快速提高营销回报的客户细分方法
客户世界|王明潭|2009-09-17
客户细分，英文 “segmentation” 是营销人员一直在做的工作，客户细分是营销永恒的主题。一方面，由于营销资源的有限，我们不可能对所有的客户投入同样的营销资源，另一方面，当今的消费者的消费行为越来越个性化，有不同的偏好好，营销者必须迎合客户的个性化需求。我们的问题是：是不是客户分得越细越好，是不是1对1营销是精准营销追求的最高境地哪？
其实1对1营销并不是数据库营销的新概念，最典型的1对1营销其实就是传统营销培训介绍的大客户营销：每一个大客户都有专门的客户经理跟进。这是成本最高的营销方式。对拥有大量客户的公司来讲，这是不切合实际的。另一个极端就是大众营销，对大众性的产品，如可乐，就是最好的营销方式。
但是对绝大多数的企业是介于两者之间的。对这些企业，随着客户群的逐步细分，营销的回报会逐步提高，但是过度的细分必然导致单一客户的营销成本迅速增加而降低营销回报。因此在理论上讲，针对一定的市场环境，特定的业务和产品，一定有一个最适当的客户细分的程度，在这个点上，营销回报是最高的。在中国，绝大多数企业还处于粗放营销的阶段，科学合理的客户细分，可以不断地提高营销回报。本课程主要从这个角度来介绍客户的细分。
但是如何进行客户细分？如何在客户细分的基础上，开展更加个性化的营销，是所有营销人员最关心的实务。
传统的客户细分的方法主要来自于经验，和市场调研，客户细分的方式比较感性和直接，客户群的界定比较模糊，如老年人，青年人，时尚人群，高收入人群等。这种客户细分比较适合同样读者或观众比较模糊的传统媒体。传统的细分策略的隐藏着这样的弊病：比如喜欢旅游的人群，和不喜欢旅游的人群在消费的行为上差异最大，过去购买多的人将来会购买更多的产品。但是事实上可能是结婚和单身的消费行为差异可能是最大的，而购买频率最高的人将来更可能购买更多的产品。
计算机技术，数据库技术和网络技术发展，使我们可以将客户的信息和消费行为记录下来，我们可以通过电子和网络的渠道与客户互动，这为我们开展更精准的数据库营销奠定了技术基础。同时也为数据库营销也对客户细分的方法和技术提出了更高的要求，反过来数据库营销技术也为客户细分赋予了新的含义，追求更高的营销回报成为可能。
基于数据库营销的客户细分的意义
数据库营销的客户细分技术可以大大地提高电子邮件营销、直邮、电话营销和网络营销，及其整合营销的反馈率和销售转化率，还可以改进传统营销的客户细分方式。
数据库营销的客户细分技术更高级应用在于，为客户，渠道和产品的匹配提供的可能。所谓客户，渠道和产品的匹配就是不同的细分客户群，提供不同的产品，通过不同的渠道（如电话、电子邮件等、营业厅）开展营销和服务。
基于数据库营销的五大客户细分方法
1） 基于人口的细分
2） 基于消费行为的细分（FRM方法）
3） 基于客户价值的细分
4） 基于数据挖掘的细分
1) 基于人口的细分
这种细分方式是比较容易理解的，其实也是传统细分方法。目前绝大多数的企业开展数据库营销还停留在这个阶段。可能因为企业的客户数据库，或者外购的数据库只有这些信息，也可能，这样更简单。
基于人口细分可以选择很多指标
对于B2C的行业，主要的细分指标包括：
? 人口统计细分：年龄，性别，阶层，婚姻，子女数据等
? 社会经济学细分： 职业，收入，资产等
? 地理细分：城市，街道，小区等
? 消费行为细分：消费，购买渠道，品牌忠诚度等
? 心理与性格细分：态度，兴趣和看法等
? 生活方式细分：时尚青年，工作狂，小资等
对于B2B的工业品行业，可能包括一下的细分指标：
? 行业
? 所在区域
? 雇员人数
? 营业额
? 分之机构
? 企业性质和国别
? 联系方式
? 关键联系人（职务、部门，联系方式）
有了基于人口的客户细分，就可以针对不同的人群开展个性化的营销，比如对男性的反馈激励采用剃须刀，对女性的反馈激励采用赠送瑜伽卡。对高收入人群促销高价值房型，对低收入人群推广低价格房型，对不同的客户群采用不同的话术等。
通过测试和不断改进，反馈率和销售转化率一定会大大超过群发。
