董曉舟 陳信康，2

(上海財(cái)經(jīng)大學(xué)1．國際工商管理學(xué)院 2.現(xiàn)代服務(wù)經(jīng)濟(jì)研究院，上海 200433)

企業(yè)視角的顧客價(jià)值度量與細(xì)分
——基于顧客未來貨幣價(jià)值與非貨幣價(jià)值的實(shí)證研究

董曉舟1陳信康1，2

(上海財(cái)經(jīng)大學(xué)1．國際工商管理學(xué)院 2.現(xiàn)代服務(wù)經(jīng)濟(jì)研究院，上海 200433)

首先在文獻(xiàn)研究的基礎(chǔ)上，提出通過隨機(jī)概率模型來計(jì)算顧客的貨幣價(jià)值以及活躍概率，從而求出顧客未來貨幣價(jià)值的方法，同時(shí)利用顧客角色外行為對顧客的非貨幣價(jià)值進(jìn)行測量。然后利用350名網(wǎng)絡(luò)購物顧客的問卷調(diào)查數(shù)據(jù)證實(shí)網(wǎng)絡(luò)顧客忠誠可以顯著影響顧客的未來貨幣價(jià)值與非貨幣價(jià)值(顧客角色外行為)，以及網(wǎng)絡(luò)顧客忠誠可以使顧客價(jià)值類別發(fā)生遷移。最后，提出一套同時(shí)基于顧客未來貨幣價(jià)值以及非貨幣價(jià)值的顧客價(jià)值類別細(xì)分策略，并且對每個(gè)顧客類別組進(jìn)行了詳細(xì)的營銷策略闡述。

顧客價(jià)值；顧客未來貨幣價(jià)值；顧客角色外行為；網(wǎng)絡(luò)購物

一、引言

CNIT-Research公司發(fā)布的數(shù)據(jù)顯示，2014年中國網(wǎng)絡(luò)購物市場的用戶規(guī)模達(dá)到3.3億。但是，網(wǎng)購顧客數(shù)量的增長率卻開始顯著下降，表明中國的網(wǎng)絡(luò)購物已經(jīng)逐漸從成長期跨入成熟期。與此相適應(yīng)，電商企業(yè)與學(xué)者對網(wǎng)絡(luò)購物的關(guān)注點(diǎn)也開始從如何獲取顧客轉(zhuǎn)移到如何維系與提升顧客價(jià)值。Kotler(2000)認(rèn)為，在進(jìn)行顧客價(jià)值與關(guān)系管理時(shí)，應(yīng)該把重心放在如何識別以及如何與最有價(jià)值的顧客建立長期穩(wěn)定的利益關(guān)系。而基于企業(yè)視角的網(wǎng)絡(luò)購物顧客價(jià)值研究的焦點(diǎn)集中在顧客價(jià)值的識別、分類以及提升三方面，其中，顧客價(jià)值的識別與分類是基礎(chǔ)與前提，在這兩方面開展的工作將直接影響顧客價(jià)值提升的效果。因此，本研究將重點(diǎn)考察顧客價(jià)值的識別與分類。Stahl et al.(2003)指出，顧客對企業(yè)的價(jià)值除了購買商品與服務(wù)之外，還包括知識價(jià)值以及社會(huì)網(wǎng)絡(luò)價(jià)值。企業(yè)視角的顧客價(jià)值可以被進(jìn)一步分為貨幣性價(jià)值與非貨幣性價(jià)值。因此，在現(xiàn)有研究的基礎(chǔ)上，本文將顧客角色外行為作為顧客的非貨幣價(jià)值，并且視其為顧客價(jià)值細(xì)分的一個(gè)重要維度。此外，在顧客貨幣價(jià)值的計(jì)量方面，本文首先通過隨機(jī)概率模型來計(jì)算顧客的貨幣價(jià)值以及活躍概率，從而求出顧客未來貨幣價(jià)值的方法，同時(shí)利用顧客角色外行為來對顧客的非貨幣價(jià)值進(jìn)行測量。隨后，采用顧客價(jià)值中的未來貨幣價(jià)值與非貨幣價(jià)值(顧客角色外行為)對顧客進(jìn)行分類，將顧客分成4種價(jià)值類別，并且針對不同價(jià)值類別的顧客提出相應(yīng)的差異化營銷策略。

本文的理論貢獻(xiàn)在于：(1)對于顧客貨幣價(jià)值的計(jì)量，已有文獻(xiàn)大多采用貨幣歷史值或是期望值(Schmittlein et al.，1987；Fader et al.，2005a；王高 等，2007；馬寶龍 等，2011；董曉舟，2015)進(jìn)行，而本文利用活躍度與貨幣價(jià)值期望值的乘積計(jì)量顧客未來貨幣價(jià)值，這一做法可以使得顧客貨幣價(jià)值的計(jì)量保持穩(wěn)健性，同時(shí)獲得向前看的性質(zhì)，從而更具預(yù)測能力。另外，本文還通過實(shí)證研究證實(shí)網(wǎng)絡(luò)顧客忠誠可以對顧客未來貨幣價(jià)值產(chǎn)生顯著的正向影響。(2)雖然有文獻(xiàn)獨(dú)立地研究了顧客忠誠與顧客貨幣價(jià)值(董曉舟，2015)、顧客非貨幣價(jià)值(Bove et al.，2009)間的關(guān)系，但本文更是從一個(gè)整合的視角完整地分析了顧客忠誠與貨幣、非貨幣價(jià)值間的復(fù)雜關(guān)系；(3)對于顧客價(jià)值細(xì)分，以往文獻(xiàn)主要從顧客的貨幣價(jià)值維度來開展研究(Reinartz et al.，2000)，但是這種細(xì)分結(jié)果不僅缺乏預(yù)測性，而且還會(huì)遺漏一些經(jīng)濟(jì)價(jià)值以外的但對于企業(yè)長期發(fā)展具有重大意義的因素。因此，本文同時(shí)從顧客的未來貨幣價(jià)值與非貨幣價(jià)值(顧客角色外行為)入手，提出了一個(gè)兩維度的顧客價(jià)值細(xì)分模型，這是對現(xiàn)有理論的完善。

