现有研究不足：精准营销解决方案！

图2-15　客户价值确定系统

伍德拉夫认为一个客户价值维度可能是产品或服务的某些成分和特征(例如质量、耐用性、服务的按时交付、订单的完成情况),但也可能是一些无形的方面(例如客户对供应商的信任感)。于是,他将客户购买决策的“means-end chain”理论引入客户价值探查中,认为客户价值由具有递进关系的三个层级组成,分别是产品属性层、结果层和目的层。而企业通用的客户满意度调查只调查了客户对企业在产品属性层上的绩效表现的满意程度,因为这些通常是客户能够立即感受到的价值维度,但是产品属性层往往是更高级层次的客户价值(结果层和目的层)的实现手段。如果不从结果层、目的层去分析客户价值,就不会了解客户为什么需要这些属性、是否还需要其他属性等深层次问题。因此,企业在进行市场机会分析时,要准确掌握客户价值就必须深入地挖掘客户对高价值层的看法和评价。伍德拉夫将逐级深入的挖掘过程比喻为“剥洋葱”,并提供了多种富有创见的方法。

另外,伍德拉夫还特别强调了使用环境对客户价值的影响。不同的消费环境下,客户对于同一产品的价值评价是不同的。因此,消费环境是伍德拉夫在“剥洋葱”式的价值挖掘过程中特别强调的。伍德拉夫等提出的客户价值维度探查和测量方法分为两个阶段:

第一阶段的目标是按照客户价值构成的层级结构,对客户价值的构成要素进行揭示。采用“剥洋葱”的方法,由客户经常自然谈及的产品属性层开始,利用阶梯访谈法一层一层地追问下去,最后便会得到客户关心的属性层、结果层和目标层中的各个价值要素。对得到的所有客户价值要素进行定性的归纳和整理。

第二阶段的目的是测量客户对企业在价值要素上绩效的感知。把得到的经过整理的客户价值要素形成问卷中的条款,利用客户满意测量方法进行问卷测试,让客户对企业在各个客户价值要素上的绩效表现进行评价,然后通过回归分析或判别分析得到各个价值维度的权重。

小结:

综观现有的文献,对客户价值评估的模型很多。尽管每种方法考察客户价值时考虑的客户价值驱动要素都有所差异,但基本上都采用了三种评价模型:

一是利用价值工程中价值的构造方法来评价客户价值,其基本评价模型为:CV= U/C。其中:CV为客户价值,U为客户得到的效用,C为客户付出的成本。

U=。其中ai和Xi分别表示产品或服务的第i种属性的权重和效用。

二是利用客户利得与利失的差额来评价客户价值。其基本评价模型为:CV= TB-TC。其中,TB为客户利益函数,TC为客户成本函数,且有:

TB= f(X1,X2,X3,…)

TC= f(Y1,Y2,Y3,…)

这两种类型的客户价值评估模型的优点是可以对客户价值综合评价,最终得到一个客户价值数字,非常具体地反映了客户价值的大小,便于不同企业之间以及企业的不同产品之间的比较,但没有反映出不同企业或不同产品的客户价值特殊性。

第三种客户价值评估模型则是利用客户价值图,直观地描述客户在选择供应商时的决策因素,利用这种方法,可以清楚地了解自己及竞争对手的市场定位,从而有效地制定客户价值战略,为客户创造更大的价值。

总之,客户价值理论发展了波特的价值链的思想,注重对客户需求和客户价值的关注,并认为能否有效地为客户创造价值是企业能否获得竞争优势的关键。尽管客户价值理论的视角仍然关注于企业的外部,但是该理论检视了企业产品或服务的发展方向问题,为企业能力与客户需求的匹配研究提供了坚实的理论基础。

2.5 数据挖掘理论及应用

2.5.1 数据挖掘

近十几年来,人们利用信息技术生产和搜集数据的能力大幅度提高,大量的数据库被用于商业管理、政府办公、科学研究和工程开发等。于是,一个新的挑战被提了出来,在这被称之为信息爆炸的时代,信息过量几乎成为人人需要面对的问题。如何才能不被信息的汪洋大海所淹没,从中及时发现有用的知识,提高信息利用率呢?要想使数据真正成为一个公司的资源,只有充分利用。

