顾客细分模型及实证研究

第7期(总第272期)

2006年7月

财经问题研究

Research on F i n anc i a l and Econo m i c Issues

Number7(General Serial No1272)

July,2006

顾客细分模型及实证研究

赵保国

(北京邮电大学文法经济学院,北京　100876)

摘　要:本文从顾客忠诚和顾客价值这两个维度建立顾客细分模型。该模型既从顾客角度出发,考虑到不同顾客的差异化需求;又从企业角度出发,充分考虑到了企业资源配置与收益相匹配的原则。并且,本文还通过实证的方法来对通信行业的顾客群体进行细分,将其顾客分为四类,为企业制定有效的营销策略提供依据。

关键词:顾客细分;顾客价值;顾客忠诚

中图分类号:F28714 文献标识码:A 文章编号:10002176X(2006)0720085206

一、研究概论

顾客细分(Cust omer Seg mentati on)是指按照一定的标准将企业现有顾客划分为不同的顾客群。通过顾客细分,企业可以更好地识别不同的顾客群体,采取差异化的营销策略,从而有效地降低成本,同时获得更强、更有利可图的市场渗透[1]。现有的研究依据传统的市场细分理论进行了有益的探讨,例如采用人口统计学变量(如年龄、性别、收入、教育背景和职业等),或者顾客购买行为特征变量(如顾客购买量、购买频率和忠诚度等),亦或是顾客价值变量。但是,由于这些细分方法的提出是基于不同的研究目的和视角,尚不能满足顾客关系管理对于顾客细分更全面、细致的要求。

本文的研究目的就是尝试在已有研究结论的基础上,从顾客忠诚和顾客价值两方面提出一种具有可操作性的细分方法,为企业细分不同的顾客群体并配置相应的资源提供参考。

二、目前研究现状综述

S m ith W endell于1956年在探讨市场细分和产品差异策略这两种不同的产品策略时首先提出的。他认为“市场细分是基于某一时期市场中个体需求的不同特点而做出的产品决策,而产品差异策略则仅定位于市场竞争者,不考虑需求的复杂性。”[2]

从国内外相关文献来看,目前的顾客细分是在传统市场细分研究的基础上所进行的更为深入的研究,大体是从顾客、企业以及两者相结合这三个角度展开的。

11基于顾客的细分研究

W ilkie和Cohen最早按照不同的层次将细分变量分为五种:个人总体特征描述变量(如性别、年龄、职业、收入等)、心理图示、需要的价值、品牌感知和购买行为。Schiff man按照地理、人口、心理、社会文化、使用情境、利益以及混合细分变量进行归纳。Haley则认为在传统市场细分中,地理区域、人口统计和销量细分变量占据了统治地位。[3]从以上学者对传统市场细分变量的总结不难看出,它们实际上可以归属于三类———环境细分、心理细分和行为细分。

21基于企业的细分研究

顾客导向的细分方法是围绕顾客各方面差异展开的,目的是实现差异化营销策略。由于差异化必须付出相应的成本代价,过分关注顾客需求而忽视企业利益的细分则恰恰违背了市场细分的初衷———更好地集中有限资源为某一顾客群体提供差异化服务。于是,相当一部分学者就转向从企业角度出发研究细分方法,其成果集中体现在价值细分上。价值细分的思想就是以顾客价值为

收稿日期:2006205208

作者简介:赵保国(1971-),男,河南舞钢人,经济学博士,中国人民大学商学院博士后。

细分变量,根据顾客价值大小将所有顾客分为具

有不同价值的顾客群体。

价值细分最早出现在数据库营销中,其中最典型的就是J i m Sellers 和A rthur Hughes 提出的

RF M 顾客细分方法[4]

。该方法是按照上次购买至今的时期(Recency )、购买频率(Frequency )和购买金额(Monetary )三个要素乘积的大小,对所有顾客的交易数据进行排序,前面的20%是最有价值的顾客,后面20%是企业应该避免的低价值顾客,中间60%的顾客是需要向上迁移(M igrate up )的顾客。RMF 细分法的缺点是分析过程复杂,需要花费很多时间,而且细分后得到的顾客群体过多,难以针对每个细分顾客群体制订有效的营销策略;并且购买频率与购买金额之间存在多重共线性。为了解决这些缺陷,Marcus 提出用购买次数和平均购买额构造顾客

价值矩阵,从而将现有顾客划分为乐于消费型、

最好的顾客、不确定型顾客和经常性顾客

四类[5]

。

随着顾客价值的深入研究,一些学者提出应该用顾客终身价值(Cust omer L ifeti m e Value )来衡量顾客对企业的利润贡献,因为它不仅能体现顾客的当前价值,还能反映其潜在价值。在此基础上,国内外众多学者都提出了基于顾客终身价

值的顾客细分方法[6-8]

,即将顾客当前价值和顾客潜在价值作为顾客价值细分两个具体维度,每个维度分成高、低两档,由此可以构造如图1所示的顾客价值矩阵,从而根据每类顾客价值的大小提出相应的顾客保持策略。此外,他们还提出顾客潜在价值的预测模型,并通过实证研究证明了模型的有效性

。

图1　顾客价值矩阵

资料来源:Verhoef P 1C 1and Donkers B 1Predicting

Cust omer Potential Value -An App licati on in the I nsurance I ndustry 1Decisi on Support Syste m s,2001,(32):189

-1991

31将顾客和企业相结合的细分研究

从顾客的角度进行顾客细分满足了不同顾客的差异化需求,而利润或价值是企业进行市场细分的最基本的驱动因素,从企业角度根据顾客价值大小细分顾客群体则充分考虑到了资源配置与收益相匹配的原则。这两种细分思路是从不同的角度出发,细分的依据和侧重点不同,两者的结合才能兼顾各自的利益。

国内学者汪涛较早地注意到了以顾客价值为导向细分顾客群体的重要性,并指出同样数量的顾客群体、不同的顾客结构,可能会导致顾客资产的巨大差异。他根据顾客价值和顾客特征将顾客划分为灯塔型顾客、跟随型顾客、理性顾客和逐利顾客四类

[9]

。

陈静宇认为主流的细分理论将满足顾客需求视为第一位,而忽视了企业利润。他在分析传统细分方法的基础上引入顾客价值细分变量,从而构建了价值—行为—特征三维的顾客细分模型,即在根据当前价值和潜在价值两个维度进行细分的基础上,分析不同价值顾客的外在特征和需求特征,从而有针对性地采取定制化的营销策略

[10]

。

从顾客和企业两个角度综合探讨细分方法的相关研究,可以说真正实现了传统细分理论在顾客关系管理背景下的突破,对于指导企业细分实践具有很高的理论价值。但是,从现有的学术成果来看,尚处于研究的初级阶段。陈静宇的价值—行为—特征模型只是从企业价值的角度出发强调了价值细分的重要性,对于如何应用其所提出的三维模型并没有做深入的探讨。汪涛和李瑱贞提出的顾客资产质量是基于对顾客资产最大化的研究,虽然注意到了运用顾客盈利性和顾客忠诚度衡量顾客资产的质量,但是也没有就如何测量顾客忠诚度和顾客价值作出详细的说明,更没有进行相关的实证研究。

三、忠诚—价值模型的构建

市场是由企业和顾客双方构成的动态系统,仅仅从顾客或者企业的角度对顾客进行细分,不能为顾客关系管理提供全面科学的依据。细分研究需要采用对立统一的系统分析方法,分别从顾客与企业两个角度出发对顾客群体进行细分。

