李　冰，王　虎，王　銳

(1江西師范大學 軟件學院，江西 南昌 330022；2武漢理工大學 管理學院，湖北 武漢 430070；3江西理工大學 經(jīng)濟管理學院，江西 贛州 341000)

在大規(guī)?？蛻舡h(huán)境下，傳統(tǒng)的客戶服務管理理論與方法的局限性已經(jīng)顯現(xiàn)，“二八法則”已不足以作為客戶管理的有效指導原則，“長尾理論”越來越受學術界和企業(yè)界的重視。企業(yè)必須重視大多數(shù)普通客戶，但由于客戶數(shù)量眾多，不可能對每位客戶進行關注，這時可以采取精細化營銷的方式，對客戶進行細分，以客戶群為單位，對客戶進行分群管理。在實際客戶分群管理中，主要研究的是客戶的共性特征，制定符合大眾需求習慣的“標準人”并以此提供服務。如服裝企業(yè)在制造上衣時，會先根據(jù)不同的目標客戶群構(gòu)造出相應的標準人，然后依據(jù)這些標準人制定出S、M、L、XL、XXL、XXXL等標準尺寸的上衣?？蛻羧簶藴嗜说倪x取至關重要，其關系到所構(gòu)造的標準人是否真的能夠代表整個客戶群的特征與服務需求，關系到企業(yè)是否能準確進行服務決策和營銷決策?？蛻羧簶藴嗜藰?gòu)造示意圖如圖1所示。

圖1　客戶群標準人構(gòu)造示意圖

目前國內(nèi)外學者已經(jīng)對客戶細分進行了大量研究，客戶群劃分策略已經(jīng)被大多數(shù)企業(yè)所采納[1-2]，而對于客戶細分之后如何尋找反映該客戶群共性特征的標準人的研究還很少。SMITH提出客戶細分理論[3]；國內(nèi)學者齊佳音等較早提出客戶關系管理研究的重要性[4-5]；KIM等提出了基于客戶生命價值的客戶細分模型，然后通過案例闡述了針對不同客戶群的客戶策略[6]；HUGHES等提出了RFM分析是以3個行為變量來描述和區(qū)分客戶的[7-8]；張國方基于CRM客戶細分理論提出并研究了客戶相對價值細分理論、客戶價值生命周期形態(tài)細分理論及其應用策略，提出了基于客戶價值生命周期理論的客戶細分方法[9]?？蛻艏毞址椒榭蛻艏毞掷碚摰膽玫於思夹g支持，但其僅能應用于中小規(guī)?？蛻艄芾怼７┑仍跀?shù)字城市的基礎上，研究了具有空間分析能力的客戶關系管理系統(tǒng)，提出基于空間數(shù)據(jù)分類挖掘的客戶細分方法[10]；盧致杰從客戶群的分類和計算角度研究了客戶群價值，引入了基于距離的客戶群價值計算方法，并通過實例驗證了該方法的可行性[11]。

企業(yè)在實際客戶管理中，大多數(shù)是從該客戶群當中隨機找一個客戶，以該客戶特征來代表整個客戶群的特征。由于客戶個體與客戶群之間存在特征上的差異，所以該方法對整個客戶群的共性特征的把握存在誤差。在標準人構(gòu)造研究方面，王虎等在研究客戶群共性特征時，對標準人構(gòu)造進行了初步探討，其方法是基于客戶的各個特征屬性值，計算各個屬性值的平均值，并將平均值綜合起來便構(gòu)成標準人的屬性特征值[12-13]。但是，這種客戶群標準人的構(gòu)造方法所采用的視角比較單一，不能滿足實際的需求，有待進一步改進。

客戶群標準人的選取可有多種視角，且不同視角下所構(gòu)造出的標準人的作用以及對服務商的價值各不相同?；诖?，筆者從多維度視角，提出了多種客戶群標準人的構(gòu)造方法。將客戶群的各個特征屬性映射為多維空間的坐標，每位個體客戶都是該多維空間的點，使得該空間能夠完整地呈現(xiàn)出客戶群的形狀，這樣客戶群標準人的構(gòu)造問題就轉(zhuǎn)變?yōu)榍笠粋€多維空間圖形的“中心點”問題。根據(jù)不同標準，多維不規(guī)則圖形的“中心點”可能存在多個，如中心、形心、眾心、質(zhì)心等，不同的“中心點”對應了不同選取標準所產(chǎn)生的客戶群標準人。