随着计算机的普及和互联网的飞速发展,企业在与客户打交道的过程中积累了各种各样的海量数据,这样,就需要一种方法来系统地检查和理解这些数据,有效利用这些数据资源为商业服务。数据挖掘正是能帮助我们从大量的数据中抽取有用的商业信息的技术。在客户关系管理系统中主要采用数据挖掘技术的分类(Classification)、聚类(Clustering)、异类(Outlier)、概要(Summarization)、演化分析(Evolution Analysis)以及关联规则(Association Rules)等几类方法来实现。数据挖掘的一般流程如图2-16所示。

图2-16　数据挖掘的一般流程

分类就是找出一组能够描述数据集合典型特征的模型(或函数),以便能够分类识别未知数据的归属或类别(Class),即将未知事例映射到某种离散类别之一。分类挖掘所获得的分类模型可以采用多种形式加以描述输出。其中主要的表示方法有:分类规则(IF-THEN)、决策树(Decision Trees)、数学公式(Mathematical Formulae)和神经网络。分类通常用于预测未知数据实例的归属类别(有限离散值)。在客户关系管理系统中,主要利用分类挖掘技术对商场销售商品情况进行挖掘,根据商品要素对客户的影响程度,分析客户对于商品的感觉是属于积极、一般或消极,从而获得利用商品特征来预测客户对其感觉的分类知识及规则,帮助商场主管更有效地开展商品的促销活动。

聚类是根据“各聚类集(Clusters)内部数据对象间的相似度最大化和各聚集对象间相似度最小化”的基本聚类分析原则,以及度量数据对象之间相似度的计算公式,将聚类分析的数据对象划分为若干组(Groups)。因此一个组中数据对象间的相似度要比不同组数据对象间的相似度要大。而每一个聚类分析所获得的组就可以看着是一个同类别归属的数据对象集合,然后从这些同类别数据集通过分类,获得相应的分类预测模型(规则)。由此,通过反复不断地对所获得的聚类组进行聚类分析,还可获得初始数据集合的一个层次结构模型。在客户关系管理系统中,采用此技术对在一个商场购买力较大的客户居住地进行聚类分析,以帮助商场主管针对相应客户群采取有针对性的营销策略。

一个数据库中的数据一般不可能都符合分类预测或聚类分析所获得的模型。而那些不符合大多数数据对象所构成的规律(模型)的数据对象就是异类。数据中的异类可以利用数理统计方法分析获取,既利用已知数据所获得的概率统计分布模型,或利用相似度计算所获得的相似数据对象分布,分析确认异类数据。在客户关系管理系统中,应用异类分析法可从客户购买商品的海量记录中,依据各个客户账户平常所发生的购买行为,根据购买的发生地点、购买商品类型和购买频率等及时发现正在进行信用卡诈骗的购买行为(异类行为)。数据库通常包含了大量细节性数据,然而用户却常常想要得到能以简洁描述性方式所提供的概要性总结(Summarize)。这样的数据摘要能够提供一类数据的整体情况描述;或与其他类别数据相比较的有关情况的整体描述。在客户关系管理系统中,应用这类方法对同一商场中或购买同样商品的客户行为进行类别数据分析,从而生成客户购买行为的定性描述和对比定性描述,为商家提供有关客户购买商品整体数据的简洁清晰描述;并通过对比客户的多种购买行为,发现不同客户群体的购物习惯,以便商家制定相应有效的销售策略。

数据演化分析是对随时间变化的数据对象的变化规律和趋势进行建模描述。建模手段包括:概念描述、对比概念描述、关联分析、分类分析、时间相关数据分析(时序数据分析、序列或周期模式匹配和基于相似性的数据分析)。在客户关系管理系统中利用演化分析方法对商场主要商品的交易数据进行分析,可获得整个商场的商品演化规律,以及客户购买商品的变化规律,从而有效帮助商家制定或修正销售策略。关联分析是从给定的数据集中发现频繁出现的项集模式知识(关联规则),其旨在建立数据项之间潜在相互关系的模型。从直观意义上看,关联分析是在大规模的数据库中有效地对数据项之间潜在的关系进行挖掘与发现,并用规则的形式表示出来。关联分析广泛应用于市场营销、事务分析等领域,在客户关系管理系统中,关联分析也具有十分重要的意义。

