企业视角的顾客价值度量与细分——基于顾客未来货币价值与非货币价值的实证研究

董晓舟 陈信康，2

(上海财经大学1．国际工商管理学院 2.现代服务经济研究院，上海 200433)

企业视角的顾客价值度量与细分
——基于顾客未来货币价值与非货币价值的实证研究

董晓舟1陈信康1，2

(上海财经大学1．国际工商管理学院 2.现代服务经济研究院，上海 200433)

首先在文献研究的基础上，提出通过随机概率模型来计算顾客的货币价值以及活跃概率，从而求出顾客未来货币价值的方法，同时利用顾客角色外行为对顾客的非货币价值进行测量。然后利用350名网络购物顾客的问卷调查数据证实网络顾客忠诚可以显著影响顾客的未来货币价值与非货币价值(顾客角色外行为)，以及网络顾客忠诚可以使顾客价值类别发生迁移。最后，提出一套同时基于顾客未来货币价值以及非货币价值的顾客价值类别细分策略，并且对每个顾客类别组进行了详细的营销策略阐述。

顾客价值；顾客未来货币价值；顾客角色外行为；网络购物

一、引言

CNIT-Research公司发布的数据显示，2014年中国网络购物市场的用户规模达到3.3亿。但是，网购顾客数量的增长率却开始显著下降，表明中国的网络购物已经逐渐从成长期跨入成熟期。与此相适应，电商企业与学者对网络购物的关注点也开始从如何获取顾客转移到如何维系与提升顾客价值。Kotler(2000)认为，在进行顾客价值与关系管理时，应该把重心放在如何识别以及如何与最有价值的顾客建立长期稳定的利益关系。而基于企业视角的网络购物顾客价值研究的焦点集中在顾客价值的识别、分类以及提升三方面，其中，顾客价值的识别与分类是基础与前提，在这两方面开展的工作将直接影响顾客价值提升的效果。因此，本研究将重点考察顾客价值的识别与分类。Stahl et al.(2003)指出，顾客对企业的价值除了购买商品与服务之外，还包括知识价值以及社会网络价值。企业视角的顾客价值可以被进一步分为货币性价值与非货币性价值。因此，在现有研究的基础上，本文将顾客角色外行为作为顾客的非货币价值，并且视其为顾客价值细分的一个重要维度。此外，在顾客货币价值的计量方面，本文首先通过随机概率模型来计算顾客的货币价值以及活跃概率，从而求出顾客未来货币价值的方法，同时利用顾客角色外行为来对顾客的非货币价值进行测量。随后，采用顾客价值中的未来货币价值与非货币价值(顾客角色外行为)对顾客进行分类，将顾客分成4种价值类别，并且针对不同价值类别的顾客提出相应的差异化营销策略。

本文的理论贡献在于：(1)对于顾客货币价值的计量，已有文献大多采用货币历史值或是期望值(Schmittlein et al.，1987；Fader et al.，2005a；王高 等，2007；马宝龙 等，2011；董晓舟，2015)进行，而本文利用活跃度与货币价值期望值的乘积计量顾客未来货币价值，这一做法可以使得顾客货币价值的计量保持稳健性，同时获得向前看的性质，从而更具预测能力。另外，本文还通过实证研究证实网络顾客忠诚可以对顾客未来货币价值产生显著的正向影响。(2)虽然有文献独立地研究了顾客忠诚与顾客货币价值(董晓舟，2015)、顾客非货币价值(Bove et al.，2009)间的关系，但本文更是从一个整合的视角完整地分析了顾客忠诚与货币、非货币价值间的复杂关系；(3)对于顾客价值细分，以往文献主要从顾客的货币价值维度来开展研究(Reinartz et al.，2000)，但是这种细分结果不仅缺乏预测性，而且还会遗漏一些经济价值以外的但对于企业长期发展具有重大意义的因素。因此，本文同时从顾客的未来货币价值与非货币价值(顾客角色外行为)入手，提出了一个两维度的顾客价值细分模型，这是对现有理论的完善。

