門店顧客細分研究

閆 洲

(天津財經大學 天津 300000)

門店顧客細分研究

閆 洲

(天津財經大學 天津 300000)

由于顧客存在差異，相同的營銷策略全局性地針對所有顧客所產生效益非常低，因為并不是每一個顧客都適于成為高價值顧客或值得發展的顧客。一個企業的資源是有限的，如何在有限的資源下實現利潤的快速增長，就要明智地關注正確的顧客群體，關注不同顧客群體之間的差異，相應地制定發展與維護策略。本文選取某一零售商的一家門店在一個季度里9894名會員的消費記錄數據及其相應的會員信息，準備對客戶群體進行細分，希望能夠找到最為合適的顧客人群，使零售商有限的營銷資源能夠收獲更大的利益。

門店顧客；營銷策略

一、研究意義

由于維護和發展顧客的資源有限，只能提供服務給一定的數量的顧客，明顯地我們不會將這些服務提供給為門店帶來收益少的顧客，但是怎樣找出為那些為門店帶來高價值的顧客呢,簡單的我們通過RFM模型對顧客進行細分，然后給不同類別的顧客貼上不同的標簽。

我們已經得到了支持RFM模型的三個指標，在這里由于數據采集的延時性，我們改動了支持該模型的消費時間間隔指標，將原是指最近一次購物日期到據數據采集時的時間差改為最近了兩次購物的時間差，雖然這樣會導致在數據采集階段給購買一次的顧客一個小的消費時間間隔值，導致在分類別時可能會出現差錯，但我們認這樣做是值得的，因為我們希望每一個顧客都是高價值顧客。

根據實際的業務需求，我們需要對三個指標分別進行劃分，可以得到眾多的立方體，每個立方體代表一個類別的顧客群體。然后每個群體進行分析，然而，由于最后得到的類別數是不同指標的類別數的乘積，這容易導致劃分的顧客群體過多，不同類別對比困難等；進一步地，根據前面的分析可知，不同指標的變化并不是以線性方式呈現的，等分或不等分都不能體現不同類別顧客之間的流動。因此，本文擬采用聚類分析的方法，對顧客群體的數據進行處理，以期找到一種合理有效的顧客分類方式。

二、通過聚類對顧客進行細分

考慮到樣本量較大，我們采用快速聚類法K-Means對顧客群體的數據進行處理，以期找到一種合理有效的顧客分類方式。下面再簡單地強調一下該算法的思想：對于無監督學習的聚類算法，我們事先并不知道訓練數據集需要分為多少類，需要根據實際需求設定所需的類別數。將具有相似特征或在一定規則下認為相似的對象與其他組明顯不同的數據聚集到一起，形成不同的類別，然后根據類別的特征，給這些類別分別貼上具有現實意義的標簽。

在本次實際研究中，通過快速聚類法得到顧客的分組，從前面的分析可知，有些會員在消費時間間隔或消費頻率或購物金額上都存在統計意義上的異常，但實際上，這些異?；旧峡梢缘玫胶侠淼膶嶋H解釋。我們需要這些異常的對象存在，明顯地，這代表那些可以值得去深挖或直接放棄的顧客。我們想保留這些較為異常的數據點，但在快速聚類過程中,由于這些異常值的存在，導致最后聚類得到的類別中，異常數據點分配的組別數較多，而相對保持平衡的數據點較多而分配組數少，這會使得大部分信息得不到充分的體現。

初始地我們選擇K值為5，通過快速聚類得到不同類別顧客在最近一次消費時間間隔，消費頻率，金額上的三維體現，正如前文所講，少數的異常數據聚為一組，雖然這樣我們能清晰地找出特征非常明顯的顧客，以制定相應的發展維護策略，但是對于包含多數數據點的類別，其特征并沒有很好地體現出來。

由于那些在評價指標上表現異常的消費數據在實際中能得到合理的解釋，我們仍保留著部分數據，通過對這部分顧客聚類，我們可得到不同類別的中心點與每個類別中所包含的顧客數，詳情見表1。從表1中可明顯地看出屬于類別五的顧客在消費時間間隔的表現上平均為11.8天，在購物頻次和消費金額上都明顯低于其他分組，而這一類別的顧客數為6055占總顧客數的61.30%。相比于類別五，在類別四中我們可以看到其消費時間間隔為6.0天,消費頻率為18.4次，消費金額為791.6元，顧客數為2840占總顧客的28.70%。相比之下這似乎暗示著類別四的顧客比類別五的顧客更加忠誠。