2) 基于消费行为的细分（FRM方法）
当客户已经在你们公司产生了消费行为，并且你记录了他们的消费行为，如购买时间，产品和金额，可以想象，这些信息里一定蕴含着消费者未来的消费行为预测信息以及对营销活动反馈的规律。理论上讲，我们可以通过数据挖掘来获得里面的规律，并预测这些客户的行为，但是数据挖掘是对人员，技术，工具，时间要求很高的数据处理过程，投入的成本也很高。对很多公司来讲，不大可行，也没有必要。
有没有更简单可行的方式，可以帮助我们获得主要的规律，来提高未来的营销活动的效果哪？答案是有。这个方法就是RFM，欧美等发达国家使用多年，行之有效，投资回报非常高。
我们先用我们的经验来理解一下基于消费行为的细分方法基本思路。如果老板要你列出头大客户清单，那些客户最有可能在未来的一年里在你们公司购买最多产品，这样我们可以把有限的销售人员集中在这些客户身上。一个最简单（虽然可能不准确，但总比没有好）就是把过去一年所有客户的购买总额排个序，取出销售总和占整个年销售额20%的排在前面的客户。这些客户就是你的大客户。这就是最简单的RFM客户细分的方法：按照销售额的细分（MONEY），你也可以把销售按照10等分，3等分等，时间跨度可以一年，一个季度，三年都可以，销售额可以用其他的指标，如网站的发帖量，积分数量等。图1是按照销售额客户分组的处理。
研究表明,客户的购买频率（Frequently）也与未来的消费行为有密切的关系，同样地，上次购买时间( Recently)与现在的时间间隔也与未来的活动反馈有密切的关系。数据处理的方式是一样的，这里不再展开。
这样我们就可以分别按照过去某一时段的消费金额，购买频率和间隔时间给客户分组，通过测试会发现，那个组对某个直复营销营销活动（比如直邮，电话销售）的反馈率，或转化率最高，正式执行活动专门挑选出高反馈的组。大家注意，多数产品或环境下，销售额越大，购买频率最高，或者购买时间越近的，反馈越高，但很多时候不是这样。
再进一步，把三个维度综合在一起，我们就给客户分成了5x5x5=125个立体的单元（加入都是5等分），每个单元进行编号，如532，就是R的第5组，F的第3组，M的第2组。
在开展一个营销活动前对所有的单元进行测试，并计算某个单元组的营销投资回报, 如盈亏投资回报指数，指数越高效果越好，负数就是亏损的活动，示意图4所示。从分析图可以看出，我们只针对555单元的客户群开展活动，其营销回报一定是非常客观的。
这些方法每一个营销人员只需要简单的培训，就可以进行RFM分析和分组，但是带来的营销费用的节省和投资回报的增加是惊人的。如果经常做同样的分析，可以通过专业人员编程设计工具，需要的话，我们也可以帮助大家设计工具，这样每次分组和分析时可以节省大量的时间。
上面只是对RFM方法原理的分析方法介绍，在实际的工作中，可以根据企业，产品和预算的情况灵活的发挥和延伸。举一个案例，看看他们是如何RFM方法提高销售业绩的：
案例分析：用RFM保持有价值客户
全胜公司是一家小型化工原料贸易企业，年销售额4000多万元，最有核心竞争力的产品是食品添加剂，如柠檬酸等，顶端客户是几家国际知名大型的饮料制造企业在当地的工厂，由高层管理人员亲自跟进，客户关系维护得很好，能稳定地占有较理想的客户份额。但是该公司还经营其他多条化工原料产品线，其他非顶端客户近1000家，来自不同的行业，采购规模和习惯各不相同，要集中有限的企业资源、保持高价值客户的忠诚度、防范高价值客户流失真不是一件容易的事情。利用RFM分析模型，则可有效地改进这方面的工作。
1)步骤一：分别计算出过去12个月已成交客户贡献的总采购金额，可以利用公式计算：
M×F= TM（Totle Monetary Value，总采购金额）
*M=过去12个月内的平均采购金额
*F=过去12个月内的采购次数
总采购金额也可以通过其他统计途径（例如从进销存软件或销售自动化SFA软件）获得。计算出各个客户的总采购金额后，可以利用EXCEL将客户名单按总采购金额进行降序排列，把1000家客户中最前面的1%约10家客户定义为顶端客户，把其次的4%约40家客户定义为高端客户，把再次的15%约150家客户定义为中端客户，其余的800家客户归入低端客户。
