基于忠诚度的客户价值细分模型构建及其应用

连漪

内容摘要：随着客户关系管理的基础理论不断完善，越来越多的企业转向以客户为导向的市场战略，从而对客户价值细分的准确性提出了更高的要求，本文在讨论目前客户价值细分研究思路和方法的基础上，结合客户终身价值和客户忠诚度理论，构建三维客户价值细分模型并提出各维度的度量方法，通过实例阐述该客户价值细分模型的实现过程，验证模型有效性的同时，针对不同细分类型的客户提出个性化的客户保持与营销策略。

关键词：价值细分 CLV 忠诚度 BG/NBD

研究概述

随着全球经济进入服务经济的新时代，客户已经演变为企业获取现金流的重要通道之一，同时也成为企业在激烈的市场竞争中获取竞争优势的新来源，以客户为导向的客户关系管理（Customer Relationship Management，CRM）成为了与企业资源规划、供应链管理相比肩的企业提升自身综合竞争力的基本战略。

目前，从价值角度进行客户细分，即客户价值细分（Customer Value Segmentation），已经被众多学者和研究人员广泛认可，其研究的思路主要侧重两个方向：一是以客户价值指标数据为输入，运用数据挖掘等聚类算法，对客户群进行多变量的联合价值细分；二是建立不同维度的客户价值细分模型，对客户在不同维度上的表现分别做出价值评价，以客户占据多维价值空间的相对位置进行细分。国内学者对于聚类细分算法的应用研究已十分丰富，邓晓懿（2011）以K-means、SOM算法和粒子群优化算法为基础，提出混合聚类细分算法，对移动餐饮企业的客户进行价值细分。贺昌政（2013）鉴于决策树算法、BP神经网络、logistic算法在不同层面展现的优越性，采用多分类器组合的方法，对某银行信用卡客户进行价值细分。褚格林（2014）针对移动客户在无线互联网流量使用过程中为企业贡献的当前价值和潜在价值，应用K-means划分算法，并对各个细分类别的客户群提出差异化的营销策略。

但是按照数据挖掘的聚类算法对客户进行价值细分是建立在企业拥有较为完整客户数据库的基础上，很多企业为了降低数据收集和存储的成本，通常有意忽略如市场波动、客户心理等较难获取的解释变量，重点仅放在客户的金钱价值、扩大购买等表层贡献上，并未触及客户与企业之间更深层次的关系贡献上。而且，不同行业、不同企业对客户价值衡量标准存在差异，也导致细分算法的可解释性仅被限制在某个特定范围。为此，有学者提出另一种研究思路，即建立不同维度的客户价值细分模型，如孟庆良（2008）将增值潜力进一步细分为客户潜在显性价值和潜在隐性价值，构建三维价值细分模型，并对各个维度的度量方法做了描述。吴玲（2012）应用二维价值细分模型，通过构建客户价值评估指标体系，细分电力客户群，证实该细分模型的有效性的同时提升了其应用的广泛度。

通过以上综述，本文结合两种思路，以客户终身价值和客户忠诚度理论为基础，构建三维客户价值细分模型，以我国电信行业为实证背景，讨论如何根据细分的客户类型优化公司的资源配置和客户保持策略。

客户价值细分模型的维度构建

（一）客户终身价值

Roberts和Berger（1998）最先从企业的角度定义了客户价值：“客户将来给企业的管理费用和利润所贡献的净现值”。Cartwright R.（2002）首次提出了“客户终身价值”（Customer Lifetime Value，CLV）的概念，将其定义为在企业在与客户保持良好关系的前提下，客户在当前和未来为企业带来收入或利润的折现值。根据帕累托定律，企业80%的利润来源于与企业维系客户关系的20%客户。因此，正确细分出能够给企业真正带来高额利润的那一小部分客户群体，成为实现企业利润最大化的关键，而客户终身价值理论为此提供了解决思路。

客户终身价值理论包涵广义和狭义两个层面，广义上指客户在其整个生命周期内为企业带来的利润或损失的净现值，它包含两个部分，一是客户的历史贡献，二是客户的潜在贡献。广义层面的CLV也是目前学者进行客户价值细分的基础。而对客户实施CRM时则更侧重于客户未来对企业的价值，因此，狭义的CLV即只是指客户的潜在贡献，本文将采用狭义CLV对客户价值进行描述，用以反映客户对企业最直接的财务贡献，是一种外在的显性价值。