筆者解釋了以客戶群中心、形心、眾心和質(zhì)心作為標準人在客戶管理當中的實際含義，并分別給出了尋找這些標準人的算法，探討了不同標準人實際用途和價值，并基于實例數(shù)據(jù)進行模擬。最后探討了客戶關系管理系統(tǒng)中構(gòu)造客戶群標準人模塊的實現(xiàn)。

1　客戶群標準人概念的界定

客戶群標準人的實質(zhì)是通過對客戶群特征的共性分析，塑造出一種客戶原型，使之能夠代表客戶群的共性。原型[14](prototype)是指首創(chuàng)的模型，代表同一類型人物、物件或觀念。根據(jù)原型理論，類別都是按照某種原型進行組織的，在類別內(nèi)部根據(jù)各個成員與原型的相似程度進行排序，與原型相似度最高的成員是最具代表性的成員，它居于類別的核心，與原型相似度低的成員圍繞在核心成員周圍。研究表明，人類進行類別化的重要標準就是原型。LAWSON認為客戶原型的概念形成具有相應的組織原則，而非像傳統(tǒng)研究范式那樣單純屬于個人的認知過程[15]；BASU 認為類別化是知識表征的基本信息加工過程，涉及到與新舊類別知識之間的比較[16]；CHIN-PARKER等指出類別化能夠幫助人們按照不同類型區(qū)分不同的對象，并形成對象之間的共同性認知[17]。客戶群的形成正是遵循原型理論而實現(xiàn)的。類別化和概念形成是知識表征的核心，類別體現(xiàn)了群體內(nèi)部最具代表性成員的核心特征[18]。

上述關于客戶原型的研究主要是從心理學角度進行探討，需要企業(yè)花費大量時間進行問卷調(diào)查研究，采集客戶原始數(shù)據(jù)，這對一般普通企業(yè)來說不適用。隨著企業(yè)客戶數(shù)據(jù)的日積月累，企業(yè)掌握著越來越多的客戶屬性數(shù)據(jù)，企業(yè)可以充分利用這些數(shù)據(jù)，以輔助企業(yè)管理者進行決策。通過標準人信息系統(tǒng)模塊的構(gòu)建，信息系統(tǒng)可以快速地構(gòu)造出能反映客戶群共性且滿足實際客戶管理需求的標準人。

綜上所述，可以將客戶群標準人定義為：根據(jù)企業(yè)客戶管理的需求，按照一定的標準并基于實際客戶群特征而構(gòu)造出來的典型客戶。所構(gòu)造出的標準人能夠代表整個客戶群的共性特征，企業(yè)在為客戶群提供產(chǎn)品或服務時，可以直接參考其標準人，而不需要花大量時間精力去考慮所有的客戶。標準人構(gòu)造的前提是企業(yè)已經(jīng)具備了充分的客戶信息資料，包括人口統(tǒng)計信息、行為特征信息等，對于電信業(yè)、保險業(yè)、電子商務等企業(yè)來說，其具備這樣的條件。

客戶群標準人構(gòu)造的一般步驟如下：①客戶群劃分指標體系的構(gòu)建。對客戶行為屬性進行篩選，找出反映客戶群行為共性的指標，構(gòu)建客戶群劃分的指標體系。通過對客戶群行為共性特征要素的完備性分析，對指標體系結(jié)構(gòu)進行優(yōu)化。②客戶群的劃分。確定客戶群劃分方法，基于客戶群行為共性指標劃分客戶群。③標準的選取。依據(jù)客戶群和產(chǎn)品所處的生命周期階段選取合適的標準，包括中心、形心、眾心、質(zhì)心。④標準人的構(gòu)造。依據(jù)選取的標準，對客戶群共性特征進行分析，采用標準人構(gòu)造方法，構(gòu)造出最能代表該客戶群行為共性特征的標準人。