本文在把顾客价值和顾客忠诚度作为两个维度,并将二者所代表的值看作两个连续区间,从而将顾客群体分为如图2所示的四类。

68财经问题研究 2006年第7期 总第272期

图2　基于忠诚—盈利的顾客细分模型

A 类顾客具有高价值、高忠诚的特点,在价

值方面相当于“铂金类顾客”,忠诚度方面属于“真正忠诚”。这类顾客不但持续购买企业的产

品或服务,还为企业积极宣传,企业只需要花费较低的维持成本就能产生源源不断的利润。一个企业拥有的A 类顾客越多,顾客资产价值就越大。B 类顾客的价值高但忠诚度低,他们是企业最应该施加影响的一类群体,只要通过适当的营销策略来增加顾客的忠诚度使之成为“金牛类”资产就能增加企业利润,但是这需要企业大量的

投资。C 类顾客与B 类顾客恰恰相反,他们的忠诚度高而价值低,属于“理性顾客”。该类顾客在作出购买决策时非常谨慎,对产品或服务的质量、承诺及价格较敏感。他们是导致企业营销资源损失的重要根源之一。企业对这类顾客往往面临着两难境地,即放任自流还是通过开发新产品或降低价格将其转化为A 类顾客。D 类顾客的价值和忠诚度都非常低,属于“逐利顾客”。他们对价格非常敏感,通常购买多个企业的产品而不重视品牌情感,因而可能侵蚀其他几类顾客为企业创造的利润。

顾客忠诚是基于行为与态度的抽象概念,因而不同行业涉及到的测量指标也不同,对于快速消费品行业而言,重复购买意向显然可以作为测量指标,而对于耐用消费品行业或者某些服务业(如电信业)则不适用,因而提出适用于所有行业的通用模型是不现实的。本文根据服务业的基本特征提出如图3所示的顾客忠诚度测评模型:

图3　顾客忠诚度测评模型

上述模型是一个多指标体系,为了保证量化

分析的精度,需要给不同的指标赋与不同的权重。

四、数据收集和处理本文以移动通信行业为例进行实证研究。本研究调查采取随即拦截访问方法选取样本。本文按照研究目的选取了其中的200份问卷,剔除与本研究无关的问卷(指被访者没有使用该移动运营商的服务)和无效问卷,保留有效问卷为113份。

对于顾客忠诚度的测评,可以采用我们前面提到的顾客忠诚度模型,采用层次分析法,通过求解判断矩阵来确定各项指标权重(本文篇幅有限,具体数据及计算过程从略)。

本文运用SPSS 1210统计软件包对所有样本按照顾客忠诚度和顾客价值两个变量进行聚类分析。

表1和表2是快速聚类分析后形成的四类样本之间单因素方差(ANOVA )结果。对于顾客忠诚度和顾客价值两个变量,F 统计量的相伴概

7

8顾客细分模型及实证研究

率都小于显著性水平0101,因此四类样本在这两方面均存在显著性差异。

表1　最终类中心点图

Cluster

1234

顾客忠诚度21250607217589862115694621614843顾客价值　2345

表2单因素方差结果

Cluster Error

Mean Square df Mean Square df

F Sig

顾客忠诚度21324311061092119861000顾客价值3115783113810922813921000 The F tests should be used only for descriptive purposes because the clusters have b to maxi m ize the differences a mong cases in different clusters1The observed significar not corrected for this and thus cannot be inter preted as tests of the hypothesis that the means are equal1

表3列出了总样本顾客忠诚度因子的统计值,根据这些数据可以了解所有被访问者对运营商的整体忠诚度。从该表可以看出,顾客对运营商的总体忠诚度较低,仅为2148。顾客感知价值的均值为3155,在忠诚因子中位居第一;其中普遍对服务质量和便利性比较满意,而对通话费用的则评价很低,这也符合人们对移动通信资费过高不满的观点。从转移成本因子来看,消费情感得分很低,其他两项均超过3分,总体均值为3114,在一定程度上说明高的转换成本导致了较高的忠诚度。顾客信任因子存在同样的规律,3111的均值体现了目前顾客对该移动运营商的信任度较高。另外,竞争者对目前的顾客具有一定的吸引力,但是不同的顾客对竞争者吸引力的看法存在很大的差异,三项因子的标准差均在1分以上,但最受关注的是竞争者的服务水平。

表3总样本忠诚度因子描述统计表

忠诚因子N M ini m u m Maxi m u m Mean Std1Deviati on V111311524531818051739399 V211315215105511044612 V311321255318805161971 V11311818154188899315453651160609561 C11131508511862001886644 C211315313711202 C311314152631200151904762 C11311065172414257083113745881805348393 T11131411891828 T211315318511037 T311315314011057 T11314140531114651664488 A111315218811087 A211315313911168 A311114212111001 A11317954179521957841752470 W113111633113313747388214840658140636425366 Valid N(list w ise)113

根据顾客忠诚度和顾客价值两个变量,所有样本被分成四类,这四类样本的忠诚度和价值如表4所示。为了更清楚地表现四类样本在这两方面的差异,本文根据数据作出分布散点图,见

88财经问题研究 2006年第7期 总第272期

图4。

表4分类样本的忠诚—价值描述统计表

Case N

M ini m u m

M axi m u m

Mean Std 1Deviati on

1　顾客忠诚度

621002335

21721005

212506066

125851103

顾客价值

61

2

1167

1516

Valid N (list w ise )62　顾客忠诚度

2721180658

31374739

217589864

129796511

顾客价值

273

4

3144

1506

Valid N (list w ise )273　顾客忠诚度

3611163311

21649786

211569464

132923654

顾客价值

363

4

3194

1232

Valid N (list w ise )364　顾客忠诚度

4411780706

31166157

216148432

134391371

顾客价值

445

6

5114

1347

Valid N (list w ise )

44

图4　基于忠诚—价值的细分散点图

下面详细分析四类顾客在价值和忠诚度方面的特征。

从表4和图4可以看出,1类顾客数量最少,价值和忠诚度都比较低,分别为2125和1167。从忠诚度各层因子的数据来看,该类顾客

的感知价值并不低,转换成本均值为3123,对于运营商的信任程度则非常低,仅为2186;另一方面,竞争者对其吸引力非常高,平均值均为3125,尤其是价格吸引力高达3167,位居四类

顾客之首。也就是说,这类顾客的价值不高并且价格敏感度高,对企业的服务还比较满意,但是

竞争者对其有极强的吸引力,迫于高的转换成本表现出一定程度的忠诚,也就是“虚假忠诚”。对他们提供服务可能会造成企业资源的浪费,所以应该根据他们在关系维持过程中的长期表现确定应该采取放任自流还是关系再造的营销策略。

2类顾客的数量比1类稍多,忠诚度在四类

中最高,价值中等。他们对运营商的服务质量、通话费用和便利性都非常满意,感知价值均值高达3198,顾客信任因子得分最高,均值为3133,同时也存在较高的转换成本;另外,该类顾客对竞争者不太感兴趣,吸引力因子仅为2164。这

9

8顾客细分模型及实证研究

四个因子对于高忠诚度都产生了积极的作用。因此,该类顾客最具发展潜力,企业可以通过提供更加个性化的服务、采取激励措施巩固忠诚感,促使其提高现有服务的消费数量或金额,或产生交叉购买意向,从而为企业带来更多的利润。

3类顾客的数量较之前两类更多,但是价值中等,忠诚度较低且分布不集中。该类顾客对运营商的服务质量和便利性比较满意,分别为3145和3163,但是最明显的特征是转移成本非常低,仅为2166,对运营商的信任感不强,顾客信任因子的均值仅为2190;同时,竞争者的价格和服务对其有着很强的吸引力,因子得分分别为3114和3156。这类顾客在价值上属于“钢铁型”,在忠诚上属于“摇摆不定型”。同1类顾客相比,他们的价值稍高,但有个别顾客的忠诚度极低,因此也需要进行更进一步的分析再确定相应的营销策略。

