电信行业不同目标群成长期客户忠诚度影响因素分析

黄瑛

"

"

"

[摘 要]电信企业产品的同质化造成愈来愈激烈的竞争，迫使企业必须采取更加精准的营销措施来提高竞争优势，以保持企业的可持续发展。为了正确实施市场细分，电信企业可通过搜索和积累消费者的大量信息，建立一个完善的营销数据库。在统计分析软件的支持下，根据成长期客户的细分变量，如地理变量、人口变量、心理变量和行为变量，研究消费需求特征和购买规律，准确进行市场的细分和定位，进而实施创造性的、个性化的精准营销策略，提高用户忠诚度。

[关键词]客户忠诚度；精准营销；重复购买

[DOI]10.13939/j.cnki.zgsc.2016.35.092

1 引言及问题提出

根据2016年5月工信部和三大运营商公布的发展情况，中国移动公司拥有4G终端用户达到4.09亿户；中国电信4G终端用户8455万户；中国联通移动用户月增长57.9万户，达到2.60亿户，4G达到6818.2万户。随着数据业务在移动运营商中的业务量呈指数级上升，移动产品的同质化也带来巨大的竞争。如何在市场竞争中取得优势地位，争取更大的市场份额和更持久的消费者忠诚，对运营商，尤其对于弱势电信运营商显得尤为重要。随着市场水平的发展，消费者关注的不再仅仅是价格，而更多的是满足消费者们的社会认同和自我认同的心理需要，如何更为精准地投放资源提升客户保有效能，将客户关怀与维系保有工作有机结合，持续提升在网用户感知、黏性与价值，是亟待研究的课题。

最早由得克萨斯州A&M大学的伦纳德·L.贝瑞（Leonard L.Berry）教授（1996）提出了“关系营销”较全面的定义：关系营销是为了满足企业和相关利益者的目标而进行的识别、建立、维持、促进同消费者的关系并在必要时终止关系的过程。这只有通过交换和承诺才能实现。在客户价值的成本分析中包括顾客盈利能力分析和顾客维系成本分析，其中科特勒对维系顾客成本进行研究，提出下面四个步骤来测定：测定顾客的维系率即发生重复购买的顾客比率；识别各种造成顾客损失的原因，计算流失顾客的比率；估算由于不必要的顾客流失，企业将损失的利润；企业维系顾客的成本只要小于损失的利润，企业就应当支付降低顾客损失率的费用。

基于客户特征的分析是为了让运营商更好地保留老用户。发掘新用户，但仅提升运营商的用户新开数量是不够的，同时需要提高用户的忠诚度。长期用户能给运营商创造持久的价值，而全网用户的网龄一旦下降，用户很可能会渐渐地远离运营商，进而流失用户。用户网龄是衡量电信用户对企业忠诚度的一个重要指标，国内目前对网龄影响因素的分析已经很多，但是对已经重复购买过维系活动的用户，也就是成长期客户的网龄分析很少。

成长期是关系快速发展的阶段，也是客户提升阶段。在这一阶段，客户对所选择的运营商产生了信任和依赖，并可能出现重复购买，电信运营商一般都对此阶段客户考虑如何通过刺激需求的产品组合或服务组合把其培养成高价值客户。客户与运营商之间从关系中获得的回报日益增多，相互依赖的范围和深度也有所增加，逐步意识到对方有能力为自己提供预期或超出预期的回报和收入，因此也愿意尝试建立长期的合作关系。这一阶段的显著特点是，随着用户和电信运营商之间的信任逐渐加深，关系日趋成熟，风险承受意愿加强，因此交易增加。[1]这些重复购买的客户，如果客户价值得不到满足，将可能放弃参加的活动，中途离网。采用高效率的统计方法，使企业不再海量地向顾客灌输信息（产品信息、活动信息），而是通过挖掘消费者的购买行为（消费水平、购买组合、购买需求等），针对性地为顾客传递个性化信息、邀请顾客进行个性化体验，这一行为就是持续的、循环的精准性营销。

笔者结合实际工作，采集了自2014年正式实施实名制以来的部分有效入网用户数据，在有效区分客户年龄和性别差异基础上，深入分析客户参加维系活动对其在网时长的具体影响，以期探索这些已经办理过维系活动客户的在网时长规律特征，从而更有针对性地开展标准化精准维系建议，重塑客户维系流程，聚焦优质资源，有效防范、拦截流失用户。

2 不同目标群成长期客户忠诚度影响因素分析

通信行业经常将客户分为新老用户、流失留存用户等不同类别，不同客户群体因自身地理位置、年龄结构等差异而表现出不同的行为特征。本文将以两年内开户的客户群体为样本，并在有效控制客户性别和年龄特征影响下，采用最小二乘法来分析客户参加维系活动对其在网时长和离网行为的具体影响，以便深入了解不同特征客户群体对公司的忠诚度高低。这里以HD代表客户参加活动的次数、SEX为客户性别、AGE为客户年龄，客户在网时长用Time来表示，所得结果如下所示。

2.1 离网用户分析

对于在2014年开户且目前已经离网的客户群体，该部分首先分析客户参加活动次数对其网龄所具有的线性和非线性影响，然后再分别考虑不同性别和年龄客户参加活动对其网龄的影响。

从上表可以看出，参加活动对客户在网时间存在显著影响。系数大小等于1说明，当客户增加一次活动时，将使其平均在网时间上升一个月。

从上表2可以看出，客户参加活动次数对其在网时间存在明显的倒U形非线性特征。HD*HD和HD的回归系数分别为-0.3709和2.6680，说明当客户参加活动次数约等于3次时，其在网时间将达到最长，随后将逐渐下滑。

结合表1和表3可知：一方面，男性客户平均在网时长比女性客户要少0.89个月左右；另一方面，相对于参加活动的女性客户来说，参加活动的男性客户在网时长却仅比女性少0.19个月。这一事实充分说明，男性客户多参加一次活动有助于增加其在网时长0.7个月左右，提高男性活动比例更有利于增加客户总体在网时长。

从上述各表分析结果可知，客户年龄特征变量（AGE）对客户在网时长的影响均显著为负，但系数的绝对值均较小，说明年龄大小对客户在网时长的影响甚微。进一步根据表4可知，不同年龄层次的客户参加活动对其在网时长影响的回归系数为-0.0085，虽然其在1%临界水平下显著，但回归系数的绝对值较小，说明在参加活动的群体中，年龄特征并不是影响其是否在网的重要因素。