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

董曉舟 陳信康，2

(上海財經大學1．國際工商管理學院 2.現(xiàn)代服務經濟研究院，上海 200433)

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

董曉舟1陳信康1，2

(上海財經大學1．國際工商管理學院 2.現(xiàn)代服務經濟研究院，上海 200433)

首先在文獻研究的基礎上，提出通過隨機概率模型來計算顧客的貨幣價值以及活躍概率，從而求出顧客未來貨幣價值的方法，同時利用顧客角色外行為對顧客的非貨幣價值進行測量。然后利用350名網絡購物顧客的問卷調查數(shù)據(jù)證實網絡顧客忠誠可以顯著影響顧客的未來貨幣價值與非貨幣價值(顧客角色外行為)，以及網絡顧客忠誠可以使顧客價值類別發(fā)生遷移。最后，提出一套同時基于顧客未來貨幣價值以及非貨幣價值的顧客價值類別細分策略，并且對每個顧客類別組進行了詳細的營銷策略闡述。

顧客價值；顧客未來貨幣價值；顧客角色外行為；網絡購物

一、引言

CNIT-Research公司發(fā)布的數(shù)據(jù)顯示，2014年中國網絡購物市場的用戶規(guī)模達到3.3億。但是，網購顧客數(shù)量的增長率卻開始顯著下降，表明中國的網絡購物已經逐漸從成長期跨入成熟期。與此相適應，電商企業(yè)與學者對網絡購物的關注點也開始從如何獲取顧客轉移到如何維系與提升顧客價值。Kotler(2000)認為，在進行顧客價值與關系管理時，應該把重心放在如何識別以及如何與最有價值的顧客建立長期穩(wěn)定的利益關系。而基于企業(yè)視角的網絡購物顧客價值研究的焦點集中在顧客價值的識別、分類以及提升三方面，其中，顧客價值的識別與分類是基礎與前提，在這兩方面開展的工作將直接影響顧客價值提升的效果。因此，本研究將重點考察顧客價值的識別與分類。Stahl et al.(2003)指出，顧客對企業(yè)的價值除了購買商品與服務之外，還包括知識價值以及社會網絡價值。企業(yè)視角的顧客價值可以被進一步分為貨幣性價值與非貨幣性價值。因此，在現(xiàn)有研究的基礎上，本文將顧客角色外行為作為顧客的非貨幣價值，并且視其為顧客價值細分的一個重要維度。此外，在顧客貨幣價值的計量方面，本文首先通過隨機概率模型來計算顧客的貨幣價值以及活躍概率，從而求出顧客未來貨幣價值的方法，同時利用顧客角色外行為來對顧客的非貨幣價值進行測量。隨后，采用顧客價值中的未來貨幣價值與非貨幣價值(顧客角色外行為)對顧客進行分類，將顧客分成4種價值類別，并且針對不同價值類別的顧客提出相應的差異化營銷策略。

本文的理論貢獻在于：(1)對于顧客貨幣價值的計量，已有文獻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)進行，而本文利用活躍度與貨幣價值期望值的乘積計量顧客未來貨幣價值，這一做法可以使得顧客貨幣價值的計量保持穩(wěn)健性，同時獲得向前看的性質，從而更具預測能力。另外，本文還通過實證研究證實網絡顧客忠誠可以對顧客未來貨幣價值產生顯著的正向影響。(2)雖然有文獻獨立地研究了顧客忠誠與顧客貨幣價值(董曉舟，2015)、顧客非貨幣價值(Bove et al.，2009)間的關系，但本文更是從一個整合的視角完整地分析了顧客忠誠與貨幣、非貨幣價值間的復雜關系；(3)對于顧客價值細分，以往文獻主要從顧客的貨幣價值維度來開展研究(Reinartz et al.，2000)，但是這種細分結果不僅缺乏預測性，而且還會遺漏一些經濟價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，本文同時從顧客的未來貨幣價值與非貨幣價值(顧客角色外行為)入手，提出了一個兩維度的顧客價值細分模型，這是對現(xiàn)有理論的完善。