二、相關(guān)理論與假設(shè)提出

(一)顧客角色外行為與顧客非貨幣價(jià)值

角色外行為概念最初由 Katz(1964)提出，隨后Organ(1988)將其運(yùn)用于研究組織成員超越其明確角色要求的利他行為。Gruen(1995)、Groth(2005)則基于組織角色行為理論，根據(jù)“顧客角色職責(zé)”將顧客的行為分為大兩類：顧客角色內(nèi)行為和顧客角色外行為。其中，顧客角色內(nèi)行為是指顧客作為“產(chǎn)品與服務(wù)的購買者”這一角色所需履行與實(shí)施的行為。而顧客角色外行為主要是指產(chǎn)品與服務(wù)的生產(chǎn)、傳遞與獲得過程中那些非必需的、獨(dú)立于顧客購買與消費(fèi)行為之外的行為。顧客角色外行為是一種顧客自發(fā)性的、企業(yè)沒有明確要求顧客履行的自愿行為，但是其卻有助于企業(yè)績效的提升。顧客角色外行為主要包括口碑宣傳、參與企業(yè)活動(dòng)、幫助其他顧客等。Stahl et al.(2003)指出，顧客對企業(yè)的價(jià)值除了購買行為之外，還包括知識價(jià)值以及社會(huì)網(wǎng)絡(luò)價(jià)值。知識價(jià)值是指顧客通過建議、參與活動(dòng)(知識共創(chuàng))等角色外行為幫助企業(yè)更好地理解顧客需求、競爭狀況等知識。而社會(huì)網(wǎng)絡(luò)價(jià)值則是指顧客通過傳播正向口碑等支持行為給企業(yè)帶來新顧客。張國軍等(2006)認(rèn)為，顧客角色外行為主要可以為企業(yè)產(chǎn)生非貨幣價(jià)值(顧客知識、支持、口碑等)。此外，顧客公民行為則是對于顧客角色外行為的一種擴(kuò)展，其與顧客角色外行為的區(qū)別集中于相關(guān)概念維度的測量。顧客角色外行為的測量方式主要有如下幾種： Bettencourt(1997)的三維度模型，顧客忠誠、顧客參與、顧客合作； Groth(2005)的三維度模型，顧客推薦、顧客協(xié)助、顧客知識共享； Rosenbaum et al.(2007)的五維度模型，顧客忠誠、顧客參與、顧客協(xié)作、顧客移情、關(guān)愛與責(zé)任； Bove et al.(2009)的八維度模型，正面口碑、親密關(guān)系、參與企業(yè)活動(dòng)、友善行為、靈活性、提供建議、顧客聲音、顧客政策。通過比較，我們可以得知，顧客公民行為的測量與Ahearne et al.(2005)提出的顧客角色外行為測量之間最大的區(qū)別為顧客忠誠，顧客公民行為在很大程度上包含了顧客角色外行為。顧客公民行為與顧客角色外行為的另一個(gè)較大區(qū)別在于兩者為企業(yè)所帶來的績效結(jié)果有所不同，顧客角色外行為主要為企業(yè)帶來非貨幣價(jià)值，而顧客公民行為除可以產(chǎn)生非貨幣價(jià)值以外，其中的顧客忠誠還可以直接為企業(yè)帶來貨幣價(jià)值(重復(fù)購買產(chǎn)品與服務(wù))。由于企業(yè)可以通過顧客忠誠產(chǎn)生貨幣價(jià)值，這使得顧客忠誠與顧客貨幣價(jià)值間存在較強(qiáng)的相關(guān)性，從而使得顧客公民行為(顧客角色外行為+顧客忠誠)與顧客貨幣價(jià)值間也存在較大的相關(guān)性。本文希望從一個(gè)新視角，即同時(shí)利用顧客的非貨幣價(jià)值與貨幣價(jià)值來對顧客進(jìn)行分類，因此，為了保證分類維度間的獨(dú)立性，我們決定采用顧客角色外行為而非顧客公民行為作為顧客分類的第一個(gè)維度。同時(shí)，顧客公民行為中的顧客忠誠與顧客角色外行為間也具有很強(qiáng)的相關(guān)性。高忠誠度的顧客對于企業(yè)具有更強(qiáng)烈的正面情感、關(guān)系承諾以及依戀，其更可能將企業(yè)作為自我的一種延伸，視企業(yè)利益為自身利益，從而產(chǎn)生自發(fā)性的顧客角色外行為。Bove et al.(2009)通過實(shí)證研究也驗(yàn)證了顧客忠誠是顧客角色外行為的主要前因變量。由此可見，顧客角色外行為的形成與產(chǎn)生以顧客忠誠為基礎(chǔ)，利用顧客角色外行為作為顧客分類維度這一方法背后其實(shí)也隱含了顧客忠誠的作用。綜上所述，本文提出：

