成品油零售顧客分級的探索研究

張蕾+甄超+姜衛

摘要：顧客分級的目的是清晰地識別不同價值的顧客，為企業的營銷決策提供依據。目前，大部分企業用消費額度、消費頻率等單一指標（價值維度）進行分級。該做法方便快捷、便于管理，但容易丟失部分有價值顧客。本文結合加油卡顧客的數據，進行了價值維度選取、指標判斷、量化分析、模型聚類等方面的探索研究，并通過某省四年的數據進行了實證分析，根據聚類模型結果和實際營銷需求給出了零售顧客分級的建議。

關鍵詞：顧客分級；聚類模型；RFM模型

顧客分級的目的是清晰地識別不同價值的顧客，為企業的營銷決策提供依據。目前，大部分企業用消費額度、消費頻率等單一指標（價值維度）進行分級。該做法方便快捷、便于管理，但容易丟失部分有價值顧客。一些銀行信用卡、航空公司及B2C電子商務卡，以復合指標（如信用卡用戶的存款余額、持卡時間、信用歷史、消費種類等）進行分級，可更全面地分離出高價值顧客。

一、國內外應用與研究現狀

1.顧客分級的作用和目的

一般意義上講，顧客分級是按照一定的標準將企業現有顧客分為不同群體，依據其年齡、性別、收入、職業、地區等信息來衡量其對企業的不同價值和重要程度。排序后確定為不同的層級，為企業資源分配提供依據。其必要性體現在三個方面：一是不同的客戶帶來的價值不同；二是企業的資源有限，需要根據投入的回報情況進行合理分配；三是顧客需求多樣化，對企業的需求期待存在差異。分級為企業的資源分配提供依據，從而牢牢抓緊最有價顧客，提高客戶關系管理效率。

2.顧客分級應用現狀

目前我國的顧客分級主要應用于銀行信用卡業務、航空公司以及B2C電商三個領域。

銀行信用卡業務。我國商業銀行信用卡體系在運行過程中產生了大量的睡眠卡，引起資源浪費、客戶流失、信用風險增加、業務效率低下等問題。通過對客戶按照一定的標準進行合理細分，有利于發卡銀行進行有效的風險管理，提高整體效益。目前銀行信用卡客戶分級的方法包括對客戶的信用評級以及根據客戶的透支行為、消費行為、貢獻性進行分級。

航空公司。美國西北大學教授Paul Wangle曾經在研究中指出，旅客分為交易旅客和關系旅客兩種，而一般來說，機票打折真正吸引的是交易旅客，這種旅客對比所有航空公司的票價之后進行購買?？蛻舴旨墑t能夠幫助航空公司把不同種類的客戶區分開來，通過把營銷成本花在最該花的旅客上，使得成本達到效率最大化，降低運營成本。

B2C電子商務。通過對不同群體的客戶進行分析，可以使電子商務運營商明確不同客戶需求，使得運營策略得到最優的規劃；還可以發現潛在客戶，進一步擴大商業規模。相比傳統商務模式，電子商務由于由商務網站運行，可以提供大量的購物客戶的信息，使得電子商務更合適進行客戶的分級。

3.顧客分級的研究現狀

目前的顧客分級方法主要使用單一維度分類、多個因素聚類以及RFM模型等方法。單一維度分類就是按照某種維度，比如消費累計額度的多少對顧客進行分級，額度越高級別越高。這種方法在零售行業的應用較為廣泛。多個因素聚類是一種對具有共同趨勢和模式的數據元組進行分組的方法，各類之間的相似程度很??；而在類的內部，數據相似程度很大。比如在銀行的信用卡客戶分類上，可根據開卡客戶的存款余額、持卡時間、信用歷史、消費種類等信息對客戶進行聚類，后續通過決策樹、判別分析等方法對新客戶進行預測性分類。RFM模型是通過三項變量，即最近消費時間間隔 （Recency）、消費頻率（Frequency）、消費金額（Monetary）來細分客戶，形成顧客評級指標。目前在航空業、電子商務等方面的應用較廣。

綜上所述，顧客分級是企業圍繞顧客需求，有效配置營銷資源的手段；且在應用和研究方面的發展都較為成熟。目前的中國成品油零售的顧客分級方法仍停留在單一維度的指標方面，雖然操作簡單，但是在顧客的立體化描述、需求刻畫等方面的準確性較差。有必要應用新的數據和方法對中國成品油零售的顧客分級進行新的探索研究。

二 、模型設計和基本方法

傳統的顧客分類模式主要是根據整體的匯總數據，根據不同維度來進行分類，大多使用的是基本的統計分布計算方法。隨著信息技術的完善，目前顧客分類模式有所改變，其改善方式以數據挖掘及數據分析為主，常用的數據挖掘技術包括關聯分析、序列分析、分類分析、聚類分析、預測、孤立點分析等，同時也對用于模型運行所需的數據量提出了新的要求。在成品油零售行業，根據單一維度進行顧客分類已經較為普遍，但是在數據的使用和方法上仍然較為傳統。本文在數據和方法上進行了發展和改善，并進行了探索性的實證研究。

