对企业来说,单纯地满足客户需求,强调为所有客户提供同样优质的服务,可能使企业不能将有限的资源恰当地运用到有价值的客户身上,企业的努力很可能事倍功半.因此,企业需要区别对待客户,客户细分是客户关系管理中基础性的重要内容^[1].

客户细分指根据行为和偏好等因素从群体中识别出特定客户的建模方法.在概念上,客户细分是将客户分为有相似行为方式或需求的客户子集的过程^[2].不同于传统的市场细分理论^[3],客户细分方法可管理大量的客户特征属性,并且基于特定数据维度进行细分.细分方法的选择取决于研究的具体目标^[4].

客户细分方法通常包括以下步骤^[5]:① 数据确定与收集; ② 不同来源数据的整合及预处理; ③ 开发细分的数据分析方法; ④ 建立关于细分的相关业务部门(如市场营销和客户服务)之间的有效沟通; ⑤ 利用应用程序处理数据,并为程序提供的信息作出反馈等.

以往关于客户细分技术可分为监督和无监督两种.聚类分析法是常见的无监督客户细分技术,它包括一组不同的技术.给定一组选定的细分变量,利用这些技术将个体汇总成群体.每个群体中包含着最相似的个体,且这些个体与其他群体并无关联.基于客户数据之间模糊距离的聚类客户数据分析可得到比其他方法更有效的市场细分结果^[6].另一种常见的无监督方法是联合分析^[7],它通过评估拥有不同属性层面的替代品的秩或者总价值进行整体信息判断,并通过回归、层次贝叶斯模型或线性规划来估计单属性值函数的离散水平来实现细分^[8].此外,科霍南映射或者自组织映射也被广泛用于降维和聚类,同时也用于多维数据的各种应用^[9].其他人工智能技术,包括模拟退火算法^[10]、神经网络^[11]和遗传算法^[12]也被用到无监督客户细分方法中.相比无监督聚类方法,监督分类方法要求在进行分类前为每一类生成代表性的参数,而无监督方法会自动从数据集中识别集群.常见的监督分类方法有线性判别分析(linear discriminant analysis, LDA)^[13]、 k邻近法^[14]和决策树法^[15]等.无监督方法在进行数据分类时只有少量的先验知识,或者在分类过程中需要避免主观性时才非常实用^[16].若监督条件可被满足,也就是说,导出分类规则所需要数据点的成员能够阐明集群的一般结构,则监督数据更加准确^[17].

然而,上述监督和无监督客户细分技术都不能很好的基于客户内在特征做细分.因为客户的内在特征通常是抽象模糊的,通过准确的词语(特征)来描述客户的内在特征(如客户的生活方式、价值观和个性等)也非常困难.同时,网络传播语言的抽象性^[18]也使这些数据更加难以处理.此外,基于这些抽象维度将客户手动划分为不同群体更是一项繁冗的工作.为此,本研究提出一种基于关键词的数据挖掘方法,针对客户的内在特征对客户进行细分,既避免了无监督分类方法准确度欠佳的问题,又解决了监督分类方法对数据要求较高的问题,且保证了低成本和高准确率.

本研究通过对手动分类(测试组)和系统自动分类的结果进行对比来检验本研究中客户细分方法的可行性.随机选定500个用户,通过系统自动进行细分,而另外随机选定100个用户,通过同样的细分标准进行手动分类,结果见表3.其中,匹配用户数为在500位用户自动分成8类以后,每一类中的用户与手动分类出来的对应类别中的用户相匹配的数目; 准确率即为匹配用户数与手动分类的用户数的比值.

由表3可见,不同客户群体的平均精度达77.0%,表明大部分采用特征关键词自动分类算法具有较高准确率,且与先前的只将用户分为普通用户和领先用户的领先用户理论相比,该客户细分模型分类结果精确.此外,分类准确率随着特征关键词数量增加而上升,这进一步验证本研究提出的分类方法的可行性和稳健性.这项试验从40个已定义的关键词(表1)开始,在通过机器学习挖掘关键词的过程中,分别选定含有60、80、100和120个关键词的4组关键词,并用这5组关键词为测试组的100个用户做客户分类.客户分类结果与手动分类结果比较如图2.

表3 自动分类中每种客户类型的准确率
Table 3 Accuracy rate of customer type in automatic categorization

图2 关键词挖掘和随机选择之间的结果比较
Fig.2 Comparison of results from keyword mining and random selection

图2展示了分别采用机器学习的关键词挖掘方法和采用随机选择特征关键词的基准化方法进行自动客户细分结果.其中,采用随机选择特征关键词的基准化方法的客户细分方法的准确率计算过程为:通过基准化方法随机选取出与关键词挖掘方法数量一样的关键词; 再使用与同样的步骤计算出基于不同数量关键词的分类结果的准确率,并将这一准确率作成折线图.

由图2实线可见,随着从代表性客户中学习的特征关键词数量增加,采用自动分类方法的准确度亦明显增加,未采用机器学习挖掘时准确度仅39%,而采用机器学习挖掘关键词后最终的准确度达77%.结果表明,采用机器学习的关键词挖掘方法较采用随机选择特征关键词的基准化方法进行客户细分结果更准确.

实证研究还表明,该模型能够识别更多的创新客户.在之前的研究中,领先用户是通过那些已经从相关角度所定义好的领先用户特征来确定的.而在研究中,在所列出的3个内在特征中有任意两个显示是高水平的话就将被确定为创新用户.在所选客户样品中所识别的创新客户的25%,高于基于传统的问卷调查的研究提供的数据^[22].此外,基于关键词挖掘的客户细分方法因所有数据均采集自互联网,可以非常低的成本找到狂热的创新者(或领先用户、创新用户).

要指出的是,本研究方法对非创新客户识别的准确度仅为54.5%.这是因为本研究仅关注创新用户的识别,对创新用户识别的总准确率达86.8%,基本满足相关公司选取创新用户的需求.因此,依然可认为该细分模型在客户细分和创新用户识别上是成功的.下一步,将针对非创新用户识别作深入探索,以进一步提高分类方法的准确性.

本研究提出一种基于关键词的数据挖掘方法对客户进行细分,通过对比采用关键词数据挖掘分类方法的结果与采用人工分类及标杆进行分类的结果,发现所提方法能够更准确地细分基于不同内在特征的客户群体.研究可供企业单位通过分析网上客户数据,定位潜在客户群体,制定相应的市场与新产品开发策略.