多维度视角下客户群标准人构造研究

李　冰，王　虎，王　锐

(1江西师范大学 软件学院，江西 南昌 330022；2武汉理工大学 管理学院，湖北 武汉 430070；3江西理工大学 经济管理学院，江西 赣州 341000)

在大规模客户环境下，传统的客户服务管理理论与方法的局限性已经显现，“二八法则”已不足以作为客户管理的有效指导原则，“长尾理论”越来越受学术界和企业界的重视。企业必须重视大多数普通客户，但由于客户数量众多，不可能对每位客户进行关注，这时可以采取精细化营销的方式，对客户进行细分，以客户群为单位，对客户进行分群管理。在实际客户分群管理中，主要研究的是客户的共性特征，制定符合大众需求习惯的“标准人”并以此提供服务。如服装企业在制造上衣时，会先根据不同的目标客户群构造出相应的标准人，然后依据这些标准人制定出S、M、L、XL、XXL、XXXL等标准尺寸的上衣。客户群标准人的选取至关重要，其关系到所构造的标准人是否真的能够代表整个客户群的特征与服务需求，关系到企业是否能准确进行服务决策和营销决策。客户群标准人构造示意图如图1所示。

图1　客户群标准人构造示意图

目前国内外学者已经对客户细分进行了大量研究，客户群划分策略已经被大多数企业所采纳[1-2]，而对于客户细分之后如何寻找反映该客户群共性特征的标准人的研究还很少。SMITH提出客户细分理论[3]；国内学者齐佳音等较早提出客户关系管理研究的重要性[4-5]；KIM等提出了基于客户生命价值的客户细分模型，然后通过案例阐述了针对不同客户群的客户策略[6]；HUGHES等提出了RFM分析是以3个行为变量来描述和区分客户的[7-8]；张国方基于CRM客户细分理论提出并研究了客户相对价值细分理论、客户价值生命周期形态细分理论及其应用策略，提出了基于客户价值生命周期理论的客户细分方法[9]。客户细分方法为客户细分理论的应用奠定了技术支持，但其仅能应用于中小规模客户管理。樊博等在数字城市的基础上，研究了具有空间分析能力的客户关系管理系统，提出基于空间数据分类挖掘的客户细分方法[10]；卢致杰从客户群的分类和计算角度研究了客户群价值，引入了基于距离的客户群价值计算方法，并通过实例验证了该方法的可行性[11]。

企业在实际客户管理中，大多数是从该客户群当中随机找一个客户，以该客户特征来代表整个客户群的特征。由于客户个体与客户群之间存在特征上的差异，所以该方法对整个客户群的共性特征的把握存在误差。在标准人构造研究方面，王虎等在研究客户群共性特征时，对标准人构造进行了初步探讨，其方法是基于客户的各个特征属性值，计算各个属性值的平均值，并将平均值综合起来便构成标准人的属性特征值[12-13]。但是，这种客户群标准人的构造方法所采用的视角比较单一，不能满足实际的需求，有待进一步改进。

客户群标准人的选取可有多种视角，且不同视角下所构造出的标准人的作用以及对服务商的价值各不相同。基于此，笔者从多维度视角，提出了多种客户群标准人的构造方法。将客户群的各个特征属性映射为多维空间的坐标，每位个体客户都是该多维空间的点，使得该空间能够完整地呈现出客户群的形状，这样客户群标准人的构造问题就转变为求一个多维空间图形的“中心点”问题。根据不同标准，多维不规则图形的“中心点”可能存在多个，如中心、形心、众心、质心等，不同的“中心点”对应了不同选取标准所产生的客户群标准人。

笔者解释了以客户群中心、形心、众心和质心作为标准人在客户管理当中的实际含义，并分别给出了寻找这些标准人的算法，探讨了不同标准人实际用途和价值，并基于实例数据进行模拟。最后探讨了客户关系管理系统中构造客户群标准人模块的实现。

