段相同的时间内客户会员卡积分增加或减少的速度与方向。

(三)忠诚度价值指标

客户身份价值指标。入会时间，指客户成为本网站会员至今的时间；会员卡级别，指会员客户所拥有的本网站会员卡的级别。

客户保持价值指标。平均购物时间间隔，指会员客户在某段时间内的平均购物时间间隔；最大购物时间间隔，指会员客户在某段时间内某两次购物最大间隔时间；最近购物时间间隔，指会员客户最近一次购物时间距离现在的时间长度；购物次数变动值，指某段时间内购物次数的变化幅度；会员卡积分变动值，指某段时间内会员卡积分的变化幅度。

三、线上会员客户细分模型构建及客户群价值比较

(一)基于客户价值的客户分群模型构建

根据线上会员客户价值评价指标体系，首先利用因子分析对模型的输入变量进行降维，如果效果较好，则使用所得的因子得分作为聚类依据；如果效果不理想，则选择所有反映出每类价值的变量进行聚类。接着基于K-means算法分别对客户的当前价值、潜在价值和忠诚度价值进行聚类。最终的聚类结果可以体现出每个客户的情况，从而实现在三种价值层面上对客户进行初步分群。

(二)改进的线上会员客户价值细分模型

对于客户细分，目前提出最多的是根据当前价值和潜在价值两个维度来细分客户，是一个二维模型，该模型对客户的细分还不够细致、明确。本文提出的细分模型是在客户当前价值和潜在价值的基础之上，增加忠诚度价值维度，构建了以客户当前价值、潜在价值、忠诚度价值为细分维度的客户细分模型，把二维模型扩展成三维模型，从而将样本客户细分为八类，达到更好的细分效果。

对于单个客户来说，在三种价值层面上都有高低两个档次。因此，根据上述改进的客户价值细分维度，单个客户就可能属于八种客户类型中的某一类，如表1所示。

表1　八种客户类型判断表

第一类：钻石型客户——高当前价值，高潜在价值，高忠诚度价值。这类客户是企业获得当前利润和提升未来成长潜力的最重要推动力量，也是其他竞争对手争夺的重点。他们与企业的关系处在稳定期，但是他们能给企业带来的收益已经达到最大，利润上升的空间已经很小。企业应尽量维持与他们的关系，尽可能为他们提供更多高质量的服务，防止他们流向竞争对手，但同时对于这类客户企业也无需在他们身上投入过多的资源。

第二类：金牛型客户——高当前价值，高忠诚度价值，低潜在价值。企业前期的资源投入使这类客户进入了相对稳定的阶段，他们对企业高度信任，几乎将全部消费都交给企业，但潜在价值已没多少潜力可挖掘，企业应投入足够资源使客户关系至少维持在现有水平，在条件允许的情况下协助其扩展规模，使其产生新的需求，从而提升客户潜在价值。

第三类：成长型客户——高潜在价值，高忠诚度价值，低当前价值。这些客户对企业的忠诚度较高，但可能由于某些原因而无法和企业发生大规模交易，但是一旦时机成熟，就会增大对企业的消费量，因此企业应加大资源投入，保持这类客户资源，向其提供高品质的服务，甚至是个性化的解决方案，使客户关系尽快进入稳定阶段，进而向钻石型客户转化。

第四类：诱惑型客户——高当前价值，高潜在价值，低忠诚度价值。这类客户对企业诱惑力很大，因其对企业当前和未来收益的贡献都很大，是企业持续发展的重要力量。他们可能是刚与企业发生业务往来，还不熟悉企业相关服务，是否选择继续交易还持观望态度；也可能是市场上没有更好的产品或服务可以选择，被迫与企业发生交易，一旦时机成熟可能会选择其它企业。对这类客户企业应该加大投入资源，向其提供超值服务，加大其转换成本的培养，使其向钻石型客户转化。

第五类：鸡肋型客户——低当前价值，低潜在价值，高忠诚度价值。企业从这类客户获取的当前和未来的受益都很小，甚至低于为其服务的成本，但他们对企业的产品或服务高度满意，愿意一直在企业消费，客观上有助于企业降低新客户的吸引成本以及老客户的维系成本，因此对此类有流失倾向的客户，企业不要投入太多的资源，不挽留也不鼓励他们离开。

第六类：短期型客户——高当前价值，低潜在价值，低忠诚度价值。这是短期盈利或即将流失的客户，当前巨大交易量对企业当前收益贡献很大，但没有进一步消费的意愿，他们随时都可能转向竞争对手，如果投入过多资源，最后得不到相应的收益回报。企业应该适当地投入少量资源，在其流失前获取最大利润。

第七类：风险型客户——高潜在价值，低当前价值，低忠诚度价值。这类客户对企业服务进行消费的潜力很大，但目前其在企业的消费份额仅占很小一部分，可能是新客户，客户关系不稳定。如果企业不投入资源，他们可能转向竞争对手，如果投入过多资源，在增值潜力出现之前，短期收益有限。因此，应从长期看，投入适当资源，加强客户关系的培养，通过不断向其提供有价值信息、有竞争力的产品和服务来保持这类客户。