关联规则的形式有:X→Y。比如,一个数据挖掘系统可以从一个商场的销售(交易事务处理)记录数据中,挖掘出如下的关联规则:Age (X,“22-29”)ΛIncome(X,“22K-29K”)→(X,“MP3”),[Support = 2%,Confidence= 60%]。

上述关联规则表示:该商场有2%的客户年龄在22~ 29岁,且年收入在2万元到3万元之间,这群客户中有60%的人购买了MP3,或者说这群客户购买MP3的概率为6成。

2.5.2 面向分类的数据挖掘方法

数据挖掘方法可以用于分类,基于数据挖掘的分类技术目前主要有决策树、神经网络等。

(1)决策树分类方法

决策树方法又称分治算法,是利用信息论中的互信息(信息增益)寻找数据库中具有最大信息量的字段,建立决策树的节点,再根据字段的不同取值建立树的分支,在每个分支子集中重复建树的下层节点和分支的过程,即建立决策树。

最早的分治算法是亨特(Hunt)设计的概念学习系统CLS(Concept Learning System),然后昆兰(Quinlan)提出了著名的ID3算法, ID3的核心算法仍然是CLS。但其属性的选择使用信息嫡,使分类效率和质量大大改进,因而应用非常广泛。ID3算法的优点是分类和测试速度快,特别是用于大型数据库的学习问题,因此应用极为广泛。其缺点是决策树的知识表示没有规则好,特别是对一棵大的分类树,其意义很费解;第二个缺点是两个决策树比较的问题是子图匹配问题,这是一个NP难问题;第三个缺点是同一类的叶节点分布很分散,因此影响精确匹配的精度。

为克服上述缺点,出现了ID3的一些变种。C4.5是ID3的后续版本,C4.5的新功能是将决策树转变为等价的规则,其次是C4.5解决了连续取值的学习问题。目前C4.5流行很广,昆兰声称它是“人工智能的程序”。ID3的另一个变种是英国克拉克(Clark)等人设计的CN2系统,CN2的主要特征是将ID3算法和AQ算法编在一起,用户可选择任何一种算法,其次CN2也适用于连续取值的数据的学习问题,但在ID3和AQ算法方面没有实质上的改进。再一个是乌特戈夫(Utgoff)等的渐进ID3算法,这种算法不要求一次提供所有训练例子,训练例子可逐次提高,生成的决策树可逐次优化,以维持完备性和一致性。

有名的决策树方法还有CART、FACT、QUEST、PUBLIC及CHAID等。

决策树分类方法的优点是:可以生成可以理解的规则;计算量相对来说不是很大;可以很好地处理离散型数据,连续型数据经过离散化后也可以用该方法处理:决策树可以清晰地显示哪些字段比较重要。

决策树分类方法的缺点是:对连续型数据较难预测;对有时间顺序的数据,需要很多预处理的工作;当类别太多时,错误可能就会增加得比较快;一般的决策树算法在分类的时候,只是根据一个字段来分类,没有充分利用数据的信息。

(2)基于神经网络的分类

神经网络是一个重要的数据分析手段。神经网络的思想最早于20世纪40年代初被提出。20世纪50年代,由于感知器的成功应用开始受到人们的重视。20世纪60年代,由于发现神经网络存在的异或难题等缺陷,对它的研究陷入低潮。20世纪80年代,由于多层前向神经网络,以及BP算法的提出对神经网络的研究出现了第二次热潮,并一直持续到今天。目前,对神经网络的研究主要集中在神经网络的理论研究、神经网络的算法研究和神经网络的应用研究等方面。

神经网络的基本理论研究主要包括非线性动力系统动力学理论研究、神经网络的基本性能及能力研究等。

神经网络的算法按照网络结构可以分为四类,即反馈网络模型、前向网络模型、随机网络模型及自组织网络模型。从学习类型角度可以分为有导师学习和无导师两类。有导师学习算法主要有模拟退火算法、BP算法等。