1　客户群标准人概念的界定

客户群标准人的实质是通过对客户群特征的共性分析，塑造出一种客户原型，使之能够代表客户群的共性。原型[14](prototype)是指首创的模型，代表同一类型人物、物件或观念。根据原型理论，类别都是按照某种原型进行组织的，在类别内部根据各个成员与原型的相似程度进行排序，与原型相似度最高的成员是最具代表性的成员，它居于类别的核心，与原型相似度低的成员围绕在核心成员周围。研究表明，人类进行类别化的重要标准就是原型。LAWSON认为客户原型的概念形成具有相应的组织原则，而非像传统研究范式那样单纯属于个人的认知过程[15]；BASU 认为类别化是知识表征的基本信息加工过程，涉及到与新旧类别知识之间的比较[16]；CHIN-PARKER等指出类别化能够帮助人们按照不同类型区分不同的对象，并形成对象之间的共同性认知[17]。客户群的形成正是遵循原型理论而实现的。类别化和概念形成是知识表征的核心，类别体现了群体内部最具代表性成员的核心特征[18]。

上述关于客户原型的研究主要是从心理学角度进行探讨，需要企业花费大量时间进行问卷调查研究，采集客户原始数据，这对一般普通企业来说不适用。随着企业客户数据的日积月累，企业掌握着越来越多的客户属性数据，企业可以充分利用这些数据，以辅助企业管理者进行决策。通过标准人信息系统模块的构建，信息系统可以快速地构造出能反映客户群共性且满足实际客户管理需求的标准人。

综上所述，可以将客户群标准人定义为：根据企业客户管理的需求，按照一定的标准并基于实际客户群特征而构造出来的典型客户。所构造出的标准人能够代表整个客户群的共性特征，企业在为客户群提供产品或服务时，可以直接参考其标准人，而不需要花大量时间精力去考虑所有的客户。标准人构造的前提是企业已经具备了充分的客户信息资料，包括人口统计信息、行为特征信息等，对于电信业、保险业、电子商务等企业来说，其具备这样的条件。

客户群标准人构造的一般步骤如下：①客户群划分指标体系的构建。对客户行为属性进行筛选，找出反映客户群行为共性的指标，构建客户群划分的指标体系。通过对客户群行为共性特征要素的完备性分析，对指标体系结构进行优化。②客户群的划分。确定客户群划分方法，基于客户群行为共性指标划分客户群。③标准的选取。依据客户群和产品所处的生命周期阶段选取合适的标准，包括中心、形心、众心、质心。④标准人的构造。依据选取的标准，对客户群共性特征进行分析，采用标准人构造方法，构造出最能代表该客户群行为共性特征的标准人。

2　不同视角下客户群标准人的管理内涵及其价值

将客户群的各个特征属性映射为多维空间的坐标，每位个体客户都是该多维空间的点，使得该空间能够完整地呈现出客户群的形状，通过寻找该多维空间图形的“中心点”可以得到客户群标准人。客户群标准人的选取视角有：中心、形心、众心和质心4种。按照不同视角选取的标准人，其位置不同，用途也不相同，可以根据实际需要选取不同的视角。

(1)基于客户群中心视角选取标准人。将客户群各个属性特征值的中心点作为中心客户的特征值。中心在一定时期内相对稳定，反映的是整个客户群的一种静态特征。如中国移动的动感地带套餐是针对学生群体的，不断有学生毕业，也不断有新生加入该群体，该群体的年龄、学历等属性特征在一定时期内比较稳定，即客户群中心不变。

(2)基于客户群形心视角选取标准人。形心是指客户群基本属性和行为属性在多维空间当中所呈现形状的中心。中心和形心的选取意义比较类似，只是站的角度不同，中心是从统计学角度选取平均值，而形心是从视图角度找“中心点”，相对来说更加直观。

(3)基于客户群众心视角选取标准人。众心客户即领袖客户，影响力最大，在客户群当中具有极高的信誉，其代表了最先找到最优服务的客户，并引起其他客户的共鸣和学习。在统计分布上，众心是具有明显集中趋势的数值，代表了领袖意见，反映某核心客户的行为被周围客户跟随的现象。

(4)基于客户群质心视角选取标准人。考虑到客户价值属性，将客户价值作为客户在空间位置当中的密度，密度最集中的位置即为质心。一般情况下，质心与形心是不重合的，只有当客户群所有客户的价值等同时，质心与形心才会重合。