H1：網(wǎng)絡(luò)顧客忠誠對顧客非貨幣價(jià)值具有正向的影響。

(二)顧客未來貨幣價(jià)值

從企業(yè)視角出發(fā)的顧客貨幣價(jià)值管理研究將顧客視作企業(yè)的一種資產(chǎn)，側(cè)重考察不同類型的顧客給企業(yè)帶來的經(jīng)濟(jì)價(jià)值，這種顧客貨幣價(jià)值是構(gòu)筑顧客終生價(jià)值(Customer Lifetime Value)與顧客資產(chǎn)(Customer Equity)的基礎(chǔ)。Kotler(2000)認(rèn)為，在進(jìn)行顧客價(jià)值與關(guān)系管理時(shí)，應(yīng)該把重點(diǎn)放在如何識別以及如何與最有價(jià)值的顧客建立長期穩(wěn)定的利益關(guān)系。因此，企業(yè)首先需要考慮如何識別與測量顧客的貨幣價(jià)值，接著應(yīng)知道哪些因素會(huì)影響顧客貨幣價(jià)值。傳統(tǒng)的顧客關(guān)系管理(CRM)以及顧客資產(chǎn)管理(CEM)中的顧客分類方法主要采用顧客價(jià)值或是顧客終身價(jià)值(Reinartz et al.，2000；Fader et al.，2005b；Kumar et al.，2008；Netzer et al.，2008；Romero et al.，2013)。這些傳統(tǒng)的分類方法具有如下不足：首先，大都是基于顧客貨幣價(jià)值的歷史值對顧客進(jìn)行分類，而企業(yè)可能更關(guān)心顧客的將來價(jià)值。其次，只考慮在單位時(shí)間內(nèi)的顧客價(jià)值，而沒有充分考慮到顧客的流失概率問題。比如兩個(gè)顧客，在一個(gè)月內(nèi)A顧客購買10次，每次花費(fèi)100元，最近一次購買是3天前；B顧客購買2次，每次花費(fèi)500元，最近一次購買是20天前。這兩個(gè)顧客在一個(gè)月內(nèi)具有相同的顧客價(jià)值歷史值，但是如果充分考慮他們的購買次數(shù)與最近一次購買時(shí)間的話，可以得知他們兩個(gè)的維系率(流失率)是完全不同的，這就使得他們在接下來一個(gè)月內(nèi)的顧客未來價(jià)值(顧客未來價(jià)值=顧客價(jià)值的期望值×顧客維系概率)發(fā)生了很大的差異。最后，顧客終身價(jià)值(CLV)雖然是一個(gè)不錯(cuò)的分類標(biāo)準(zhǔn)，但是在實(shí)際運(yùn)用中難度過大。特別是對于顧客維系率的處理，如果將顧客維系率看作常數(shù)，雖可使CLV的計(jì)算變得簡單，但是這種方式計(jì)算出的CLV是靜態(tài)的，無法反映市場、顧客、企業(yè)營銷策略給維系率帶來的動(dòng)態(tài)性變化。因此，這種做法顯然不合理。有些研究(Netzer et al.，2008；Romero et al.，2013)認(rèn)為，維系率是動(dòng)態(tài)變化的，可以將其假設(shè)成服從馬爾科夫過程(即這一期的維系概率只取決于上一期的維系概率)，再通過隱馬爾科夫模型(假設(shè)模型中同時(shí)存在兩個(gè)隨機(jī)過程，一個(gè)是描述顧客的購買行為數(shù)據(jù)與顧客狀態(tài)間的一般隨機(jī)過程，另一個(gè)是t期的顧客狀態(tài)與t+1期的顧客狀態(tài)間的隱含馬爾科夫過程)去捕捉顧客的交易歷史數(shù)據(jù)，計(jì)算出轉(zhuǎn)移概率從而估計(jì)出維系率的變化過程，這樣就可以動(dòng)態(tài)地計(jì)算顧客終身價(jià)值。不過這種方法雖然可以比較好地描述CLV計(jì)算中的動(dòng)態(tài)性，但是隱馬爾科夫模型的建立及其參數(shù)估計(jì)是十分抽象與復(fù)雜的，在估計(jì)參數(shù)時(shí)需要使用MCMC(馬爾科夫鏈-蒙特卡洛)這類的高級統(tǒng)計(jì)方法，因此很多學(xué)者以及企業(yè)管理人員均無法掌握。

基于企業(yè)視角的顧客價(jià)值測量與識別較常使用的一種方法是Hughes(1994)提出的RFM顧客價(jià)值分析模型。此模型利用三個(gè)指標(biāo)，即最后一次購買至今的時(shí)間(R)、單位時(shí)間內(nèi)的購物次數(shù)(F)和單筆交易的金額(M)來判斷與識別顧客價(jià)值。但在使用RFM模型時(shí)，如果R、F、M三個(gè)指標(biāo)直接使用歷史數(shù)據(jù)，那么據(jù)此計(jì)算出的顧客價(jià)值一般不具有很好的預(yù)測性，也無法對顧客的活躍程度進(jìn)行觀察與判別。因此，相關(guān)研究通常先利用隨機(jī)概率模型分別對F與M的期望值進(jìn)行計(jì)算，并求出顧客的活躍概率(Schmittlein et al.，1987；Colombo et al.，1999；Fader et al.，2005a；王高 等，2007；馬寶龍 等，2011；董曉舟，2015)。這種做法主要有三點(diǎn)好處：一是，相比歷史值，期望值具有更好的預(yù)測性；二是，期望值可以減少某些極端值的影響；三是，可以計(jì)算出顧客的活躍概率，從而對其是否流失進(jìn)行判別。當(dāng)我們得到顧客購物次數(shù)以及購物金額的期望值后，就可以將兩者相乘從而獲得顧客價(jià)值的期望值(Schmittlein et al.，1987)。但是，此時(shí)計(jì)算出的顧客價(jià)值期望值是假設(shè)不存在顧客流失的，因此，可以通過將顧客價(jià)值的期望值乘以顧客活躍概率，從而獲得一個(gè)反映顧客流失概率后的數(shù)值。在這里我們提出一種基于顧客未來價(jià)值的分類方法，即先利用NBD模型(Ehrenberg，1959)、指數(shù)模型(Colombo et al.，1999)來計(jì)算顧客購買次數(shù)的期望值與活躍概率(維系率)，然后用Gamma-Gamma模型(Colombo et al.，1999)計(jì)算顧客的消費(fèi)金額期望值。NBD與Gamma-Gamma模型都是比較簡潔的隨機(jī)概率模型，可以利用極大似然估計(jì)或規(guī)劃求解(利用Excel就可以完成參數(shù)的估計(jì))來估計(jì)相應(yīng)參數(shù)。在此基礎(chǔ)上，就可以得到顧客未來貨幣價(jià)值=顧客消費(fèi)金額期望值×顧客購買次數(shù)期望值×顧客活躍概率，由于計(jì)算未來貨幣價(jià)值時(shí)使用的是消費(fèi)金額期望值以及購買次數(shù)期望值，因此能夠燙平歷史異常值。我們可以基于這個(gè)顧客未來貨幣價(jià)值進(jìn)行顧客分類，從而制定具有向前看特征的顧客資產(chǎn)戰(zhàn)略。如果觀察時(shí)間窗為6個(gè)月，那么只要每6個(gè)月對這個(gè)過程計(jì)算一次，就可以更新顧客未來價(jià)值，確保分類標(biāo)準(zhǔn)的動(dòng)態(tài)性。本文提出的顧客未來貨幣價(jià)值的計(jì)算方式同時(shí)整合了R(Recency)、F(Frequency)、M(Monetary)三種信息，并使其具備向前看的特性。具體信息如圖1所示。綜上所述，我們采用顧客未來價(jià)值來作為顧客分類的第二個(gè)維度。