4类顾客的数量最多,忠诚度和价值的均值都非常高,其中价值均值为5114,位居四类第一,但是标准差较大,分布比较分散。该类顾客的感知价值、转换成本、顾客信任值都非常高,而竞争者吸引力则较低,他们对现有的号码和服务品牌的感情较深,并认为转换运营商对人际关系造成较为严重的影响。这类顾客对企业而言可称得上是真正忠诚的铂金类顾客资产。企业营销策略的重点应在于继续实施高水平的维系策略,从而确保其成为企业的利润源泉。

五、结论

本文运用顾客价值和顾客忠诚两个维度构建了顾客细分模型,在此基础上以移动通信行业为例进行了实证研究。结果表明通过从顾客价值和顾客忠诚两个维度来细分顾客是切实可行的,企业可以通过此方法来划分顾客群体,制定不同的营销策略,提升企业的竞争力。

参考文献:

[1]　Suzanne Donner1W hat Can Cust omer Seg mentati on

Accomp lish[J]1Bankers Magazine,1992,(2):72

-811

[2]　S m ith W endell1Pr oduct D ifferentiati on and M arket

Seg mentati on as A lternativeM arketing Strategies[J]1

Journal ofM arketing,1956,(21):3-81

[3]　罗纪宁1市场细分研究综述:回顾与展望[J]1山

东大学学报(哲学社会科学版),2003,(6):44

-481

[4]　J i m Sellers,A rthur Hughes1RF M Analysis:A Ne w

App r oach t o Pr oven Technique[J]1www1relati on-

shi pmktg1com/Free A rticles/r m r0171pdf1

[5]　Marcus,Claudi o1A Practical YetMeaningfulApp r oach

t o Cust omer Seg mentati on[J]1Journal of Consu mer

Marketing,1998,(5):494-5041

[6]　Verhoef P1C1and Donkers B1Predicting Cust omer

Potential Value An App licati on in the I nsurance

I ndustry[J]1Decisi on Support Syste m s,2001,

(32):189-1991

[7]　陈明亮,李怀祖1客户价值细分与保持策略研究

[J]1武汉大学学报(哲学社会科学版),2001,

(11):23-271

The m odel of custo m er seg m en t a ti on and em p i r i ca l research

Z HAO Bao2Guo

(School of Hu manity and Econo m ics,Beijing University of Posts and Tele Co mmunicati ons,Beijing100876,China)

Abstract:This paper intr oduces a model of cust omer seg mentati on fr o m t w o di m ensi ons,cust omer value and cust omer l oyalty1Not only considering the different cust o mers’distinctive needs,but sufficiently considering the p rinci p le that the p r ofit of enter p rise should match the res ource1Moreover,according t o the e mp irical research,the paper contributes t o the effective marketing strategies by seg menting the cust omers of telecom industry int o f our classes1

Keywords:cust omer seg mentati on cust omer value cust omer l oyalty

(责任编辑:孟　耀) 09财经问题研究 2006年第7期 总第272期

细分市场研究方法及市场规模测算模型探讨

细分市场研究方法及市场规模测算模型探讨 一、市场数据收集方法 （1）调研对象 外部调研对象：行业专家、行业协会、下游客户、竞争对手、供应商、经销商、代理商、合作伙伴、研究机构、大学、券商研究部等 公司内部对象：公司管理层、相关职能部门专业人员 （2）研究方法 内部访谈法、内部研讨会、问卷调查法、实地调研法、头脑风暴法、案头研究、基准分析等 （3）数据资料查找途径 商业数据库、谷歌、百度、豆丁、Chinainfobank、ISI等网站、国家统计局公布数据、年鉴、行业期刊、杂志、专业论坛、所属行业的权威机构公布数据、海关数据、行业协会公布数据、国家及行业重大政策和规划、行业研究报告、券商报告等 二、市场规模测算方法 1、市场规模测算及预测方法 （1）方法介绍 巴比社会研究法、直接投资额法、整体投资比例法、趋势外推法、回归模型法、普及率类比、瑞利多因素法、专家德尔菲预测法、直观判断预测法、时间序列分析预测法、回归分析预测法、结构分析预测法等 （2）推算思路 市场规模的推算方法较多，从行业特性来说，不同情况推算思路略有不同。从供应端和专家得到的信息和数据，并以此进行市场推估。这个方法比较适用于下游应用领域众多、消费不集中的情况；从消费端进行分层抽样再进行数据汇总，适用于下游市场比较单一，应用

领域相对集中的市场；同时采集供应端和消费端数据，并进行数据交叉验证，适用于产品或行业相对垄断，供应和消费行业都较为集中的产品或行业。 2、软件类企业案例——互动媒体系统平台 （1）背景分析： 互动媒体系统平台软件的下游行业主要包括电信运营商、广电新媒体运营商、广电网络运营商。在三网融合背景下，电信和广电运营商在基于内容的信息系统、双向网络改造、宽带升级、终端硬件投入的基础上，向广大受众提供IPTV、互动电视、网络视频、互联网电视、手机视听等各类互动媒体业务，这些业务的基础用户数量和营收情况直接影响系统平台软件的投资规模。 产业产业投资具体产品价值链环节 代表业务

R语言的kmeans客户细分模型聚类

R语言的kmeans客户细分模型聚类 来源| bourneli(李伯韬)的技术博客 前言 kmeans是最简单的聚类算法之一，但是运用十分广泛。最近在工作中也经常遇到这个算法。kmeans一般在数据分析前期使用，选取适当的k，将数据分类后，然后分类研究不同聚类下数据的特点。 本文记录学习kmeans算法相关的内容，包括算法原理，收敛性，效果评估聚，最后带上R语言的例子，作为备忘。

算法原理 kmeans的计算方法如下： 1 随机选取k个中心点 2 遍历所有数据，将每个数据划分到最近的中心点中

3 计算每个聚类的平均值，并作为新的中心点 4 重复2-3，直到这k个中线点不再变化（收敛了），或执行了足够多的迭代 时间复杂度：O(I*n*k*m) 空间复杂度：O(n*m) 其中m为每个元素字段个数，n为数据量，I为跌打个数。一般I，k，m均可认为是常量，所以时间和空间复杂度可以简化为O(n)，即线性的。

算法收敛 也就是当前聚类的均值就是当前方向的最优解（最小值），这与kmeans的每一次迭代过程一样。所以，这样保证SSE 每一次迭代时，都会减小，最终使SSE收敛。

由于SSE是一个非凸函数（non-convex function），所以SSE 不能保证找到全局最优解，只能确保局部最优解。但是可以重复执行几次kmeans，选取SSE最小的一次作为最终的聚类结果。 0-1规格化 由于数据之间量纲的不相同，不方便比较。举个例子，比如游戏用户的在线时长和活跃天数，前者单位是秒，数值一般都是几千，而后者单位是天，数值一般在个位或十位，如果用这两个变量来表征用户的活跃情况，显然活跃天数的作用

数据挖掘应用案例：RFM模型分析与客户细分

数据挖掘应用案例：RFM模型分析与客户细分 分类：数据挖掘 | 标签：市场研究数据挖掘RFM模型 2012-01-21 21:39阅读(16854)评论(9) 这里，我先给各位朋友拜年，祝大家新春快乐！ 兔年就要过去了，本命年的最后一天再不更新博客有点对不住大家！正好刚帮某电信行业完成一个数据挖掘工作，其中的RFM模型还是有一定代表性，就再把数据挖掘RFM 模型的建模思路细节与大家分享一下吧！手机充值业务是一项主要电信业务形式，客户的充值行为记录正好满足RFM模型的交易数据要求。 根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。 我早期两篇博文已详述了RFM思想和IBM Modeler操作过程，有兴趣的朋友可以阅读！ RFM模型：R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。一般原始数据为3个字段：客户ID、购买时间（日期格式）、购买金额，用数据挖掘软件处理，加权（考虑权重）得到RFM得分，进而可以进行客户细分，客户等级分类，Customer Level Value得分排序等，实现数据库营销！