2　不同視角下客戶群標準人的管理內(nèi)涵及其價值

將客戶群的各個特征屬性映射為多維空間的坐標，每位個體客戶都是該多維空間的點，使得該空間能夠完整地呈現(xiàn)出客戶群的形狀，通過尋找該多維空間圖形的“中心點”可以得到客戶群標準人。客戶群標準人的選取視角有：中心、形心、眾心和質(zhì)心4種。按照不同視角選取的標準人，其位置不同，用途也不相同，可以根據(jù)實際需要選取不同的視角。

(1)基于客戶群中心視角選取標準人。將客戶群各個屬性特征值的中心點作為中心客戶的特征值。中心在一定時期內(nèi)相對穩(wěn)定，反映的是整個客戶群的一種靜態(tài)特征。如中國移動的動感地帶套餐是針對學生群體的，不斷有學生畢業(yè)，也不斷有新生加入該群體，該群體的年齡、學歷等屬性特征在一定時期內(nèi)比較穩(wěn)定，即客戶群中心不變。

(2)基于客戶群形心視角選取標準人。形心是指客戶群基本屬性和行為屬性在多維空間當中所呈現(xiàn)形狀的中心。中心和形心的選取意義比較類似，只是站的角度不同，中心是從統(tǒng)計學角度選取平均值，而形心是從視圖角度找“中心點”，相對來說更加直觀。

(3)基于客戶群眾心視角選取標準人。眾心客戶即領袖客戶，影響力最大，在客戶群當中具有極高的信譽，其代表了最先找到最優(yōu)服務的客戶，并引起其他客戶的共鳴和學習。在統(tǒng)計分布上，眾心是具有明顯集中趨勢的數(shù)值，代表了領袖意見，反映某核心客戶的行為被周圍客戶跟隨的現(xiàn)象。

(4)基于客戶群質(zhì)心視角選取標準人?？紤]到客戶價值屬性，將客戶價值作為客戶在空間位置當中的密度，密度最集中的位置即為質(zhì)心。一般情況下，質(zhì)心與形心是不重合的，只有當客戶群所有客戶的價值等同時，質(zhì)心與形心才會重合。

產(chǎn)品生命周期階段包括產(chǎn)品設計、產(chǎn)品開發(fā)和生產(chǎn)、產(chǎn)品銷售、產(chǎn)品售后服務。產(chǎn)品生命周期的各個階段都要以客戶為中心，始終圍繞客戶的需求展開產(chǎn)品服務工作。產(chǎn)品的生產(chǎn)包括單件生產(chǎn)和成批生產(chǎn)，對于單件生產(chǎn)而言，針對單個客戶“量身定做”，不存在標準人選取問題。而對于成批生產(chǎn)，就需要選擇標準型客戶。在產(chǎn)品設計階段，主要依據(jù)客戶的特征屬性來指導各項工作的開展，可以采用“中心”或“形心”視角選取標準人。如在服裝行業(yè)，每批次的服裝生產(chǎn)都會事先通過大量的樣本統(tǒng)計，找出不同性別及年齡階段客戶群的原型，進而確定設計樣式和尺寸大小。產(chǎn)品在市場上進行推廣時，可以采用“眾心”視角來選取標準人，找出領袖客戶。采取相應的營銷策略吸引和留住更多的眾心客戶，充分發(fā)揮眾心客戶的影響力，吸引更多的普通客戶。在客戶價值分析時，可以采用“質(zhì)心”視角選取標準人，通過分析客戶群質(zhì)心，掌握各客戶群對于企業(yè)所創(chuàng)造的價值，為企業(yè)合理分配營銷資源提供依據(jù)?？蛻舴者x擇不同階段的客戶群“中心” 如圖2所示，在服務選擇之前，采用中心或形心視角選取客戶群“中心”；在服務選擇過程中，采用眾心視角選取客戶群“中心”；在服務選擇完成后，采用質(zhì)心視角選取客戶群“中心”。

圖2　客戶服務選擇不同階段的客戶群“中心”