二、相关理论与假设提出

(一)顾客角色外行为与顾客非货币价值

角色外行为概念最初由 Katz(1964)提出，随后Organ(1988)将其运用于研究组织成员超越其明确角色要求的利他行为。Gruen(1995)、Groth(2005)则基于组织角色行为理论，根据“顾客角色职责”将顾客的行为分为大两类：顾客角色内行为和顾客角色外行为。其中，顾客角色内行为是指顾客作为“产品与服务的购买者”这一角色所需履行与实施的行为。而顾客角色外行为主要是指产品与服务的生产、传递与获得过程中那些非必需的、独立于顾客购买与消费行为之外的行为。顾客角色外行为是一种顾客自发性的、企业没有明确要求顾客履行的自愿行为，但是其却有助于企业绩效的提升。顾客角色外行为主要包括口碑宣传、参与企业活动、帮助其他顾客等。Stahl et al.(2003)指出，顾客对企业的价值除了购买行为之外，还包括知识价值以及社会网络价值。知识价值是指顾客通过建议、参与活动(知识共创)等角色外行为帮助企业更好地理解顾客需求、竞争状况等知识。而社会网络价值则是指顾客通过传播正向口碑等支持行为给企业带来新顾客。张国军等(2006)认为，顾客角色外行为主要可以为企业产生非货币价值(顾客知识、支持、口碑等)。此外，顾客公民行为则是对于顾客角色外行为的一种扩展，其与顾客角色外行为的区别集中于相关概念维度的测量。顾客角色外行为的测量方式主要有如下几种： Bettencourt(1997)的三维度模型，顾客忠诚、顾客参与、顾客合作； Groth(2005)的三维度模型，顾客推荐、顾客协助、顾客知识共享； Rosenbaum et al.(2007)的五维度模型，顾客忠诚、顾客参与、顾客协作、顾客移情、关爱与责任； Bove et al.(2009)的八维度模型，正面口碑、亲密关系、参与企业活动、友善行为、灵活性、提供建议、顾客声音、顾客政策。通过比较，我们可以得知，顾客公民行为的测量与Ahearne et al.(2005)提出的顾客角色外行为测量之间最大的区别为顾客忠诚，顾客公民行为在很大程度上包含了顾客角色外行为。顾客公民行为与顾客角色外行为的另一个较大区别在于两者为企业所带来的绩效结果有所不同，顾客角色外行为主要为企业带来非货币价值，而顾客公民行为除可以产生非货币价值以外，其中的顾客忠诚还可以直接为企业带来货币价值(重复购买产品与服务)。由于企业可以通过顾客忠诚产生货币价值，这使得顾客忠诚与顾客货币价值间存在较强的相关性，从而使得顾客公民行为(顾客角色外行为+顾客忠诚)与顾客货币价值间也存在较大的相关性。本文希望从一个新视角，即同时利用顾客的非货币价值与货币价值来对顾客进行分类，因此，为了保证分类维度间的独立性，我们决定采用顾客角色外行为而非顾客公民行为作为顾客分类的第一个维度。同时，顾客公民行为中的顾客忠诚与顾客角色外行为间也具有很强的相关性。高忠诚度的顾客对于企业具有更强烈的正面情感、关系承诺以及依恋，其更可能将企业作为自我的一种延伸，视企业利益为自身利益，从而产生自发性的顾客角色外行为。Bove et al.(2009)通过实证研究也验证了顾客忠诚是顾客角色外行为的主要前因变量。由此可见，顾客角色外行为的形成与产生以顾客忠诚为基础，利用顾客角色外行为作为顾客分类维度这一方法背后其实也隐含了顾客忠诚的作用。综上所述，本文提出：