这里再次借用@数据挖掘与数据分析的RFM客户RFM分类图。 本次分析用的的软件工具：IBM SPSS Statistics 19，IBM SPSS Modeler14.1，Tableau7.0，EXCEL和PPT 因为RFM分析仅是项目的一个小部分分析，但也面临海量数据的处理能力，这一点对计算机的内存和硬盘容量都有要求。 先说说对海量数据挖掘和数据处理的一点体会：（仅指个人电脑操作平台而言） ?一般我们拿到的数据都是压缩格式的文本文件，需要解压缩，都在G字节以上存储单位，一般最好在外置电源移动硬盘存储；如果客户不告知，你大概是不知道有多 少记录和字段的； ?Modeler挖掘软件默认安装一般都需要与C盘进行数据交换，至少需要100G空间预留，否则读取数据过程中将造成空间不足 ?海量数据处理要有耐心，等待30分钟以上运行出结果是常有的现象，特别是在进行抽样、合并数据、数据重构、神经网络建模过程中，要有韧性，否则差一分钟中断 就悲剧了，呵呵； ?数据挖掘的准备阶段和数据预处理时间占整个项目的70%，我这里说如果是超大数据集可能时间要占到90%以上。一方面是处理费时，一方面可能就只能这台电脑处理，不能几台电脑同时操作； ?多带来不同，这是我一直强调的体验。所以海量数据需要用到抽样技术，用来查看数据和预操作，记住：有时候即使样本数据正常，也可能全部数据有问题。建议数 据分隔符采用“|”存储；

中国移动客户价值的提升

提升客户价值创造移动时代 中国移动集团客户特点是“两高一低”，即ARPU值高、收入占比高和离网率低。这三个特点说明了集团客户之于中国移动的价值重要性。作为更高级网络运营阶段电信运营商争夺的主要阵地，集团客户对于中国移动来讲，具有举足轻重的地位。 客户价值就是指客户给企业所带来的收益，取决于时间和价格两个因素。长期稳定的关系表现为客户的生命周期。客户价值管理是企业进行针对化营销、服务的有力保障，因为企业的资源必定是有限的，通过客户价值的量化管理帮助我们实现有限企业资源的高价值分配，通过CRM系统可以定义多种评估模型、评估范围和评估条件以金字塔的形式动态实时展现企业当前的客户价值分布情况，并通过系统可以详细的了解到不同价值阶段的客户分布情况、价值分布情况、价值构成情况等。以帮助企业进行不同价值客户的营销、服务的差异化管理带来帮助。 据官方统计，到2006年上半年，中国移动的手机用户数已经达到2.7亿户。早在2002年移动点心就已占据国内七成用户市场的同时，奠定了其“寡头”地位。但随着联通、网通、铁通等异军突起，对移动通信形成包围式的链锁并不断蚕食其原有的用户市场，于是，移动通信在市场巨变的环境下其“寡头”地位已经不复存在了。但不可否认的是，移动通信仍是占据着大多数市场的“龙头”者，因此，如何深挖最大的客户市场，已经是移动运营商不得不深思的问题。而当今经济形态下的市场价值所在亦不是单纯的个体用户，而是具备多元化需求的集团客户。 不同的用户市场群体受区域性差异的影响在选择性上有所偏颇，同时存在地方政府的宏观干预。所以，移动运营商在寻觅集团客户对象时，要考虑到用户所处的市场环境下的文化地域性因素。这些区域性差异包括文化、经济、生活等诸方面的因素，移动运营商要针对这些区域性因素，实施差异化战略来挖掘集团客户价值。 从市场发展规律来看，卖方市场到买方市场的转变往往是在市场开始竞争之时。对竞争日渐激烈的移动通信业而言，具有前瞻性目光的人士早已看到，初露端倪的买方市场正在形成。如何适应市场、创造市场，是移动通信企业面临的带有战略性的问题。移动通信商们应该清醒认识到，拥有目前的市场并不完全意味

数据挖掘应用案例：RFM模型分析与客户细分-沈浩老师

这里，我先给各位朋友拜年，祝大家新春快乐！ 兔年就要过去了，本命年的最后一天再不更新博客有点对不住大家！正好刚帮某电信行业完成一个数据挖掘工作，其中的RFM模型还是有一定代表性，就再把数据挖掘RFM 模型的建模思路细节与大家分享一下吧！手机充值业务是一项主要电信业务形式，客户的充值行为记录正好满足RFM模型的交易数据要求。 根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。 我早期两篇博文已详述了RFM思想和IBM Modeler操作过程，有兴趣的朋友可以阅读！ RFM模型：R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。

一般原始数据为3个字段：客户ID、购买时间（日期格式）、购买金额，用数据挖掘软件处理，加权（考虑权重）得到RFM得分，进而可以进行客户细分，客户等级分类，Customer Level Value得分排序等，实现数据库营销！ 这里再次借用@数据挖掘与数据分析的RFM客户RFM分类图。 本次分析用的的软件工具：IBM SPSS Statistics 19，IBM SPSS Modeler14.1，Tableau7.0，EXCEL和PPT 因为RFM分析仅是项目的一个小部分分析，但也面临海量数据的处理能力，这一点对计算机的内存和硬盘容量都有要求。 先说说对海量数据挖掘和数据处理的一点体会：（仅指个人电脑操作平台而言）

客户细分精准化营销—RFM模型

客户细分精准化营销——RFM模型 一、研究目得 1、了解哪些客户就是价值、需发展、需保持、需挽留得; 2、对不同类别得客户进行不同得营销策略,增大客户购买得可能性; 二、RFM简介 RFM模型就是衡量客户价值与客户创利能力得重要工具与手段,R近度(Recency),F频度(Frequency),M额度(Monetary)。该模型得作用如下: （一）给不同类别得客户进行不同得营销策略(称之为个性化营销策略),减少客户得反感,促进客户得转化,即精准化营销。 (1)对重要价值客户111进行推送“恭喜您成为VIP！如果您有问题,我们会优先处理;如果我们有新产品或新活动,会优先告知您！”“感谢您下单,祝您用餐愉快！”等等。 (2)对重要保持客户011(很久没有下单,但就是以前非常频繁,贡献度比较大,这些忠诚客户流失了,需要紧急处理)进行“Hello,好久不见！”“回访找出流失原因”“保持联系,提高其忠诚度与满意度”“线下邀请参加活动”“线上互动功能开发、线上互动活动策划”等等,只要下单就行,即成为重要价值客户。 (3)对重要发展客户101(频次低,但最近下单,贡献度较大,有钱力得客户)进行“发放一定数量得优惠券,优惠券额度递增”“满就减”等等,让客户多下单,即成为重要价值客户。 (4)对重要挽留客户001(很久没下单,频次低,贡献度较大),对客户进行适当得挽留营销策略。 (5)对一般价值客户110(最近下单,频次高,贡献度较小,比较穷得客户),可以进行“会员卡充100送10”“满减活动”“套餐”等策略。 (6)对于一般保持客户010(很久没下单,频次高,贡献度较小,流失得比较穷得客户),可以“Hello,好久不见！已发放一定数据得优惠券,位置在……,请查收！” (7)对于一般发展客户100(最近下单,频次低,贡献度较低,即新客户)进行品牌介绍以及多次消费刺激策略,“您好,我们就是…、、,致力于……。如果您有反馈或疑惑,请第一时间联系我们,xx……,公众号……。最近我们有促销活动,……” (8)对于一般挽留客户000(已流失客户)不就是我们得营销重点,所谓20%得

