重慶大學(xué)經(jīng)濟(jì)與工商管理學(xué)院 董琳琳

客戶忠誠(chéng)度對(duì)企業(yè)的經(jīng)濟(jì)效益有巨大的影響，企業(yè)從忠誠(chéng)的客戶那里獲得最高的利潤(rùn)，并且忠誠(chéng)的客戶會(huì)長(zhǎng)期大量購(gòu)買企業(yè)的產(chǎn)品和服務(wù)，對(duì)于企業(yè)更優(yōu)質(zhì)的產(chǎn)品和服務(wù)，忠誠(chéng)的客戶愿以較高的價(jià)格購(gòu)買，為企業(yè)帶來(lái)更多利潤(rùn)。有大量忠誠(chéng)客戶的企業(yè)通?？梢怨?jié)省大量營(yíng)銷費(fèi)用、服務(wù)啟動(dòng)費(fèi)用及廣告費(fèi)用[1]。因此，培養(yǎng)客戶的忠誠(chéng)感是企業(yè)經(jīng)營(yíng)管理的重要目標(biāo)[2]。

提高客戶忠誠(chéng)度對(duì)提高企業(yè)經(jīng)濟(jì)效益有重要的作用。本文運(yùn)用主成分分析和支持向量機(jī)結(jié)合的方法對(duì)企業(yè)的客戶忠誠(chéng)度進(jìn)行預(yù)測(cè)，使企業(yè)根據(jù)預(yù)測(cè)的結(jié)果制定出保持老客戶和發(fā)展新客戶的策略，盡可能地避免忠誠(chéng)客戶的流失。此外，支持向量機(jī)分類問題的可行性和有效性要優(yōu)于神經(jīng)網(wǎng)絡(luò)和決策樹[3]。

1 理論概述

1.1 客戶關(guān)系管理

隨著全球經(jīng)濟(jì)一體化進(jìn)程的加快和市場(chǎng)競(jìng)爭(zhēng)的加劇，企業(yè)的經(jīng)營(yíng)管理模式由傳統(tǒng)的以產(chǎn)品為中心向以客戶為中心轉(zhuǎn)變。客戶關(guān)系管理最初是由Gartner Group提出的，核心思想是”以客戶為中心”，提高客戶忠誠(chéng)度，改善客戶關(guān)系，留住老客戶并不斷爭(zhēng)取新客戶和新的商機(jī)，從而提高企業(yè)的市場(chǎng)競(jìng)爭(zhēng)力并為企業(yè)帶來(lái)更多的利潤(rùn)。目前，普遍將客戶關(guān)系管理理解為是企業(yè)與客戶進(jìn)行交互的循環(huán)流程，進(jìn)而產(chǎn)生、收集和分析客戶數(shù)據(jù)，企業(yè)將對(duì)數(shù)據(jù)進(jìn)行分析和預(yù)測(cè)的結(jié)果應(yīng)用于企業(yè)的服務(wù)和市場(chǎng)活動(dòng)中。數(shù)據(jù)挖掘是從大量原始數(shù)據(jù)中找出隱含在其中的、潛在有意義的信息，利用這些信息來(lái)指導(dǎo)行動(dòng)?？梢?，客戶關(guān)系管理與數(shù)據(jù)挖掘有很大的聯(lián)系，支持向量機(jī)作為數(shù)據(jù)挖掘技術(shù)中的一個(gè)重要的方法，在客戶關(guān)系管理研究中有廣泛的應(yīng)用。

1.2 客戶忠誠(chéng)度

客戶忠誠(chéng)度是指客戶因?yàn)榻邮芰水a(chǎn)品或服務(wù)，滿足了自己的需求而對(duì)品牌或供應(yīng)商產(chǎn)生的心理上依賴及行為上追捧?？蛻糁艺\(chéng)度是反映消費(fèi)者的忠誠(chéng)行為與未來(lái)利潤(rùn)相聯(lián)系的產(chǎn)品財(cái)富組合的指示器，是企業(yè)營(yíng)銷工作中對(duì)客戶進(jìn)行管理必須關(guān)注的重要因素。忠誠(chéng)客戶對(duì)企業(yè)來(lái)說意味著具有長(zhǎng)期穩(wěn)定增長(zhǎng)的銷售額、較低的營(yíng)銷成本及持續(xù)上升的利潤(rùn)。忠誠(chéng)客戶是公司取得競(jìng)爭(zhēng)優(yōu)勢(shì)的源泉。因此，培育客戶忠誠(chéng)成為企業(yè)客戶保持戰(zhàn)略追求的一個(gè)基本目標(biāo)。