二、相關理論與假設提出

(一)顧客角色外行為與顧客非貨幣價值

角色外行為概念最初由 Katz(1964)提出，隨后Organ(1988)將其運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”將顧客的行為分為大兩類：顧客角色內行為和顧客角色外行為。其中，顧客角色內行為是指顧客作為“產品與服務的購買者”這一角色所需履行與實施的行為。而顧客角色外行為主要是指產品與服務的生產、傳遞與獲得過程中那些非必需的、獨立于顧客購買與消費行為之外的行為。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、幫助其他顧客等。Stahl et al.(2003)指出，顧客對企業(yè)的價值除了購買行為之外，還包括知識價值以及社會網絡價值。知識價值是指顧客通過建議、參與活動(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。而社會網絡價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)認為，顧客角色外行為主要可以為企業(yè)產生非貨幣價值(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展，其與顧客角色外行為的區(qū)別集中于相關概念維度的測量。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、關愛與責任； Bove et al.(2009)的八維度模型，正面口碑、親密關系、參與企業(yè)活動、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較大區(qū)別在于兩者為企業(yè)所帶來的績效結果有所不同，顧客角色外行為主要為企業(yè)帶來非貨幣價值，而顧客公民行為除可以產生非貨幣價值以外，其中的顧客忠誠還可以直接為企業(yè)帶來貨幣價值(重復購買產品與服務)。由于企業(yè)可以通過顧客忠誠產生貨幣價值，這使得顧客忠誠與顧客貨幣價值間存在較強的相關性，從而使得顧客公民行為(顧客角色外行為+顧客忠誠)與顧客貨幣價值間也存在較大的相關性。本文希望從一個新視角，即同時利用顧客的非貨幣價值與貨幣價值來對顧客進行分類，因此，為了保證分類維度間的獨立性，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維度。同時，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的相關性。高忠誠度的顧客對于企業(yè)具有更強烈的正面情感、關系承諾以及依戀，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，從而產生自發(fā)性的顧客角色外行為。Bove et al.(2009)通過實證研究也驗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生以顧客忠誠為基礎，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也隱含了顧客忠誠的作用。綜上所述，本文提出：

H1：網絡顧客忠誠對顧客非貨幣價值具有正向的影響。

(二)顧客未來貨幣價值

從企業(yè)視角出發(fā)的顧客貨幣價值管理研究將顧客視作企業(yè)的一種資產，側重考察不同類型的顧客給企業(yè)帶來的經濟價值，這種顧客貨幣價值是構筑顧客終生價值(Customer Lifetime Value)與顧客資產(Customer Equity)的基礎。Kotler(2000)認為，在進行顧客價值與關系管理時，應該把重點放在如何識別以及如何與最有價值的顧客建立長期穩(wěn)定的利益關系。因此，企業(yè)首先需要考慮如何識別與測量顧客的貨幣價值，接著應知道哪些因素會影響顧客貨幣價值。傳統(tǒng)的顧客關系管理(CRM)以及顧客資產管理(CEM)中的顧客分類方法主要采用顧客價值或是顧客終身價值(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值的歷史值對顧客進行分類，而企業(yè)可能更關心顧客的將來價值。其次，只考慮在單位時間內的顧客價值，而沒有充分考慮到顧客的流失概率問題。比如兩個顧客，在一個月內A顧客購買10次，每次花費100元，最近一次購買是3天前；B顧客購買2次，每次花費500元，最近一次購買是20天前。這兩個顧客在一個月內具有相同的顧客價值歷史值，但是如果充分考慮他們的購買次數(shù)與最近一次購買時間的話，可以得知他們兩個的維系率(流失率)是完全不同的，這就使得他們在接下來一個月內的顧客未來價值(顧客未來價值=顧客價值的期望值×顧客維系概率)發(fā)生了很大的差異。最后，顧客終身價值(CLV)雖然是一個不錯的分類標準，但是在實際運用中難度過大。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的計算變得簡單，但是這種方式計算出的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)認為，維系率是動態(tài)變化的，可以將其假設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(假設模型中同時存在兩個隨機過程，一個是描述顧客的購買行為數(shù)據(jù)與顧客狀態(tài)間的一般隨機過程，另一個是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)，計算出轉移概率從而估計出維系率的變化過程，這樣就可以動態(tài)地計算顧客終身價值。不過這種方法雖然可以比較好地描述CLV計算中的動態(tài)性，但是隱馬爾科夫模型的建立及其參數(shù)估計是十分抽象與復雜的，在估計參數(shù)時需要使用MCMC(馬爾科夫鏈-蒙特卡洛)這類的高級統(tǒng)計方法，因此很多學者以及企業(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顧客價值分析模型。此模型利用三個指標，即最后一次購買至今的時間(R)、單位時間內的購物次數(shù)(F)和單筆交易的金額(M)來判斷與識別顧客價值。但在使用RFM模型時，如果R、F、M三個指標直接使用歷史數(shù)據(jù)，那么據(jù)此計算出的顧客價值一般不具有很好的預測性，也無法對顧客的活躍程度進行觀察與判別。因此，相關研究通常先利用隨機概率模型分別對F與M的期望值進行計算，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好處：一是，相比歷史值，期望值具有更好的預測性；二是，期望值可以減少某些極端值的影響；三是，可以計算出顧客的活躍概率，從而對其是否流失進行判別。當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值的期望值(Schmittlein et al.，1987)。但是，此時計算出的顧客價值期望值是假設不存在顧客流失的，因此，可以通過將顧客價值的期望值乘以顧客活躍概率，從而獲得一個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)計算顧客的消費金額期望值。NBD與Gamma-Gamma模型都是比較簡潔的隨機概率模型，可以利用極大似然估計或規(guī)劃求解(利用Excel就可以完成參數(shù)的估計)來估計相應參數(shù)。在此基礎上，就可以得到顧客未來貨幣價值=顧客消費金額期望值×顧客購買次數(shù)期望值×顧客活躍概率，由于計算未來貨幣價值時使用的是消費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。我們可以基于這個顧客未來貨幣價值進行顧客分類，從而制定具有向前看特征的顧客資產戰(zhàn)略。如果觀察時間窗為6個月，那么只要每6個月對這個過程計算一次，就可以更新顧客未來價值，確保分類標準的動態(tài)性。本文提出的顧客未來貨幣價值的計算方式同時整合了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值來作為顧客分類的第二個維度。