H1：网络顾客忠诚对顾客非货币价值具有正向的影响。

(二)顾客未来货币价值

从企业视角出发的顾客货币价值管理研究将顾客视作企业的一种资产，侧重考察不同类型的顾客给企业带来的经济价值，这种顾客货币价值是构筑顾客终生价值(Customer Lifetime Value)与顾客资产(Customer Equity)的基础。Kotler(2000)认为，在进行顾客价值与关系管理时，应该把重点放在如何识别以及如何与最有价值的顾客建立长期稳定的利益关系。因此，企业首先需要考虑如何识别与测量顾客的货币价值，接着应知道哪些因素会影响顾客货币价值。传统的顾客关系管理(CRM)以及顾客资产管理(CEM)中的顾客分类方法主要采用顾客价值或是顾客终身价值(Reinartz et al.，2000；Fader et al.，2005b；Kumar et al.，2008；Netzer et al.，2008；Romero et al.，2013)。这些传统的分类方法具有如下不足：首先，大都是基于顾客货币价值的历史值对顾客进行分类，而企业可能更关心顾客的将来价值。其次，只考虑在单位时间内的顾客价值，而没有充分考虑到顾客的流失概率问题。比如两个顾客，在一个月内A顾客购买10次，每次花费100元，最近一次购买是3天前；B顾客购买2次，每次花费500元，最近一次购买是20天前。这两个顾客在一个月内具有相同的顾客价值历史值，但是如果充分考虑他们的购买次数与最近一次购买时间的话，可以得知他们两个的维系率(流失率)是完全不同的，这就使得他们在接下来一个月内的顾客未来价值(顾客未来价值=顾客价值的期望值×顾客维系概率)发生了很大的差异。最后，顾客终身价值(CLV)虽然是一个不错的分类标准，但是在实际运用中难度过大。特别是对于顾客维系率的处理，如果将顾客维系率看作常数，虽可使CLV的计算变得简单，但是这种方式计算出的CLV是静态的，无法反映市场、顾客、企业营销策略给维系率带来的动态性变化。因此，这种做法显然不合理。有些研究(Netzer et al.，2008；Romero et al.，2013)认为，维系率是动态变化的，可以将其假设成服从马尔科夫过程(即这一期的维系概率只取决于上一期的维系概率)，再通过隐马尔科夫模型(假设模型中同时存在两个随机过程，一个是描述顾客的购买行为数据与顾客状态间的一般随机过程，另一个是t期的顾客状态与t+1期的顾客状态间的隐含马尔科夫过程)去捕捉顾客的交易历史数据，计算出转移概率从而估计出维系率的变化过程，这样就可以动态地计算顾客终身价值。不过这种方法虽然可以比较好地描述CLV计算中的动态性，但是隐马尔科夫模型的建立及其参数估计是十分抽象与复杂的，在估计参数时需要使用MCMC(马尔科夫链-蒙特卡洛)这类的高级统计方法，因此很多学者以及企业管理人员均无法掌握。