（二）客户忠诚度

客户忠诚度是CRM的根本目标和动力，高忠诚度的客户趋向于连贯的购买习惯、更低的价格敏感度、优质的口碑等无形价值，在增加企业收入的同时可以有效降低营销成本。当前对客户忠诚度的界定主要包括行为忠诚度和态度忠诚度。行为忠诚度指的是再次购买喜爱的产品或服务，尽管它仅是客户忠诚的低级表现，却是客户关系可持续的关键。形成行为忠诚的原因也许是客户对企业的认同感，也可能是因市场上缺少可替代产品而导致的垄断性忠诚，因此，判断客户忠诚度还需要辅以态度层面的理解。

态度忠诚度不仅表现为客户对企业的信任和情感依附，还意味着潜在购买和推荐的未来消费趋势，态度忠诚度对企业的贡献是通过作用于市场和客户自身，从而间接作用于企业产生的。客户行为忠诚度和态度忠诚度是从客户自身的角度分析，以内驱动力间接对企业产品的市场表现产生积极或消极的影响，因此，两者均反映出客户对企业的间接贡献，不同的是，行为忠诚度是一种内在的显性价值，而态度忠诚度是一种内在的隐性价值。

在界定了CLV和客户忠诚度的概念之后，构建三维客户价值细分模型，如图1所示，三个轴分别表示为客户终身价值、客户行为忠诚度、客户态度忠诚度，客户在不同维度上的表现决定了其所占据的空间位置，由此可区分企业所有客户的价值贡献。

客户价值细分维度的测度方法

（一）CLV的测度方法

在客户终身价值测度研究领域，Barbara Jackson（1985）最早给出用传统现金分析测度CLV的方法，但局限在于未考虑潜在价值客户和客户活跃度的随机性，为此，Paul D. Berger和Nadal Nasr（1998）针对典型客户群，引入利润波动函数π（t）和客户保持率γ。本文CLV的测度方法是结合Fader等（2005）在负二项模型基础上提出的BG/NBD分布模型以及Colombo和Jiang（1999）给出的用以捕捉客户未来的交易贡献的Gamma-Gamma模型，构建客户未来期望购买次数和期望购买金额的概率分布，进而通过计算CLV对客户在终身价值维度上的表现进行描述。

该式中，E（X）和E（M）为上文模型得到的客户期望购买次数和期望购买金额，x和mx分别表示客户历史平均购买次数和平均购买金额。BL>0，该客户的购买行为忠诚度呈良性发展态势，未来的消费行为可能给企业带来更多利润；反之，BL≤0，表明客户开始或已经表现出行为弱忠诚的现象，进而可能导致客户终身价值减少，甚至最终选择提前终止与企业的关系。

（三）客户态度忠诚度的测度方法

客户对企业产品或服务的态度是客户在行为忠诚表现的内在驱动力，而行为方面的显性变量并不能精确、直接地描述客户的态度忠诚度，大量潜在隐性变量的存在也对客户态度产生波动，当前企业判别个体客户的态度忠诚度方面仍存在很大局限。考虑到企业在细分客户时维度数据的可解释性，可将客户的态度忠诚度看作响应变量，仅描述其为显著与不显著。因此，本文认为采用种群动力研究领域内广泛应用的二分类Logistic方程判别客户态度忠诚是否显著比较合适，其最大的特点是摆脱了复杂的前提假设，并且相比其他拟合函数有着很强的适应性，方程的构建过程如下：

第一，yi作为因变量表示客户态度忠诚度，其取值为0和1，yi=1为客户态度忠诚显著，yi=0为客户态度不显著，且P（yi=1）=πi。

实证研究及结果

本文研究的应用数据来源于某电信公司，以周为单位，样本时间区间为2014年8月（初始交易发生在2014年8月1日以后）到2015年7月共52周，并从数据中心随机获取3158位客户的历史交易数据，如每月用户缴费次数、每月账户余额、用户在网时长、欠费金额、每月流量使用、月租、每月增值消费额等，同时截取必要的人口统计信息，如性别、年龄等。为了保证细分结果真实有效，对存在疑似虚假消费信息或统计信息缺失的209个异常客户进行剔除，剩余2949名客户的统计数据进行价值细分分析。

