随着市场经济深入发展,社会对企业的要求逐步提高。秉持从客户出发、为客户创造价值的理念,才能有效提升企业核心竞争力,从而获取更多利益。在此背景下,客户关系管理愈发重要。
客户分类模型是客户关系管理中的重要模型之一,本文将结合百分点科技多年来积累的项目实践经验,从行业应用与模型原理两个角度,对客户分类模型进行介绍。
一、客户分类模型行业应用
客户关系管理的目标,是通过满足每一个客户的需求,实现企业资源优化,降低企业成本等。为实现此目的,企业需要收集整理客户信息,分析出蕴含在大数据背后有价值的信息,加以利用,结合不同类别客户的本质需求,提供差异化服务。一方面为客户创造更多价值,另一方面为企业自身赢得更多利益,实现双赢。
其中,客户分类模型是客户关系管理中的重要模型之一,接下来将介绍客户分类模型在各行业场景中的应用。
1.零售行业——RFM模型/基于聚类的RFM模型
RFM模型常用于零售行业,是客户关系管理分析模式中常用的工具和手段。该模型以近度(R:Recency)、频度(F:Frequency)、值度(M:MonetaryValue)作为客户分类的三项指标,例如,利用一位客户的最近购买时间(R)、购买频次(F)与累计购买金额(M)来描述该客户的价值情况。将每个维度进行二分,R/F/M三个维度的三次二分将全部客户分为八类,企业可对不同类别的客户开展不同的营销手段。RFM模型十分经典,但较为传统机械。利用机器学习聚类算法,可以对RFM模型进行优化,常用方法有基于自组织神经网络(SOM网络)的RFM客户分类模型。
2.金融、电信、零售等行业——聚类模型与分类模型相结合
RFM模型需要用到最近购买时间(R)、购买频次(F)与累计购买金额(M)三个指标,这些指标适用于零售行业。那么对于其他行业而言,该如何构建与行业数据更适应的客户分类模型呢?常见的客户分类模型方法有聚类与分类相结合的客户分类方法,该方法步骤为:(1)结合具体行业客户特征与业务需求,归纳客户特征,提取有关指标的数据字段;(2)利用聚类模型(k-means/SOM等)对客户进行聚类,确定现有客户的类别;(3)利用分类器(DT/SVM等)对客户建立分类预测模型,并将该模型应用到其余客户及未来新客户上,进行分类预测;(4)依据预测准确度不断优化迭代聚类与分类器各项参数,实现客户分类模型的持续优化。与RFM模型相比,基于聚类的客户分类模型优势在于:(1)其分类指标不仅限于RFM的三个指标(最近一次消费、频次、金额),而是可以扩展到客户人口特征、价值特征与行为特征等多类特征;(2)其分类方式不是单纯的“切割”,而是根据客户间距离/密度进行聚类,类别的划分更加灵活立体。3. 通用企业客户——综合指数模型不论是RFM模型还是聚类与分类相结合的客户分类模型,其分类对象大多以个人客户为主。当分类对象为企业客户时,可利用综合指数模型进行评价分级分类。主要设计思路与步骤是:(1)结合具体行业企业客户特征,确定适合的财务指标与非财务指标;(2)利用主客观赋权方法确定指标权重;(3)通过指标体系法的评估得到各企业客户的综合得分,为后续决策与管理提供参考依据。
二、客户分类模型原理介绍
1. RFM模型/基于聚类的RFM模型方法原理介绍
传统的RFM模型利用最近购买时间(R)、购买频次(F)与累计购买金额(M)三项指标,将全部客户分为八类,具体见下表。
RFM模型的重点在于阈值的选择,通常选用集中趋势作为阈值:在数据分布较为均匀的时候,使用平均值作为该指标的阈值;数据分布不均时,可使用中位数作为阈值;特殊情况也可使用众数作为阈值。
基于自组织神经网络(SOM网络)的RFM客户分类模型是对传统RFM模型的优化。自组织神经网络属于聚类模型,基本思想是将距离小的样本点集合划分为同一类别,而将距离大的样本点集合划分为不同的类别。该算法可用R语言中的kohonen添加包中的som()函数实现。
优化后的RFM模型保留了客户分类的三个经典传统指标,对客户划分方式进行优化,不只是单纯的根据阈值切分八类,而是综合客户的空间分布,对客群进行更灵活更细致的划分,为企业针对性营销和个性化服务提供理论依据。
2. 聚类模型与分类模型相结合方法原理介绍
前文介绍了该方法的具体步骤,总结归纳为:利用聚类模型对现有客户进行聚类,根据聚类结果建立客户分类预测模型,将分类预测模型应用到其余客户与新客户进行预测归类。
聚类常用方法有kmeans与SOM网络,其中SOM网络在上节已经介绍,kmeans的思想是将每个样本点聚集到其最近形心(均值)类中,使得聚类性能指标最小。该算法可用R语言中的kmeans()函数实现。