圖1 顧客未來貨幣價值的計算方式

企業(yè)應該在顧客分類與選擇的基礎上，對顧客進行投資從而最大化回報(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值，而雙維度分類法則主要基于顧客價值(CLV)以及顧客維系時間(Reinartz et al.，2000)。但是，顧客價值與顧客維系時間之間存在比較大的相關性，這也使得兩個分類維度之間的正交獨立性易受質疑。所以，對于顧客分類完全可以同時考慮顧客的貨幣價值與非貨幣價值。顧客角色外行為可以很好地反映顧客未來可能給企業(yè)帶來的價值，因此其本身也是一種顧客未來價值(非貨幣形式)的表現(xiàn)形式。未來貨幣價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)計算出的顧客未來價值。顧客貨幣價值與非貨幣價值均受顧客忠誠所驅動，但是兩者間又存在一定的獨立性，可以從不同的視角對企業(yè)的顧客價值進行測量與反映。此外，如果證實顧客未來貨幣價值可以由網絡顧客忠誠所驅動，那么利用顧客未來貨幣價值細分出的顧客類別就可以通過網絡顧客忠誠來引發(fā)類別的遷移。因此，本文提出：

圖2 基于顧客未來貨幣價值與非貨幣價值的細分框架

H2：網絡顧客忠誠對顧客未來貨幣價值具有正向的影響。

進一步，本文采用顧客價值中的未來貨幣價值與非貨幣價值(顧客角色外行為)來對顧客進行分類，可以將顧客分成4種價值類別。據(jù)此，企業(yè)可以開展差異化的營銷策略，有效分配資源。顧客價值分類框架如圖2所示。

三、網絡顧客忠誠對于顧客未來貨幣價值以及顧客非貨幣價值的實證研究

(一)樣本數(shù)據(jù)描述

我們通過網絡問卷的形式收集了350名網購顧客的數(shù)據(jù)，數(shù)據(jù)包括三個模塊：第一個模塊為網絡購物行為數(shù)據(jù)，包含顧客3個月內的網絡購物次數(shù)(次)、網絡購物的單筆平均金額(元)、最后一次網絡購物至今的時間(天)；第二個模塊為網絡顧客忠誠、顧客角色外行為；第三個模塊為人口統(tǒng)計、上網以及網購習慣信息。網絡問卷的發(fā)放與回收依靠專業(yè)的網絡調查公司進行，我們通過如下措施來保證調查質量，并對存在問題的樣本進行剔除：(1)同一IP與電腦的重復答題檢測；(2)異常答題時間的檢測；(3)通過題目間的邏輯檢測來判斷調查對象是否存在胡亂答題的現(xiàn)象；(4)剔除3個月內沒有進行網絡購物的調查樣本。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份是因調查對象亂答而被判為無效的，剩下3份是由于對目標網站的訪問以及購物次數(shù)為0而被剔除。考慮到對于網站無訪問、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引起嚴重的樣本選擇偏誤，從而影響研究結果。通過分析可得，樣本特征表現(xiàn)為年輕化、高學歷化、中低收入為主以及有豐富的上網經驗，這也與中國互聯(lián)網中心發(fā)布的中國網購顧客特征相似，表明本研究樣本具有一定的代表性。