（一）CLV的测度结果

本文通过BG/NBD和Gamma-Gamma模型，从客户的统计数据中获取缴费次数X、观测时间T、从初次购买到最后一次购买的时间间隔t、平均购买金额mx，建立两组客户信息（x，t，T）和（x，mx）分别预测期望缴费次数E（X）和期望平均缴费金额E（M）。模型参数的确定，采用最大似然估计的方法，应用Matlab软件对似然函数（13）、函数（14）进行求解，得到模型具体参数值，如表1所示。

从参数估计的结果来看，客户在（0，T）内尚未流失时，期望缴费次数s/β=0.369次/周，则意味着年交易次数为19.19次，预测客户单次平均缴费金额为αu/（ν-1）=86.029元。

将参数代入公式（6）、（8），求得每个客户的E（X）和E（M）。此外，本文通过文献研究和对电信公司内部专家的深度访谈，确定贴现率d的取值为d=8%，并且如果预测时间过长，用户套餐消费内容可能会发生变动，影响预测结果，根据经验以一年期作为预测期，结合公式（9），预测每个客户在未来一年内的CLV准确值，限于篇幅仅列出部分结果，如表2所示。

模型可以很好地拟合客户数据并给出每个客户的CLV，可以作为企业进行客户价值细分的依据，但是从每个客户的整个统计数据来看，如43627054客户虽然其CLV预测值很高，但是有9次欠费停机记录，并且从2015年4月开始交易金额从361.49下降至89.5，各项电信服务业务的使用量也出现降低，而由于期望金额较高，交易多集中在前8个月，导致其在最终的CLV结果中表现出虚假高价值，因此，也证明了企业单一利用客户终身价值进行客户细分的效果并不理想，仍需进一步从客户的角度识别其与企业之间关系的强度，即客户忠诚度。

（二）客户忠诚度的测度结果

对于客户的行为忠诚度BL进行量化描述，变量值可直接在上步的计算中的获取，应用公式（10）对每个客户的行为忠诚度进行描述，量化值以0为阈值来界定客户行为忠诚是否显著，部分具体的测度结果如表6所示。

运用Logistic模型对客户态度忠诚进行量化描述，从模型的构成上来说，应将尽可能所有与客户态度忠诚度有高相关度的自变量都纳入其中，但是出于某些技术和操作上存在较大难度，本文拟定10个自变量及部分客户数据如表3所示。

将所有自变量以及客户统计数据录入SPSS软件，并对自变量进行筛选和剔除，采用基于主成分模型的成分分析法，得到对客户态度忠诚有显著影响力度的自变量为账户余额k1、欠费次数k2、在网时长k3、通话时长k4和缴费次数k5，再用进入法将所得到的5个自变量纳入二分类Logistic模型，可以求得各个自变量所对应的参数估计，如表4所示，各回归系数的Sig.指标均小于0.05，应拒绝原假设，认为自变量与Logit（πi）的关系显著，则πi 的Logistic回归方程为：

将2949个客户的数据代入回归方程（15）进行模型效果检验，由交叉预测效果统计的表5可见，模型预测的准确率达到95.4%，证明所建立的模型有效。

回归方程中的因变量πi即为客户态度忠诚显著的概率值，πi越大说明客户的态度忠诚越强，而当πi<0.5时，可以认为该客户的态度忠诚度不显著，客户对企业产品、品牌或服务的满意度不高，客户态度忠诚度预测值部分如表3所示。由此可以明显的观察到，客户在态度和行为两个不同的层面所表现出的忠诚度并无十分明显的相关关系，态度忠诚显著（如客户53986071）并不一定在行为层面表现出高度忠诚，反之亦然，由此也再一次论证企业对客户忠诚度是否显著的描述要综合客户在行为和态度两个层面的综合表现。

