客户价值总体研究情况及精准营销解析

图2-6　概念界定的一般途径

②它描述了概念间的关系,这种关系常是因果关系,表明在不同的条件下哪些概念对另外一些概念产生了影响。这些假设的关系是理论的核心。

③它包含了理论概念与用以量度概念的可观测变量之间的假定关联。这些联系规定了进行研究所要采取的方法或其他指标。

钦奈(Chennai,2003)认为:要忘记传统的模式——“客户就是上帝”,去采取新的战略——“客户就是价值”。当代研究人员对客户价值的界定有不同的看法。

我们对“概念”有不同层次的理解:

一个层次是指人们就某特定事物或情境的意义(meaning)或特性(characteristics)进行沟通的共同基础,即英文中的concepts,概念有具体的(如“工厂”),也有抽象的(如“关系”);另一个层次是指英文中的constructs,它是一种脑海中的形象(mental images),与concept有相似的意思,但又有其特殊含义。一个construct可以是一个concept(如“顾客”),也可以是由若干个concept组成(如“组织规模”),constructs通常是抽象的。

Constructs是出于一定科学目的而有意地经过审慎考虑后发明或采用的concept,它是理论构成的基础,因而可称为理论的概念构件,简称为概念(也有人称“构念”)。由于不同的理论对研究对象会做出不同的解释,因而会使用不同的construct,construct往往难以脱离理论而单独存在(如“范式”)。管理科学、营销科学研究中必须首先明确地定义所有概念的内涵和外延,然后才能开始进行研究。

一般我们认为概念的来源有:日常生活经验、借用其他学科领域的概念、直接借用(如“吸引力”)、对借用概念赋予新的意义(如“模式”)、对借用概念给以新的标记(如“技术集群”)、发明新概念。

概念的界定:大多数管理研究的缺点是概念界定不清所致,成功的研究首先取决于:研究者对于概念的界定是否清楚;别人是否能理解研究中的概念。

管理研究中概念的复杂性常常表现为:概念具有多个维度(Dimension)的意义(如“效益”、“组织沟通氛围”)。对同一概念,不同人可能有不同的理解(如家庭总收入、正常使用、领导力、激励、个性等,在研究文献中“个性”有400多种定义)。抽象的概念没有客观的参照物,难以视觉化(如“个性”、“能力”)。

直接界定即通过描述事物可观察的特征而对概念下定义。凡是可与直接观察到的事物相对应的概念均可用此法界定,如高技术企业。直接界定的概念,因为可直接观察到,它们的测量也比较容易,且度量结果一般会得到一致认可。

操作性界定是把概念与可观察到的特征联系起来的一种界定方法。当我们面对无法直接观察到的事物,并需要确定一个该事物的概念时,往往用操作性界定。

在自然科学中,操作性界定的古典结构是:假如我们在某物上采取某动作[O],产生某特定结果[R],那么我们就说某物有某种特征[D]。这个特征就是操作概念,比如物体的“弹性”。经济学中对“需求的价格弹性”概念的界定是:当价格变动,某商品需求量随之变动,则认为对该商品的需求有价格弹性。对“城市化”概念的界定:随着社会和经济发展,城市数量增加,城市人口在总人口中比重达到某一标准时,则认为出现了城市化现象。操作性界定的概念本身是抽象的,但因为它们与可操作变量相联系,故可以通过观察与概念对应的可操作变量,来度量概念的变化并判断概念之间的关系。

理论性界定从理论体系中获得自身意义的一种概念界定方法。理论概念的意义依赖理论中其他概念及它们之间的相互关系。通过理论性界定的概念,离开一定的理论体系就会失去意义,会变得含糊不清。理论概念必须放在其理论体系中加以界定。如:库恩(Kuhn)的“范式”(Paradigm)。理论性界定的概念,很难通过直接或间接方法观测,它们的验证是通过整个理论体系的验证而获得认可的,这类概念的评价,一方面要看通过这些概念建构起来的理论整体是优是劣,另一方面要看这些概念在该理论中的系统意义。

我们在进行新的概念界定时应依照上述的三种方式进行界定。同时还要辨识体现特定理论性概念的可观测变量;确定度量变量的具体尺度(scale),以及实施度量的具体步骤和做法。在形成假设时,概念可以抽象甚至不太明确,而在操作化阶段,就必须找出能准确体现理论概念的具体变量和测度这些变量的尺度与方法。(www.xing528.com)

这样做的目的是把将有关概念之间的关系用体现概念的变量之间的关系来反映,将理论性假设转化为实验性假设,从而通过对变量的测度检验理论假设。

不管是理论界还是企业界,近来对“客户价值”都投入越来越多的关注与思考。不只是因为“客户价值”已被认为是对商品的满意度和忠诚度的关键驱动概念。在近来的研究文献中对该观点的提出,在表面上揭示了它单一的特性,但初步的调查已揭示出了一系列相关但各自不同的概念。对相关资料的分析将“客户价值”分为五个特别的领域:纯粹的“客户价值”(对盈利和亏损的功利性的权衡),营销中的“客户价值”(只涉及相关的商品),导出的“客户价值”(相关的产量),销售的“客户价值”(低价格,或减少亏损)和合理的“客户价值”(结合交换单元的盈利)。