圖1 顧客未來貨幣價(jià)值的計(jì)算方式

企業(yè)應(yīng)該在顧客分類與選擇的基礎(chǔ)上，對顧客進(jìn)行投資從而最大化回報(bào)(Rust et al.，2001)。至今為止，對于顧客的分類，單維度分類法主要是基于顧客的貨幣價(jià)值，而雙維度分類法則主要基于顧客價(jià)值(CLV)以及顧客維系時(shí)間(Reinartz et al.，2000)。但是，顧客價(jià)值與顧客維系時(shí)間之間存在比較大的相關(guān)性，這也使得兩個(gè)分類維度之間的正交獨(dú)立性易受質(zhì)疑。所以，對于顧客分類完全可以同時(shí)考慮顧客的貨幣價(jià)值與非貨幣價(jià)值。顧客角色外行為可以很好地反映顧客未來可能給企業(yè)帶來的價(jià)值，因此其本身也是一種顧客未來價(jià)值(非貨幣形式)的表現(xiàn)形式。未來貨幣價(jià)值則是采用顧客購買頻次、購買金額以及最后一次購買至今這三種數(shù)據(jù)計(jì)算出的顧客未來價(jià)值。顧客貨幣價(jià)值與非貨幣價(jià)值均受顧客忠誠所驅(qū)動(dòng)，但是兩者間又存在一定的獨(dú)立性，可以從不同的視角對企業(yè)的顧客價(jià)值進(jìn)行測量與反映。此外，如果證實(shí)顧客未來貨幣價(jià)值可以由網(wǎng)絡(luò)顧客忠誠所驅(qū)動(dòng)，那么利用顧客未來貨幣價(jià)值細(xì)分出的顧客類別就可以通過網(wǎng)絡(luò)顧客忠誠來引發(fā)類別的遷移。因此，本文提出：

圖2 基于顧客未來貨幣價(jià)值與非貨幣價(jià)值的細(xì)分框架

H2：網(wǎng)絡(luò)顧客忠誠對顧客未來貨幣價(jià)值具有正向的影響。

進(jìn)一步，本文采用顧客價(jià)值中的未來貨幣價(jià)值與非貨幣價(jià)值(顧客角色外行為)來對顧客進(jìn)行分類，可以將顧客分成4種價(jià)值類別。據(jù)此，企業(yè)可以開展差異化的營銷策略，有效分配資源。顧客價(jià)值分類框架如圖2所示。

三、網(wǎng)絡(luò)顧客忠誠對于顧客未來貨幣價(jià)值以及顧客非貨幣價(jià)值的實(shí)證研究

(一)樣本數(shù)據(jù)描述

我們通過網(wǎng)絡(luò)問卷的形式收集了350名網(wǎng)購顧客的數(shù)據(jù)，數(shù)據(jù)包括三個(gè)模塊：第一個(gè)模塊為網(wǎng)絡(luò)購物行為數(shù)據(jù)，包含顧客3個(gè)月內(nèi)的網(wǎng)絡(luò)購物次數(shù)(次)、網(wǎng)絡(luò)購物的單筆平均金額(元)、最后一次網(wǎng)絡(luò)購物至今的時(shí)間(天)；第二個(gè)模塊為網(wǎng)絡(luò)顧客忠誠、顧客角色外行為；第三個(gè)模塊為人口統(tǒng)計(jì)、上網(wǎng)以及網(wǎng)購習(xí)慣信息。網(wǎng)絡(luò)問卷的發(fā)放與回收依靠專業(yè)的網(wǎng)絡(luò)調(diào)查公司進(jìn)行，我們通過如下措施來保證調(diào)查質(zhì)量，并對存在問題的樣本進(jìn)行剔除：(1)同一IP與電腦的重復(fù)答題檢測；(2)異常答題時(shí)間的檢測；(3)通過題目間的邏輯檢測來判斷調(diào)查對象是否存在胡亂答題的現(xiàn)象；(4)剔除3個(gè)月內(nèi)沒有進(jìn)行網(wǎng)絡(luò)購物的調(diào)查樣本。最后350份樣本中符合要求的有303份，在刪除的47份問卷中有44份是因調(diào)查對象亂答而被判為無效的，剩下3份是由于對目標(biāo)網(wǎng)站的訪問以及購物次數(shù)為0而被剔除。考慮到對于網(wǎng)站無訪問、無購買的問卷數(shù)量還不到總體樣本的1%，因此樣本剔除行為不會(huì)引起嚴(yán)重的樣本選擇偏誤，從而影響研究結(jié)果。通過分析可得，樣本特征表現(xiàn)為年輕化、高學(xué)歷化、中低收入為主以及有豐富的上網(wǎng)經(jīng)驗(yàn)，這也與中國互聯(lián)網(wǎng)中心發(fā)布的中國網(wǎng)購顧客特征相似，表明本研究樣本具有一定的代表性。

(二)顧客未來貨幣價(jià)值的計(jì)算

首先利用NBD模型的概率密度函數(shù)，即式(1)對購買次數(shù)數(shù)據(jù)進(jìn)行擬合，從而獲得相關(guān)參數(shù)的估計(jì)值。

(1)

式(1)中，X表示顧客在單位時(shí)間內(nèi)的購物次數(shù)，λ表示單個(gè)顧客的平均購物率，Γ()為Gamma函數(shù)，γ為形狀參數(shù)，α為尺度參數(shù)。

隨后，將參數(shù)以及購買次數(shù)代入式(2)，求出購買次數(shù)的數(shù)學(xué)期望值。

(2)

最后，采用Colombo et al.(1999)提出的簡易方法來算出顧客流失時(shí)間的概率，再用這一概率值來近似表示顧客的活躍度。我們先假設(shè)一個(gè)顧客是活躍的，其購買頻率為λi。觀測到離上一次購物的時(shí)距為R的概率是e-Rλi，再假設(shè)λi服從一個(gè)Gamma分布。這樣就可以得到在單位時(shí)間內(nèi)購物x次的顧客，觀察到距離上次購買時(shí)距為R的概率是：

(3)

γ為式(1)中的形狀參數(shù)、α為式(1)中的尺度參數(shù)。式(3)計(jì)算出的是一個(gè)[0,1]之間的概率值，值越小代表顧客活躍的可能性越低，而越大則表明活躍的可能性越高。本文采用Gamma-Gamma模型的概率密度函數(shù)，即式(4)來對單次平均購買金額數(shù)據(jù)進(jìn)行擬合，從而獲得相關(guān)參數(shù)的估計(jì)值。

(4)

式(4)中，m為顧客的平均購物金額，μ與v為形狀參數(shù)，φ為尺度參數(shù)，Γ()為Gamma函數(shù)。在此之后，將參數(shù)以及購買次數(shù)代入式(5)，并求出單次購買金額的數(shù)學(xué)期望值。

(5)

圖3 顧客未來貨幣價(jià)值的帕累托分布圖以及數(shù)據(jù)特征

(三)網(wǎng)絡(luò)顧客忠誠以及顧客角色外行為量表的檢驗(yàn)