常用的分类方法有决策树DT与支持向量机SVM。决策树的核心思想是在各项特征中找出最优特征与该特征阈值,将全部客户一分为二,递归上述操作,直到将全部客户分类完毕为止(图1)。该算法可用R语言中的party添加包中的ctree()函数实现。支持向量机的核心思想是找到一个超平面,使得它能够尽可能多地将两类数据点(客户)正确地分开,同时使分开的两类数据点距离分类超平面最远(图2)。该算法可用R语言中的e1071添加包中的svm()函数实现。
3. 综合指数模型方法原理介绍
综合指数问题即多目标决策问题,是具有两个以上的决策目标,并且需用多种标准来评价、优选方案的决策。综合指数模型的构建流程是:构建指标体系→数据收集与标准化→为指标体系赋权→计算指标得分,接下来详细展开每一步如何实施。
(1)构建指标体系。此体系应遵循系统性原则、典型性原则、动态性原则、简明科学性原则等。评价指标体系是指由表征评价对象各方面特性及其相互联系的多个指标,所构成的具有内在结构的有机整体。在构建指标体系时,要充分结合具体行业企业客户特征,使得指标体系满足上述原则。
(2)数据收集与标准化。收集数据的原则是“大小数据融合”,数据源既可以是官方大数据平台中的“大数据”,也可以是问卷收集数据的“小数据”。将收集到的指标数据按照正、负向进行标准化。将指标体系中的所有指标归于0-1之间,且越大代表在这个维度上表现的越好。
正向指标标准化(越大越好):
负向指标标准化(越小越好):
适中指标标准化(越接近某值越好):
(3)为指标体系赋权。根据指标内容选择合适的赋权方法,计算指标体系中各指标的重要性。赋权方法有主观赋权法、客观赋权法与组合赋权法。常见的主观赋权法有层次分析法、模糊矩阵法、专家打分法等,常见的客观赋权法有主成分赋权法、熵权法、变异系数法等。组合赋权法是指将主观赋权法与客观赋权法相结合,例如将两组权重进行线性或非线性组合,得到组合权重。
(4)计算指标得分。根据上述指标体系及其权重,计算待决策对象的综合指标得分以及其在各子指标上的得分,根据得分对其进行分类。
三、综合指数模型应用案例
针对某大型金融机构对其客户集团的评价分级分类测算需求,百分点科技项目组深入结合该机构相关业务与评价标准,利用综合指数模型方法,构建符合业务逻辑的客户评价分级分类测算模型,实现客户分级分类、挖掘潜力客户、评估客户风险等功能。
下面结合综合指数模型步骤,介绍百分点科技在项目案例中的模型实施方案。
(1)构建指标体系。为加强客户分类的前瞻性与全面性,模型指标体系涵盖了包含“合作深度、自身价值、客户风险、未来潜力”四大维度的十四个指标。其中,“合作深度”类指标描述客户的已合作业务规模,包含四项子指标;“自身价值”类指标描述客户自身资质,包含三项子指标;“客户风险”类指标刻画客户的已合作业务质量,包含四项子指标;“未来潜力”类指标刻画客户的未来合作潜力,包含三项子指标。
(2)数据收集与标准化。本案例收集数据符合“大小数据融合”原则。合作深度维度的四项指标与客户风险维度的四项指标涉及数据来源于该金融机构数据库,属于“大数据”类型;自身价值维度三项指标与未来潜力维度三项指标来源于各客户自主报送,属于“小数据”类型。
(3)为指标体系赋权。在确定模型指标体系后,需要对各指标按重要性水平赋予不同权重。本案例采取专家打分法与熵权法相结合的方式,前者属于主观赋权法,后者属于客观赋权法。两者结合兼顾主观与客观两个方面,力求测算模型更加准确、全面。
一级权重与二级权重分别由专家打分法与熵权法相结合得到
(4)计算指标得分。将参评客户相关数据批量导入模型,得到各参评客户的百分制得分。按照得分分布情况及理想客户分类数量结构划定各类别客户分数线,将全部客户进行分级分类。全部客户总共分为四级八类,具体类别见下表。
此外,根据模型中客户风险与未来潜力维度得分,可定位高风险客户与潜力客户。将风险维度得分极低或风险维度下单指标得分极低的客户识别为高风险客户(风险为负向指标),将潜力维度得分极高或潜力维度下单指标得分极高的客户识别为潜力客户。针对高风险客户,该机构在后续合作过程中,可提前做出风险备案,警惕高风险带来的合作利益损失。针对潜力客户,该机构可深入挖掘合作方向,扩大的合作规模。
上述案例体现了客户分类管理模型赋能金融行业,提高数据利用率,将金融行业中大量客户数据转化为客户分级分类有效依据,为该机构对不同类别客户的个性化服务提供有效决策,提高金融企业客户管理能力,实现智慧金融转型。
四、小结
总结客户分类管理模型,详见下表:
综上所述,客户分类管理模型的总体步骤可以概括为:选取客户分类特征与相应指标→收集数据与预处理→模型算法→分类结果→后续评估与建议指导,每个步骤的具体操作过程因行业、客户类型而异。而检验客户分类管理模型优劣的标准是统一的,即分类结果是否能够真正提供合理有效的客户关系管理策略,从而真正实现为客户创造价值,提升企业核心竞争力与影响力。