神经网络的应用研究是近年来在神经网络研究中成果最多、最为引人注目的领域,在图像、语音、文字识别、天气预报、经济预测、管理决策、自动控制等领域都有大量的研究报告。

神经网络的优点主要有良好的自组织、自学习和自适应能力,面对复杂多变的外界系统,神经网络可以通过其良好的抗干扰能力,去掉冗余信息,掌握系统的内部规律,以自身结构表达的方式进行知识的推理。

神经网络的缺点是神经网络的实体与要处理的问题在形式上相距甚远,对领域专家而言,他们很难用数据化的节点、权值和连接来对所要解决的问题加以描述,它的推理是一种“黑箱推理”,难以对终端用户提供可信的解释能力。

神经网络分类方法包含学习阶段和分类阶段两个过程。在学习阶段,先建立同时具有属性数据与实际类标号值训练数据集,然后通过对训练数据的学习,不断调整神经网络的权值,使得神经网络的输出能够正确地反映训练数据的类标号值。在分类阶段,在训练好的神经网络中输入没有类标号的对象数据,由神经网络给出类标号的预测值。

神经网络分类方法的优点是对噪声数据具有很强的承载能力,同时它对训练样本集以外数据具有很好的分类能力。另外,最近也有人提出了由神经网络提取规则方法,在一定程度上解决了神经网络权值含义的可理解性问题。

上述这些因素都推动了神经网络在利用数据挖掘方法处理分类问题中的最新发展,神经网络分类方法的突出缺点是分类模型的知识表示形式,即网络权值,缺乏可理解性。

(3)贝叶斯分类(Bayesian Classification)

贝叶斯分类是一种以统计学中的贝叶斯定理为基础的分类方法。贝叶斯分类方法包括:朴素贝叶斯分类(Naive Bayesian Classification)方法和贝叶斯信念网络分类(Bayesian Belief Networks)等。朴素贝叶斯分类方法建立在类条件独立假设的基础上,即假定一个属性值对给定类的影响独立于其他属性的值。贝叶斯信念网络是一种因果关系图模型,可以允许属性子集间存在相关性。算法的研究表明,朴素贝叶斯分类算法可以与判定树及神经网络分类算法媲美。用于大型数据库,贝叶斯分类也已表现出很高的准确性和速度。

(4)基于关联规则的分类(Classification Based on Association Rule Mining)

关联规则挖掘是目前的数据挖掘领域的一个十分活跃的研究方向。最早在20世纪90年代中期由阿格拉沃尔(Agrawal)等人首先提出,并在近年引起国际人工智能和数据库等领域学者的广泛关注。关联规则反映的是数据间的定性关联关系。目前已经提出的关联规则算法有多循环方式挖掘算法、增量更新算法、并行发现算法、多层关联规则挖掘、多值属性挖掘、基于约束的关联规则挖掘、基于粗糙集的关联规则挖掘等。

关联规则的挖掘可以分为两个步骤:第一步,发现频繁项目集;第二步,找出频繁项目集间的关联规则,这一步是非常容易解决的。Apriori和DHP是两个著名的挖掘关联规则的算法,这两个算法的最大贡献在于利用递推算法以较高的计算效率解决了挖掘关联规则问题的第一步,DHP算法是基于哈希(Hash)技术对Apriori的进一步改进。

在实际应用中,许多有意义的关联模式存在于相对高的概念层次的数据间,对此一些文献在Apriori算法的基础上进一步解决了挖掘不同概念层次的关联规则的问题。利用Apriori算法挖掘出的是数据集中所有关联规则,其中大部分规则可能是用户不关心的,大量冗余规则的存在降低了数据挖掘的应用效果。

一些文献设计了一套用于客户对知识进行查询的语言,并提出了由该查询语言驱动的具有限定条件的关联规则挖掘算法,从而使挖掘出来的知识仅仅是用户需要的。(www.xing528.com)

数据属性之间不仅存在定性关联规则,也存在定量关联关系。文献解决了如何合理划分属性区间的问题,从而将定量管理规则转变为定性问题,并进而提出了挖掘定量关联规则的方法。