基于企业视角的顾客价值测量与识别较常使用的一种方法是Hughes(1994)提出的RFM顾客价值分析模型。此模型利用三个指标，即最后一次购买至今的时间(R)、单位时间内的购物次数(F)和单笔交易的金额(M)来判断与识别顾客价值。但在使用RFM模型时，如果R、F、M三个指标直接使用历史数据，那么据此计算出的顾客价值一般不具有很好的预测性，也无法对顾客的活跃程度进行观察与判别。因此，相关研究通常先利用随机概率模型分别对F与M的期望值进行计算，并求出顾客的活跃概率(Schmittlein et al.，1987；Colombo et al.，1999；Fader et al.，2005a；王高 等，2007；马宝龙 等，2011；董晓舟，2015)。这种做法主要有三点好处：一是，相比历史值，期望值具有更好的预测性；二是，期望值可以减少某些极端值的影响；三是，可以计算出顾客的活跃概率，从而对其是否流失进行判别。当我们得到顾客购物次数以及购物金额的期望值后，就可以将两者相乘从而获得顾客价值的期望值(Schmittlein et al.，1987)。但是，此时计算出的顾客价值期望值是假设不存在顾客流失的，因此，可以通过将顾客价值的期望值乘以顾客活跃概率，从而获得一个反映顾客流失概率后的数值。在这里我们提出一种基于顾客未来价值的分类方法，即先利用NBD模型(Ehrenberg，1959)、指数模型(Colombo et al.，1999)来计算顾客购买次数的期望值与活跃概率(维系率)，然后用Gamma-Gamma模型(Colombo et al.，1999)计算顾客的消费金额期望值。NBD与Gamma-Gamma模型都是比较简洁的随机概率模型，可以利用极大似然估计或规划求解(利用Excel就可以完成参数的估计)来估计相应参数。在此基础上，就可以得到顾客未来货币价值=顾客消费金额期望值×顾客购买次数期望值×顾客活跃概率，由于计算未来货币价值时使用的是消费金额期望值以及购买次数期望值，因此能够烫平历史异常值。我们可以基于这个顾客未来货币价值进行顾客分类，从而制定具有向前看特征的顾客资产战略。如果观察时间窗为6个月，那么只要每6个月对这个过程计算一次，就可以更新顾客未来价值，确保分类标准的动态性。本文提出的顾客未来货币价值的计算方式同时整合了R(Recency)、F(Frequency)、M(Monetary)三种信息，并使其具备向前看的特性。具体信息如图1所示。综上所述，我们采用顾客未来价值来作为顾客分类的第二个维度。

图1 顾客未来货币价值的计算方式

企业应该在顾客分类与选择的基础上，对顾客进行投资从而最大化回报(Rust et al.，2001)。至今为止，对于顾客的分类，单维度分类法主要是基于顾客的货币价值，而双维度分类法则主要基于顾客价值(CLV)以及顾客维系时间(Reinartz et al.，2000)。但是，顾客价值与顾客维系时间之间存在比较大的相关性，这也使得两个分类维度之间的正交独立性易受质疑。所以，对于顾客分类完全可以同时考虑顾客的货币价值与非货币价值。顾客角色外行为可以很好地反映顾客未来可能给企业带来的价值，因此其本身也是一种顾客未来价值(非货币形式)的表现形式。未来货币价值则是采用顾客购买频次、购买金额以及最后一次购买至今这三种数据计算出的顾客未来价值。顾客货币价值与非货币价值均受顾客忠诚所驱动，但是两者间又存在一定的独立性，可以从不同的视角对企业的顾客价值进行测量与反映。此外，如果证实顾客未来货币价值可以由网络顾客忠诚所驱动，那么利用顾客未来货币价值细分出的顾客类别就可以通过网络顾客忠诚来引发类别的迁移。因此，本文提出：

图2 基于顾客未来货币价值与非货币价值的细分框架

H2：网络顾客忠诚对顾客未来货币价值具有正向的影响。

进一步，本文采用顾客价值中的未来货币价值与非货币价值(顾客角色外行为)来对顾客进行分类，可以将顾客分成4种价值类别。据此，企业可以开展差异化的营销策略，有效分配资源。顾客价值分类框架如图2所示。

