客户终身价值计量模型研究述评.pdf

现代营销上旬刊2023.04XDYX科学管理客户终身价值（Customer Lifetime Value，简称CLV）是客户关系管理的基础，从20世纪80年代至今，企业及研究者对客户终身价值及其相关要素进行了大量探索性研究，对客户终身价值理论进行了进一步拓展及完善。近年来，随着客户终身价值理论的普及，研究者和企业已广泛接受了客户终身价值的理念，并运用客户终身价值理论，识别有价值客户，与其建立长久合作关系，为企业创造利润。在客户终身价值理论的运用方面，终身价值更多的时候作为一把客户识别标尺，帮助企业量化、跟踪及分析客户价值，并以此为依据，合理调配企业资源，为企业带来收益。因此，客户终身价值的计量就变得尤为重要，也是学者们一直以来研究的重点。本文以此为出发点，对现有客户终身价值计量模型进行阐述及分析。一、客户终身价值的交易背景在研究客户终身价值的过程中，学者们发现客户的交易背景是一个不得不考虑的重要因素。这是因为，对不同行业、不同交易情景，客户的购买行为不尽相同，要准确计算客户终身价值，关键要根据不同的交易场景，选择合适模型，才能提高模型拟合度，这就需要对客户或交易场景进行研究。Barbara（1985）根据客户的购买行为特征把客户分为暂时流失 型 客 户（always-a-share）及 永 久 流 失 型 客 户（lost-for-good），他指出，暂时流失型客户的购买行为是间断进行的，客户可以向不同商家购买商品，其转移成本极低，客户在一段时间内没有购买，但不代表流失，后续仍有恢复购买可能，当客户恢复购买时，仍视为老客户。永久流失型客户是指企业极为忠诚的客户，在客户购买该类商品时，只会考虑从该企业购买，但只要在一段时间内停止购买，则代表该客户已流失。这种按照客户购买行为分类的方式，与普通消费者购买商品时的行为较为契合，得到学术界的广泛认可，成为学术界主流理论之一。除了按照客户购买行为的分类方式外，在交易场景分类具有代表性的是Reinartz和Kumar（2000）的观点，他们根据客户交易情景，把客户分为契约型、非契约型场景。契约型交易场景指的是客户与企业已订立契约，客户在契约的约束下与企业进行交易，客户不打算继续与企业进行交易时，契约结束，当客户与企业重新订立契约，则被认为是新客户，在这种设定下企业能较为容易地估计客户价值并知道客户何时流失，比如电力、移动通信行业的客户均属于契约型客户，对该类交易场景客户终身价值的计算，学术界已做了大量研究，且已较为成熟，计算模型通常使用净现值模型、概率模型及隐马科夫模型等，契约型交易场景的客户由于客户价值的估算相对较容易，学术界研究的焦点主要集中在客户保持方面。而在非契约型交易场景的设定中，客户与企业无需订立任何契约便可与企业进行交易，这种设定在消费市场较为常见，例如在淘宝等网上购物平台，客户可以长期多次与一家商家交易，也可以在商家购买一次商品后，下次去购买其他商家的商品，因为没有契约约束，客户可以在多家商家购买商品，企业无法知道客户在购买商品后，下次是否会继续购买，会在何时购买，该客户是否已流失，因此非契约型交易场景的客户终身价值计算一直以来是研究的难点。学术界常用概率模型、计量模型、时序模型及机器学习模型方法估算非契约型交易场景客户的终身价值，个别学者利用马尔科夫模型和马尔科夫链计算客户CLV与客户生命周期长度，从而达到预测客户终身价值的目的。近年来，有部分学者发现在契约型和非契约型交易场景之间，还存在半契约的交易状态。Borle等人（2008）研究了半契约型交易场景的客户行为特点，他们指出，半契约交易场景下，客户的流失行为类似于契约型客户，可以被企业观察到，而购买行为则类似于非契约交易场景下的客户。