第八类：抛弃型客户——低当前价值，低潜在价值，低忠诚度价值。这类客户对企业价值贡献最低，企业没必要投入过多的资源继续维持关系，应把节省的资源配置到更有价值的客户身上。同时，应具体分析导致这类客户不活跃的原因，若客户是由于网站的服务质量或商品质量而流失，企业仍应该花精力去处理客户的负面观点，防止他们将对产品、网站的负面观点传递给更多的人，从而使企业的客户流失。

(三)客户群的价值比较

通过改进的线上会员客户价值细分模型，虽然可以大致判断每类客户群的价值高低，但是无法对其进行量化，得到具体的价值区别。因此，为了让线上企业工作人员根据得分数值直观判断会员客户价值的高低，本文剔除了三个变量(客户年龄、客户性别和客户工作所在城市)，选取其余的16个变量进行主成分分析。最终计算出每个客户群的价值得分，然后与客户细分的结果进行结合、比较，解释客户群的得分情况，为线上企业制定相应的策略提供更为可靠的依据。

四、算例分析

(一)样本选择

本文数据来源于某网站2012年1月到2014年1月的会员客户统计数据。先对提取的数据进行缺失值处理，最终对6 624名会员客户进行客户价值分析。

(二)数据预处理

1．数据清洗

首先需要对字段的名字错误进行纠正，主要是处理多余的附加字符，如“#”、“&”等多余的输入；另外还有一些显而易见的输入错误，如“澳门”写成 “澳？”、“宁波”写成“NINGBO”等；最后还要检测并处理冲突数据，删除重复的数据。

2．数据转换和标准化

在进行分析之前，首先对各指标进行无量纲化处理。对于连续的数值变量，将所有数据都映射到[0，1]之间。另外，对于一些负向指标，应对其进行正向化处理。接着要对离散型变量进行归纳，将客户年龄分为六个年龄段；将工作所在城市划分为三个类型：一线城市(两类)和其他城市。

3．构建指标

这里主要是生成一些新的派生变量。趋势值表示客户在八个季度内属性的增大或减小的速度与方向，以一元线性回归的斜率表示，斜率大于0，表示属于增大的趋势，斜率越大，则增加速度越大；斜率小于0，表示减小的趋势，且斜率越小，减小的速度越大。变动值表示客户在八个季度内的属性变化幅度，以样本的方差来表示，方差越大表示数据变化幅度越大越不稳定。

(三)线上会员客户分群

数据预处理完成之后，根据线上会员客户分群模型，在三种价值层面上进行会员客户的分群。具体过程如下：

1．因子分析

三个方面的客户价值均通过因子分析，累积解释率均达到标准。计算出的当前价值的部分会员得分、潜在价值得分以及忠诚度价值得分，分别如表2、表3、表4所示。

表2　部分样本点的当前价值得分表

表3　部分样本点的潜在价值得分表

2．聚类分析

利用客户分群模型对该线上会员客户进行初步分群。首先确定每类价值的K值为2。分群的结果如表5所示。

表4　部分样本点的忠诚度价值得分表

表5　客户初步分群结果表

从表5可以看出，样本数据中会员客户高当前价值人数为610，低当前价值人数为6 014；高潜在价值人数为1 182，低潜在价值人数为5 442；高忠诚度价值的人数为883，低忠诚度价值的人数为5 741。

(四)客户群细分

根据对会员客户初步分群的结果，可以得出每个会员客户在每种价值上的高低情况。首先是基于传统的线上会员客户价值二维细分模型来细分客户，对当前价值和潜在价值的客户聚类结果进行汇总，如表6所示。

表6　线上会员客户二维细分汇总表

接着，基于改进的线上会员客户价值三维细分模型来细分客户，对当前价值、潜在价值、忠诚度价值的客户聚类结果进行汇总，如表7所示。

表7　线上会员客户三维细分汇总表

最终通过两个模型客户细分情况的对比可以发现，当基于改进的客户价值三维细分模型对客户进行细分时，客户群类型由原来的四种类型变为八种类型，这说明改进的客户价值三维细分模型具有更好的细分效果，使企业实施精准营销的措施更加具有针对性。具体分析发现，线上会员客户价值三维细分模型具有以下几点改进之处：

将305名高价值客户进一步细分为219名钻石型客户和86名诱惑型客户。对于钻石型客户，企业应尽量维持与他们的关系，但无需在他们身上投入过多的资源。对于诱惑型客户应该加大对其资源投入，提供超值服务，加大转移成本的培养，尽可能提升此类客户的忠诚度。

将305名高现值客户进一步细分为259名金牛型客户和46名短期型客户。对于金牛型客户，企业应投入足够资源使客户关系至少维持在现有水平，在条件允许的情况下协助其扩展规模，使其产生新的需求，从而提升客户潜在价值。对于短期型客户应该适当地投入少量资源，在其流失前获取最大利润。

将946名高潜值客户进一步细分为195名成长型客户和751名风险型客户。对于成长型客户，企业应对其消费能力和价格接受程度进行调查，针对调查结果对其提供企业的业务优惠信息，以此提高其消费的可能性。对于风险型客户应从长期看，投入适当资源，通过不断向其提供有竞争力的产品和服务来提高其满意度和忠诚度。