产品生命周期阶段包括产品设计、产品开发和生产、产品销售、产品售后服务。产品生命周期的各个阶段都要以客户为中心，始终围绕客户的需求展开产品服务工作。产品的生产包括单件生产和成批生产，对于单件生产而言，针对单个客户“量身定做”，不存在标准人选取问题。而对于成批生产，就需要选择标准型客户。在产品设计阶段，主要依据客户的特征属性来指导各项工作的开展，可以采用“中心”或“形心”视角选取标准人。如在服装行业，每批次的服装生产都会事先通过大量的样本统计，找出不同性别及年龄阶段客户群的原型，进而确定设计样式和尺寸大小。产品在市场上进行推广时，可以采用“众心”视角来选取标准人，找出领袖客户。采取相应的营销策略吸引和留住更多的众心客户，充分发挥众心客户的影响力，吸引更多的普通客户。在客户价值分析时，可以采用“质心”视角选取标准人，通过分析客户群质心，掌握各客户群对于企业所创造的价值，为企业合理分配营销资源提供依据。客户服务选择不同阶段的客户群“中心” 如图2所示，在服务选择之前，采用中心或形心视角选取客户群“中心”；在服务选择过程中，采用众心视角选取客户群“中心”；在服务选择完成后，采用质心视角选取客户群“中心”。

图2　客户服务选择不同阶段的客户群“中心”

3　不同视角下客户群标准人的构造算法

标准人的构造方法主要有定性方法和定量方法两种。客户管理者经常与客户接触，客户群标准人其实已经在客户管理者心目中有了一定的标准，其以隐性知识形式存在，可以通过问卷、访谈等手段将隐性知识显性化，获取客户群标准人的主要特征，这种方法属于定性方法。定量方法是指收集整理客户信息资料，构造客户属性特征矩阵，根据实际需要选择客户群标准人的构造标准，如形心、质心、中心或众心，并采用一定的算法计算出标准人的各项属性特征值。定性的方法难以实施，其所得到的结果主观性太强，且不够精确，因此笔者主要探讨定量的构造方法。

寻找群体中心的方法有很多，如统计分析、聚类分析等。已有的数理统计方法都是属于硬计算，没有考虑到数据本身的分布特点，也没有考虑不确定性和随机性问题。粒子群优化算法是模拟鸟群觅食行为过程而提出的一种随机优化搜索算法[19]，属于软计算方法，该方法具有很强的搜索能力，能够找出群体的中心。DAS等提出粒子群中心的概念，并给出计算群体中心位置的相关算法[20-21]；汪永生等引入物理学当中的质心概念，提出质心粒子群优化算法，通过该方法可以寻找群体的质心[22]。

笔者提出的标准人构造方法是以粒子群优化算法为主，并辅助其他的相关算法。形心和中心非常接近，可以使用粒子群优化算法或K-means聚类算法，寻找客户群的形心和中心。使用K-means算法，各个聚类中心的点就是标准人所处的位置。下面主要探讨基于众心和质心视角的客户群标准人构造方法。

3.1　客户群众心视角下的标准人构造算法

众心客户即领袖客户，其影响力最大，在客户群当中具有极高的信誉。该客户代表了最先找到最优服务的客户，并引起其他客户的共鸣和学习。为了模拟寻找众心客户的过程和模拟普通客户追随众心客户的现象，笔者基于粒子群优化算法构建仿真模型。首先构建若干客户，形成客户群，所有客户都具备以下3种特点：①具有初始的购买经验并能够继承；②客户个体在服务选择过程中能够通过自身努力获取经验；③当客户群里面有更成功的购买者时，能够向其学习，受其影响。