中国移动客户关系管理

精心整理 中国移动客户关系管理 1.移动通信企业CRM分析 1.1移动的顾客识别 移动公司通过一系列技术手段深入了解自己的顾客，收集客户信息，根据客户的特征、购买记录等可得数据，找出谁是企业的潜在顾客，客户的需求是什么、哪类客户最有价值等，并把这些客 RFM 找出消费金额比较高的消费者，加以着重关爱。总之就是更好地使用有效的企业资源。 1.3移动的客户关系维系 首先，通过与客户的互动将自己的产品和服务介绍给客户，扩大客户群体。中国移动在电视杂志网络均有广告，来吸引更多的消费者。中国移动还在户外开展各种活动赞助来扩大它的影响力。其次，通过与客户互动来了解客户的需求。中国移动开设的有人工服务，语音服务，方便客户查询和办理业务，另外还有短信中心，有出新业务及时给客户通知，另外还有网上营业厅和营业厅实体店，客户如有疑问可以向工作人员了解情况。 第三，对移动公司服务、产品的意见的调查和满意度测评。

2.移动通信企业CRM当前存在的主要问题 (1)业务发展问题 业务的发展是企业增加利润，提高客户的满意度、忠诚度，拓展市场，提高竞争能力的必要手段。对业务如何有针对性地进行拓展，如何考虑价格因素的影响以及如何制定有效的市场营销策略等问题对于移动通信企业是非常重要的，也是目前迫切需要解决的。 (2)缺乏对客户流失问题的全方位分析 目前迫于市场竞争的压力，用户流失情况严重，公司对客户的流失没有采用很好的管理策略，只了解到客户流失了，并没有真正掌握客户流失的原因、流失的方向和流失客户的构成；并且对客 在 3. 3.1CRM系统建设的目标 客户关系管理信息系统的建设，旨在利用先进的信息技术与计算机应用技术成果，通过和电信其它业务系统及职能系统的有机结合，建立一个发展客户、维持用户、使潜在客户成为现实用户的信息处理与分析平台。它是在收集客户市场调查信息、客户资料信息、客户营销战略资源的基础上，再自动采集计费、客服、网管、财务等系统的相关数据，建立快速、全面、准确的新客户业务受理、新增需求受理及故障处理过程通道，建立完善的奖金管理、渠道管理系统以及完整的客户满意度评

基于数据挖掘技术的客户细分模型研究

基于数据挖掘技术的客户细分模型研究 发表时间：2013-04-22T11:11:28.857Z 来源：《中国科技教育·理论版》2013年第1期供稿作者：杨登[导读] 对于现代企业而言，相互之间的竞争已从产品的样式和质量上的竞争转移到争夺客户的竞争上来了 杨登吉林化工学院 132022 摘要客户细分是客户关系管理中的首要任务，数据挖掘技术是实施客户细分的关键技术。本文介绍如何将SOM神经网络算法和k均值算法相结合，构建一种客户细分模型。 关键词客户细分 SOM神经网络算法 k均值算法细分模型 1．介绍 对于现代企业而言，相互之间的竞争已从产品的样式和质量上的竞争转移到争夺客户的竞争上来了。面对日益激烈的市场竞争，企业逐渐意识到维系与顾客之间的长久关系的重要性。数据挖掘技术可以企业在海量数据中同时更好地理解客户，找出高价值或者至少有利润的客户，并将这些客户进行适当的分类，由此决策者便能够对每一类客户提供有针对性的个性化服务。国外诸多学者从人口统计、客户行为、价值、利益、忠诚等角度出发，获得了一些不同的细分方法。这些细分方法在实际运用中都取得了一定成效，而目前占据主流地位的还属基于行为和价值的客户细分方法。基于行为的细分方法认为行为变量是构建细分市场的最佳起点，通过对客户行为的测量，对客户进行分类；而基于价值的细分方法则认为客户的价值是构建细分市场的最佳起点，通过分析不同客户给企业带来的盈利，来对客户分类。 目前客户终身价值的研究还不成熟，客户细分更多采用基于行为的分类方法。本文介绍的客户细分模型也是基于行为分类，在选定了特定的行为变量后，比较了SOM神经网络算法和k均值算法的优缺点，结合两个算法构建一个客户细分的模型。 2．模型实现的方法 2.1行为变量的选取 本文在选取细分的行为变量时，在客户价值矩阵的两个变量基础上，增加了一个反应客户忠诚度的变量--客龄。客龄等于客户的开户日期与最近购买日期的时间差，单位为天数。也就是说，一共选取了三个行为变量，分别为平均购买金额A，购买次数F和客龄D。 2.2算法的设计 2.2.1 K-均值的优缺点 K-均值算法的优点是简单、快速、有效。该算法的缺点是①不同初始值会导致不同的聚类结果；②要求事先输入聚类数目；③陷入局部极优；④对“噪声"和孤立点数据比较敏感。 2.2.2 SOM算法的优缺点 SOM算法的优点是①由于不需要映射内的相互结合，计算量少；②算法中不需要微分计算，数学上非常简单。 SOM的缺点是①SOM 不能提供分类后精确的聚类信息，②缺乏具体的目标函数，使得不同SOM聚类的结果难以进行比较；③必须设定初始邻域宽度、初始学习率、网络类型、邻域函数这许多的参数。 2.2.3 结合算法 K-均值需要指定聚类的个数，且初始的聚类质心是随机赋予的；而SOM只需输入向量就能产生分类。可将两种算法结合起来，形成一个结合算法。第一步，先执行SOM算法，输出聚类数目N和聚类质心Z={Z1，Z2，?，Zc}。第二步，将SOM输出的结果N, Z={Z1，Z2，?，Zc},用做K-均值算法的初始化条件，得到最后的聚类的结果。将两个算法结合起来后，因为得到合适初始值，K-均值算法的局部搜索能力变强，收敛速度提高。 2.3数据准备 客户信息表：共有9876条记录，经筛选保留字段为客户号、性别、年龄、受教育程度、婚否、未成年孩子的个数、职业、收入、房产、汽车、注册日期等。 商品数据表：有1561条记录，经筛选保留字段为商品号、商品名和商品属类标识。交易记录表：有97425条记录，经筛选保留字段为商品号客户号、单价、数量、小计、日期。建模的样本数据集由上述基本表融合而生成，新增变量平均购买金额、购买频率、客龄，在数据清理后，采用最小一最大标准将属性值标准化到[0，1]，形成我们的挖掘数据库。 3.模型评估 3.1基于SOM网络的聚类质心 经过预定次数的训练之后，客户被自动分为了5类，所得各簇的聚类质心如表1所示：表1 SOM聚类质心 簇C1C2C3C4C5 簇质心平均购买额0.3340.2410.2350.2350.34购买次数0.1130.0760.1140.080.119客龄0.7820.6270.5240.4180.272 3.2基于K-均值的聚类质心 为了进行比较，对样本数据指定K=5，执行k-均值后所得各簇的聚类质心如表2所示：表2 K-均值聚类质心 簇C1C2C3C4C5 簇质平均购买额0.170.3450.4190.3070.325购买次数0.580.3980.0810.0870.091