1.數據來源及清洗方法

本文使用的數據主要來自顧客消費過程中由設備自動記錄的數據，包括顧客在加油站發生的充值、消費行為數據。主要包括充值額度、充值時間、充值低點、消費額度、消費時間、消費地點、消費類別等數據指標，時間范圍是2010年1月1日-2014年10月30日。

為了保證分級的數據質量，需要對數據進行篩選和清洗。根據數據特點，本文作者使用相關的方法進行了處理。主要包括三點：一是充值和消費數據都存在分布不平均得問題，因此難以兼顧等額與等量分割，為解決此問題，模型主要使用一般聚類方法。二是數據中異常值大且多，數據統計及散點圖顯示，數據樣本中異常值大量且廣泛的分布在數軸的右側，很難自動歸為一類；為解決此問題，可以考慮用分位數對極值加以限制，排除異常值后再進行聚類。三是數據量大，一般來說某個省連每年的消費記錄在300萬條以上，樣本量約50萬，在沒有大型計算機的情況下應選擇較為簡單的算法。

2.基本思路

第一步：從五個維度判斷顧客價值

（1）消費總額：顧客實際購買總額越高，對企業的價值越大。（2）充值總額：顧客提前儲存的價值，是顧客品牌忠誠的體現；充值總額越高的顧客黏性越大，潛在價值越大。（3）消費次數：意味著顧客的行為忠誠，消費次數高的顧客有可能每次加油都在本公司；他們心理上忠誠于中石油的品牌，更有可能推薦顧客，為企業創造價值。（4）充值次數：顧客在行為上信任該品牌；（5）消費類別：購買高利潤油品的顧客對企業的價值更大。

第二步：以消費和充值為指標的雙變量顧客分級方法

可從五個指標中選擇消費總額和充值總額作為顧客分級的基本指標，將消費類別作為區分指標進一步細分顧客群體（以利營銷）。主要考慮有二：一是消費次數與消費總額、充值次數與充值總額高度相關，可合并考慮；二是消費次數雖然能夠體現顧客忠誠（心理上的），但準確判斷顧客是否因為自身忠誠進而向其他顧客推薦等，實際操作難度較大，暫不考慮。這種分類可以同時評價兩個維度的顧客價值：一是實際消費中貢獻的價值（顯性價值）；二是由于忠誠而產生的價值（隱性價值），即某時期內該顧客充值總額度非常高。按照這一思路，至少應分離出四類顧客，即兩個維度的排列組合：消費低+充值少、消費低+充值多、消費高+充值少、消費高+充值高。

第三步：以汽油、柴油、非油毛利及沉淀資金利息等進一步細分級別

顧客價值主要體現在其消費和充值行為對企業的利潤貢獻，因此汽油、柴油、非油、沉淀資金等給企業帶來的利潤差異是決定顧客分級的主要標準。因此，在分檔的基礎上，再考慮這些差異（或者給以系數，以利綜合測算）；或者給以某種級別以利有針對性的營銷。對高檔次的顧客，這種級別遞增的分級方式有助于針對性營銷，鼓勵顧客進入高級別序列。

3.模型優化

一般來說，傳統顧客分類主要使用的是分類分析方法，可以簡單地概括為“先定類別，再分類”。即通過分析具有類別的樣本的特點，得到決定樣本屬于各種類別的規則或方法，利用這些規則和方法對未知類別的樣本分類時應該具有一定的準確度。

在成品油顧客分類時，利用分類技術，可以根據顧客的消費水平和基本特征分類。對于大數據基礎上的顧客分類，主要使用的是聚類分析方法，即“先分類，再定類別”。即根據物以類聚的原理，將本身沒有類別的樣本聚集成不同的組，并對每一個這樣的組進行描述的過程，其主要依據是聚到同一個組中的樣本應該彼此相似，而屬于不同組的樣本應該足夠不相似。

根據前文所述的數據特點以及分析思路，本研究構建的分析模型如下：一是直接進行單變量聚類，其目的是通過聚類對顧客消費行為單個屬性進行分析，研究變量在多維度聚類中是否可用。二是在初步聚類的基礎上，嘗試90%-99%的不同分位數控制聚類，目的是選擇合適的分位數，既能夠排除異常值又能夠保證整體聚類的準確性。三是選擇合適的變量完成多維度聚類，并在聚類結果的基礎上根據營銷業務需求確定顧客分級情況。

三、實證分析

基于以上分析，研究人員提取了某省個人記名卡數據（消費記錄約1500萬條，記名卡數量約75萬），建立了四年數據基礎上的訓練集，通過SAS統計聚類模型進行了實證研究。

1.單一指標聚類模型

采用“分位數控制極值-快速聚類”的方法 構建單變量維度分級模型，使用消費總額、充值總額、消費次數、充值次數、消費品類（購買量）分別構建了五個模型，按照4級分類。

模型運算過程中，嘗試了90%-99%分位數下的聚類方式，發現90%分位數可以更加顯著地對目標客戶群體進行聚類，在此情況下對客戶的分級更為清晰，特征更為明顯。以單變量對顧客初步聚類分析結果，可以從不同角度探究客戶的整體數量上的分布結構。