實際上，我們在采集數據時，其時間期限為三個自然月，大約90天，相應地若以最近的消費時間間隔做為消費者對門店的認同度測量，則相對忠誠或優質顧客的消費時間間隔與購物頻次乘積大于或等于這三個自然月的天數。我們計算不同類別消費時間間隔與購物頻次的乘積，得到類別一到類別五其相應的乘積值為159.0,116.4,125.8,109.8,72.6天，可以看到類別五其乘積值遠小于三個月的自然天數，而類別四其乘積值為109.8天，也就是說類別四的消費者在該商家的購買次數或消費要遠高于類別五的顧客。這也同樣說明了類別四的顧客比類別五的顧客更加忠誠，他們對門店所做的貢獻也更大。

進一步地在做完顧客細分后，我們匯總一下不同類別顧客貢獻的購物籃比率，貢獻的金額占比，顧客數占比，一到三個月的流失比率，流失率的計算方法為該類別流失的顧客數除以該類別總的顧客數。匯總結果見下表。

從表中可以看出，類別五的顧客數占比61.30%，貢獻30.28%的購物籃和22.56%的金額，一個月的流失率達28.84%,三個月流失率為13.04%；類別四的顧客數占比40.35%,貢獻42.43%的購物籃和40.35%的金額，一個月流失率為7.39%,三個月流失率為2.39%。類別四的顧客貢獻的購物籃與金額遠高于類別五的顧客所做的貢獻，進一步的計算可得類別5的顧客數是類別4的2.14倍，其貢獻金額卻是類別四的0.56倍，一個月流失率和三個月流失率是類別四的3.90倍和5.24倍。明顯地，類別四的顧客對門店的價值要高于類別五的顧客，其對門店整體上較為滿意，不容易發生流失的情況，而類別五的顧客的流失率較高，給門店帶來的收益相對較低。

對于類別1，類別2和類別3，三個類別顧客數占比和為10%，貢獻27.28%的購物籃和37.10%的金額，這些類別給門店帶來的價值較高，這些類別的顧客需要門店進行重點維護。

從另外一個角度來看，我們發現類別一，類別二和類別三的顧客貢獻的購物籃占比要低于其所貢獻的金額占比，與此相反的是類別四和類別五的顧客其貢獻的購物籃占比要高于其金額占比，且其以一定的規律呈現。

綜上分析，我們可以可以看出類別五的顧客側重于購物籃的貢獻，其流動性較大，屬于門店的一般顧客；類別四的顧客對購物籃的貢獻與金額的貢獻都有較大的提升，其流動性相對較小，屬于門店的優質的顧客；而類別一到類別三，其金額占比與購物籃占比的比值一直上升，我們可以將這幾部分顧客稱為價值顧客，相對來說，類別二顧客體現的價值并沒有類別一和類別二那么明顯。通過對這部分信息的整理，我們能看出給門店帶來收益的不同類別顧客的組成，提示著我們需要重點把握好哪些顧客、培養與發展顧客需要從哪些個類別的顧客入手，這些信息能輔助我們有針對性地激勵發展顧客，對不同類別的顧客采用不同方式的維護與發展策略，使有效的資源得到更為充分合理的運用。

三、結論

從顧客的細分的角度來看，占門店61%的顧客只是貢獻了22.56%的消費金額，其貢獻的購物占比為30.38%，且具有較高的流失率。這部分顧客只是該門店非常一般的顧客，門店沒有必要去花較多的資源去維護這部分顧客。而對于類別四的顧客，其價值體現并不明顯，但給門店帶來較多的購物籃，該部分顧客值得門店花費更多的資源以提高該部分顧客的客單價，使其向類別二轉化。對于其他高價值的顧客，則需要門店重點維護。

通過對顧客消費行為的洞察與細分，我們可以從中得到一些有意義的信息，這會輔助我們針對性地制定顧客發展與維護策略，同時啟示我們要何時實施這些策略及其應該包括的具體營銷內容，使有限的資源得到更為合理有效的運用，達到長期利益的增長。

[1]鄭宗成,張文雙等.市場研究中的統計分析方法[M].廣東經濟出版社,2012.

[2]王寧.精準營銷對消費者品牌態度及購買意愿的影響研究[D].中南大學，2011.

[3]Philip Kotler,Kevin-Lane Keller.營銷管理[M].中國人民大學出版社,2009.

閆洲，男，漢族，山西，應用統計碩士研究生，天津財經大學。