下表是降序排列后第11名起的几家客户的情况，它们是40家高端客户的一部分：
2)步骤二，把客户关系保持的重点首先放在前高端及中端用户那里，因为顶端客户的忠诚度高、客户份额高，再额外花精力的话边际效益不明显；低端客户数量多、贡献小，暂时没有太多精力照料。对于高端和中端的约190家客户，分别计算出它们过去12个月每次购买到下次购买的平均周期，公式为：
365天&Pide;F= P
*F=过去12个月的采购次数
*P=Period平均采购周期
分别计算出这190家客户最近一次购买日期D到今天的天数：
Today – D= R
*D=Date最近购买日期
*R=停止采购天数
将P（Period平均采购周期）、D（Date最近购买日期）和R（停止采购天数）依次填写到步骤一制作的客户列表中，并利用EXCEL的公式计算出两者的差△：
P-R=△
*Today今天=2004-11-27
*
统计周期=过去365天
从图4中可以看到：
△>0，停止采购的天数小于平均采购周期的有甲、戊、庚三个公司；客户流失安全警戒线范围
△=0，停止采购的天数等于平均采购周期的有丁公司；
△<0，停止采购的天数大于平均采购周期的有乙、丙、己三个公司。乙、丙、己三个公司需要立即引起关注
因为它们已经有些日子没有按照过去的行为习惯继续采购了。进一步观察，我们发现乙公司仅仅超过其平均采购周期4天，相对于46天的平均采购周期来说仍然属于正常的波动范围，不必过于焦虑，当前可以把它与丁公司同等对待，稍加留意其近期动向即可。而丙、己两个公司不仅超过了其平均采购周期，而且超过的天数（26天和22天）比平均采购周期（17天）还大一倍以上。这说明这两个客户流失的风险比较大，需要重点关注。统计员发现此类情况后，应立即指派工作任务给负责维护丙、己公司关系的销售代表，让销售代表采取必要的方式了解客户暂停购买的原因。
客户暂停购买的原因可能是客户本身遭受困难无力采购，也可能是客户调整产业方向，也可能是由于某些事件导致满意度下降而被竞争对手乘虚而入，也可能是正常的淡旺季波动。销售代表进行调查、跟进后，判断原因并向公司提出合理化建议，以规避财务风险、尽量扩大客户生命周期价值。假如原因是客户遭受到了暂时性的困难，则可在控制应收款风险的基础上，适当调整策略协助客户度过难关，当客户业务重上正轨后，必然投桃报李，更加忠诚；假如原因是客户调整业务方向，对某种特定的原料采购下降，则要研究本公司的产品线中，有哪些适用于客户新的发展方向，有针对性地推荐适销对路产品，延长客户的生命周期；假如是由于某些事件处理不当造成客户满意度下降，则要设法向客户解释、弥补，并采取有力措施避免重犯，尽量挽回影响；假如是正常的淡旺季波动，则要了解清楚客户下次购买的大体时间，并预先制定销售工作计划，到未来恰当的时间提醒销售代表跟进。
三、RFM分析模型小结
RFM分析模型不是万能的，它也有其弊端。例如对M平均采购金额，以及基于F×M计算出来的TM总采购金额，还没有减去产品成本、一对一的销售、服务和营销费用、应予以分摊的某些管理费用，因此TM总采购金额还不是更为精确的客户当期净价值（NPV, Net Present Value）。如果能以可操作的方式实现对客户生命周期价值的预测，则目前依据M的客户排名将更科学，从而尽量减少遗漏重点客户的风险。
简便地得到客户价值较高、流失风险较大的客户记录列表，并针对列表的客户记录直接建立和分派跟进任务，将有价值客户的流失消灭在萌芽状态，甚至做到防患于未然。
以上的案例分析，其实已经把FRM的方法创造性地应用到了客户预警与客户挽留了。
如果我们觉得FRM的细分还不够，那就要引入数据挖掘工具了，数据挖掘可以发现RFM无法获取的特殊的客户群，这些客户群有特殊的消费行为。并对我们原来的客户细分方式进行改进。由于篇幅的关系，我们在下一讲介绍。
责编：admin
转载请注明来源：快速提高营销回报的客户细分方法
客户世界
这家伙很懒，什么都没写！
噢！评论已关闭。