1.3 主成分分析法

在問題研究中，為了全面系統(tǒng)地分析問題，須考慮眾多影響因素。而這些因素都在不同程度上反映了問題的某些信息，且這些因素間有一定相關(guān)性，因而所得的統(tǒng)計(jì)數(shù)據(jù)反映的信息在一定程度上有重疊。用統(tǒng)計(jì)方法研究問題時(shí)，變量太多會(huì)增加計(jì)算量和分析問題的復(fù)雜性。主成分分析法利用降維的思想，通過線性變換把多個(gè)相關(guān)的指標(biāo)轉(zhuǎn)化為少數(shù)幾個(gè)不相關(guān)的指標(biāo)。

1.4 支持向量機(jī)

支持向量機(jī)是在統(tǒng)計(jì)學(xué)理論不斷發(fā)展的基礎(chǔ)上，由線性可分情況下的最優(yōu)分類超平面發(fā)展而來(lái)的，是實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)最小化的一個(gè)有效途徑，具有較好的分類精確性。支持向量機(jī)在樣本線性可分的情況下的分類原理：

設(shè)訓(xùn)練樣本集為(xi, yi)，i=1,2,…,n,n為訓(xùn)練樣本的個(gè)數(shù),xi∈Rd為訓(xùn)練樣本，y∈(－1，1)是輸入樣本的類標(biāo)記(期望輸出)。d維空間中線性判別函數(shù)g(x)=wx+b ,決策邊界為： wx+b=0。將判別函數(shù)歸一化，使離決策邊界最近的樣本|g(x)|=1。若決策邊界對(duì)所有的樣本都能正確分類則有：

決策邊界H0：wxi+b=0為最優(yōu)當(dāng)且僅當(dāng)(w，b)是下面優(yōu)化問題的最優(yōu)解：

用Lagrange乘子法解上述問題，等價(jià)于解對(duì)偶問題：

對(duì)每個(gè)訓(xùn)練樣本xi，都有一個(gè)Lagrange乘子αi。解αi＞0所對(duì)應(yīng)的xi為支持向量。

2 實(shí)例分析

2.1 客戶忠誠(chéng)度指標(biāo)體系

本文用某大型超市某年5月的會(huì)員數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，6月數(shù)據(jù)作為測(cè)試數(shù)據(jù)，根據(jù)對(duì)影響客戶忠誠(chéng)度的客戶行為和情感特征的分析以及相關(guān)文獻(xiàn)選擇影響客戶忠誠(chéng)度的因素：最近購(gòu)買時(shí)間(a)，購(gòu)買頻率(b)，總購(gòu)買金額(c)，產(chǎn)品評(píng)價(jià)(d)，服務(wù)評(píng)價(jià)(e)，價(jià)格敏感性(f)，購(gòu)買產(chǎn)品便利性(g)作為客戶忠誠(chéng)度指標(biāo)體系。h為客戶忠誠(chéng)度。

2.2 數(shù)據(jù)處理

本文通過數(shù)據(jù)清洗除掉噪聲、異常情況和重復(fù)數(shù)據(jù)。將非數(shù)值屬性數(shù)值化來(lái)降低分析的復(fù)雜度。在整個(gè)數(shù)據(jù)樣本中，屬性的取值空間變化較大，為使分析不受取值范圍的影響，在分析前，采用最小最大規(guī)范法將數(shù)據(jù)作規(guī)范化處理使他們都處在相似的空間，公式如下：

這樣屬性值就映射到0～1區(qū)間。

實(shí)例中取200個(gè)樣本，本文只列出經(jīng)過數(shù)據(jù)處理后的前3個(gè)樣本數(shù)據(jù)：

表1 數(shù)據(jù)處理后前5個(gè)樣本數(shù)據(jù)

當(dāng)h＞0.5時(shí)，g(x)=1，即為忠誠(chéng)客戶。當(dāng)h≤0.5時(shí), g(x)=-1，即為不忠誠(chéng)客戶。(g(x)為訓(xùn)練集的類標(biāo)記。)