蔡瑞（2014）和刘慧丽（2019）分别研究了半契约交易场景下客户终身价值的建模问题，其中，蔡瑞根据半契约交易场景的特点，改进了BG-t/BB模型假设，使模型适用于半契约交易场景下的客户终身价值计量，刘慧丽给出了两种半契约交易场景下的客户终身价值建模思路。由于半契约交易场景在日常交易场景中较为少见，因此相关文献及研究成果较少。二、客户终身价值常见计量模型客户终身价值的计算难点在于预测客户尚未发生的行为，这涉及客户交易数据的预测。为解决该类问题，学术界通常用建模的方式来计算，常见的建模方法有7种，分别是RFM模型、净现值模型、客户生命周期模型、概率模型、计量经济学模型、持久模型和计算机学习模型。客户终身价值计量模型研究述评巫廷俊巫廷友（华南理工大学广东广州510006）摘要：客户终身价值是企业客户识别和客户关系管理的核心，对于客户终身价值的重要性，学术界和企业界已基本达成共识，并对此开展了大量研究。本文从客户终身价值的计量模型出发，回顾了客户终身价值的交易背景，阐述了主要客户终身价值计量模型，探讨了当前研究的不足以及未来可能的研究方向，并对模型的应用情况进行了总结。关键词：客户终身价值；计量模型；研究述评中图分类号：F715.3文献标识码：ADOI：10.19921/ki.1009-2994.2023-04-0124-042124现代营销上旬刊2023.04XDYX科学管理（一）RFM模型RFM模型最初是由Hughes（1994）提出的，曾被广泛应用于直销领域，它包括R（Recency）、F（Frequency）、M（Monetary）三个变量，一般来说，顾客购买频率（F）越高，这类顾客越忠诚，顾客价值越大；购买金额（）表示计算期内顾客的购买总金额，一般来说顾客购买金额越高，顾客越忠诚，顾客价值越大。利用 RFM 估算客户价值时，将采取打分的形式，将RFM 三个指标每个平均分成等额 5 份。购买时间最近的20客户被设置为5分，次之的20%客户被设置成4分，以此类推，利用这个系统来排序。最后可以得到每个客户的RFM分数，此分数便可用于评估客户价值。（二）净现值模型净现值模型的核心思想是利用货币价值衡量客户终身价值，因此其计算思路与企业收益、成本和折现率密切相关。Barbara在1985年首先提出客户终身价值的净现值模型，其计算公式如下：CLV=t=1nCt(1+d)-t在随后的研究当中，学者们围绕该通用公式对净现值模型进行拓展改进。Wayland在1997年引入购买概率与成本的概念，对基础模型作了改进，Berger（1998）等人根据 Dy-wer1989年提出的客户保留模型及客户迁移模型，给出客户CLV计算模型，认为客户利润是会随时间变化而变动的，把时间变量加入了净现值模型当中，反映销售及成本会随着时间变化而变动，并提出客户保持率的概念，Gupta（2004）及Reinartz等人（2003），把成本分为客户获取成本与服务成本，对净现值模型进行细化和拓展。Kumar（2008）结合RFM思想，对净现值模型进行进一步改进，引入购买频次的概念，并进一步细化了企业成本。（三）客户生命周期模型客户生命周期模型起源于Dwyer等人1987年提出的观点，他们认为客户与企业之间的买卖关系具有明显阶段性，并分为5个阶段，Berger等人（1998）通过5个案例，初步给出了5个阶段的计算思路，但未明确客户生命周期计算的具体模型。陈明亮（2001、2002）提出典型客户生命周期利润曲线呈“倒U型”，把客户生命周期分为考察期、形成期、稳定期、退化期4个阶段。匡奕球（2003）根据陈明亮提出的客户生命周期4个阶段，提出客户终身价值的影响变量，并给出每个阶段客户生命周期利润计算表达式。陈明亮（2003）提出客户生命周期利润拟合法预测客户生命周期价值，使利用生命周期理论计算客户终身价值成为可能。其客户终身价值计算步骤分为5步：1.计算客户过去每个时间单元的利润；2.绘制历史利润变化曲线；3.