從變量指標的由低到高來看，在所選取的樣本中，位于最低水平的客戶數量大約在46萬左右，占比大約65%；其次數量大約在16萬左右，占比大約20%；再往上數量大約在6萬左右，占比大約10%；再往上客戶數量大約在2.3萬左右，占比大約5%；水平最高但水平分布較分散的客戶數量大約在8萬左右，占比大約10%左右。不同指標的聚類數據量存在一定的差異，但整體上都符合這一比例。具體維度上的顧客分類的均值如下表所示。

2.多變量聚類模型

按照前文所述研究思路，多變量聚類模型分為兩步完成。

首先采用與單變量聚類模型同樣的方法，綜合消費總額和充值總額兩個指標完成模型構建（次數選擇95%分位數進行控制）。聚類組合是兩個維度排列組合產生的結果，模型運行產生四檔顧客：充值低+消費低、充值較低+消費較高、充值高+消費高、充值較高+消費較低。

再進一步聚類，可細分至汽油、柴油（亦可以測算非油）顧客。對已經形成的四類樣本加入消費類別變量后再聚類，返現有必要對第一類顧客進一步分類，主要理由有：一是第一類顧客占比較高，達到全部樣本的80%，有必要根據顧客行為習慣進一步劃分；二是發現第一類顧客在行為習慣方面存在明顯的差異， 以非油消費為主的顧客汽油消費占比偏高，不同于其他三類。

最后，給定“汽油、柴油、非油毛利率、沉淀資金利率”等財務指標，汽油和非油毛利率高于柴油，在相同消費情況下汽油和非油消費者對公司的價值相對較高；消費行為能夠實際轉化為公司的利潤，實現顧客價值，而充值行為只能產生沉淀資金，通過資金利率實現利潤，在相同情況下消費多的顧客對公司價值相對較高。因此，將第一大類中柴油消費占比較高的1.3單獨列為一類，得到5級分類結果，具體特征描述如下表：

3.營銷參考

模型運行結論在具體營銷過程中，需要根據實際情況測算具體的優惠或者回饋力度。本文使用5級李克特量進行大體描述，1表示最低，5表示最高。具體的分級參考見表4，其中普通級顧客占比約為25%，對其消費和充值不做標準限值，只要使用本公司加油卡即可納入顧客管理范疇；次中級顧客數量占比約60%，消費額標準為1500元（考慮到實際營銷中一般以500元的倍數區分檔次，這里同樣使用500元的倍數），充值額標準為2000元；中級顧客數量占比約為1%，消費額標準為7000元，充值額標準為15000元；次高級顧客消費額和充值額標準約為10000元和12000元；高級顧客消費額和充值額標準為20000元和25000元。

如上分級后，至少可以作如下營銷方面考慮：普通級顧客消費額及充值額均偏小，維護營銷必要性不強。次中級顧客占比最多，是主要營銷顧客群體，不但優惠力度要高于普通級顧客，策略上還應鼓勵其多充值以增加顧客黏性。中級顧客占比最少，這一級設置的主要目的是增大對次中級顧客的吸引力，故優惠力度應有較大幅度跨越（顧客數少，總成本不高）；針對這一級顧客消費低、充值多的特點，策略上應鼓勵其增加消費。中高級顧客忠誠度較高，應適當提高優惠力度，策略以持續維護為主。

四 、應用前景

本文所述模型屬于靜態模型，使用過去實際發生的顧客行為數據測算訓練集，根據聚類結果形成顧客分級的建議標準。此模型的優點有：一是能夠根據已有數據信息，給出明確的分級分檔建議，有助于公司制定政策、員工營銷講解、顧客熟知了解。二是對成品油零售中的顧客消費行為指標選擇進行了篩選，突破了單一維度分類分級的局限性。

靜態模型的缺點在于，隨著時間的變化顧客行為會有所變化，無法根據顧客行為變化指標實現動態監測和及時營銷。因此，如果能夠利用加油站的信息系統，在現有靜態模型的基礎上引入RFM動態化指標（消費或者充值時間間隔 Recency、消費或者充值頻率Frequency、消費或者充值金額Monetary），則能夠更好地實現對加油站零售顧客的針對性維護和營銷。

參考文獻：

[1][美]科特勒，凱勒著.梅清豪譯.營銷管理（第12版）[M].上海：上海人民出版社，2006.

[2]邵焱，譚恒.劉玉芳.現代市場營銷學[M].北京：清華大學出版社，2007.

[3]劉浩熙.數據挖掘在客戶關系管理綜合決策中的應用[D].北京郵電大學碩士論文，2008.

[4]于亞飛，周愛武.K-Means 聚類算法的研究[J].計算機技術與發展，2011，21（2）

[5]王永貴等.基于顧客權益的價值導向型顧客關系管理——理論框架與實證分析[J].管理科學學報，2005，12（8）：27-36.

[6]劉義，萬迪，張鵬.基于購買行為的客戶細分方法比較研究[J].管理科學，2003，16（1）：69-71.