客户关系管理-客户细分

客户关系与客户细分 一、简要解释客户细分的原因，并举例说明客户细分与客户关系生命周期及客户价值之间的关系。 客户细分的原因： 1、客户需求存在异质性 客户的需求因客户个人偏好、性格、思维方式等方面的不同而不同，所以客户需求、欲望及购买行为的多元化，导致客户需求满足呈现差异性。进行客户细分，可以更好的实现个性化服务。 2、客户金字塔理论 处在金字塔顶部的是贵宾型客户，再到重要级客户，最后到基础型客户。每一层次的客户对企业利润的贡献差别很大，通过研究客户交互的资料发现，50-60%的客户对企业而言是非赢利性的，同时那些消耗了企业60%-80%的售后支援资源的客户提供的利润仅占不足20%。3、有限的企业资源和有效的市场竞争 任何一个企业都不能单凭自己的人力、财力及物力来满足整个市场的所有需求，这不仅缘于企业自身条件的限制，而且在经济方面也不足取。因此，对客户进行有效的细分，集中企业资源，制定科学的竞争策略，以取得和增强竞争优势。 客户细分与客户关系生命周期的关系： 案例：上海金丰易居是一家房地产集团，在1995年，公司发现虽然有大量的客户资源，但是不能有效的利用这些客户信息，于是在当年引起eCRM系统，对拥有的大量客户进行细分，划分为不同生命周期的客户，准确分析客户需求，进行数据库资源共享，从而实现对客户的有效管理。 ①客户关系生命周期为客户细分提供依据 客户关系生命周期可分为考察期、形成期、稳定期和退化期四个阶段，每个阶段所表现出来的特征不一样，比如在交易量、价格、成本、间接收益等方面，而这些不同的方面为客户细分提供了依据。 ②客户细分有利于客户关系生命周期理论的应用 客户细分将根据时间问题、客户经验、购买决策、品牌忠诚等要素对客户进行了有效的细分，了解到不同的客户的不同需求，将客户划分

中国移动的客户关系管理方案分析与设计

中国移动的客户关系管理方案分析与设计 项目号：中国移动项目成员：第一组专业班级：连锁101 一、中国移动简介 中国移动通信集团公司（简称“中国移动”）于2000年4月20日成立，是 一家基于GSM和TD-SCDMA制式网络的移动通信运营商。注册资本为518亿元人 民币，截至2008年9月30日，资产规模超过8,000亿元人民币。 中国移动通信拥有全球第一的移动通信网络规模和客户规模，连续多年入选 《财富》杂志世界500强企业，2010年排名为第77位。在中国境内，中国移动 通信集团公司主要经营移动语音、数据、IP电话和多媒体业务，并具有计算机 互联网国际联网单位经营权和国际出入口局业务经营权。除提供基本话音业务以 外，还提供传真、数据IP电话等增值业务，拥有“全球通”、“动感地带”、“神 州行”、“G3”等品牌。 二、中国移动的客户关系管理现状与分析 （一）中国移动的客户识别现状与分析 1、中国移动的客户识别现状 客户识别就是通过一系列技术手段，根据大量的客户特征、需求信息等，找 出哪些是企业的潜在客户，客户的需求是什么，哪些客户最有价值等等，并以这 些客户作为客户关系管理对象。 中国移动对于其所有的客户都有其鲜明的识别标志。不管是全球通客户、神 州行客户还是动感地带客户，每个客户都有易于识别的号段来对应最适合自己的 服务与权益。而从2010年09月01日起，每一位申请中国移动的通信服务的客 户都必须进行实名登记。这是中国移动手机客户信息的一部分。每一个中国移动 的客户在获得中国移动的sin卡后便可以在世界范围内，任何有移动信号的地方 享受中国移动所提供的一切服务。此外，中国移动不仅是通信服务的提供方，还 是客户通信信息的保管方。中国移动能够使用第一手资料，在第一时间发掘用户 的相关信息，推出跟符合用户使用习惯的服务。更重要的是中国移动一直严格的 保密着客户的资料与通信信息，至少迄今还是。 2、中国移动的客户识别分析 作为 IDIC 模型的第一部分，中国移动对其进行了绝对的重视并做了很好的 努力。中国移动的各个服务类别如：“全球通”、“神州行”、“动感地带”等服务

数据挖掘应用案例：RFM模型分析与客户细分完整版

数据挖掘应用案例：R F M模型分析与客户 细分 HEN system office room 【HEN16H-HENS2AHENS8Q8-HENH1688】

数据挖掘应用案例：RFM模型分析与客户细分 分类：| 标签： 2012-01-21 21:39阅读(16854) 这里，我先给各位朋友拜年，祝大家新春快乐！ 兔年就要过去了，本命年的最后一天再不更新博客有点对不住大家！正好刚帮某电信行业完成一个数据挖掘工作，其中的RFM模型还是有一定代表性，就再把数据挖掘RFM模型的建模思路细节与大家分享一下吧！手机充值业务是一项主要电信业务形式，客户的充值行为记录正好满足RFM模型的交易数据要求。 根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。 我早期两篇博文已详述了RFM思想和IBM Modeler操作过程，有兴趣的朋友可以阅读！ RFM模型：R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。一般原始数据为3个字段：客户ID、购买时间（日期格式）、购买金额，用数据挖掘软件处理，加权（考虑权重）得到RFM得分，进而可以进行客户细分，客户等级分类，Customer Level Value得分排序等，实现数据库营销！

这里再次借用@数据挖掘与数据分析的RFM客户RFM分类图。 本次分析用的的软件工具：IBM SPSS Statistics 19，IBM SPSS ，，EXCEL和PPT 因为RFM分析仅是项目的一个小部分分析，但也面临海量数据的处理能力，这一点对计算机的内存和硬盘容量都有要求。 先说说对海量数据挖掘和数据处理的一点体会：（仅指个人电脑操作平台而言） 一般我们拿到的数据都是压缩格式的文本文件，需要解压缩，都在G字节以上存储单位，一般最好在外置电源移动硬盘存储；如果客户不告知，你大概是不知道有多少记录和字段的； Modeler挖掘软件默认安装一般都需要与C盘进行数据交换，至少需要100G 空间预留，否则读取数据过程中将造成空间不足 海量数据处理要有耐心，等待30分钟以上运行出结果是常有的现象，特别 是在进行抽样、合并数据、数据重构、神经网络建模过程中，要有韧性，否则差一分钟中断就悲剧了，呵呵； 数据挖掘的准备阶段和数据预处理时间占整个项目的70%，我这里说如果是超大数据集可能时间要占到90%以上。一方面是处理费时，一方面可能就只能这台电脑处理，不能几台电脑同时操作； 多带来不同，这是我一直强调的体验。所以海量数据需要用到抽样技术，用来查看数据和预操作，记住：有时候即使样本数据正常，也可能全部数据有问题。建议数据分隔符采用“|”存储； 如何强调一个数据挖掘项目和挖掘工程师对行业的理解和业务的洞察都不为过，好的数据挖掘一定是市场导向的，当然也需要IT人员与市场人员有好 的沟通机制；

新客户价值细分模型探讨及在风险客户识别方面的应用讲解学习

新客户价值细分模型探讨及在风险客户识别方面的应用 来源：计费&OSS世界作者：闫森时间：2006年10月19日 本文针对电信运营企业建设客户关系管理系统（CRM）时所需要的客户细分模型从数学建模和模型应用等方面进行深入探讨，结合吉林联通CRM系统的建设给出了模型的实现方法，并给出了风险客户的判别参数及应用示例，具有较强的实用价值。 吉林联通客户关系管理系统的概要介绍 随着中国电信业市场竞争的激烈，传统的经营模式受到了很大的冲击，难以适应不断增长的市场需求，电信运营商必须从传统的经营模式向“以客户为中心，市场为导向”的经营模式转变。 中国联通吉林分公司的领导提出，必须以客户为中心，以客户的价值取向和消费心理为导向，进行客户细分，为用户提供高品质的服务，真正体现“创造需求”、“引导消费”的现代客户服务意识与理念。 中国联通吉林分公司基于CRM的理念及系统建设，针对客户的消费行为，根据客户价值的细分和不同的贡献度，制定相应的营销战略，开发适合的产品和服务，来赢得和保持客户。为了能在存量市场竞争中取胜，企业必须具有强大的客户关系维系能力，在为客户提供贴身的电信产品和服务的同时，为客户提供主动关怀，不断提高客户忠诚度。这就需要一个以客户为中心构建的客户价值细分系统，为客户提供一致的端到端差异化和个性化服务，为一线销售和服务人员提供实用高效的工作平台、全面的客户信息和销售、服务策略的指导建议。 2005年5月吉林联通基于CRM的理念，开始了“客户维系挽留、积分及代理商管理系统”即 CRM系统前期的建设工作，目前已经完成了统一客户资料、客户维系挽留、积分管理、代理商管理、集团客户管理、信用度管理等模块的建设，实现了CRM系统目标要求的部分功能。 客户价值细分的建设目标 客户价值细分的建设作为吉林联通CRM系统建设的重点，它涉整个系统的基础应用数据的抽取和整理，是进一步为客户提供个性化、差异化服务的基础，一个不断新建和整合的过程。 客户价值细分的建设目标为： （1）建立客户价值模型，实现科学、自动的模型处理。 （2）通过模型应用，节省成本，并充分进行差异化客户服务及个性化服务。 （3）通过细分模型，发掘不同价值和不同风险的用户，对“高价值低风险”、“高