針對網(wǎng)絡(luò)顧客忠誠的測量，我們主要參照了Sirohi et al.(1998)、Chaudhuri et al.(2001)的量表，其中包含態(tài)度與行為兩個(gè)層面?？紤]到模型的簡潔性以及為了從一個(gè)較為宏觀的視角來分析顧客角色外行為、顧客未來貨幣價(jià)值以及網(wǎng)絡(luò)顧客忠誠間的關(guān)系，本文用一階因子來描述與整合網(wǎng)絡(luò)顧客忠誠。顧客角色外行為的測量參考Ahearne et al.(2005)的量表進(jìn)行設(shè)計(jì)。表1報(bào)告了網(wǎng)絡(luò)顧客忠誠、顧客角色外行為量表的相關(guān)信息與信效度檢驗(yàn)結(jié)果。從中可見，2個(gè)因子維度的因子負(fù)荷全部大于0.5，KMO值為0.87，Cronbach′s α全部大于0.7，表明量表具有良好的信度以及結(jié)構(gòu)效度。

表1 網(wǎng)絡(luò)顧客忠誠、顧客角色外行為量表的相關(guān)信息與檢驗(yàn)結(jié)果

注：*表示P<0.05,**表示P<0.01，***表示P<0.001；a表示此項(xiàng)目的路徑系數(shù)在模型中被設(shè)為1。

表2 量表的效度檢驗(yàn)結(jié)果

表2列示了量表的效度檢驗(yàn)結(jié)果。2個(gè)因子維度的AVE(平均方差萃取率)全部大于0.5，并且CR(復(fù)合信度)全部大于0.7，這表明量表具有較好的收斂效度。同時(shí)，2個(gè)因子維度的相關(guān)系數(shù)都小于其AVE的平方根(表2中帶下劃線的數(shù)字)，說明量表具有較好的區(qū)分效度。此外，量表的驗(yàn)證性因子分析結(jié)果表明模型對數(shù)據(jù)的擬合度情況良好(CMIN/DF為2.9、RMSEA為0.07、CFI為0.95、GFI為0.93)。

(四)假設(shè)檢驗(yàn)

我們通過回歸分析來研究網(wǎng)絡(luò)顧客忠誠對顧客未來貨幣價(jià)值以及顧客非貨幣價(jià)值的影響。表3為相關(guān)變量的說明。

表3 相關(guān)變量說明

由于作為因變量的顧客未來貨幣價(jià)值不服從正態(tài)分布，因此先對顧客未來貨幣價(jià)值取對數(shù)糾偏。同時(shí)，考慮到樣本數(shù)也不是很大，為了保證估計(jì)的可靠性，我們在分析網(wǎng)絡(luò)顧客忠誠對于顧客未來貨幣價(jià)值影響時(shí)除使用OLS進(jìn)行參數(shù)估計(jì)外，還利用bootstrap法來進(jìn)行標(biāo)準(zhǔn)誤以及顯著性的再估計(jì)，放回隨機(jī)抽樣的次數(shù)被設(shè)定為3000次。表4報(bào)告了網(wǎng)絡(luò)顧客忠誠對于顧客非貨幣價(jià)值以及顧客未來貨幣價(jià)值回歸分析的結(jié)果。

由表4可得，網(wǎng)絡(luò)顧客忠誠同時(shí)顯著正向影響顧客未來貨幣價(jià)值與顧客非貨幣價(jià)值。企業(yè)可以通過顧客貨幣價(jià)值以及非貨幣價(jià)值來對顧客進(jìn)行分類(高未來貨幣價(jià)值-高非貨幣價(jià)值、高未來貨幣價(jià)值-低非貨幣價(jià)值、低未來貨幣價(jià)值-高非貨幣價(jià)值、低未來貨幣價(jià)值-低非貨幣價(jià)值)，進(jìn)而針對不同類別的顧客開展差異化管理。我們可以利用K-Mean聚類來對顧客未來貨幣價(jià)值與顧客角色外行為進(jìn)行聚類分析，將其分成高程度類別與低程度類別，再將顧客未來貨幣價(jià)值的高程度類別、低程度類別與顧客角色外行為的高程度類別與低程度類別進(jìn)行組合，最終形成4個(gè)完整的顧客價(jià)值類別。表5報(bào)告了基于顧客未來貨幣價(jià)值、非貨幣價(jià)值的分類結(jié)果。

表4 網(wǎng)絡(luò)顧客忠誠對于顧客非貨幣價(jià)值以及顧客未來貨幣價(jià)值回歸分析的結(jié)果

注：表中省略了控制變量。

表5 基于顧客未來貨幣價(jià)值、非貨幣價(jià)值的分類結(jié)果

由于網(wǎng)絡(luò)顧客忠誠同時(shí)影響顧客貨幣價(jià)值以及顧客非貨幣價(jià)值，因此企業(yè)可以通過提升網(wǎng)絡(luò)顧客忠誠從而使顧客價(jià)值類別發(fā)生遷移。為驗(yàn)證此假設(shè)，我們采用網(wǎng)絡(luò)顧客忠誠配合Mlogit模型來對表5中的顧客價(jià)值類別進(jìn)行預(yù)測，可得使用網(wǎng)絡(luò)顧客忠誠對顧客價(jià)值類別的預(yù)測準(zhǔn)確率為69%，這也證實(shí)網(wǎng)絡(luò)顧客忠誠可以驅(qū)動(dòng)顧客價(jià)值類別發(fā)生遷移。所以，網(wǎng)購平臺企業(yè)應(yīng)該努力提升網(wǎng)絡(luò)顧客忠誠使低價(jià)值類別組(低未來貨幣價(jià)值或、低非貨幣價(jià)值)的顧客向高價(jià)值類別組遷移，并根據(jù)不同的顧客價(jià)值類別開展有針對性的營銷策略。