三、网络顾客忠诚对于顾客未来货币价值以及顾客非货币价值的实证研究

(一)样本数据描述

我们通过网络问卷的形式收集了350名网购顾客的数据，数据包括三个模块：第一个模块为网络购物行为数据，包含顾客3个月内的网络购物次数(次)、网络购物的单笔平均金额(元)、最后一次网络购物至今的时间(天)；第二个模块为网络顾客忠诚、顾客角色外行为；第三个模块为人口统计、上网以及网购习惯信息。网络问卷的发放与回收依靠专业的网络调查公司进行，我们通过如下措施来保证调查质量，并对存在问题的样本进行剔除：(1)同一IP与电脑的重复答题检测；(2)异常答题时间的检测；(3)通过题目间的逻辑检测来判断调查对象是否存在胡乱答题的现象；(4)剔除3个月内没有进行网络购物的调查样本。最后350份样本中符合要求的有303份，在删除的47份问卷中有44份是因调查对象乱答而被判为无效的，剩下3份是由于对目标网站的访问以及购物次数为0而被剔除。考虑到对于网站无访问、无购买的问卷数量还不到总体样本的1%，因此样本剔除行为不会引起严重的样本选择偏误，从而影响研究结果。通过分析可得，样本特征表现为年轻化、高学历化、中低收入为主以及有丰富的上网经验，这也与中国互联网中心发布的中国网购顾客特征相似，表明本研究样本具有一定的代表性。

(二)顾客未来货币价值的计算

首先利用NBD模型的概率密度函数，即式(1)对购买次数数据进行拟合，从而获得相关参数的估计值。

(1)

式(1)中，X表示顾客在单位时间内的购物次数，λ表示单个顾客的平均购物率，Γ()为Gamma函数，γ为形状参数，α为尺度参数。

随后，将参数以及购买次数代入式(2)，求出购买次数的数学期望值。

(2)

最后，采用Colombo et al.(1999)提出的简易方法来算出顾客流失时间的概率，再用这一概率值来近似表示顾客的活跃度。我们先假设一个顾客是活跃的，其购买频率为λi。观测到离上一次购物的时距为R的概率是e-Rλi，再假设λi服从一个Gamma分布。这样就可以得到在单位时间内购物x次的顾客，观察到距离上次购买时距为R的概率是：

(3)

γ为式(1)中的形状参数、α为式(1)中的尺度参数。式(3)计算出的是一个[0,1]之间的概率值，值越小代表顾客活跃的可能性越低，而越大则表明活跃的可能性越高。本文采用Gamma-Gamma模型的概率密度函数，即式(4)来对单次平均购买金额数据进行拟合，从而获得相关参数的估计值。

(4)

式(4)中，m为顾客的平均购物金额，μ与v为形状参数，φ为尺度参数，Γ()为Gamma函数。在此之后，将参数以及购买次数代入式(5)，并求出单次购买金额的数学期望值。

(5)

图3 顾客未来货币价值的帕累托分布图以及数据特征

(三)网络顾客忠诚以及顾客角色外行为量表的检验

针对网络顾客忠诚的测量，我们主要参照了Sirohi et al.(1998)、Chaudhuri et al.(2001)的量表，其中包含态度与行为两个层面。考虑到模型的简洁性以及为了从一个较为宏观的视角来分析顾客角色外行为、顾客未来货币价值以及网络顾客忠诚间的关系，本文用一阶因子来描述与整合网络顾客忠诚。顾客角色外行为的测量参考Ahearne et al.(2005)的量表进行设计。表1报告了网络顾客忠诚、顾客角色外行为量表的相关信息与信效度检验结果。从中可见，2个因子维度的因子负荷全部大于0.5，KMO值为0.87，Cronbach′s α全部大于0.7，表明量表具有良好的信度以及结构效度。

表1 网络顾客忠诚、顾客角色外行为量表的相关信息与检验结果

注：*表示P<0.05,**表示P<0.01，***表示P<0.001；a表示此项目的路径系数在模型中被设为1。

表2 量表的效度检验结果

表2列示了量表的效度检验结果。2个因子维度的AVE(平均方差萃取率)全部大于0.5，并且CR(复合信度)全部大于0.7，这表明量表具有较好的收敛效度。同时，2个因子维度的相关系数都小于其AVE的平方根(表2中带下划线的数字)，说明量表具有较好的区分效度。此外，量表的验证性因子分析结果表明模型对数据的拟合度情况良好(CMIN/DF为2.9、RMSEA为0.07、CFI为0.95、GFI为0.93)。