标准人构造算法思路：设某D维空间为客户群(包含N位客户，即粒子)所要搜寻的目标，所有粒子的共同目标是在该空间中找到距离最小的解。所有粒子在该空间中的位置坐标为Xi=(xi1,xi2,…,xiD)，i=1,2,…,N，d=1,2,…,D。所有粒子的搜寻效率表示为Vi=(vi1,vi2，…,viD)。粒子在执行一次迭代之后都会得到一个绩效得分，即适值。每个粒子都会产生自身的历史最优成绩：pbest(i)=pgi=(pi1,pi2,…,piD)。在每次迭代过程中，找到所有粒子成绩的最大值，即为粒子群的最优成绩：gbest=(pbest(1),pbest(2),…,pbest(N))=(pg1,pg2,…,pgD)。粒子群通过自己努力、相互协作和共享，使得其搜寻成绩不断动态变化，计算公式如下：

vid(t+1)=w×vid(t)+c1r1(t)(pid(t)-

(1)

xid(t+1)=xid(t)+vid(t+1)

(2)

图3　基于粒子群优化算法的仿真流程

笔者以实例数据模拟普通客户追随众心客户的现象，采用上述步骤得到的仿真结果如图4所示。其中，点代表普通客户，圆圈代表领袖客户。从图4可以看出，在迭代1～5次时，领袖客户还处于客户群的边缘位置；随着迭代次数增大到10～20次时，大部分客户都向着领袖客户靠拢；当迭代次数增至50～100次时所有客户都几乎与领袖客户重合。

图4　众心客户对普通客户的吸引过程

3.2　客户群质心视角下的标准人构造算法

在实际客户管理当中，客户属性一般分为两类：①客户条件属性，是客户的基本属性，包括人口统计属性、消费行为属性、使用行为属性等；②决策属性，其需要根据条件属性进行判断，通过分析客户历史的条件属性与决策属性之间的关联，来预测客户未来的需求，能够为管理者提供决策。例如，对电信行业来说，可以通过分析客户历史的消费记录和使用套餐，推测出客户在通话、短信、网络等方面的需求特征，从而有针对性地为客户推荐服务套餐。客户条件属性对应的是上述系统中各质点的坐标，客户决策属性对应上述系统中质点的质量。每个客户群就是一个系统，群内每个客户就是该系统的质点。假设某客户群有N个客户，客户具有P个属性，可以通过P维坐标将客户展现在P维向量空间之中。客户群的“质心”称为客户群的标准人。

(3)

4　构造客户群标准人的模拟分析

图5　客户群在三维空间的分布情况

图6　客户群在年龄-收入两个属性上的分布情况

图7　客户群在年龄-保险费上的分布情况

以A保险公司的客户服务数据来对标准人构造过程进行模拟分析。该公司的客户服务数据库里面存储了保险人的年龄、收入和保险费等信息，其中年龄和收入是客户基本属性，保险费是决策属性。通过这3个属性将该公司的某个客户群展示到一个三维空间结构之中，如图5所示。将该客户群的两个基本属性用二维平面图展示出来，如图6所示。从图5和图6可以看出，客户群围绕某个中心，里面比较密集，越向外客户越松散。将客户群的年龄和保险费、收入和保险费的分布情况展示出来，分别如图7和图8所示。从图7可以看出保险费随着年龄段不同而呈现出很大的差异。年龄在10～30岁区间内的客户，保险费偏低；在30～60岁区间内的客户，保险费最高；60岁以上的客户，保险费最低。从图8可以看出该客户群收入在中等水平时，客户的保险费相对比较高；而收入在高水平情况下，客户的保险费不是很高。

图8　客户群在收入-保险费上的分布情况

图9　基于中心、形心、众心和质心的客户群标准人示意图

基于上述探讨的标准人构造方法，分别以中心、形心、众心、质心为标准，构造该客户群的标准人。基于中心、形心、众心、质心的标准人在客户群当中的位置情况如图9所示。从图9可以看出中心和形心非常接近，处于整个图形的中间。众心处于客户最密集的一点上面。质心则处于图形比较偏的位置。这是因为，除了年龄和收入两个维度外，还有第三个维度，即保险费。如果考虑到保险费这一维度，客户群在质心这一点上面是处于价值的中心，也即这一点最能够代表整个客户群的价值，如图10所示。

图10　在价值维度中质心的位置示意图

5　结论

笔者首先对标准人的概念进行界定；然后根据不同的管理需求，从不同的视角提出了标准人的构造算法，并基于实例数据进行模拟；最后探讨了客户关系管理系统中构造客户群标准人模块的实现。

