隨著市場經濟深入發展,社會對企業的要求逐步提高。秉持從客戶出發、為客戶創造價值的理念,才能有效提升企業核心競爭力,從而獲取更多利益。在此背景下,客戶關系管理愈發重要。
客戶分類模型是客戶關系管理中的重要模型之一,本文將結合百分點科技多年來積累的項目實踐經驗,從行業應用與模型原理兩個角度,對客戶分類模型進行介紹。
一、客戶分類模型行業應用
客戶關系管理的目標,是通過滿足每一個客戶的需求,實現企業資源優化,降低企業成本等。為實現此目的,企業需要收集整理客戶信息,分析出蘊含在大數據背后有價值的信息,加以利用,結合不同類別客戶的本質需求,提供差異化服務。一方面為客戶創造更多價值,另一方面為企業自身贏得更多利益,實現雙贏。
其中,客戶分類模型是客戶關系管理中的重要模型之一,接下來將介紹客戶分類模型在各行業場景中的應用。
1.零售行業——RFM模型/基于聚類的RFM模型
RFM模型常用于零售行業,是客戶關系管理分析模式中常用的工具和手段。該模型以近度(R:Recency)、頻度(F:Frequency)、值度(M:MonetaryValue)作為客戶分類的三項指標,例如,利用一位客戶的最近購買時間(R)、購買頻次(F)與累計購買金額(M)來描述該客戶的價值情況。將每個維度進行二分,R/F/M三個維度的三次二分將全部客戶分為八類,企業可對不同類別的客戶開展不同的營銷手段。RFM模型十分經典,但較為傳統機械。利用機器學習聚類算法,可以對RFM模型進行優化,常用方法有基于自組織神經網絡(SOM網絡)的RFM客戶分類模型。
2.金融、電信、零售等行業——聚類模型與分類模型相結合
RFM模型需要用到最近購買時間(R)、購買頻次(F)與累計購買金額(M)三個指標,這些指標適用于零售行業。那么對于其他行業而言,該如何構建與行業數據更適應的客戶分類模型呢?常見的客戶分類模型方法有聚類與分類相結合的客戶分類方法,該方法步驟為:(1)結合具體行業客戶特征與業務需求,歸納客戶特征,提取有關指標的數據字段;(2)利用聚類模型(k-means/SOM等)對客戶進行聚類,確定現有客戶的類別;(3)利用分類器(DT/SVM等)對客戶建立分類預測模型,并將該模型應用到其余客戶及未來新客戶上,進行分類預測;(4)依據預測準確度不斷優化迭代聚類與分類器各項參數,實現客戶分類模型的持續優化。與RFM模型相比,基于聚類的客戶分類模型優勢在于:(1)其分類指標不僅限于RFM的三個指標(最近一次消費、頻次、金額),而是可以擴展到客戶人口特征、價值特征與行為特征等多類特征;(2)其分類方式不是單純的“切割”,而是根據客戶間距離/密度進行聚類,類別的劃分更加靈活立體。3. 通用企業客戶——綜合指數模型不論是RFM模型還是聚類與分類相結合的客戶分類模型,其分類對象大多以個人客戶為主。當分類對象為企業客戶時,可利用綜合指數模型進行評價分級分類。主要設計思路與步驟是:(1)結合具體行業企業客戶特征,確定適合的財務指標與非財務指標;(2)利用主客觀賦權方法確定指標權重;(3)通過指標體系法的評估得到各企業客戶的綜合得分,為后續決策與管理提供參考依據。
二、客戶分類模型原理介紹
1. RFM模型/基于聚類的RFM模型方法原理介紹
傳統的RFM模型利用最近購買時間(R)、購買頻次(F)與累計購買金額(M)三項指標,將全部客戶分為八類,具體見下表。
RFM模型的重點在于閾值的選擇,通常選用集中趨勢作為閾值:在數據分布較為均勻的時候,使用平均值作為該指標的閾值;數據分布不均時,可使用中位數作為閾值;特殊情況也可使用眾數作為閾值。
基于自組織神經網絡(SOM網絡)的RFM客戶分類模型是對傳統RFM模型的優化。自組織神經網絡屬于聚類模型,基本思想是將距離小的樣本點集合劃分為同一類別,而將距離大的樣本點集合劃分為不同的類別。該算法可用R語言中的kohonen添加包中的som()函數實現。
優化后的RFM模型保留了客戶分類的三個經典傳統指標,對客戶劃分方式進行優化,不只是單純的根據閾值切分八類,而是綜合客戶的空間分布,對客群進行更靈活更細致的劃分,為企業針對性營銷和個性化服務提供理論依據。
2. 聚類模型與分類模型相結合方法原理介紹
前文介紹了該方法的具體步驟,總結歸納為:利用聚類模型對現有客戶進行聚類,根據聚類結果建立客戶分類預測模型,將分類預測模型應用到其余客戶與新客戶進行預測歸類。
聚類常用方法有kmeans與SOM網絡,其中SOM網絡在上節已經介紹,kmeans的思想是將每個樣本點聚集到其最近形心(均值)類中,使得聚類性能指標最小。該算法可用R語言中的kmeans()函數實現。