3　不同視角下客戶群標準人的構(gòu)造算法

標準人的構(gòu)造方法主要有定性方法和定量方法兩種?？蛻艄芾碚呓?jīng)常與客戶接觸，客戶群標準人其實已經(jīng)在客戶管理者心目中有了一定的標準，其以隱性知識形式存在，可以通過問卷、訪談等手段將隱性知識顯性化，獲取客戶群標準人的主要特征，這種方法屬于定性方法。定量方法是指收集整理客戶信息資料，構(gòu)造客戶屬性特征矩陣，根據(jù)實際需要選擇客戶群標準人的構(gòu)造標準，如形心、質(zhì)心、中心或眾心，并采用一定的算法計算出標準人的各項屬性特征值。定性的方法難以實施，其所得到的結(jié)果主觀性太強，且不夠精確，因此筆者主要探討定量的構(gòu)造方法。

尋找群體中心的方法有很多，如統(tǒng)計分析、聚類分析等。已有的數(shù)理統(tǒng)計方法都是屬于硬計算，沒有考慮到數(shù)據(jù)本身的分布特點，也沒有考慮不確定性和隨機性問題。粒子群優(yōu)化算法是模擬鳥群覓食行為過程而提出的一種隨機優(yōu)化搜索算法[19]，屬于軟計算方法，該方法具有很強的搜索能力，能夠找出群體的中心。DAS等提出粒子群中心的概念，并給出計算群體中心位置的相關算法[20-21]；汪永生等引入物理學當中的質(zhì)心概念，提出質(zhì)心粒子群優(yōu)化算法，通過該方法可以尋找群體的質(zhì)心[22]。

筆者提出的標準人構(gòu)造方法是以粒子群優(yōu)化算法為主，并輔助其他的相關算法。形心和中心非常接近，可以使用粒子群優(yōu)化算法或K-means聚類算法，尋找客戶群的形心和中心。使用K-means算法，各個聚類中心的點就是標準人所處的位置。下面主要探討基于眾心和質(zhì)心視角的客戶群標準人構(gòu)造方法。

3.1　客戶群眾心視角下的標準人構(gòu)造算法

眾心客戶即領袖客戶，其影響力最大，在客戶群當中具有極高的信譽。該客戶代表了最先找到最優(yōu)服務的客戶，并引起其他客戶的共鳴和學習。為了模擬尋找眾心客戶的過程和模擬普通客戶追隨眾心客戶的現(xiàn)象，筆者基于粒子群優(yōu)化算法構(gòu)建仿真模型。首先構(gòu)建若干客戶，形成客戶群，所有客戶都具備以下3種特點：①具有初始的購買經(jīng)驗并能夠繼承；②客戶個體在服務選擇過程中能夠通過自身努力獲取經(jīng)驗；③當客戶群里面有更成功的購買者時，能夠向其學習，受其影響。

標準人構(gòu)造算法思路：設某D維空間為客戶群(包含N位客戶，即粒子)所要搜尋的目標，所有粒子的共同目標是在該空間中找到距離最小的解。所有粒子在該空間中的位置坐標為Xi=(xi1,xi2,…,xiD)，i=1,2,…,N，d=1,2,…,D。所有粒子的搜尋效率表示為Vi=(vi1,vi2，…,viD)。粒子在執(zhí)行一次迭代之后都會得到一個績效得分，即適值。每個粒子都會產(chǎn)生自身的歷史最優(yōu)成績：pbest(i)=pgi=(pi1,pi2,…,piD)。在每次迭代過程中，找到所有粒子成績的最大值，即為粒子群的最優(yōu)成績：gbest=(pbest(1),pbest(2),…,pbest(N))=(pg1,pg2,…,pgD)。粒子群通過自己努力、相互協(xié)作和共享，使得其搜尋成績不斷動態(tài)變化，計算公式如下：

vid(t+1)=w×vid(t)+c1r1(t)(pid(t)-

(1)

xid(t+1)=xid(t)+vid(t+1)

(2)

圖3　基于粒子群優(yōu)化算法的仿真流程

筆者以實例數(shù)據(jù)模擬普通客戶追隨眾心客戶的現(xiàn)象，采用上述步驟得到的仿真結(jié)果如圖4所示。其中，點代表普通客戶，圓圈代表領袖客戶。從圖4可以看出，在迭代1～5次時，領袖客戶還處于客戶群的邊緣位置；隨著迭代次數(shù)增大到10～20次時，大部分客戶都向著領袖客戶靠攏；當?shù)螖?shù)增至50～100次時所有客戶都幾乎與領袖客戶重合。