基于客户群标准人的服务推荐方法属于一种粗粒度化个性服务推荐。个性化服务推荐的未来发展方向是细粒度化个性服务推荐，笔者的研究结果将为此提供了铺垫。笔者下一步需要研究的方向是：通过上述方法寻找客户群标准人，演化出客户群所有客户的共性需求，然后基于客户个性特征与客户群标准人之间的个性化特征差异，计算个性影响因子，并对共性需求进行调整，得出客户的个性需求，最终实现细粒度化的个性服务推荐。

参考文献：

[1]REITANO V. Customer segmentation and clustering using SAS enterprise miner[J].Social Science Computer Review,2015,33(3):415-417.

[2]HUNG C W. Using taguchi method for effective customer segmentation[C]∥2011 International Conference on Computer Science and Logistics Engineering. Zhengzhou: United Arab Emirates,2011:415-419.

[3]SMITH W R. Product differentiation and market segmentation as alternative product strategies[J].Journal of Marketing,1956,11(7):3-8.

[4]齐佳音,韩新民,李怀祖.我国客户关系管理研究的紧迫性和方向分析[J].管理科学学报,2002,5(4):88-94.

[5]樊治平,王建宇,陈媛.客户关系管理(CRM)的评述与展望[J].系统工程,2002,20(6):1-8.

[6]KIM S Y, JUNG T S, SUH E H, et al. Customer segmentation and strategy development based on customer lifetime value: a case study[J]. Journal of Expert systems with applications, 2006,31(1):101-107.

[7]HUGHES A M.Strategic database marketing: the master plan for starting and managing a profitable, customer-based marketing program[M].NewYork:McGraw-Hill Trade,2000:137-142.

[8]刘英姿,吴昊.客户细分方法研究综述[J].管理工程学报,2006,20(1):53-56.

[9]张国方.客户细分理论及应用策略研究[J].华中科技大学学报(社会科学版),2003,17(3):101-104.

[10]樊博,李海刚,郭琼.面向客户细分的空间数据分类研究[J].系统工程学报,2008,23(1):87-95.

[11]卢致杰.基于距离的客户群价值研究[J].管理工程学报,2006,20(1):18-23.

[12]王虎,李冰.基于高维云模型的多属性客户群体相似性度量[J].工业工程与管理,2012,17(6):76-82.

[13]王锐,王虎,李冰.粗糙集理论在客户群标准客户塑造中的应用研究[J].江西理工大学学报,2017,38(2):46-51.

[14]蒋廉雄,何云,朱辉煌,等.品牌原型的理论基础、研究回顾与展望[J].外国经济与管理,2010,32(1):41-49.

[15]LAWSON R. Consumer knowledge structures: background issues and introduction[J]. Psychology & Marketing, 2002,19(6):447-455.

[16]BASU K. Consumers′ categorization processes: an examination with two alternatives methodological paradigms [J]. Journal of Consumer Psychology, 1993,2(2):97-111.

[17]CHIN-PARKER S,ROSS B H．Diagnosticity and prototypicality in category learning：a comparison of inference learning and classification learning[J]. Journal of Experimental Psychology: Learning, Memory & Cognition, 2004,30(1):216-226.

[18]MAO H, KRISHNAN H S. Effects of prototype and exemplar fit on brand extension evaluations：a two-process contingency model[J]．Journal of Consumer Research, 2006,33(1):41-49.

[19]KENNEDY J, EBERHART R. Particle swarm optimization [C]∥Proceedings of the 4th IEEE International Conference on Neural Networks.Piscataway: IEEE Service Center, 1995:1942-1948.

[20]DAS S，KODURU P，GUI M，et al. Adding local search to particle swarm optimization[C]∥Proceedings of the IEEE Congress on Evolutionary Computation. [S.l.]∶[s.n.]，2006：428-433.

[21]LIU Y，QIN Z，SHI Z，et al. Center particle swarm optimization[J]. Neurocomputing，2007，70(4)：672-679.

[22]汪永生,李均利.质心粒子群优化算法[J].计算机工程与应用，2011,47(3):34-37.