对相同资料的进一步解析后,我们发现“客户价值”能被分为四个不同时间段的形式:事前的“客户价值”(购买前),执行中的“客户价值”,事后的“客户价值”(购买后/消费),处理中的“客户价值”。而且从中论证出有相当一部分观点集中在有关物品质量、满意度、诚信度和产生出的临时因果模式之间的相关联系。然而,尽管这一观点可以被得出的初步结论所分析,但最终只有要通过定义其属性、构架和性质的特点后才能真正达到目的。因此,进一步推断用的可得数据还是有决定性作用的。

巴戈齐(Bagozzi,1984)建议从三方面着手:通过对属性的定义、通过对构架的定义以及通过性质的定义。结合我们上面所论述的概念界定的方法,并以两者的结合为界定概念的依据,我们试图从新的视角对客户价值进行新的界定。

从企业—客户双向联合的视角出发,我们将客户价值理解为“客户交互价值”,其定义为:企业与客户的交易实践中互相以一定的方式参与到对方的生产经营活动或消费活动中,所能够为对方带来经济的和非经济的各种利益的综合评价。我们将以客户交互价值为核心展开本书的论述。

2.1.4 数据挖掘的解释

(1)数据挖掘研究背景及界定

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,无数个数据库被用于商业管理、政府办公、科学研究和工程开发等,从目前的网络技术的广泛采用、电子商务的迅速发展来看,这一势头仍将持续发展下去。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。

2002年,CRM理念的奠基者高德纳咨询公司(Gartner Group)在一次高级技术调查报告中将数据挖掘和人工智能列为“未来3~ 5年内将对工业产生深远影响的五大关键技术”之首,并且还将并行处理体系和数据挖掘列为未来5年内投资焦点的十大新兴技术前两位。根据高德纳咨询公司的HPC(High-Performance Computing,高性能计算)研究表明,“随着数据捕获、传输和存储技术的快速发展,用户将更多地需要采用新技术来挖掘市场价值,采用更为广阔的并行处理系统来创建新的商业增长点。”数据挖掘技术将在未来的数据计算中扮演越来越重要的角色[67]。

数据挖掘(data mining,简称DM),一种比较公认的定义是弗洛里、帕特斯噶和沙皮罗(W.J.Frawley,G Piatetsky,Shapiro)等人提出的:数据挖掘就是从大型数据库的数据中提取人们感兴趣的知识。这些知识是隐含的、事先未知的潜在有用信息,提取的知识表示为概念(concepts)、规则(rules)、规律(regularities)、模式(patterns)等形式[68]。这种定义把数据挖掘的对象定义为数据库。而更广义的说法是:数据挖掘意味着在一些事实或观察数据的集合中寻找模式的决策支持过程。它是一个利用各种工具在海量数据中发现模型和数据间关系的过程。它是数据库研究中的一个很有应用价值的新领域,融合了数据库、人工智能、机器学习、统计学等多个领域的理论和技术。数据挖掘工具能够对将来的趋势和行为进行预测,从而给人们提供决策的支持。数据挖掘工具还能够解决一些很消耗人工时间的传统问题,因为它们能够快速地浏览整个数据库,找出一些专家们不易察觉的极有用的信息。还有很多和这一术语相近的术语,如从数据库中知识发现(knowledge discovery in database,简称KDD)、信息发现(information discovery)、知识抽取(information extraction)、智能数据分析(intelligent data analysis)、信息收获(information harvesting)和数据考古(data archeology)等。

人们把原始数据看作是形成知识的源泉。原始数据可以是结构化的,如关系数据库中的数据,也可以是半结构化的,如文本、图形、图像数据,甚至是分布在网络上的异构型数据。发现知识的方法可以是数学的,也可以是非数学的;可以是演绎的,也可以是归纳的。发现的知识可以被用于信息管理、查询优化、决策支持、过程控制等,还可以用于数据自身的维护。因此,数据挖掘是一个跨学科交叉领域。涉及数据库技术、人工智能、机器学习、神经网络、统计学、模式识别、知识库系统、知识获取、信息检索、高性能计算和数据可视化等[69][70]。数据挖掘是面向应用的一种技术。数据挖掘中发现的知识都是相对的,是有特定前提和约束条件、面向特定领域的,同时还要能易于被用户理解,最好能用自然语言表达发现结果[71][72][73]。

数据库中的知识发现(KDD)术语于1989年出现,其描述性定义是法耶兹(Fayyad)等给出的:数据库的知识发现是从数据中识别出有效的、新颖的、潜在有用的、最终可理解的模式的高级过程[74]。

从定义可以看出,作为一个学术领域,数据挖掘和知识发现(KDD)具有很大的重合度。所以一些学者认为数据挖掘和知识发现是等价的概念,人工智能领域习惯称之为KDD,而数据库领域习惯称之为数据挖掘。

但也有些学者把数据挖掘视为数据库中知识发现过程的一个基本步骤。知识发现过程主要包括:数据清理→数据集成→数据选择→数据变换→数据挖掘→模式评估→知识表示。数据挖掘步骤可以与用户或知识库交互。有用的模式提供给用户或作为新的知识存放在知识库中。依此观点,数据挖掘只是整个过程中的一步,因为它发现隐藏的模式。知识发现的基本过程如图2-7所示。