近日，商务部发布数据。1-2月份，全国社会消费品零售总额增长11.8%。我国消费市场继续保持平稳较快发展态势。随着电子商务和移动互联网的普及，积累了大量的消费数据，对数据挖掘的需求也越来越强烈。企业和商家更加关注顾客的消费行为。用友集团UAP中心大数据专家曾小青表示，挖掘消费数据作为客户分类的参考，可以更好地提升客户满意度，提供更准确的决策依据。在消费市场竞争异常激烈的情况下，企业正在从以产品为中心的商业模式向以客户为中心的商业模式转变。企业成功的关键在于关注客户需求，并通过保持长期良好的客户关系获得可持续的竞争优势。曾小青认为，企业需要解决三个基本问题，即获取客户、留住客户和实现客户价值最大化。这三个问题的基本前提是对客户进行细分，从而归纳出需要什么类型的客户，升华他的价值，进而提供差异化??的服务。企业有自己的业务数据，尤其是消费类企业，数据海量。“龙头企业不仅存储这些数据，还利用先进的基于BI的数据分析系统，帮助企业制定和实施企业战略。”曾小青提到了企业现在非常关注的商业分析。“如果在对客户进行分类时利用业务分析技术进行数据挖掘，就可以避免人为因素造成的数据偏差，为企业提供更完善的客户细分解决方案，提高客户细分的科学性和准确性。”常见客户细分方法对比“客户细分”是指企业根据客户的属性、行为、需求、偏好和价值观对客户进行分类，并提供有针对性的产品、服务和销售模式的过程。客户细分的方法并不固定，企业往往根据客户数据库中已有的信息和自身管理的需要，对特定客户进行分类。一般有定性和定量两种方法：定性客户细分是根据不同客户价值的不同侧重点对客户进行分类。这种方法没有严格的论证过程，主要取决于决策者的判断。分析过程中可能会出现偏差，容易导致决策失误。定量分类是根据特定的顾客变量（顾客特征、顾客价值、消费行为特征等），运用定量分析技术对顾客进行分类。曾小青告诉记者，目前用于量化客户分类研究的数据挖掘技术主要有两类：一类是传统的统计方法，主要有主成分分析、贝叶斯分类、因子分析等；另一种是非统计方法，如神经网络、决策树、遗传算法和模糊集等。然而，传统的统计方法无法处理复杂、大规模的数据问题，处理结果的准确性不高。目前用于客户细分的数据挖掘技术主要是非统计方法或两种方法的结合。客户细分中另一个非常重要的问题是分类变量的选择。客户细分是根据客户属性划分客户类型，并据此分析预测客户购买模式。分类变量的选择通常可以基于客户人口统计、客户价值和消费行为。1、根据客户统计特征进行细分。通常这类客户细分使用人口统计特征作为变量，如性别、年龄、收入、地理位置等，其优点是变量数据易于收集，在简单的外部环境中具有一定的有效性。但是，这种基于客户特征的细分方法不能反映客户的价值贡献，也不能分析和预测客户的消费行为。第二，基于客户价值的细分。主要从客户当前价值、潜在价值和客户忠诚度三个方面分析客户价值，最终实现客户分类。由于没有完整的客户价值评价体系，通常以客户生命周期价值作为客户细分的依据。例如，韩水画利用客户历史价值、当前价值、长期价值、忠诚度和信用度五项指标，结合决策树算法，对客户群体进行细分。同样，此类客户在反映客户消费行为方面做得不够。3.基于消费行为的客户细分。消费行为真实地描述了客户的购买行为，也展现了客户对企业各种服务和产品的真实反应。最常用的基于消费行为的客户细分是Hushes在1994年提出的RFM模型细分。更科学的分割方式。基于消费数据挖掘的客户细分方法是根据客户过去和现在的行为来预测未来的行为。它是一种以行为模式数据为基础，以信息技术为支撑的细分方法。这种方法是通过分析数据库中现有客户的消费行为模式，对客户进行分类。Hushes(1994)提出了RFM（R:Recency,F:Frequency,M:Monetary）模型来区分具有三个行为变量的客户。R是从上次购买到现在的时间间隔，F是购买次数，M是一定时期内购买的金额。RFM分析对客户的每个指标进行打分，计算三个指标的加权和，然后以此结果进行排序。对于传统的RFM模型，Hui-ChuChang指出，R和F的值越大，相关客户与企业之间发生新交易的可能性就越大；M值越大，相关客户和企业重复购买的可能性就越大。Fang-MingHsu从客户交易数据库中查询客户最近一次购买的时间，并按照购买先后顺序对客户进行排序，然后将客户群分成5等份。最近一次购买的顾客得5分，购买时间最长的顾客1分。同理，所有客户按照购买频率和总金额从高到低打分，每个客户有3个分数反映RFM状态。例如，得分为111的客户为近期未购买且购买频率和金额较低的客户，得分为555的客户为近期有购买行为、购买频率和金额的客户。但是这种方法在分数的代表性范围内存在不确定性，人为影响比较严重。并且同期购买次数F和购买总量M这两个变量之间会存在多重共线性。Ching-HsueCheng利用粗糙集结合RFM模型得到最合适的客户分类号，改进了传统的RFM细分模型。从以上众多方法可以看出，目前无论是客户细分技术还是客户分类变量的选取都比较分散，往往只给出一个或几个环节，缺乏现实指导。曾小青在总结前人经验后，提出了一种更加完善的消费数据挖掘客户细分新方法——基于消费数据挖掘的多指标RFM客户细分。
