用友UAP曾小青:基于数据挖掘的客户细分方法分析

近日商务部发布数据，1-2月，全国社会消费品零售总额增长11.8%。我国的消费市场继续保持着平稳较快发展的态势。随着电子商务和移动互联网的普及，消费数据大量积累，数据挖掘需求越加强烈。企业和商家更加重视客户的消费行为，用友集团UAP中心大数据专家曾小青表示，将消费数据进行挖掘，以此作为客户分类的参考依据，可以更好提高客户满意度，并提供更准确的决策依据。

在消费市场异常激烈的竞争格局中，企业都在从以产品为核心向以客户为核心的商业模式转变。企业成功的关键在于重视客户需求，通过维持长期的良好的客户关系来获取持续竞争优势。曾小青认为，企业需要解决三个基本问题，即获得客户、留住客户和极大化客户价值。而这三个问题的基本前提都是将客户进行细分，以此归纳需要什么类型的客户，并升华他的价值，进而提供差异化服务。

企业都拥有自己的商业数据，尤其消费型企业，其数据是海量的。“领先的企业不只是存储这些数据，而且借助基于BI的高级数据分析系统，帮助企业制订并实现企业战略。”曾小青提到了现在企业都很关注的商业分析。“如果在对客户进行分类时，利用商业分析技术进行数据挖掘，可以避免人为因素带来的数据偏差，为企业提供更为完整的客户细分解决方案，提高客户细分的科学性和准确性。”

常用客户细分方法比较

“客户细分”是指企业根据客户属性、行为、需求、偏好以及价值等因素对客户进行分类，并提供有针对性的产品、服务和销售模式的过程。客户细分方法并不固定，企业常根据客户数据库中已有信息和自身管理的需要进行具体客户分类。一般有定性和定量两种方法：定性客户细分是根据不同客户价值的侧重点不同对客户进行分类。该方法没有严格的论证过程，主要依赖于决策者的判断，在分析过程中会出现偏差，容易造成决策失误。

定量分类法以具体的客户变量(客户特征、客户价值、消费行为特点等)为依据，运用定量分析技术进行客户分类的方法。曾小青告诉记者，当前用于定量客户分类研究的数据挖掘技术主要有两大类：一是传统统计方法，主要包括主成分分析、贝叶斯分类、因子分析等;二是非统计方法，如神经网络、决策树、遗传算法和模糊集等。但是传统的统计方法无法处理复杂、数据量大的问题，而且处理结果的精确性也不高。当前客户细分使用的数据挖掘技术主要是非统计的方法或者两种方法的结合。

客户细分另外一个非常重要的问题就是分类变量的选择。客户细分根据客户属性划分客户类型，并以此分析预测客户的购买模式。分类变量选择方式通常可以基于客户统计特征、客户价值和消费行为。

一、基于客户统计特征的细分。通常这类客户细分使用人口统计特征为变量，如性别、年龄、收入、地理位置等。其优点在于变量数据易于收集，在简单外部环境下，具备一定有效性。但是，这种基于客户特征的细分方法无法反映客户的价值贡献，也无法分析和预测客户的消费行为。

二、基于客户价值的细分。主要基于客户当前价值、潜在价值及客户忠诚度三个方面分析客户价值，最终实现客户分类。由于没有建立完整的客户价值评估体系，在客户细分的时候通常采用客户生命周期价值作为细分依据。如ShuiHua Han利用客户历史价值、当前价值、长期价值、忠诚和信用五个指标，结合决策树算法，对客户群体进行细分。同样，这类客户在反应客户消费行为方面力度不够。

微信扫一扫实时了解行业动态

微信扫一扫分享本文给好友