(五)討論：針對不同顧客價(jià)值類別的營銷策略

1.高未來貨幣價(jià)值-高非貨幣價(jià)值類別組

這類顧客同時(shí)具有很高的貨幣價(jià)值與非貨幣價(jià)值，表明其與企業(yè)無論在經(jīng)濟(jì)層面還是情感層面都建立了極為緊密的關(guān)系。對于此類顧客，企業(yè)可以重點(diǎn)實(shí)施如下營銷策略：(1)這類顧客具有很高的忠誠度以及經(jīng)濟(jì)價(jià)值,同時(shí)還擁有強(qiáng)大的社會(huì)網(wǎng)絡(luò)，他們可以積極地帶動(dòng)周圍的個(gè)體，一起為企業(yè)貢獻(xiàn)價(jià)值。企業(yè)應(yīng)努力將這類顧客培養(yǎng)成其粉絲，并且利用社會(huì)網(wǎng)絡(luò)分析(Social Network Analysis)等技術(shù)從中精心挑選出一些具有豐富社會(huì)關(guān)系網(wǎng)絡(luò)以及較高社會(huì)影響力的“顧客意見領(lǐng)袖”，通過設(shè)計(jì)合理有效的回報(bào)獎(jiǎng)勵(lì)機(jī)制使其成為企業(yè)代言人。Stern et al.(1988)認(rèn)為，顧客意見領(lǐng)袖就是指那些擁有更為可信和說服力信息的個(gè)體，他們所提供的有關(guān)某一企業(yè)、品牌的產(chǎn)品或服務(wù)信息更容易被意見追隨者所接受。特別是在電子商務(wù)情景下，借助網(wǎng)絡(luò)通信以及微博、SNS等相關(guān)傳播工具可以低成本發(fā)揮顧客意見領(lǐng)袖的宣傳推廣效果。(2)此類顧客通常具有與企業(yè)分享自身知識的強(qiáng)烈的內(nèi)在動(dòng)機(jī)，并愿意主動(dòng)參與企業(yè)的價(jià)值共創(chuàng)活動(dòng)。因此，企業(yè)要主動(dòng)開展相應(yīng)的知識與價(jià)值共創(chuàng)活動(dòng)以提取這類顧客的非貨幣價(jià)值，這類活動(dòng)除有助于企業(yè)改善自身產(chǎn)品與服務(wù)的設(shè)計(jì)方案、降低設(shè)計(jì)成本外，還可以進(jìn)一步增加顧客的滿意與忠誠(姚山季 等，2012)。(3)企業(yè)還可以通過顧客推薦程序(Customer Referral Programs)來有效地轉(zhuǎn)化其顧客非貨幣價(jià)值。Garnefeld et al.(2013)的研究表明,參與顧客推薦程序的顧客除了可以幫助企業(yè)獲得新顧客外，如能配以較大的獎(jiǎng)勵(lì)措施則其本身也可以提高參與者的態(tài)度忠誠以及行為忠誠(獎(jiǎng)勵(lì)措施小的時(shí)候，顧客推薦程序的參與只會(huì)影響行為忠誠)。高非貨幣價(jià)值的顧客參與此類活動(dòng)的內(nèi)在動(dòng)機(jī)往往較高，從而可以產(chǎn)生更好的效果，或是降低活動(dòng)的實(shí)施成本。

2.高未來貨幣價(jià)值-低非貨幣價(jià)值類別組

這類顧客雖然具有高貨幣價(jià)值，但是其非貨幣價(jià)值卻很低。這表明這類顧客與企業(yè)間的關(guān)系并不緊密，而且這種關(guān)系主要建立在經(jīng)濟(jì)而非情感之上。對于此類顧客，企業(yè)可以重點(diǎn)實(shí)施如下營銷策略：(1)對顧客體驗(yàn)需求進(jìn)行再測量，并且基于這些需求進(jìn)行服務(wù)、產(chǎn)品的改善與提升。企業(yè)需要從顧客體驗(yàn)入手，對企業(yè)與顧客間的各個(gè)接觸點(diǎn)進(jìn)行調(diào)查與研究。Meyer et al.(2007)認(rèn)為，企業(yè)-顧客間的不同接觸點(diǎn)的價(jià)值是不同的，企業(yè)需要去描繪與研究這些“顧客-企業(yè)接觸點(diǎn)”構(gòu)成的“長廊”，把握每個(gè)接觸點(diǎn)處的顧客期望以及體驗(yàn)程度。同時(shí)，他們還指出現(xiàn)有的CRM數(shù)據(jù)主要描述了顧客的行為數(shù)據(jù)(交易數(shù)據(jù)與非交易數(shù)據(jù))，而顧客體驗(yàn)數(shù)據(jù)則需要同時(shí)包含顧客的主觀態(tài)度以及行為。因此，企業(yè)應(yīng)該在現(xiàn)有的CRM系統(tǒng)與數(shù)據(jù)庫的基礎(chǔ)上進(jìn)一步整合顧客的態(tài)度數(shù)據(jù)(通過問卷、訪談以及電話中心)，從而形成完整的顧客體驗(yàn)數(shù)據(jù)庫。此外，企業(yè)基于顧客體驗(yàn)數(shù)據(jù)開展需求研究時(shí)，不僅要關(guān)注與改善顧客的功能性需求，還應(yīng)重視顧客的情感性與社會(huì)性需求。(2)通過提供可以產(chǎn)生情感依戀的產(chǎn)品以及提升服務(wù)質(zhì)量來強(qiáng)化顧客與企業(yè)間的情感聯(lián)系。相比體現(xiàn)功能性的“冷”價(jià)值而言，企業(yè)還應(yīng)積極關(guān)注其服務(wù)與產(chǎn)品給顧客帶來的、可以體現(xiàn)情感性與社會(huì)性的“熱”價(jià)值。企業(yè)要重點(diǎn)關(guān)注那些對于顧客感知影響力最大的服務(wù)與產(chǎn)品質(zhì)量因素，重新再造服務(wù)與產(chǎn)品價(jià)值鏈。(3)通過顧客忠誠計(jì)劃(Loyalty Programs)來提高顧客轉(zhuǎn)換成本，從而鎖定顧客，降低流失概率。顧客積分是顧客忠誠計(jì)劃中被普遍運(yùn)用的一種策略，企業(yè)可以根據(jù)顧客的花費(fèi)、訪問頻次以及加入忠誠計(jì)劃的時(shí)間來為顧客累計(jì)積分，而這些積分可用于交換產(chǎn)品、服務(wù)或是現(xiàn)金。積分一般通過兩條路徑來提高顧客行為忠誠：一是，積分可以為顧客再次惠顧相關(guān)企業(yè)、購買產(chǎn)品或服務(wù)以及與企業(yè)維系關(guān)系提供一種外部動(dòng)機(jī)。顧客可以通過累計(jì)積分獲得經(jīng)濟(jì)性利益與心理利益，因而在行為上更加忠誠(Liu，2007)。二是，積分還會(huì)提高顧客的轉(zhuǎn)換成本，因?yàn)橐坏╊櫩头艞壛爽F(xiàn)在的企業(yè)，那么他們所擁有的積分也將變得沒有價(jià)值。