(四)假设检验

我们通过回归分析来研究网络顾客忠诚对顾客未来货币价值以及顾客非货币价值的影响。表3为相关变量的说明。

表3 相关变量说明

由于作为因变量的顾客未来货币价值不服从正态分布，因此先对顾客未来货币价值取对数纠偏。同时，考虑到样本数也不是很大，为了保证估计的可靠性，我们在分析网络顾客忠诚对于顾客未来货币价值影响时除使用OLS进行参数估计外，还利用bootstrap法来进行标准误以及显著性的再估计，放回随机抽样的次数被设定为3000次。表4报告了网络顾客忠诚对于顾客非货币价值以及顾客未来货币价值回归分析的结果。

由表4可得，网络顾客忠诚同时显著正向影响顾客未来货币价值与顾客非货币价值。企业可以通过顾客货币价值以及非货币价值来对顾客进行分类(高未来货币价值-高非货币价值、高未来货币价值-低非货币价值、低未来货币价值-高非货币价值、低未来货币价值-低非货币价值)，进而针对不同类别的顾客开展差异化管理。我们可以利用K-Mean聚类来对顾客未来货币价值与顾客角色外行为进行聚类分析，将其分成高程度类别与低程度类别，再将顾客未来货币价值的高程度类别、低程度类别与顾客角色外行为的高程度类别与低程度类别进行组合，最终形成4个完整的顾客价值类别。表5报告了基于顾客未来货币价值、非货币价值的分类结果。

表4 网络顾客忠诚对于顾客非货币价值以及顾客未来货币价值回归分析的结果

注：表中省略了控制变量。

表5 基于顾客未来货币价值、非货币价值的分类结果

由于网络顾客忠诚同时影响顾客货币价值以及顾客非货币价值，因此企业可以通过提升网络顾客忠诚从而使顾客价值类别发生迁移。为验证此假设，我们采用网络顾客忠诚配合Mlogit模型来对表5中的顾客价值类别进行预测，可得使用网络顾客忠诚对顾客价值类别的预测准确率为69%，这也证实网络顾客忠诚可以驱动顾客价值类别发生迁移。所以，网购平台企业应该努力提升网络顾客忠诚使低价值类别组(低未来货币价值或、低非货币价值)的顾客向高价值类别组迁移，并根据不同的顾客价值类别开展有针对性的营销策略。

(五)讨论：针对不同顾客价值类别的营销策略

1.高未来货币价值-高非货币价值类别组

这类顾客同时具有很高的货币价值与非货币价值，表明其与企业无论在经济层面还是情感层面都建立了极为紧密的关系。对于此类顾客，企业可以重点实施如下营销策略：(1)这类顾客具有很高的忠诚度以及经济价值,同时还拥有强大的社会网络，他们可以积极地带动周围的个体，一起为企业贡献价值。企业应努力将这类顾客培养成其粉丝，并且利用社会网络分析(Social Network Analysis)等技术从中精心挑选出一些具有丰富社会关系网络以及较高社会影响力的“顾客意见领袖”，通过设计合理有效的回报奖励机制使其成为企业代言人。Stern et al.(1988)认为，顾客意见领袖就是指那些拥有更为可信和说服力信息的个体，他们所提供的有关某一企业、品牌的产品或服务信息更容易被意见追随者所接受。特别是在电子商务情景下，借助网络通信以及微博、SNS等相关传播工具可以低成本发挥顾客意见领袖的宣传推广效果。(2)此类顾客通常具有与企业分享自身知识的强烈的内在动机，并愿意主动参与企业的价值共创活动。因此，企业要主动开展相应的知识与价值共创活动以提取这类顾客的非货币价值，这类活动除有助于企业改善自身产品与服务的设计方案、降低设计成本外，还可以进一步增加顾客的满意与忠诚(姚山季 等，2012)。(3)企业还可以通过顾客推荐程序(Customer Referral Programs)来有效地转化其顾客非货币价值。Garnefeld et al.(2013)的研究表明,参与顾客推荐程序的顾客除了可以帮助企业获得新顾客外，如能配以较大的奖励措施则其本身也可以提高参与者的态度忠诚以及行为忠诚(奖励措施小的时候，顾客推荐程序的参与只会影响行为忠诚)。高非货币价值的顾客参与此类活动的内在动机往往较高，从而可以产生更好的效果，或是降低活动的实施成本。