根据历史利润曲线，结合利润曲线图及客户生命周期阶段特征，预测客户未来利润模式并确定模式中的参数，对此陈明亮给出了“倒U型”客户利润曲线的拟合函数；4.确定客户生命周期长度n，n取固定值，一般取35年。5.使用净现值公式预测客户全生命周期价值。（四）概率模型对于客户终身价值的计算与预测，概率模型是学术界使用最为普遍的模型，该类模型在契约型、非契约型和半契约型交易场景下，计量客户终身价值均有较为良好的表现。由于契约型交易场景的研究重点在客户保持，半契约型交易场景的客户终身价值建模研究处于起步阶段，本文主要阐述非契约交易场景设定下的建模问题。在非契约型交易场景下，运用概率模型预测客户终身价值是一个较为有效的方法，Schmittlein等人（1987）提出的Pareto/NBD模型（也称为SMC模型）及Fader等人（2005）提出的BG/NBD模型最具代表性。目前很多非契约设定下的客户终身价值研究，均是围绕这两个模型展开。两个模型均是基于五个方面假设，利用历史数据来预测客户的购买次数期望。学者们围绕该两个模型做了大量研究，如Schmittlein和Peterson（1994）、Reinartz等人（2003）对Pareto/NBD模型进行了简化和改进。Fader等人（2007）提出了为模型引入协变量的改进思路。2010年，Jer-ath等人改进了Pareto/NBD模型和BG/NBD模型的模型假设，提出了PDO模型，使模型假设更贴近客观实际。多年来，学者们在建模方面做了大量实证研究，研究表明，该类模型在客户终身价值预测上效果较为良好。（五）计量经济模型这类模型通常与概率模型的思路较为相似，尤其是在预测客户保持率方面，除了需要更多类型的风险模型和协变量以外，其计算思路与Pareto/NBD模型较为类似。这类模型分别是对客户获取、客户保持和客户开发分别建模，然后再合并计算客户终身价值。客户获取方面，通常利用Logit或是Probit模型进行建模。客户保持率的计算一般需要运用Bar-bara（1985）提出的客户分类理论，将客户分为“永久流失型客户”和“暂时流失型客户”两种，分别针对两类客户建模。“永久流失型客户”使用风险模型来预测客户流失。“暂时流失型客户”，通常使用马尔科夫模型预测。客户开发是企业实现客户价值最大化的过程。客户开发模型通常可以从两个角度进行建模，一是直接对客户贡献的利润进行建模，另一种是对客户交叉购买和增量购买建模。（六）时序模型时序模型建模的大体思路是针对客户行为不同阶段进行建模，如客户获取、客户保留、客户开发等阶段。与计量经济学模型不同的是，时序模型需要足够长的时间序列数据，并结合系统动力学思想，把不同阶段看成是动力系统的各个组成部分，侧重于研究一个变量（如客户获取策略、客户保留策略）对系统中其他变量的影响。在客户终身价值的研究方面，时序性模型主要用于研究不同变量对客户终身价值的影响，客户终身价值计量的应用研究较少。（七）机器学习模型对于客户终身价值的计量与预测，机器学习模型同样有良好的效果。在客户终身价值建模领域，计算机科学模型更适合用于预测客户流失行为。广义相加模型、多元自适应回归样条、回归树和支持向量机等机器学习模型，在预测消费者行为方面均具有良好表现。尤其是当企业拥有较多的消费者行为数据，研究对象具有较多的变量时，使用上述方法125现代营销上旬刊2023.04XDYX科学管理进行建模往往会比结构化参数模型的效果要好。机器学习的建模方法虽然较为灵活，预测结果也较为理想，但学术研究当中特别需要强调参数设置的可解释性，些种模式较难形成学术成果，因此,目前在客户终身价值建模研究中所受到的关注程度不高。三、模型应用述评客户终身价值的计量模型众多，不同模型侧重点有所不同，在其适用领域和实际运用当中有较大差别。RFM模型使用较为简便，且易于计算。