3.低未來貨幣價(jià)值-高非貨幣價(jià)值類別組

這類顧客雖然具有高的非貨幣價(jià)值，但是其貨幣價(jià)值卻比較低，他們可能是企業(yè)良好的追隨者但卻無法讓企業(yè)獲得較好的盈利。鑒于其與企業(yè)間具有比較穩(wěn)定且良好的情感基礎(chǔ)，企業(yè)可以把關(guān)注點(diǎn)放在與其經(jīng)濟(jì)關(guān)系的建設(shè)與提升之上。對于此類顧客，企業(yè)要著重實(shí)施如下營銷策略：測量顧客的錢包份額(Share of Wallet)與錢包尺寸(Wize of Wallet)，前者是指顧客與特定企業(yè)交易量占其相關(guān)交易總量的比重，而后者則是指其相關(guān)交易量的總和。在本文的研究情景中，顧客的錢包尺寸主要是指顧客從購物網(wǎng)站、實(shí)體店購買的商品總和，而錢包份額則是其在特定網(wǎng)站上購買的商品與其通過各種流通渠道(購物網(wǎng)站、實(shí)體零售店、直銷等)購買商品總和的比值。針對錢包份額低的顧客可通過交叉營銷、捆綁銷售以及商品購買數(shù)量提升等策略來增加其對于企業(yè)的收益貢獻(xiàn)。而對于錢包尺寸小的顧客則一方面應(yīng)該進(jìn)行產(chǎn)品與服務(wù)成本的削減，另一方面還可以根據(jù)這類顧客的購買力與需求進(jìn)行低價(jià)格新產(chǎn)品的開發(fā)以及引入。

4.低未來貨幣價(jià)值-低非貨幣價(jià)值類別組

這類顧客具有低的非貨幣價(jià)值與貨幣價(jià)值，如果對他們管理不當(dāng)，則很可能導(dǎo)致其成為企業(yè)的負(fù)擔(dān)。企業(yè)應(yīng)該結(jié)合這類顧客與企業(yè)的關(guān)系長度(注冊網(wǎng)站以及第一次發(fā)生購買至今的時(shí)間)對其開展進(jìn)一步地細(xì)分與管理。對于關(guān)系較短的顧客，企業(yè)應(yīng)該以“勸退”策略為主，因?yàn)樗麄兊拇嬖诤芸赡苤皇菫榱双@取短暫交易的經(jīng)濟(jì)利益，而非與企業(yè)建立長久的交易關(guān)系。企業(yè)對于他們的投資很大程度上是無法收回的，同時(shí)他們的行為還可能對其他忠實(shí)顧客與企業(yè)間的交易產(chǎn)生負(fù)面影響，比如這類人會(huì)大量占用企業(yè)對于一般顧客的優(yōu)惠促銷資源，從而使得企業(yè)希望給與優(yōu)惠的顧客無法獲得相應(yīng)的優(yōu)惠。所以，企業(yè)首先要通過顧客購買以及網(wǎng)站訪問數(shù)據(jù)識別出投機(jī)主義顧客，然后根據(jù)顧客的網(wǎng)站注冊時(shí)間、購買次數(shù)、網(wǎng)站訪問次數(shù)、購買金額等記錄來決定顧客是否可以獲得優(yōu)惠，以及能否參與相應(yīng)的顧客回報(bào)活動(dòng)。

四、結(jié)論、啟示與局限

本文首先提出通過隨機(jī)概率模型來計(jì)算顧客的貨幣價(jià)值以及活躍概率，從而求出顧客未來貨幣價(jià)值的方法，同時(shí)利用顧客角色外行為來對顧客的非貨幣價(jià)值進(jìn)行測量。然后利用350名網(wǎng)絡(luò)購物顧客的問卷調(diào)查數(shù)據(jù)實(shí)證得出網(wǎng)絡(luò)顧客忠誠可以顯著影響顧客的未來貨幣價(jià)值與非貨幣價(jià)值(顧客角色外行為)，以及網(wǎng)絡(luò)顧客忠誠可以使得顧客價(jià)值類別發(fā)生遷移。最后，提出一套基于顧客未來貨幣價(jià)值以及非貨幣價(jià)值的顧客價(jià)值類別細(xì)分策略。

本文對于營銷實(shí)踐的啟示及意義主要體現(xiàn)在：第一，為相關(guān)企業(yè)提供了一套可以用于計(jì)算顧客未來貨幣價(jià)值與非貨幣價(jià)值的方法，根據(jù)這一方法企業(yè)能夠?qū)︻櫩偷奈磥碡泿艃r(jià)值以及非貨幣價(jià)值施加有效管理。第二，企業(yè)可以利用本文提出的隨機(jī)概率模型對顧客活躍度進(jìn)行計(jì)量，并設(shè)定相應(yīng)的警戒閾值。電商企業(yè)在對顧客活躍度進(jìn)行動(dòng)態(tài)觀察時(shí)，一旦發(fā)現(xiàn)某個(gè)顧客的活躍度低于警戒閾值，就應(yīng)立即對顧客貨幣價(jià)值進(jìn)行綜合評定，并決定是否需要開展再激活策略。第三，本文闡釋了企業(yè)可以同時(shí)基于顧客非貨幣價(jià)值與未來貨幣價(jià)值進(jìn)行顧客細(xì)分，并且針對各個(gè)顧客價(jià)值類別提出了相應(yīng)的營銷策略。

本文也存在一些不足，如：沒有進(jìn)一步具體研究網(wǎng)絡(luò)顧客忠誠的前因變量；沒有考察網(wǎng)站特征、消費(fèi)者個(gè)體特征對于影響路徑的調(diào)節(jié)作用；沒有對提出的細(xì)分方法與網(wǎng)站今后的實(shí)際銷售數(shù)據(jù)間的關(guān)系做進(jìn)一步檢驗(yàn)。上述這些問題需要在后續(xù)研究中逐一解決。

董曉舟. 2015. 網(wǎng)絡(luò)購物情境下的顧客行為粘性、消費(fèi)動(dòng)機(jī)與顧客價(jià)值的關(guān)系研究：基于隨機(jī)概率模型的實(shí)證研究[J]. 營銷科學(xué)學(xué)報(bào)(1):39-57.

馬寶龍,李飛,王高，等. 2011. 隨機(jī)RFM模型及其在零售顧客價(jià)值識別中的應(yīng)用[J]. 管理工程學(xué)報(bào)(1):102-108.

王高,李純青,趙平，等. 2007. 隨機(jī)模型在零售顧客未來經(jīng)濟(jì)價(jià)值估計(jì)中的應(yīng)用[J]. 中國管理科學(xué)(2):104-110.

姚山季,王永貴. 2012. 顧客參與新產(chǎn)品開發(fā)及其績效影響:關(guān)系嵌入的中介機(jī)制[J]. 管理工程學(xué)報(bào)(4):39-48.