（三）客户价值细分结果

客户价值细分在三个维度上阈值的确定，首先，依照20/80定律将前20%客户的CLV最低值作为客户终身价值维度的阈值，为1085元。其次，客户行为忠诚与态度忠诚维度的阈值分别取其是否显著的临界值，即0和0.5，由此将客户细分为8类，对不同的类型的客户，企业应采取相应的客户保留策略，样本细分结果如表6所示。

I类客户属于最优质的一部分群体，该群体在与电信公司关系维系中处于稳定并且有持续增长的趋势，未来在增量购买、口碑推荐等方面可以给企业带来大量潜在收益，此外，高度的忠诚也意味着高额的转移成本，电信公司也应将优质的营销资源投入到保持与发展这部分客户上。

II类客户与电信运营商保持着良好的关系，但对于通信业务的需求大多表现为最基本的通话方面，对电信公司推出的增值业务的使用意向不强，因此，电信公司可以在保持其忠诚度的基础上，适当采取营销手段如适时推荐新业务、交叉营销等，用以激发客户新需求。

III类客户当期业务量很大，也为企业带来了短期高额的收益，因此电信公司很容易误将这类客户归为第一类，下一期投入了大量营销资源，却最终因缺乏情感忠诚导致该类客户的流失。对于这类客户，企业要认真识别，通过关系营销使客户感受到企业的关注与关怀，并努力将其转化为第一类客户。

IV类客户在企业客户量中占比最多，由于其较为频繁的通信使用和较低的利润贡献的表现，企业需要一定资源的投入用以保持这部分客户，延长客户关系时间，通过量上的积累，也有利于企业获得可观收益。

V类客户有较长的在网时长，虽然每期的使用并不频繁，但不定期会出现较高的使用费用，因此，电信公司对这小部分特殊群体可以通过提升整体服务和优惠促销手段，增强客户满意的同时培养客户的使用习惯，尽可能将其升级为优质客户。

VI类客户受限于客户对公司产品的了解和自身消费能力，对企业的贡献并不突出，但该类客户对运营商的服务较为满意，并伴有很强的与运营商长期合作意向，是十分重要的潜在客户群，因此可以通过延伸与增值业务内容，提供差异化服务，将企业成长型和成熟型数据业务直接投向该类客户，进一步优化和调节客户期望，并积极处理客户的信息反馈，预防客户流失。

VII类客户属于短暂交易类型，此类客户数量并不多，虽对电信公司的整体收益产生了一定贡献，但与运营商的关系十分薄弱，很容易受竞争对手的营销诱惑。因此，应保持客户当前水平，不必为其投入过多营销资源。

VIII类客户处于长尾末端，由其客户特征来看，该类客户未来不仅不会为企业带来可观收益，还会因虚假信息反馈、欠费等给运营商造成多重负面影响，因此企业可以放弃继续保持这类客户，任其流失即可。

结论

本文跳出单一采用优化算法捕捉客户价值的客户细分思想，将焦点放在企业更关注的客户终身价值上，从行为和态度两个维度，构建并研究了三维客户价值细分模型中各维度的测度方法，辅以大样本统计数据，对客户三个层面的价值贡献做了有效量化，在分析不同群体客户固有特征的前提下，制定有针对性的客户保持与营销策略。本文在设计模型各维度上的影响因素时，侧重于客户与企业的人口特征、交易的统计数据，随着互联网技术的日益成熟以及企业在CRM上的投入增加，可以将市场规模的变化、交叉购买、口碑等更多的影响因素加以量化，融入到客户价值细分模型当中，更加准确的指导企业客户关系管理工作。

参考文献：

1.邓晓懿，金淳，口良之，韩庆平.移动商务中面向客户细分的KSP 混合聚类算法[J].管理科学， 2011，24（4）

2.贺昌政，孔力.基于CLV要素的信用卡客户细分模型[J].统计与决策，2013（11）

3.褚格林.基于聚类模型的电信客户细分研究[J].统计与决策，2014（8）

4.孟庆良，邹农基，陈晓君.面向顾客资产的三维顾客细分模型及其应用[J].数理统计与管理，2008，27

5.吴玲， 李丛丛.基于客户终身价值的电力客户细分研究[J].科技和产业，2012，12（11）

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

7.罗杰·卡特怀特. 掌握顾客关系[M].广西师范大学出版社，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