2.高未来货币价值-低非货币价值类别组

这类顾客虽然具有高货币价值，但是其非货币价值却很低。这表明这类顾客与企业间的关系并不紧密，而且这种关系主要建立在经济而非情感之上。对于此类顾客，企业可以重点实施如下营销策略：(1)对顾客体验需求进行再测量，并且基于这些需求进行服务、产品的改善与提升。企业需要从顾客体验入手，对企业与顾客间的各个接触点进行调查与研究。Meyer et al.(2007)认为，企业-顾客间的不同接触点的价值是不同的，企业需要去描绘与研究这些“顾客-企业接触点”构成的“长廊”，把握每个接触点处的顾客期望以及体验程度。同时，他们还指出现有的CRM数据主要描述了顾客的行为数据(交易数据与非交易数据)，而顾客体验数据则需要同时包含顾客的主观态度以及行为。因此，企业应该在现有的CRM系统与数据库的基础上进一步整合顾客的态度数据(通过问卷、访谈以及电话中心)，从而形成完整的顾客体验数据库。此外，企业基于顾客体验数据开展需求研究时，不仅要关注与改善顾客的功能性需求，还应重视顾客的情感性与社会性需求。(2)通过提供可以产生情感依恋的产品以及提升服务质量来强化顾客与企业间的情感联系。相比体现功能性的“冷”价值而言，企业还应积极关注其服务与产品给顾客带来的、可以体现情感性与社会性的“热”价值。企业要重点关注那些对于顾客感知影响力最大的服务与产品质量因素，重新再造服务与产品价值链。(3)通过顾客忠诚计划(Loyalty Programs)来提高顾客转换成本，从而锁定顾客，降低流失概率。顾客积分是顾客忠诚计划中被普遍运用的一种策略，企业可以根据顾客的花费、访问频次以及加入忠诚计划的时间来为顾客累计积分，而这些积分可用于交换产品、服务或是现金。积分一般通过两条路径来提高顾客行为忠诚：一是，积分可以为顾客再次惠顾相关企业、购买产品或服务以及与企业维系关系提供一种外部动机。顾客可以通过累计积分获得经济性利益与心理利益，因而在行为上更加忠诚(Liu，2007)。二是，积分还会提高顾客的转换成本，因为一旦顾客放弃了现在的企业，那么他们所拥有的积分也将变得没有价值。

3.低未来货币价值-高非货币价值类别组

这类顾客虽然具有高的非货币价值，但是其货币价值却比较低，他们可能是企业良好的追随者但却无法让企业获得较好的盈利。鉴于其与企业间具有比较稳定且良好的情感基础，企业可以把关注点放在与其经济关系的建设与提升之上。对于此类顾客，企业要着重实施如下营销策略：测量顾客的钱包份额(Share of Wallet)与钱包尺寸(Wize of Wallet)，前者是指顾客与特定企业交易量占其相关交易总量的比重，而后者则是指其相关交易量的总和。在本文的研究情景中，顾客的钱包尺寸主要是指顾客从购物网站、实体店购买的商品总和，而钱包份额则是其在特定网站上购买的商品与其通过各种流通渠道(购物网站、实体零售店、直销等)购买商品总和的比值。针对钱包份额低的顾客可通过交叉营销、捆绑销售以及商品购买数量提升等策略来增加其对于企业的收益贡献。而对于钱包尺寸小的顾客则一方面应该进行产品与服务成本的削减，另一方面还可以根据这类顾客的购买力与需求进行低价格新产品的开发以及引入。