(二)顧客未來貨幣價值的計算

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)進行擬合，從而獲得相關參數(shù)的估計值。

(1)

式(1)中，X表示顧客在單位時間內的購物次數(shù)，λ表示單個顧客的平均購物率，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。我們先假設一個顧客是活躍的，其購買頻率為λi。觀測到離上一次購物的時距為R的概率是e-Rλi，再假設λi服從一個Gamma分布。這樣就可以得到在單位時間內購物x次的顧客，觀察到距離上次購買時距為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)計算出的是一個[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)進行擬合，從而獲得相關參數(shù)的估計值。

(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)學期望值。

(5)

圖3 顧客未來貨幣價值的帕累托分布圖以及數(shù)據(jù)特征

(三)網絡顧客忠誠以及顧客角色外行為量表的檢驗

針對網絡顧客忠誠的測量，我們主要參照了Sirohi et al.(1998)、Chaudhuri et al.(2001)的量表，其中包含態(tài)度與行為兩個層面。考慮到模型的簡潔性以及為了從一個較為宏觀的視角來分析顧客角色外行為、顧客未來貨幣價值以及網絡顧客忠誠間的關系，本文用一階因子來描述與整合網絡顧客忠誠。顧客角色外行為的測量參考Ahearne et al.(2005)的量表進行設計。表1報告了網絡顧客忠誠、顧客角色外行為量表的相關信息與信效度檢驗結果。從中可見，2個因子維度的因子負荷全部大于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構效度。

表1 網絡顧客忠誠、顧客角色外行為量表的相關信息與檢驗結果

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

表2 量表的效度檢驗結果

表2列示了量表的效度檢驗結果。2個因子維度的AVE(平均方差萃取率)全部大于0.5，并且CR(復合信度)全部大于0.7，這表明量表具有較好的收斂效度。同時，2個因子維度的相關系數(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，量表的驗證性因子分析結果表明模型對數(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)假設檢驗

我們通過回歸分析來研究網絡顧客忠誠對顧客未來貨幣價值以及顧客非貨幣價值的影響。表3為相關變量的說明。

表3 相關變量說明

由于作為因變量的顧客未來貨幣價值不服從正態(tài)分布，因此先對顧客未來貨幣價值取對數(shù)糾偏。同時，考慮到樣本數(shù)也不是很大，為了保證估計的可靠性，我們在分析網絡顧客忠誠對于顧客未來貨幣價值影響時除使用OLS進行參數(shù)估計外，還利用bootstrap法來進行標準誤以及顯著性的再估計，放回隨機抽樣的次數(shù)被設定為3000次。表4報告了網絡顧客忠誠對于顧客非貨幣價值以及顧客未來貨幣價值回歸分析的結果。

由表4可得，網絡顧客忠誠同時顯著正向影響顧客未來貨幣價值與顧客非貨幣價值。企業(yè)可以通過顧客貨幣價值以及非貨幣價值來對顧客進行分類(高未來貨幣價值-高非貨幣價值、高未來貨幣價值-低非貨幣價值、低未來貨幣價值-高非貨幣價值、低未來貨幣價值-低非貨幣價值)，進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值與顧客角色外行為進行聚類分析，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行組合，最終形成4個完整的顧客價值類別。表5報告了基于顧客未來貨幣價值、非貨幣價值的分類結果。

表4 網絡顧客忠誠對于顧客非貨幣價值以及顧客未來貨幣價值回歸分析的結果

注：表中省略了控制變量。

表5 基于顧客未來貨幣價值、非貨幣價值的分類結果

由于網絡顧客忠誠同時影響顧客貨幣價值以及顧客非貨幣價值，因此企業(yè)可以通過提升網絡顧客忠誠從而使顧客價值類別發(fā)生遷移。為驗證此假設，我們采用網絡顧客忠誠配合Mlogit模型來對表5中的顧客價值類別進行預測，可得使用網絡顧客忠誠對顧客價值類別的預測準確率為69%，這也證實網絡顧客忠誠可以驅動顧客價值類別發(fā)生遷移。所以，網購平臺企業(yè)應該努力提升網絡顧客忠誠使低價值類別組(低未來貨幣價值或、低非貨幣價值)的顧客向高價值類別組遷移，并根據(jù)不同的顧客價值類別開展有針對性的營銷策略。

