客户价值分析模型
Kotler (2000)认为关系行销的重心要放在如何和最有价值的顾客建立长期并为公司带来利润的关系,而
Morgan & Hunt (1994)更明白点出顾客价值已经成为顾客关系行销的核心基础。如同 Wyner (1996)所提,顾客价
值已经重新诠释了传统行销的活动:把顾客视为一种资产,评估其未来收益以及成本以决定是否进行行销活动。
Wyner (1996)更指出,企业 80%的销售利润是来自于 20%的顾客,而其余 20%的销售利润,却花了公司 80%的
行销费用。由此可知,如何找出具有价值的顾客,对企业的获利来说是多么重要。而根据 Kotler & Armstrong (1996)
所下的定义,具有价值的顾客为「一个未来为公司带来的利润大过于公司花在其身上的成本之顾客」。
顾客价值之计算主要是将顾客在未来数年间之消费金额与相对应之产品成本与维持成本加以扣除,再折现以求
得出顾客未来数年净贡献的现值。在这样的理论基础之下,发展出了不少顾客价值分析模型。Dwyer (1989)首先
定义顾客终生价值为「由顾客面所预期之利润,减去与顾客相关成本的现值」。此外 Sewell & Brown (1990)、Hughes
(1994)、Kotler (2000)等学者也分别在不同的假设以及定义之下提出了各自对顾客价值的计算公式,不过大都是在
特定的假设以及参数之下所提出的例子。而 Berger & Nasr (1998)有鉴于此,试图提出一套有系统的模型计算顾客
价值,他们针对 Jackson (1985)提出的二类顾客之特色加以整理,对该二类型的顾客之终生价值提出了五种类型
的模型。而 Hughes (1994)所提出之 RFM 顾客价值分析模型不同于其它之方法,此模型利用三种指针:最近购买
日(Recency)、购买频率(Frequency)及购买金额(Monetary),以判断顾客的价值,Stone (1995)更在其研究中利用
此模型分析信用卡顾客之价值。因为一般企业的顾客交易数据库中都可以萃取出这些信息,因此 RFM 模型可以说
是目前企业界最常用的顾客价值分析方法之一。
建立顾客购买行为随机模型以描述顾客行为
根据 Ehrenberg (1959)及 Colombo & Jiang (1999)对顾客行为之机率分配假设,建立顾客购买行为随机模型,
以描述顾客的购买行为。
建构结合 RFM 模型及马可夫链的顾客价值分析模型
根据顾客购买行为的改变为马可夫链随机过程,并利用 Hughes (1994)所提出之 RFM 模型定义顾客购买状态。
利用贝氏机率推导顾客购买状态移转机率,根据顾客行为随机模型计算各购买状态下之预期利润进行顾客利润矩
阵之估计,最后结合顾客购买状态移转矩阵及利润矩阵,进行顾客价值估计。
进行顾客价值分析模型的数据实证及比较
利用某企业之实际顾客交易数据,进行本顾客价值分析模型之数据实证,并将分析结果和目前业界常用之顾客
价值预测方法进行比较
。
微积分公司采用的顾客价值分析模型,主要结合顾客购买行为随机模型、马可夫链、RFM 模型及贝氏机率此
四个理论或模型所发展而成。首先,建立顾客购买行为随机模型,并根据顾客之历史交易数据估计模型假设中之
先验分配参数。此外,利用马可夫链描述顾客购买行为,并且根据 Hughes (1994)所提出之 RFM 顾客价值分析模
型,定义马可夫链中之不同顾客购买行为状态,以建构顾客购买状态之马可夫链移转矩阵及利润矩阵。而最主要
的贡献为:根据贝氏机率推导顾客在已观察到前期购买行为状态时,其下期购买行为状态之事后机率分配,并以
之估计顾客购买状态移转矩阵之移转机率。此外,依据顾客购买行为随机模型之行为机率分配假设,估计顾客于
不同购买状态下之预期贡献利润,以建立利润矩阵。最后,结合顾客购买状态移转矩阵以及顾客利润矩阵进行顾
客价值之分析。