圖4　眾心客戶對普通客戶的吸引過程

3.2　客戶群質(zhì)心視角下的標準人構(gòu)造算法

在實際客戶管理當中，客戶屬性一般分為兩類：①客戶條件屬性，是客戶的基本屬性，包括人口統(tǒng)計屬性、消費行為屬性、使用行為屬性等；②決策屬性，其需要根據(jù)條件屬性進行判斷，通過分析客戶歷史的條件屬性與決策屬性之間的關聯(lián)，來預測客戶未來的需求，能夠為管理者提供決策。例如，對電信行業(yè)來說，可以通過分析客戶歷史的消費記錄和使用套餐，推測出客戶在通話、短信、網(wǎng)絡等方面的需求特征，從而有針對性地為客戶推薦服務套餐?？蛻魲l件屬性對應的是上述系統(tǒng)中各質(zhì)點的坐標，客戶決策屬性對應上述系統(tǒng)中質(zhì)點的質(zhì)量。每個客戶群就是一個系統(tǒng)，群內(nèi)每個客戶就是該系統(tǒng)的質(zhì)點。假設某客戶群有N個客戶，客戶具有P個屬性，可以通過P維坐標將客戶展現(xiàn)在P維向量空間之中?？蛻羧旱摹百|(zhì)心”稱為客戶群的標準人。

(3)

4　構(gòu)造客戶群標準人的模擬分析

圖5　客戶群在三維空間的分布情況

圖6　客戶群在年齡-收入兩個屬性上的分布情況

圖7　客戶群在年齡-保險費上的分布情況

以A保險公司的客戶服務數(shù)據(jù)來對標準人構(gòu)造過程進行模擬分析。該公司的客戶服務數(shù)據(jù)庫里面存儲了保險人的年齡、收入和保險費等信息，其中年齡和收入是客戶基本屬性，保險費是決策屬性。通過這3個屬性將該公司的某個客戶群展示到一個三維空間結(jié)構(gòu)之中，如圖5所示。將該客戶群的兩個基本屬性用二維平面圖展示出來，如圖6所示。從圖5和圖6可以看出，客戶群圍繞某個中心，里面比較密集，越向外客戶越松散。將客戶群的年齡和保險費、收入和保險費的分布情況展示出來，分別如圖7和圖8所示。從圖7可以看出保險費隨著年齡段不同而呈現(xiàn)出很大的差異。年齡在10～30歲區(qū)間內(nèi)的客戶，保險費偏低；在30～60歲區(qū)間內(nèi)的客戶，保險費最高；60歲以上的客戶，保險費最低。從圖8可以看出該客戶群收入在中等水平時，客戶的保險費相對比較高；而收入在高水平情況下，客戶的保險費不是很高。

圖8　客戶群在收入-保險費上的分布情況

圖9　基于中心、形心、眾心和質(zhì)心的客戶群標準人示意圖

基于上述探討的標準人構(gòu)造方法，分別以中心、形心、眾心、質(zhì)心為標準，構(gòu)造該客戶群的標準人?；谥行?、形心、眾心、質(zhì)心的標準人在客戶群當中的位置情況如圖9所示。從圖9可以看出中心和形心非常接近，處于整個圖形的中間。眾心處于客戶最密集的一點上面。質(zhì)心則處于圖形比較偏的位置。這是因為，除了年齡和收入兩個維度外，還有第三個維度，即保險費。如果考慮到保險費這一維度，客戶群在質(zhì)心這一點上面是處于價值的中心，也即這一點最能夠代表整個客戶群的價值，如圖10所示。

圖10　在價值維度中質(zhì)心的位置示意圖

5　結(jié)論

筆者首先對標準人的概念進行界定；然后根據(jù)不同的管理需求，從不同的視角提出了標準人的構(gòu)造算法，并基于實例數(shù)據(jù)進行模擬；最后探討了客戶關系管理系統(tǒng)中構(gòu)造客戶群標準人模塊的實現(xiàn)。