客户关系管理-客户细分、关键细分特征、时间维度等对客户细分价值的体现讲解学习

一、简要解释客户细分的原因，并举例说明客户细分与客户关系生命周期及客户价值之间的关系。 客户细分的原因： 1、客户需求存在异质性 客户的需求因客户个人偏好、性格、思维方式等方面的不同而不同，所以客户需求、欲望及购买行为的多元化，导致客户需求满足呈现差异性。进行客户细分，可以更好的实现个性化服务。 2、客户金字塔理论 处在金字塔顶部的是贵宾型客户，再到重要级客户，最后到基础型客户。每一层次的客户对企业利润的贡献差别很大，通过研究客户交互的资料发现，50-60%的客户对企业而言是非赢利性的，同时那些消耗了企业60%-80%的售后支援资源的客户提供的利润仅占不足20%。3、有限的企业资源和有效的市场竞争 任何一个企业都不能单凭自己的人力、财力及物力来满足整个市场的所有需求，这不仅缘于企业自身条件的限制，而且在经济方面也不足取。因此，对客户进行有效的细分，集中企业资源，制定科学的竞争策略，以取得和增强竞争优势。 客户细分与客户关系生命周期的关系： 案例：上海金丰易居是一家房地产集团，在1995年，公司发现虽然有大量的客户资源，但是不能有效的利用这些客户信息，于是在当年引起eCRM系统，对拥有的大量客户进行细分，划分为不同生命周期的客户，准确分析客户需求，进行数据库资源共享，从而实现对客户的有效管理。 ①客户关系生命周期为客户细分提供依据 客户关系生命周期可分为考察期、形成期、稳定期和退化期四个阶段，每个阶段所表现出来的特征不一样，比如在交易量、价格、成本、间接收益等方面，而这些不同的方面为客户细分提供了依据。 ②客户细分有利于客户关系生命周期理论的应用 客户细分将根据时间问题、客户经验、购买决策、品牌忠诚等要素对客户进行了有效的细分，了解到不同的客户的不同需求，将客户划分为不同关系生命周期阶段的客户，从而实现对客户关系生命周期理论的准确应用和对客户的有效管理。

顾客细分模型及实证研究

第7期(总第272期) 2006年7月 财经问题研究 Research on F i n anc i a l and Econo m i c Issues Number7(General Serial No1272) July,2006 顾客细分模型及实证研究 赵保国 (北京邮电大学文法经济学院,北京　100876) 摘　要:本文从顾客忠诚和顾客价值这两个维度建立顾客细分模型。该模型既从顾客角度出发,考虑到不同顾客的差异化需求;又从企业角度出发,充分考虑到了企业资源配置与收益相匹配的原则。并且,本文还通过实证的方法来对通信行业的顾客群体进行细分,将其顾客分为四类,为企业制定有效的营销策略提供依据。 关键词:顾客细分;顾客价值;顾客忠诚 中图分类号:F28714 文献标识码:A 文章编号:10002176X(2006)0720085206 一、研究概论 顾客细分(Cust omer Seg mentati on)是指按照一定的标准将企业现有顾客划分为不同的顾客群。通过顾客细分,企业可以更好地识别不同的顾客群体,采取差异化的营销策略,从而有效地降低成本,同时获得更强、更有利可图的市场渗透[1]。现有的研究依据传统的市场细分理论进行了有益的探讨,例如采用人口统计学变量(如年龄、性别、收入、教育背景和职业等),或者顾客购买行为特征变量(如顾客购买量、购买频率和忠诚度等),亦或是顾客价值变量。但是,由于这些细分方法的提出是基于不同的研究目的和视角,尚不能满足顾客关系管理对于顾客细分更全面、细致的要求。 本文的研究目的就是尝试在已有研究结论的基础上,从顾客忠诚和顾客价值两方面提出一种具有可操作性的细分方法,为企业细分不同的顾客群体并配置相应的资源提供参考。 二、目前研究现状综述 S m ith W endell于1956年在探讨市场细分和产品差异策略这两种不同的产品策略时首先提出的。他认为“市场细分是基于某一时期市场中个体需求的不同特点而做出的产品决策,而产品差异策略则仅定位于市场竞争者,不考虑需求的复杂性。”[2] 从国内外相关文献来看,目前的顾客细分是在传统市场细分研究的基础上所进行的更为深入的研究,大体是从顾客、企业以及两者相结合这三个角度展开的。 11基于顾客的细分研究 W ilkie和Cohen最早按照不同的层次将细分变量分为五种:个人总体特征描述变量(如性别、年龄、职业、收入等)、心理图示、需要的价值、品牌感知和购买行为。Schiff man按照地理、人口、心理、社会文化、使用情境、利益以及混合细分变量进行归纳。Haley则认为在传统市场细分中,地理区域、人口统计和销量细分变量占据了统治地位。[3]从以上学者对传统市场细分变量的总结不难看出,它们实际上可以归属于三类———环境细分、心理细分和行为细分。 21基于企业的细分研究 顾客导向的细分方法是围绕顾客各方面差异展开的,目的是实现差异化营销策略。由于差异化必须付出相应的成本代价,过分关注顾客需求而忽视企业利益的细分则恰恰违背了市场细分的初衷———更好地集中有限资源为某一顾客群体提供差异化服务。于是,相当一部分学者就转向从企业角度出发研究细分方法,其成果集中体现在价值细分上。价值细分的思想就是以顾客价值为 收稿日期:2006205208 作者简介:赵保国(1971-),男,河南舞钢人,经济学博士,中国人民大学商学院博士后。

中国移动经营分析系统

中国移动经营分析系统 一、中国移动经营分析现状研究近几年，随着国内电信企业的不断发展，电信行业的竞争也趋于白热化。一方面，客户选择电信业务及电信企业的余地越来越大，电信企业之间对客户的争夺也越来越激烈。经过运营商不断的“价格战”，电信市场出现了严重的“增量不增收”现象，大量低忠诚度的客户转网或变更业务。电信企业虽纷纷采用具有一定优惠期限的活动来降低客户的流失率，但在优惠期结束后，很多客户便纷纷离网或弃卡重入网以套取新的优惠，仍造成了大规模的客户流失，致使电信企业的业务收入下滑、客户发展效率低成本高。另一方面，电信客户近几年高速增长，形成了庞大、需求差异很大的客户群；同时适用于不同人群的各种新业务不断推出，电信企业需要通过细分市场、客户群，将最合适的业务推销给最需要的客户，实现业务和客户的最佳匹配。 在这种激烈的竞争情况下，如何提高经济效益，如何运用科学的经营分析方法，实现精细化的管理和营销，用高质量的服务来吸引和留住客户，扩大市场占有率，在竞争中占据有利位置，是国内各电信运营商关注的重点。 基于以上背景，国内电信运营商纷纷建立起以“经营分析系统”为核心的企业决策支持体系，通过对公司日常经营数据的分析、挖掘，为公司决策者、各级管理者提供经营决策依据，以实现精细化营销。 1、中国移动经营分析系统建设概况