4.低未来货币价值-低非货币价值类别组

这类顾客具有低的非货币价值与货币价值，如果对他们管理不当，则很可能导致其成为企业的负担。企业应该结合这类顾客与企业的关系长度(注册网站以及第一次发生购买至今的时间)对其开展进一步地细分与管理。对于关系较短的顾客，企业应该以“劝退”策略为主，因为他们的存在很可能只是为了获取短暂交易的经济利益，而非与企业建立长久的交易关系。企业对于他们的投资很大程度上是无法收回的，同时他们的行为还可能对其他忠实顾客与企业间的交易产生负面影响，比如这类人会大量占用企业对于一般顾客的优惠促销资源，从而使得企业希望给与优惠的顾客无法获得相应的优惠。所以，企业首先要通过顾客购买以及网站访问数据识别出投机主义顾客，然后根据顾客的网站注册时间、购买次数、网站访问次数、购买金额等记录来决定顾客是否可以获得优惠，以及能否参与相应的顾客回报活动。

四、结论、启示与局限

本文首先提出通过随机概率模型来计算顾客的货币价值以及活跃概率，从而求出顾客未来货币价值的方法，同时利用顾客角色外行为来对顾客的非货币价值进行测量。然后利用350名网络购物顾客的问卷调查数据实证得出网络顾客忠诚可以显著影响顾客的未来货币价值与非货币价值(顾客角色外行为)，以及网络顾客忠诚可以使得顾客价值类别发生迁移。最后，提出一套基于顾客未来货币价值以及非货币价值的顾客价值类别细分策略。

本文对于营销实践的启示及意义主要体现在：第一，为相关企业提供了一套可以用于计算顾客未来货币价值与非货币价值的方法，根据这一方法企业能够对顾客的未来货币价值以及非货币价值施加有效管理。第二，企业可以利用本文提出的随机概率模型对顾客活跃度进行计量，并设定相应的警戒阈值。电商企业在对顾客活跃度进行动态观察时，一旦发现某个顾客的活跃度低于警戒阈值，就应立即对顾客货币价值进行综合评定，并决定是否需要开展再激活策略。第三，本文阐释了企业可以同时基于顾客非货币价值与未来货币价值进行顾客细分，并且针对各个顾客价值类别提出了相应的营销策略。

本文也存在一些不足，如：没有进一步具体研究网络顾客忠诚的前因变量；没有考察网站特征、消费者个体特征对于影响路径的调节作用；没有对提出的细分方法与网站今后的实际销售数据间的关系做进一步检验。上述这些问题需要在后续研究中逐一解决。

董晓舟. 2015. 网络购物情境下的顾客行为粘性、消费动机与顾客价值的关系研究：基于随机概率模型的实证研究[J]. 营销科学学报(1):39-57.

马宝龙,李飞,王高，等. 2011. 随机RFM模型及其在零售顾客价值识别中的应用[J]. 管理工程学报(1):102-108.

王高,李纯青,赵平，等. 2007. 随机模型在零售顾客未来经济价值估计中的应用[J]. 中国管理科学(2):104-110.

姚山季,王永贵. 2012. 顾客参与新产品开发及其绩效影响:关系嵌入的中介机制[J]. 管理工程学报(4):39-48.

张国军,陈传明. 2006. 顾客资产研究的关系视角[J]. 中国工业经济(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.

(责任编辑 张建军)

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

董晓舟(1983--)，男，上海人，上海财经大学国际工商管理学院博士生。 陈信康(1952--)，男，浙江奉化人，上海财经大学国际工商管理学院教授，博士生导师，上海财经大学现代服务经济研究院院长。

* 上海财经大学校立科研项目“电子网络环境下的服务营销创新与中国服务业的竞争力”(2015110230)；上海财经大学研究生创新计划项目科研创新基金“新产品创新度与消费者接受度匹配路径研究”(CXJJ-2015-330)。

F713.5

A

1001-6260(2017)03-0085-10

10.19337/j.cnki.34-1093/f.2017.03.008

财贸研究 2017.3