基于客戶群標準人的服務推薦方法屬于一種粗粒度化個性服務推薦。個性化服務推薦的未來發(fā)展方向是細粒度化個性服務推薦，筆者的研究結(jié)果將為此提供了鋪墊。筆者下一步需要研究的方向是：通過上述方法尋找客戶群標準人，演化出客戶群所有客戶的共性需求，然后基于客戶個性特征與客戶群標準人之間的個性化特征差異，計算個性影響因子，并對共性需求進行調(diào)整，得出客戶的個性需求，最終實現(xiàn)細粒度化的個性服務推薦。

參考文獻：

[1]REITANO V. Customer segmentation and clustering using SAS enterprise miner[J].Social Science Computer Review,2015,33(3):415-417.

[2]HUNG C W. Using taguchi method for effective customer segmentation[C]∥2011 International Conference on Computer Science and Logistics Engineering. Zhengzhou: United Arab Emirates,2011:415-419.

[3]SMITH W R. Product differentiation and market segmentation as alternative product strategies[J].Journal of Marketing,1956,11(7):3-8.

[4]齊佳音,韓新民,李懷祖.我國客戶關系管理研究的緊迫性和方向分析[J].管理科學學報,2002,5(4):88-94.

[5]樊治平,王建宇,陳媛.客戶關系管理(CRM)的評述與展望[J].系統(tǒng)工程,2002,20(6):1-8.

[6]KIM S Y, JUNG T S, SUH E H, et al. Customer segmentation and strategy development based on customer lifetime value: a case study[J]. Journal of Expert systems with applications, 2006,31(1):101-107.

[7]HUGHES A M.Strategic database marketing: the master plan for starting and managing a profitable, customer-based marketing program[M].NewYork:McGraw-Hill Trade,2000:137-142.

[8]劉英姿,吳昊.客戶細分方法研究綜述[J].管理工程學報,2006,20(1):53-56.

[9]張國方.客戶細分理論及應用策略研究[J].華中科技大學學報(社會科學版),2003,17(3):101-104.

[10]樊博,李海剛,郭瓊.面向客戶細分的空間數(shù)據(jù)分類研究[J].系統(tǒng)工程學報,2008,23(1):87-95.

[11]盧致杰.基于距離的客戶群價值研究[J].管理工程學報,2006,20(1):18-23.

[12]王虎,李冰.基于高維云模型的多屬性客戶群體相似性度量[J].工業(yè)工程與管理,2012,17(6):76-82.

[13]王銳,王虎,李冰.粗糙集理論在客戶群標準客戶塑造中的應用研究[J].江西理工大學學報,2017,38(2):46-51.

[14]蔣廉雄,何云,朱輝煌,等.品牌原型的理論基礎、研究回顧與展望[J].外國經(jīng)濟與管理,2010,32(1):41-49.

[15]LAWSON R. Consumer knowledge structures: background issues and introduction[J]. Psychology & Marketing, 2002,19(6):447-455.

[16]BASU K. Consumers′ categorization processes: an examination with two alternatives methodological paradigms [J]. Journal of Consumer Psychology, 1993,2(2):97-111.

[17]CHIN-PARKER S,ROSS B H．Diagnosticity and prototypicality in category learning：a comparison of inference learning and classification learning[J]. Journal of Experimental Psychology: Learning, Memory & Cognition, 2004,30(1):216-226.

[18]MAO H, KRISHNAN H S. Effects of prototype and exemplar fit on brand extension evaluations：a two-process contingency model[J]．Journal of Consumer Research, 2006,33(1):41-49.

[19]KENNEDY J, EBERHART R. Particle swarm optimization [C]∥Proceedings of the 4th IEEE International Conference on Neural Networks.Piscataway: IEEE Service Center, 1995:1942-1948.

[20]DAS S，KODURU P，GUI M，et al. Adding local search to particle swarm optimization[C]∥Proceedings of the IEEE Congress on Evolutionary Computation. [S.l.]∶[s.n.]，2006：428-433.

[21]LIU Y，QIN Z，SHI Z，et al. Center particle swarm optimization[J]. Neurocomputing，2007，70(4)：672-679.

[22]汪永生,李均利.質(zhì)心粒子群優(yōu)化算法[J].計算機工程與應用，2011,47(3):34-37.