(五)討論：針對不同顧客價值類別的營銷策略

1.高未來貨幣價值-高非貨幣價值類別組

這類顧客同時具有很高的貨幣價值與非貨幣價值，表明其與企業(yè)無論在經濟層面還是情感層面都建立了極為緊密的關系。對于此類顧客，企業(yè)可以重點實施如下營銷策略：(1)這類顧客具有很高的忠誠度以及經濟價值,同時還擁有強大的社會網絡，他們可以積極地帶動周圍的個體，一起為企業(yè)貢獻價值。企業(yè)應努力將這類顧客培養(yǎng)成其粉絲，并且利用社會網絡分析(Social Network Analysis)等技術從中精心挑選出一些具有豐富社會關系網絡以及較高社會影響力的“顧客意見領袖”，通過設計合理有效的回報獎勵機制使其成為企業(yè)代言人。Stern et al.(1988)認為，顧客意見領袖就是指那些擁有更為可信和說服力信息的個體，他們所提供的有關某一企業(yè)、品牌的產品或服務信息更容易被意見追隨者所接受。特別是在電子商務情景下，借助網絡通信以及微博、SNS等相關傳播工具可以低成本發(fā)揮顧客意見領袖的宣傳推廣效果。(2)此類顧客通常具有與企業(yè)分享自身知識的強烈的內在動機，并愿意主動參與企業(yè)的價值共創(chuàng)活動。因此，企業(yè)要主動開展相應的知識與價值共創(chuàng)活動以提取這類顧客的非貨幣價值，這類活動除有助于企業(yè)改善自身產品與服務的設計方案、降低設計成本外，還可以進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)來有效地轉化其顧客非貨幣價值。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，如能配以較大的獎勵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(獎勵措施小的時候，顧客推薦程序的參與只會影響行為忠誠)。高非貨幣價值的顧客參與此類活動的內在動機往往較高，從而可以產生更好的效果，或是降低活動的實施成本。

2.高未來貨幣價值-低非貨幣價值類別組

這類顧客雖然具有高貨幣價值，但是其非貨幣價值卻很低。這表明這類顧客與企業(yè)間的關系并不緊密，而且這種關系主要建立在經濟而非情感之上。對于此類顧客，企業(yè)可以重點實施如下營銷策略：(1)對顧客體驗需求進行再測量，并且基于這些需求進行服務、產品的改善與提升。企業(yè)需要從顧客體驗入手，對企業(yè)與顧客間的各個接觸點進行調查與研究。Meyer et al.(2007)認為，企業(yè)-顧客間的不同接觸點的價值是不同的，企業(yè)需要去描繪與研究這些“顧客-企業(yè)接觸點”構成的“長廊”，把握每個接觸點處的顧客期望以及體驗程度。同時，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))，而顧客體驗數(shù)據(jù)則需要同時包含顧客的主觀態(tài)度以及行為。因此，企業(yè)應該在現(xiàn)有的CRM系統(tǒng)與數(shù)據(jù)庫的基礎上進一步整合顧客的態(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數(shù)據(jù)庫。此外，企業(yè)基于顧客體驗數(shù)據(jù)開展需求研究時，不僅要關注與改善顧客的功能性需求，還應重視顧客的情感性與社會性需求。(2)通過提供可以產生情感依戀的產品以及提升服務質量來強化顧客與企業(yè)間的情感聯(lián)系。相比體現(xiàn)功能性的“冷”價值而言，企業(yè)還應積極關注其服務與產品給顧客帶來的、可以體現(xiàn)情感性與社會性的“熱”價值。企業(yè)要重點關注那些對于顧客感知影響力最大的服務與產品質量因素，重新再造服務與產品價值鏈。(3)通過顧客忠誠計劃(Loyalty Programs)來提高顧客轉換成本，從而鎖定顧客，降低流失概率。顧客積分是顧客忠誠計劃中被普遍運用的一種策略，企業(yè)可以根據(jù)顧客的花費、訪問頻次以及加入忠誠計劃的時間來為顧客累計積分，而這些積分可用于交換產品、服務或是現(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企業(yè)、購買產品或服務以及與企業(yè)維系關系提供一種外部動機。顧客可以通過累計積分獲得經濟性利益與心理利益，因而在行為上更加忠誠(Liu，2007)。二是，積分還會提高顧客的轉換成本，因為一旦顧客放棄了現(xiàn)在的企業(yè)，那么他們所擁有的積分也將變得沒有價值。