将5 068名低价值客户进一步细分为4 858名抛弃型客户和210名鸡肋型客户。对于鸡肋型客户，企业不要投入太多的资源，不挽留也不鼓励他们离开，客观上有助于企业降低新客户的吸引成本以及老客户的维系成本。对于抛弃型客户应采取相应的策略降低为其服务的成本，同时应具体分析导致这类客户不活跃的原因，防止他们将对产品、网站的负面观点传递给更多的人。

(五)客户群价值比较

本文利用SPSS 19.0工具进行主成分分析，前三个主成分的累计解释率达到91.876%。另外，各客户群在三个主成分的得分情况如表8所示。

接着分别求出每个主成分所对应的特征值占总的特征值之和的比例，即λ1=10.676，λ2=5.655，λ3=2.045，然后计算每个客户群的价值得分，最终结果如图2所示。

表8　主成分得分表

图2　客户群分布及其价值得分图

从图2可以看出对该企业有高价值的会员客户仅占小部分，符合一般规律，从侧面验证了客户细分模型的合理性。同时还可以清楚地看出每个客户群价值的区别。其中第一类(钻石型)客户价值最高，第八类(抛弃型)客户价值最低，符合本文对客户群的细分结果。前四类客户对该企业来说是高价值客户，第六类和第七类是中等价值客户，而第五类和第八类客户为低价值客户。计算所得的客户群价值得分与客户细分对客户群价值的判断结果基本一致，从侧面验证客户细分模型的准确性。

五、结论

本文在传统RFM价值评价模型的基础上，建立了以线上会员客户的当前价值、潜在价值和忠诚度价值为基础的综合价值评价指标体系，提出了基于客户价值的新三维客户细分模型。首先分别在三个价值层面上对客户进行初步分群，然后对传统的客户价值二维细分模型进行改进，提出了一个新三维的客户细分模型，以便分析每一细分客户群的特点。在此基础上，计算每个客户群的价值得分，并进行比较，最后对国内某网站的会员客户进行算例分析，结果表明本文所提出的客户细分模型和客户群的价值比较是可行的、有效的。

参考文献：

[1]Huang S C, Chang E C, Wu HH. A Case Study of Applying Data Mining Techniques in an Outfitter’s Customer Value Analysis[J]. Expert Systems with Applications, 2009, 36(3).

[2]Ma Y, Ding J, Hong W. Delivering Customer Value Based on Service Process: The Example of Tesco.com[J]. International Business Research, 2010, 3(2).

[3]Chen S,Jian T, Yang H. A fuzzy AHP Approach for Evaluating Customer Value of b2c Companies[J]. Journal of Computers, 2011, 6(2).

[4]Khajvand M, Tarokh M J. Estimating Customer Future Value of Different Customer Segments Based on Adapted RFM Model in Retail Banking Context[J]. Procedia Computer Science, 2011(3).

[5]Lin C C, Shih D H. Data Mining Techniques to Enhance Customer Lifetime Value[J]. Advanced Materials Research, 2011, 25(2).

[6]Han S H, Lu S X, Leung S C H. Segmentation of Telecom Customers Based on Customer Value by Decision Tree Model[J]. Expert Systems with Applications, 2012, 39(4).

[7]Keränen J, Jalkala A. Towards a Framework of Customer Value Assessment in B2B Markets: An Exploratory Study[J]. Industrial Marketing Management, 2013, 42(8).

[8]赵萌，齐佳音．基于购买行为RFM及评论行为RFMP模型的客户终身价值研究[J]. 统计与信息论坛，2014，29(9).

(责任编辑：张爱婷)

The Research of Online Member Customer Value Based on the New Three-dimensional Customer Segment Model

YE Zhi-long，HUANG Zhang-shu

(Department of Economics and Management, Fuzhou University, Fuzhou 350108, China)

Abstract:Under the crossover trend of Internet，the business environment of the enterprise is constantly changing, and the maintenance and development of the customer market is facing more and more challenges. This paper proposes a new customer value evaluation index system of online enterprise from the view of current value, potential value and loyalty value. Meanwhile we propose a new three-dimensional customer segmentation model based on the traditional RFM model, and segment customers based on the improvement of customer value segmentation dimensions, which use the principal component analysis method to calculate the value of each customer group. Finally, we select member customer data of a website for example analysis, and provide more detailed customer segmentation basis for enterprises to implement the accurate marketing by identifying different customer groups, values and status.

Key words:data mining；customer value；customer segment；RFM model

收稿日期：2015-11-18；修复日期：2015-12-10

基金项目：福建省社会科学规划项目《大数据背景下的电商企业客户行为分析及社交营销模式研究》(2014B217)

作者简介：叶志龙，男，福建厦门人，硕士生，研究方向：企业信息化、数据挖掘；

中图分类号：F406.69

文献标志码：A

文章编号：1007-3116(2016)05-0096-06

黄章树，男，福建南安人，教授，研究方向：企业信息化、数据挖掘。

【统计调查与分析】