基于关联规则的分类方法是一种新的数据挖掘分类方法,该方法是将数据挖掘中使用最广泛的关联规则挖掘理论引入到分类问题中而提出的以Apriori算法为核心的分类方法。该方法对布尔型数据的分类有较强的处理能力,通过离散化处理后也可以处理连续型数据。数据实验发现,基于关联规则的分类方法在处理包含孤立点的非连续模型时具有比C4.5更强的精确性。

(5)K—最近邻分类

最近邻分类基于类比学习。训练样本用n维数值属性描述。每个样本代表n维空间的一个点。这样,所有的训练样本都存放在n为模式空间中。给定一个样本,K—最近邻分类法搜索模式空间,找出与未知样本的欧氏距离最近的K个训练样本。未知样本被分配到K个最近邻中的最公共类。作为一种惰性学习方法,最近邻学习方法将所有的计算都推迟到了需要分类时才进行,因此,最近邻学习方法在学习阶段具有较快的学习速度,但分类过程较慢。另外,由于最近邻学习方法对所有属性指定相同的权重,当数据中存在较多不相关属性时,将会导致分类的混乱。

(6)基于示例推理的分类方法

基于示例推理的分类方法(case-based reasoning,CBR)是一种基于举U的分类方法。不同于最近邻分类方法将训练样本作为欧式空间的点存放,CBR存放的样本或事例是复杂的符号描述。当给定一个待分类的新案例时,CBR首先检查是否存在一个同样的训练案例。如果找到,则返回附在该案例上的解,否则,CBR将搜索具有相似成分的训练案例。这些训练案例可以视为新案例的邻接者。如果案例用图描述,这种搜索则类似于搜索新案例的子图。基于案例的推理试图组合邻近的训练案例,提出新案例的解。目前CBR方法的困难在于如何找到一个理想的相似度量标准、如何索引训练案例以及如何对结果进行合并。

(7)基于粗糙集的分类

粗糙集理论(Rough Set)由波兰数学家Pawlak Z.于1982年首先提出,并于1991年发表了奠定粗糙集理论基础的专著Rough Set: Theoretical Aspect of Reasoning about Data。目前,粗糙集理论已经成为知识发现领域的一种重要的数学工具。粗糙集理论利用等价类、上近似集、下近似集等概念对数据进行分类,可以发现不精确数据及噪声数据的内在结构关系。粗糙集分类方法主要用于具有离散属性值的数据进行分类,而对连续属性值数据分类则需要进行离散化处理。

(8)遗传算法

遗传算法(Genetic Algorithms,GA)是模拟生物在自然环境中的遗传和进化过程而形成的一种迭代自适应性全局优化随机搜索算法,它最早是由美国密执根(Michigan)大学的霍兰(Holland)教授提出的。1975年,其专著Adaptation in Natural and Artificial Systems的出版,标志着遗传算法的创立。此后,有很多学者对其进行了大量的研究,推动了这种方法的迅速发展。遗传算法的主要特点是直接对结构对象进行操作,不存在求导和函数连续性的限定;具有内在的隐并行性和更好的全局寻优能力;采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应地调整搜索方向,不需要确定的规则。

遗传算法有三个基本遗传算子:

①选择,从上一代中选择适应度高的个体;

②交叉,将两个个体的染色体进行部分互换;

③变异,改变一个染色体上的部分基因。

遗传算法可起到产生优良后代的作用。这些后代需满足适应值,经过若干代的遗传,将得到满足要求的后代——问题的解。遗传算法已经在优化计算和分类机器学习方面发挥了显著作用。

遗传算法的这些性质,已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域,并成为现代智能计算中的关键技术之一。

2.5.3 数据挖掘技术的应用研究

将数据挖掘用于客户关系管理和客户细分目前已经有很多研究和应用。德里克南·布恩(Derrick S.Boone)等研究了神经网络在零售业客户细分中的应用,迈克尔·肖(Michael J.Shaw)研究了数据挖掘与知识管理在客户关系管理中的应用。目前的应用都是将现有的数据挖掘技术直接应用于客户细分,但是,这些起源于机器学习的分类方法,在运用到客户细分问题时,还将存在如下一些有待解决的问题:

(1)现有的分类方法都是确定性的分类方法,即条件属性与分类结果间存在着确定的映射关系。然而由于受心理和环境等因素的影响,客户行为中往往存在着很多的非确定性和随机性,传统的确定性分类模型无法客观地反映出这种非确定性和随机性。

(2)传统的分类方法一般采用单一的分类模型,而客户关系管理系统中的数据由于存在较强的空间异质性,因此很难用一个模型准确描述数据空间上的全部数据。

(3)由于一些反映客户行为规律的数据存在着无规律或规律难以获取的时变性,因此,一些不考虑时间因素的分类方法或将时间因素作为内生变量的分类方法难以取得良好的分类效果。

2.6 现有研究的不足

综观国外学者在客户价值研究领域取得一些成果,不难发现他们的研究内容主要集中在客户价值概念的阐述、客户价值的度量、关系价值以及客户价值的创新等方面。在客户价值概念提出的早期,即20世纪90年代初期,人们对客户价值的概念还较为陌生,对客户价值的概念的理解也各不相同,对客户价值的研究大多局限在对客户价值概念进行探讨上,研究角度包罗万象,有从哲学角度谈论客户价值,也有从会计、营销、竞争、经济学等诸多方向研究客户价值的概念,总之这些多角度的研究极大地丰富了客户价值的内容以及概念的内涵。

国内客户价值理论的研究与国外相比较,无论从研究内容和研究深度上,都存在着较大的差距,对于客户价值理论的研究几乎还是空白,仅有少数学者对客户价值的有关内容作了一些理论上的探讨,但仅限于对已有的客户价值研究成果的进一步解释和局部的深化。对客户价值理论的研究还未有开拓性的研究成果。大多数学者是对现有的几种客户价值的概念(例如:科特勒提出的客户让渡价值)从不同角度进一步解释,或阐述这些概念的应用。

由于客户价值形成和内涵异常复杂,并且在变动的环境中是动态的,加之人们对客户价值的认识和研究时间还很短,因而客户价值研究领域内尚未解决或待深入研究的问题还很多,有关客户价值的研究仍处于探索阶段,客户价值仍是未来营销领域的重要研究方向。

(1)客户对企业的价值的分析还有一些不足,需要进一步探讨

①客户对企业的价值在莱希赫尔德(Reichheld,2001)客户价值的探讨中作了数量上的分析,但在客户价值管理理论中却没有得到应用。另外,由于客户的价值会随着生命周期的变化而变化,但是其没有得到研究,尤其是在客户与企业的关系周期的演变中其价值需求会发生的变化和其对企业的价值的变化没有被结合起来研究。如果将两者结合起来,会更有助于企业制定战略决策。

进入20世纪90年代中后期,随着客户价值概念的逐渐清晰与统一,人们开始从理论和实证两个角度探究客户价值的各种形态的内涵及量化的度量方法,如客户感知价值、客户期望价值和关系价值等。这期间尽管有许多客户价值的测量方法被提出,但大多是仅局限对自己提出的概念模型的检验,还不能在更宽泛的概念体系中进行拓展。

②客户价值管理过程的分析。如上所述,研究者并没有在这方面有一致的观点。不过,这里要强调的是,客户价值管理既然研究的是如何最大化客户潜在价值,就应该探讨如何从企业为客户创造卓越价值的经营活动中获得最大化价值回报的问题,但是这一问题却没有得以考察。

③客户价值网络的分析。虽然有研究者运用价值链分析法将客户的概念延伸到了企业价值链下游的所有成员,但是却没有将价值链上游的成员包括进来。考虑到当今知识经济、电子商务和经济全球化的大背景,企业为了创造卓越的客户价值,不得不在更为广阔的范围内寻找合作伙伴,在全球范围内调用和配置资源以更为有效地创造和获得客户价值,企业必须构建和管理一个能高效创造卓越客户价值的网络。这一网络应该将价值链的所有成员、合作者,甚至竞争者的价值链都考虑在内。

(2)客户关系管理和客户细分研究存在的问题:

①目前,客户关系管理在企业实际应用中发展很快,但理论研究却相对滞后,尚未形成完善的理论体系,对于客户关系管理的实施缺少有效的理论指导。

20世纪末至21世纪初,在客户价值深入研究的基础上,人们开始意识到客户价值的研究出发点不应仅是客户,站在企业和企业与客户关系角度研究客户价值也具有现实的意义。但是这些方面的研究成果仍然不多见,只是散见于一些重要的营销期刊上。而就在人们热衷于从新的角度探索客户价值的同时,另一些学者开始着眼于客户价值的应用性研究,实践应用对客户价值创新研究提出了迫切要求,在这方面国外学者给出了一些理论性的指导。

②目前的客户细分研究中,缺少对客户细分体系构架以及客户细分与CRM系统的集成模式研究,特别是对客户价值含义的阐述,对客户价值的构成要素有一些不同论述,对客户价值的构成要素体系还未有一致的认识,目前还未提出完整的客户价值构成要素体系,从而在客户细分的标准上没有形成统一。

③目前,国内外对客户细分的研究主要集中在现有数据挖掘分类方法在客户细分中的应用,特别是有关客户价值测量方法研究。作为客户细分的基础和前提,客户价值的测量构成要素体系没有建立,目前一些学者虽然提出了几种简单的测量方法,但仅限于针对产品属性从消费偏好角度进行研究,并且应用范围有限;由于没有充分考虑客户细分问题的特点,这些数据挖掘方法在应用于客户细分时,还存在一些尚待解决的问题。

我们将在借鉴国内外已有CRM系统中相关客户价值研究成果的基础上,从新的视角(企业—客户双向角度)去分析客户价值分类、测量方法、对企业相关营销策略的影响等方面进行广泛而深入的理论和实证研究。

【注释】

[1]所谓价值:就是在人的实践—认识活动中建立起来的,以主体为尺度的一种客观的主客体关系,是客体的存在及其性质是否与主体本性、目的和需要等相一致、相适合、相接近的关系。孙伟平,“价值定义略论”,《湖南师范大学学报社会科学版》,1997年第4期,第8~ 12页。

[2]经济学中所涉及的价值理论有很多,如效用价值理论、成本交易理论等,此处仅作一般性阐述。

[3]客观事物所固有的属性多种多样,可以在不同的方面对人有用。但这些有用的属性,往往不会自动地暴露出来,更不会自动地满足人。即使这些属性是直接地呈现在人们的感觉面前,而人们未能意识到它们对自己有用;或者即使意识到它们有用,但未能掌握它们的使用方式,那么,它们也不作为人们所追求的价值对象而存在。人和客体之间的价值关系,是在现实的人同客体的实际的相互作用过程中,即在社会实践中确立的。只有通过社会实践,人们才能发现客观事物及其属性对自己的实际意义,并自觉地建立起同客观事物之间现实的价值关系。

[4]我国的摩托车行业共有上千生产厂家,单车利润已由几千元下降到几十元,竞争极为白热化。

[5]表2-2所包含内容原为英文,后经翻译整理,由于翻译是一项没有标准化的工作,不同的翻译人员有不同的翻译方式,此处的翻译以意译加提炼为主,不当之处有待商榷。

[6]图2-2所包含内容原为英文,后经翻译整理,由于翻译是一项没有标准化的工作,不同的翻译人员有不同的翻译方式,此处的翻译以意译加提炼为主,不当之处有待商榷。

[7]根据相关资料自己绘制,此图只是为了更形象地表示观念的变化,仍然在改进中。

[8]此图仅仅以客户全生命周期的角度,在收集相关资料的基础上自己绘制,还在不断完善中。

[9]此图仅仅以客户价值确定的三个角度出发,在收集相关资料的基础上自己绘制,目的在于更加清晰地表示客户价值的研究视角,还在不断完善中。

[10]根据相关资料自己绘制,此图只是为了表示整体流程,未涉及各步骤间的逻辑关系。

[11]图片来源:张喆,《数据挖掘技术及其在CRM中的应用研究》,东北大学博士学位论文,2004年。

[12]图2-9所包含内容原为英文,后经翻译整理,由于翻译是一项没有标准化的工作,不同的翻译人员有不同的翻译方式,此处的翻译以意译加提炼为主,不当之处有待商榷。

[13]关于客户价值的评估的方法有很多,此处仅列举常用的一些评价方法。