張國軍,陳傳明. 2006. 顧客資產(chǎn)研究的關(guān)系視角[J]. 中國工業(yè)經(jīng)濟(jì)(7):103-109.

AHEARNE M, BHATTACHARYA C B, GRUEN T. 2005. Antecedents and consequences of customer-company identification: expanding the role of relationship marketing [J]. Journal of Applied Psychology, 90(3):574-585.

BETTENCOURT L A. 1997. Customer voluntary performance: customers as partners in service delivery [J]. Journal of Retailing, 73(3):383-406.

BOVE L L, PERVAN S J, BEATTY S E, et al. 2009. Service worker role in encouraging customer organizational citizenship behaviors [J]. Journal of Business Research, 62(7):698-705.

CHAUDHURI A, HOLBROOK M B. 2001. The chain of effects from brand trust and brand affect to brand performance: the role of brand loyalty [J]. Journal of Marketing, 65(2):81-93.

COLOMBO R, JIANG W A. 1999. Stochastic RFM model [J]. Journal of Interactive Marketing, 13(3):2-12.

EHRENBERG A S C. 1959. The pattern of consumer purchases [J]. Applied Statistics, 8(1):26-41.

FADER P S, HARDIE B G S, LEE K L. 2005a. “Counting your customers” the easy way: an alternative to the Pareto/NBD model [J]. Marketing Science, 24(2):275-284.

FADER P S, HARDIE B G S, LEE K L. 2005b. RFM and CLV: using iso-value curves for customer base analysis [J]. Journal of Marketing Research, 42(4):415-430.

GARNEFELD I, EGGERT A, HELM S V, et al. 2013. Growing existing customers′revenue streams through customer referral programs [J]. Journal of Marketing, 77(4):17-32.

GROTH M. 2005. Customers as good soldiers: examining citizenship behaviors in internet service deliveries [J]. Journal of Management, 31(1):7-27.

GRUEN T W. 1995. The outcome set of relationship marketing in consumer markets [J]. International Business Review, 4(4):447-469.

HUGHES A M. 1994. Strategic database marketing [M]. Chicago,IL:Probus Publishing Company.

KATZ D. 1964. The motivational basis of organizational behavior [J]. Behavioral Science, 9(2):131-146.

KOTLER P. 2000. Marketing management [M]. International Edition. NJ: Prentice Hall.

KUMAR V, VENKATESAN R, BOHLING T, et al. 2008. Practice prize report-the power of CLV: managing customer lifetime value at IBM [J]. Marketing Science, 27(4):585-599.

LIU Y. 2007. The long-term impact of loyalty programs on consumer purchase behavior and loyalty [J]. Journal of Marketing, 71(4):19-35.

MEYER C， SCHWAGER A. 2007. Understanding customer experience [J]. Harvard Business Review, 85(2):116-126.

NETZER O, LATTIN J M, SRINIVASAN V A. 2008. Hidden markov model of customer relationship dynamics [J].Marketing Science, 27(2):185-204.

ORGAN D W. 1988. Organizational citizenship behavior: the good soldier syndrome [M]. Lexington Books/DC Heath and Com.

REINARTZ W J, KUMAR V. 2000. On the profitability of long-life customers in a noncontractual setting: an empirical investigation and implications for marketing [J]. Journal of Marketing, 64(4):17-35.

ROMERO J, VAN DER LANS R, WIERENGA B A. 2013. Partially hidden markov model of customer dynamics for CLV measurement [J]. Journal of Interactive Marketing, 27(3):185-208.

ROSENBAUM M S, MASSIAH C A. 2007. When customers receive support from other customers: exploring the influence of intercustomer social support on customer voluntary performance [J]. Journal of Service Research, 9(3):257-270.

RUST R T, ZEITHAML V A, LEMON K N. 2001. Driving customer equity: how customer lifetime value is reshaping corporate strategy [M]. New York: The Free Press.

SCHMITTLEIN D C, MORRISON D G, COLOMBO R. 1987. Counting your customers: who are they and what will they do next [J]. Management Science, 33(1):1-24.

SIROHI N, MCLAUGHLIN E W, WITTINK D R. 1998. A model of consumer perceptions and store loyalty intentions for a supermarket retailer [J]. Journal of Retailing, 74(2):223-245.

STAHL H K, MATZLER K, HINTERHUBER H H. 2003. Linking customer lifetime value with shareholder value [J]. Industrial Marketing Management, 32(4):267-279.

STERN B B, GOULD S J. 1988. The consumer as financial opinion leader [J]. Journal of Retail Banking, 10(2):43-52.

(責(zé)任編輯 張建軍)

Enterprise Perspective′s Customer Value Measurement and Segmentation: On Customer′s Future Monetary Value and Nonmonetary Value

DONG XiaoZhou CHEN XinKang

( Shanghai University of Finance and Economics, Shanghai 200433)

Based on a lots of literature researches, this paper obtains the customer future value of money by proposing stochastic model to calculate the monetary value of customer and active probability, and measures customer′s nonmonetary value by using customer extra-role behaviors. With 350 online shopping customer survey data, the paper verifies that the customer e-loyalty has a significant impact on customer′s future monetary value and nonmonetary value (customer extra-role behavior), and finds that the segmentation of customer value can be elevated by customer e-loyalty. Finally, customer value segmentation strategy are proposed based on customer′s future monetary value and nonmonetary value, and detailed marketing strategy for each customer segmentation is elaborated.

customer value; customer future monetary value; customer extra-role behavior; online shopping

2015-12-16

董曉舟(1983--)，男，上海人，上海財(cái)經(jīng)大學(xué)國際工商管理學(xué)院博士生。 陳信康(1952--)，男，浙江奉化人，上海財(cái)經(jīng)大學(xué)國際工商管理學(xué)院教授，博士生導(dǎo)師，上海財(cái)經(jīng)大學(xué)現(xiàn)代服務(wù)經(jīng)濟(jì)研究院院長。

* 上海財(cái)經(jīng)大學(xué)校立科研項(xiàng)目“電子網(wǎng)絡(luò)環(huán)境下的服務(wù)營銷創(chuàng)新與中國服務(wù)業(yè)的競爭力”(2015110230)；上海財(cái)經(jīng)大學(xué)研究生創(chuàng)新計(jì)劃項(xiàng)目科研創(chuàng)新基金“新產(chǎn)品創(chuàng)新度與消費(fèi)者接受度匹配路徑研究”(CXJJ-2015-330)。

F713.5

A

1001-6260(2017)03-0085-10

10.19337/j.cnki.34-1093/f.2017.03.008

財(cái)貿(mào)研究 2017.3