为保证中国移动在激烈的市场竞争中能够满足新业务、新需求、新机会的需要，有效提高中国移动市场前沿的信息化水平，辅助提升中国移动市场精细化营销水平和深度运营能力，确保中国移动的市场领先地位，中国移动在完成业务支撑系统(BOSS)建设和集中化后，于2001年开始筹备经营分析系统，起草了规范和标准。2002年中国移动开始投入巨资进行经营分析系统建设，并于2004年实现省级经营分析系统和有限公司一级经营分析系统的全国联网。 经营分析系统的投入使用，使中国移动初步建立了面向企业运营的统一数据信息平台，为全网业务、客户服务、市场营销、经营决策、业务实施等工作提供了有效的支撑，同时进一步支持了有限公司对各省市场经营活动的管理和指导，在中国移动的业务运营中发挥了重要的作用，为中国移动精细化运营提供了基础。 2、中国移动经营分析系统框架介绍 中国移动经营分析系统通过与其它业务系统的有机结合，有效利用业务支撑系统(BOSS)和服务、财务、网络等系统产生的大量基础数据，运用数据仓库、联机分析处理、数据挖掘等先进技术，并通过预定义报表、即席查询、OLAP分析等功能，实现对公司的经营情况的分析和监控。 经营分析系统主要包括四层结构，即数据获取层、数据存储层、数据应用层和数据访问层。 (1)数据获取层

公司用户调查项目策划总结报告

用户调查项目总结报告

XXX公司市场部·200x年x月

目录 用户调查项目总结报告 (1) 1. 用户调查项目概述 (2) 1.1项目名称和目标 (2) 1.2项目时刻 (2) 1.3项目组成员 (2) 1.4调查方法 (2) 1.4.1 样本选择 (2) 1.4.2 问卷设计 (3) 1.4.3 问卷发放和回收 (3) 1.5项目成果概述 (3) 2. 数据分析 (5) 2.1用户差不多情况 (5) 2.2产品认知度 (6) 2.2.1 按用户年龄细分的产品认知度 (6) 2.2.2 按用户地域细分的产品认知度 (6) 2.3产品和服务中意度 (8) 2.3.1 按年龄细分的产品和服务中意度 (8) 2.3.2 按地域细分的产品和服务中意度 (8)

3. 调查结论 (10) 4. 结语 (11)

1.用户调查项目概述 1.1项目名称和目标 项目名称：XXX公司市场部200x年国内目标用户认知度和中意度调查项目 项目目标：通过抽样调查的方法，猎取国内要紧省市目标用户对X产品的认知度和中意度的差不多情况，为公司产品研发、市场宣传和商业运作提供较为客观、准确的数据基础。 1.2项目时刻 开始时刻：200x年x月1日 结束时刻：200x年x月25日 1.3项目组成员 项目责任人：×× 调查问卷设计：××、×× 调查样本选择：××、× 用户采访和问卷发放：×、×、××、××、× 问卷回收和结果统计：×、××、××、× 数据分析和报告：××、××、×× 1.4调查方法 此次调查要紧在XXX公司设有分支机构（分公司或办事处）

的省市开展，选择调查对象时结合使用了重点抽样和随机抽样的方法，在设计调查问卷时则强调客观问题和主观问题相结合，以客观问题为主的设计方法。 1.4.1样本选择 参与此项调查的省、直辖市共计21个。 在选择调查样本时，XXX公司在21个省、直辖市的分公司或办事处市场负责人首先提供了历年积存的地区用户数据和潜在用户信息。在此数据基础上，我们在重点用户中按照兼顾不同产品、不同类不、不同职业、不同年龄段的原则，抽选出50%的样本。 随后，我们又与信源市场调查有限公司合作，从21个省、直辖市的一般消费者中，按照XXX公司的目标用户筛选方式，在符合目标用户类型的不同职业、不同年龄段的消费者中随机抽取了50%的样本。 1.4.2问卷设计 调查问卷在设计上要紧包括四方面的内容： 用户差不多信息调查：包括用户的性不、年龄、职业、文化程度、家庭情况、个人爱好、同类产品消费经历等差不 多信息。

调查总结报告

用户调查项目总结报告 XXX公司市场部·200x年x月

目录 用户调查项目总结报告 (1) 1. 用户调查项目概述 (2) 1.1项目名称和目标 (2) 1.2项目时间 (2) 1.3项目组成员 (2) 1.4调查方法 (2) 1.4.1 样本选择 (2) 1.4.2 问卷设计 (3) 1.4.3 问卷发放和回收 (3) 1.5项目成果概述 (3) 2. 数据分析 (5) 2.1用户基本情况 (5) 2.2产品认知度 (6) 2.2.1 按用户年龄细分的产品认知度 (6) 2.2.2 按用户地域细分的产品认知度 (6) 2.3产品和服务满意度 (8) 2.3.1 按年龄细分的产品和服务满意度 (8) 2.3.2 按地域细分的产品和服务满意度 (8) 3. 调查结论 (10) 4. 结语 (11)

1.用户调查项目概述 1.1项目名称和目标 项目名称：XXX公司市场部200x年国内目标用户认知度和满意度调查项目项目目标：通过抽样调查的方法，获取国内主要省市目标用户对X产品的认知度和满意度的基本情况，为公司产品研发、市场宣传和商业运作提供较为客观、准确的数据基础。 1.2项目时间 开始时间：200x年x月1日 结束时间：200x年x月25日 1.3项目组成员 项目责任人：×× 调查问卷设计：××、×× 调查样本选择：××、× 用户采访和问卷发放：×、×、××、××、× 问卷回收和结果统计：×、××、××、× 数据分析和报告：××、××、×× 1.4调查方法 此次调查主要在XXX公司设有分支机构（分公司或办事处）的省市开展，选择调查对象时结合使用了重点抽样和随机抽样的方法，在设计调查问卷时则强调客观问题和主观问题相结合，以客观问题为主的设计方法。 1.4.1样本选择 参与此项调查的省、直辖市共计21个。

数据挖掘应用案例RFM模型分析与客户细分

数据挖掘应用案例R F M 模型分析与客户细分 The following text is amended on 12 November 2020.

数据挖掘应用案例：RFM模型分析与客户细分 分类：| 标签： 2012-01-21 21:39阅读(16854) 这里，我先给各位朋友拜年，祝大家新春快乐！ 兔年就要过去了，本命年的最后一天再不更新博客有点对不住大家！正好刚帮某电信行业完成一个数据挖掘工作，其中的RFM模型还是有一定代表性，就再把数据挖掘RFM模型的建模思路细节与大家分享一下吧！手机充值业务是一项主要电信业务形式，客户的充值行为记录正好满足RFM模型的交易数据要求。 根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。

我早期两篇博文已详述了RFM思想和IBM Modeler操作过程，有兴趣的朋友可以阅读！ RFM模型：R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。一般原始数据为3个字段：客户ID、购买时间（日期格式）、购买金额，用数据挖掘软件处理，加权（考虑权重）得到RFM得分，进而可以进行客户细分，客户等级分类，Customer Level Value得分排序等，实现数据库营销！ 这里再次借用@数据挖掘与数据分析的RFM客户RFM分类图。 本次分析用的的软件工具：IBM SPSS Statistics 19，IBM SPSS ，，EXCEL和PPT 因为RFM分析仅是项目的一个小部分分析，但也面临海量数据的处理能力，这一点对计算机的内存和硬盘容量都有要求。 先说说对海量数据挖掘和数据处理的一点体会：（仅指个人电脑操作平台而言）