论文部分内容阅读
近年来,随着中国经济的发展,市场经济体制逐步完善,零售企业尤其是各个超市之间的竞争日趋激烈,及时掌握客户的需求趋势,加强与客户的关系,有效发掘、管理客户资源逐渐成为各个超市的关键致胜因素。因此,如何针对各零售企业尤其是中小超市的特点,选择科学有效的方法,对客户进行识别,明确的细分客户,进而有针对性地对“黄金”客户实行客户保持与目标营销,对中小超市来说,具有很强的现实指导意义。
通过对客户关系管理、数据挖掘技术和客户细分理论的回顾与分析我们可以发现,目前在大的零售企业当中,数据挖掘已经被充分使用,为企业甄别目标客户、开展关系营销提供了良好的理论支持,取得了不错的效果。但针对中小超市的研究却很少,中小超市在激烈的竞争中,面对成本和综合竞争力的差距,即使手中有大量的客户购买数据,也没有足够的精力去进行有效的数据挖掘和客户细分。而有效的数据挖掘和客户细分正是提高中小超市竞争力的有效手段,只有通过数据挖掘技术不断甄选有效客户,针对目标客户和潜力客户制定合适的营销方案,才能克服中小超市自身缺陷,提升竞争力。而信息化的发展普及使各超市包括中小超市在内都已具有完备的用户基本信息数据库、销售数据库等,从而使记录、分析客户行为数据成为可能,为找出数据背后隐含的信息打下了基础。
客户细分的方法一般有三种:基于客户统计学特征的客户细分;基于客户行为的客户细分;基于价值的客户细分。许多营销者都相信,行为是构建细分市场的最佳起点,另外从历史数据获取的方便性来讲,本文选择了基于客户行为的细分方法。在基于客户行为的细分中,经典的RFM分析、客户价值矩阵分析都是相对有效的细分方法。但RFM分析过程复杂,消耗时间多,细分后的客户群过多,以至于难以形成对每个客户群的准确理解,难以针对每个细分客户制定有效的营销策略,对于中小企业来说过程太复杂不易操作;另外在客户价值矩阵分析中,忽略了一个关键因素,那就是客户忠诚,忠诚客户群体所带来的盈利对企业非常重要。对于中小超市而言,由于地理位置及客观条件所限,它对目标客户群的客户忠诚度有着更加明显的依赖性。与大超市相比,中小超市流失一个客户损失更大。对于细分变量的选取方面,能够兼顾客户价值和客户关系的质量最好,然而现实中却很难做到。因此,本文在价值矩阵分析方法的基础上,选取平均购买金额和购买频率两个变量之后,增加了一个用以表征客户存在时间的变量,即客龄,可以在一定程度上体现客户的忠诚度及稳定性。
数据挖掘技术的不断发展使客户细分更加的明确、科学、易行。本文在选定平均购买金额、购买频率和客龄三个细分变量以后,运用数据挖掘技术对历史购买数据进行分析,首先采用了聚类分析方法把客户分成不同的类别。针对中小超市的规模小,销售数据庞大的特点,本文选取了简单、快速、有效,适于处理大量数据的K-means方法,将客户信息进行聚类分析。然后采用决策树分类技术提取各种客户的特征,使客户层次、客户特点更加清晰。清楚每类客户的特征后,零售决策者将更为方便的识别客户,制定营销方案,并减少销售和服务策略的盲目性。
在文章的最后,本文以一家出现问题的中小超市为例,指出中小超市在自身资源和能力都很有限的情况下,面对信息分散且很不稳定的顾客群,如何按照上述的方法对客户进行细分,从而充分了解客户情况并更加有针对性地开发出营销方法以及进行目标营销。该超市规模不大,坐落在社区中,面对市里大型综合百货商场的竞争压力,销售情况由开业最初的蒸蒸日上到现在的每况愈下,本文力图从其对客户资源的管理上找到原因,运用上述方法,对其销售数据及客户基本信息数据进行分析,将其客户大致细分为四类,并对所有客户进行特征提取,找到每类客户的共同特点与差异,制定有针对性的营销建议,以期为中小超市的实际经营决策提供一些可供借鉴的材料,达到本论文理论与实际应用相结合的目的。
以上研究思路的主要贡献在于:丰富了对中小超市问题的研究,现有关于中小超市的文献大多集中在选址、产品、价格、规模、服务等。本文创新性地探讨中小超市中的客户细分问题;在中小超市基于行为的客户细分方法变量中,除了平均购买金额、购买频率之外,还加入了一个新的细分变量,“客龄”,来分析客户对其忠诚度,便于识别出老客户、保留老客户,丰富了客户价值矩阵分析的方法;将聚类分析与决策树分类方法相结合:首先运用聚类分析,把客户分成不同类别,然后用决策树等方法对不同客户的不同特征进行提取,从中挖掘出了主要客户源、完成了重点客户的特征提取;方法相对简单易行,并且给出了明确的客户分类,具有很强的操作性。