2.3 提取主成分

本文利用SPSS17.0軟件進(jìn)行主成分分析,實(shí)驗(yàn)用到主成分提取原則是主成分對(duì)應(yīng)的特征值＞1的前m個(gè)特征值。特征值在某種程度上可被看做是主成分影響力度大小的指標(biāo)。如果特征值＜1則表示該主成分影響力度不如直接引進(jìn)一個(gè)原變量的平均解釋力度大。由解釋的總方差表中可知，前兩個(gè)成分的特征值＞1 ，提取前兩個(gè)為主成分，其它成分作為噪聲項(xiàng)不納入訓(xùn)練集的輸入變量，將主成分Y1,Y2作為支持向量機(jī)樣本屬性.將成分矩陣表中所示主成分與對(duì)應(yīng)變量的相關(guān)系數(shù)進(jìn)一步標(biāo)準(zhǔn)化得出下列主成分表達(dá)式，Xi’(i=1,2,……,7)是數(shù)據(jù)標(biāo)準(zhǔn)化后的值：

2.4 預(yù)測(cè)及結(jié)果分析

實(shí)驗(yàn)選用libsvm軟件，將處理后的訓(xùn)練樣本輸入SVM進(jìn)行訓(xùn)練和預(yù)測(cè)。實(shí)驗(yàn)結(jié)果得出未進(jìn)行主成分分析樣本數(shù)據(jù)進(jìn)行訓(xùn)練精度為80%，進(jìn)行主成分分析后精度為81.8182%。可見主成分分析將數(shù)據(jù)降維后，消除冗余，提高了分析的精度。

3 結(jié)語(yǔ)

客戶忠誠(chéng)度預(yù)測(cè)模型是預(yù)測(cè)在未來(lái)時(shí)間段老客戶忠誠(chéng)度變化趨勢(shì)和新客戶忠誠(chéng)度，找出影響不同客戶忠誠(chéng)度的規(guī)律性知識(shí)，本質(zhì)是一種分類問題：忠誠(chéng)客戶和不忠誠(chéng)客戶。利用此模型對(duì)某段時(shí)間新跟蹤到的客戶相關(guān)數(shù)據(jù)分析其忠誠(chéng)度，基于此，針對(duì)不同的客戶制定相應(yīng)的策略來(lái)保持忠誠(chéng)客戶和提高不忠誠(chéng)客戶的忠誠(chéng)度，達(dá)到企業(yè)利益最大化的目標(biāo)。本文運(yùn)用主成分分析和支持向量機(jī)相結(jié)合的方法對(duì)企業(yè)的客戶忠誠(chéng)度進(jìn)行預(yù)測(cè)。主成分分析法對(duì)原始數(shù)據(jù)進(jìn)行降維，消除冗余來(lái)提高客戶忠誠(chéng)度評(píng)價(jià)指標(biāo)的分析精度，降低了客戶忠誠(chéng)度評(píng)價(jià)方法的復(fù)雜度，而支持向量機(jī)提高了分類精度。該方法適用于企業(yè)實(shí)際問題的研究和客戶關(guān)系管理其他方面研究，實(shí)用性強(qiáng)。

[1]邵兵家,錢麗萍,伍穎,于同奎.客戶關(guān)系管理[M].清華大學(xué)出版社,2010.

[2]Reichheld Frederick F. The Loyalty Effect: The Hidden Force behind Growth, Profits, and Lasting Value [M].Boston. Mass: Harvard Business School Press, 1996.

[3]王觀玉,郭勇.支持向量機(jī)在電信客戶流失預(yù)測(cè)中的應(yīng)用研究[J].計(jì)算機(jī)仿真,2011(4).

[4]鄧乃揚(yáng),田英杰.數(shù)據(jù)挖掘中的新方法——支持向量機(jī)[M].北京科學(xué)出版社,2004.

[5]鄭先越,劉志燾.一種基于支持向量機(jī)的客戶滿意度評(píng)價(jià)方法[J].市場(chǎng)現(xiàn)代化,2007(1).

[6]趙曉煜,黃小原.基于數(shù)據(jù)挖掘的客戶價(jià)值預(yù)測(cè)方法[J].東北大學(xué)學(xué)報(bào),2006(27).

[7]李玉慧,段萬(wàn)春,徐曉軍.客戶忠誠(chéng)度關(guān)系模型與建立過程[J].企業(yè)經(jīng)濟(jì),2004(5).