常用的分類方法有決策樹DT與支持向量機SVM。決策樹的核心思想是在各項特征中找出最優特征與該特征閾值,將全部客戶一分為二,遞歸上述操作,直到將全部客戶分類完畢為止(圖1)。該算法可用R語言中的party添加包中的ctree()函數實現。支持向量機的核心思想是找到一個超平面,使得它能夠盡可能多地將兩類數據點(客戶)正確地分開,同時使分開的兩類數據點距離分類超平面最遠(圖2)。該算法可用R語言中的e1071添加包中的svm()函數實現。
3. 綜合指數模型方法原理介紹
綜合指數問題即多目標決策問題,是具有兩個以上的決策目標,并且需用多種標準來評價、優選方案的決策。綜合指數模型的構建流程是:構建指標體系→數據收集與標準化→為指標體系賦權→計算指標得分,接下來詳細展開每一步如何實施。
(1)構建指標體系。此體系應遵循系統性原則、典型性原則、動態性原則、簡明科學性原則等。評價指標體系是指由表征評價對象各方面特性及其相互聯系的多個指標,所構成的具有內在結構的有機整體。在構建指標體系時,要充分結合具體行業企業客戶特征,使得指標體系滿足上述原則。
(2)數據收集與標準化。收集數據的原則是“大小數據融合”,數據源既可以是官方大數據平臺中的“大數據”,也可以是問卷收集數據的“小數據”。將收集到的指標數據按照正、負向進行標準化。將指標體系中的所有指標歸于0-1之間,且越大代表在這個維度上表現的越好。
正向指標標準化(越大越好):
負向指標標準化(越小越好):
適中指標標準化(越接近某值越好):
(3)為指標體系賦權。根據指標內容選擇合適的賦權方法,計算指標體系中各指標的重要性。賦權方法有主觀賦權法、客觀賦權法與組合賦權法。常見的主觀賦權法有層次分析法、模糊矩陣法、專家打分法等,常見的客觀賦權法有主成分賦權法、熵權法、變異系數法等。組合賦權法是指將主觀賦權法與客觀賦權法相結合,例如將兩組權重進行線性或非線性組合,得到組合權重。
(4)計算指標得分。根據上述指標體系及其權重,計算待決策對象的綜合指標得分以及其在各子指標上的得分,根據得分對其進行分類。
三、綜合指數模型應用案例
針對某大型金融機構對其客戶集團的評價分級分類測算需求,百分點科技項目組深入結合該機構相關業務與評價標準,利用綜合指數模型方法,構建符合業務邏輯的客戶評價分級分類測算模型,實現客戶分級分類、挖掘潛力客戶、評估客戶風險等功能。
下面結合綜合指數模型步驟,介紹百分點科技在項目案例中的模型實施方案。
(1)構建指標體系。為加強客戶分類的前瞻性與全面性,模型指標體系涵蓋了包含“合作深度、自身價值、客戶風險、未來潛力”四大維度的十四個指標。其中,“合作深度”類指標描述客戶的已合作業務規模,包含四項子指標;“自身價值”類指標描述客戶自身資質,包含三項子指標;“客戶風險”類指標刻畫客戶的已合作業務質量,包含四項子指標;“未來潛力”類指標刻畫客戶的未來合作潛力,包含三項子指標。
(2)數據收集與標準化。本案例收集數據符合“大小數據融合”原則。合作深度維度的四項指標與客戶風險維度的四項指標涉及數據來源于該金融機構數據庫,屬于“大數據”類型;自身價值維度三項指標與未來潛力維度三項指標來源于各客戶自主報送,屬于“小數據”類型。
(3)為指標體系賦權。在確定模型指標體系后,需要對各指標按重要性水平賦予不同權重。本案例采取專家打分法與熵權法相結合的方式,前者屬于主觀賦權法,后者屬于客觀賦權法。兩者結合兼顧主觀與客觀兩個方面,力求測算模型更加準確、全面。
一級權重與二級權重分別由專家打分法與熵權法相結合得到
(4)計算指標得分。將參評客戶相關數據批量導入模型,得到各參評客戶的百分制得分。按照得分分布情況及理想客戶分類數量結構劃定各類別客戶分數線,將全部客戶進行分級分類。全部客戶總共分為四級八類,具體類別見下表。
此外,根據模型中客戶風險與未來潛力維度得分,可定位高風險客戶與潛力客戶。將風險維度得分極低或風險維度下單指標得分極低的客戶識別為高風險客戶(風險為負向指標),將潛力維度得分極高或潛力維度下單指標得分極高的客戶識別為潛力客戶。針對高風險客戶,該機構在后續合作過程中,可提前做出風險備案,警惕高風險帶來的合作利益損失。針對潛力客戶,該機構可深入挖掘合作方向,擴大的合作規模。
上述案例體現了客戶分類管理模型賦能金融行業,提高數據利用率,將金融行業中大量客戶數據轉化為客戶分級分類有效依據,為該機構對不同類別客戶的個性化服務提供有效決策,提高金融企業客戶管理能力,實現智慧金融轉型。
四、小結
總結客戶分類管理模型,詳見下表:
綜上所述,客戶分類管理模型的總體步驟可以概括為:選取客戶分類特征與相應指標→收集數據與預處理→模型算法→分類結果→后續評估與建議指導,每個步驟的具體操作過程因行業、客戶類型而異。而檢驗客戶分類管理模型優劣的標準是統一的,即分類結果是否能夠真正提供合理有效的客戶關系管理策略,從而真正實現為客戶創造價值,提升企業核心競爭力與影響力。