3.低未來貨幣價值-高非貨幣價值類別組

這類顧客雖然具有高的非貨幣價值，但是其貨幣價值卻比較低，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，企業(yè)可以把關注點放在與其經濟關系的建設與提升之上。對于此類顧客，企業(yè)要著重實施如下營銷策略：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)交易量占其相關交易總量的比重，而后者則是指其相關交易量的總和。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站、實體店購買的商品總和，而錢包份額則是其在特定網站上購買的商品與其通過各種流通渠道(購物網站、實體零售店、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。而對于錢包尺寸小的顧客則一方面應該進行產品與服務成本的削減，另一方面還可以根據(jù)這類顧客的購買力與需求進行低價格新產品的開發(fā)以及引入。

4.低未來貨幣價值-低非貨幣價值類別組

這類顧客具有低的非貨幣價值與貨幣價值，如果對他們管理不當，則很可能導致其成為企業(yè)的負擔。企業(yè)應該結合這類顧客與企業(yè)的關系長度(注冊網站以及第一次發(fā)生購買至今的時間)對其開展進一步地細分與管理。對于關系較短的顧客，企業(yè)應該以“勸退”策略為主，因為他們的存在很可能只是為了獲取短暫交易的經濟利益，而非與企業(yè)建立長久的交易關系。企業(yè)對于他們的投資很大程度上是無法收回的，同時他們的行為還可能對其他忠實顧客與企業(yè)間的交易產生負面影響，比如這類人會大量占用企業(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的優(yōu)惠。所以，企業(yè)首先要通過顧客購買以及網站訪問數(shù)據(jù)識別出投機主義顧客，然后根據(jù)顧客的網站注冊時間、購買次數(shù)、網站訪問次數(shù)、購買金額等記錄來決定顧客是否可以獲得優(yōu)惠，以及能否參與相應的顧客回報活動。

四、結論、啟示與局限

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

本文對于營銷實踐的啟示及意義主要體現(xiàn)在：第一，為相關企業(yè)提供了一套可以用于計算顧客未來貨幣價值與非貨幣價值的方法，根據(jù)這一方法企業(yè)能夠對顧客的未來貨幣價值以及非貨幣價值施加有效管理。第二，企業(yè)可以利用本文提出的隨機概率模型對顧客活躍度進行計量，并設定相應的警戒閾值。電商企業(yè)在對顧客活躍度進行動態(tài)觀察時，一旦發(fā)現(xiàn)某個顧客的活躍度低于警戒閾值，就應立即對顧客貨幣價值進行綜合評定，并決定是否需要開展再激活策略。第三，本文闡釋了企業(yè)可以同時基于顧客非貨幣價值與未來貨幣價值進行顧客細分，并且針對各個顧客價值類別提出了相應的營銷策略。

本文也存在一些不足，如：沒有進一步具體研究網絡顧客忠誠的前因變量；沒有考察網站特征、消費者個體特征對于影響路徑的調節(jié)作用；沒有對提出的細分方法與網站今后的實際銷售數(shù)據(jù)間的關系做進一步檢驗。上述這些問題需要在后續(xù)研究中逐一解決。

董曉舟. 2015. 網絡購物情境下的顧客行為粘性、消費動機與顧客價值的關系研究：基于隨機概率模型的實證研究[J]. 營銷科學學報(1):39-57.

馬寶龍,李飛,王高，等. 2011. 隨機RFM模型及其在零售顧客價值識別中的應用[J]. 管理工程學報(1):102-108.

王高,李純青,趙平，等. 2007. 隨機模型在零售顧客未來經濟價值估計中的應用[J]. 中國管理科學(2):104-110.

姚山季,王永貴. 2012. 顧客參與新產品開發(fā)及其績效影響:關系嵌入的中介機制[J]. 管理工程學報(4):39-48.

張國軍,陳傳明. 2006. 顧客資產研究的關系視角[J]. 中國工業(yè)經濟(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，上海財經大學國際工商管理學院博士生。 陳信康(1952--)，男，浙江奉化人，上海財經大學國際工商管理學院教授，博士生導師，上海財經大學現(xiàn)代服務經濟研究院院長。

* 上海財經大學校立科研項目“電子網絡環(huán)境下的服務營銷創(chuàng)新與中國服務業(yè)的競爭力”(2015110230)；上海財經大學研究生創(chuàng)新計劃項目科研創(chuàng)新基金“新產品創(chuàng)新度與消費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

財貿研究 2017.3