其不足之处在于只能预测客户下一阶段的客户价值，不能预测若干个阶段。因其仅有3个变量，会出现客户价值评估不够准确，适用范围不够广泛的情况。实际运用中，需要根据具体研究领域及情况添加相应变量。如赵萌和齐佳音（2014）研究网络评价行为所产生的价值时，提出RMF三个变量的权重不应完全一致的观点，从而将RFM模型改进为RFMP模型。净现值模型因其使用货币价值作为客户终身价值衡量单位，其优点是直观且容易理解，适用范围较广，缺点也显而易见，净现值模型不能很好地衡量客户的非货币价值，且在实际运用中，常常面临变量难以准确估算的情况。客户生命周期模型为客户终身价值计算提供了另一种思路，但也有其局限性，首先需要有完整的客户交易数据以及至少两个时间单元，才能确定预测关键参数。其次，正确判断客户所在阶段是客户价值预测的前提，如果判断错误，那么客户终身价值预测会有较大误差。最后，需要根据历史数据情况选择合适的拟合函数，合适的拟合函数是正确预测的关键。客户生命周期模型虽然揭示了客户生命周期各阶段特征以及客户利润曲线情况，但在计算客户终身价值方面较为依赖客户所在阶段的判断、拟合函数的选择以及足够的客户历史数据，实用效果较为一般，模型仍有较多需要改进的地方。使用概率模型预测客户终身价值的建模思路较为成熟，该方法在银行、保险、电信等行业已有大量实证，客户终身价值预测效果较好。事实上，只要具备对应的客户购买行为数据，该类模型的应用就可以向其他领域拓展，但由于受到模型的假设条件限制，需要针对所研究行业的特点进行模型改良和大量实证及研究，以验证模型的适用性及预测准确度的问题。计量经济学模型最大的优势是能在框架内自由选择模型和协变量，方便研究不同协变量、不同模型的预测效果，缺点是对模型搭建的要求比较高，协变量或模型的选择对预测效果影响较大，预测结果不够稳定。时序模型的优势在于它能较好地对客户终身价值的长期表现进行度量。值得一提的是，它可以对长期客户资产发展中各影响机制的相对重要性进行量化，包括客户选择、获取方法、口碑传播等。但是该方法对数据量、数据时间长度等均有较高要求，较为适合研究各变量对客户终身价值的影响，在客户终身价值建模中使用频率较低。机器学习模型的学术成果较少，且对数据要求也较高，但其预测效果目前看来较好。随着企业内部信息技术的不断提高，在能够获得越来越多的消费者数据后，该种方法的运用是值得进一步探索。四、研究盲点及展望根据本文阐述的内容，笔者认为，今后客户终身价值计量模型的研究，可以从以下几个方面展开。一是客户终身价值计量模型的适用性问题，计量客户终身价值的模型较多，但每种模型都有一些局限，各类模型的适用性及效果如何，目前仅有小部分学者进行了探讨，其适用范围还需进一步检验。二是客户终身价值计量模型目前仅在银行、保险、电信、电商等少数行业进行了实证研究，客户终身价值作为客户关系管理的核心指标，是各行各业必须要面对的问题，所以客户终身价值理论还需要在更多行业进行实证、完善及推广。同时，许多模型的假设都较为片面，考虑的变量也不够全面，计量模型还有进一步拓展的空间。三是目前大部分学者研究客户终身价值都倾向于将各种价值折算成现值，实际上客户终身价值包含丰富信息，利用净现值作为单一尺度来衡量客户终身价值，结果容易偏离实际，需要更多的维度来衡量客户终身价值。四是机器学习模型作为客户终身价值计量的新方向，虽然目前研究成果较少，但由于其灵活性较高、预测效果较好，在客户终身价值计量方面的应用研究还有很多可以探讨的地方。参考文献：1齐佳音,万岩,尹涛.客户关系管理M.北京:北京邮电大学出版社,2009.2陈明亮.客户生命周期利润变化趋势的实证研究J.统计研究,2002(06):40-44.3匡奕球.基于生命周期的客户终身价值分析J.西华大学学报(自然科学版),2003(01):83-85.4陈明亮.客户全生命周期利润预测方法的研究J.科研管理,2003,24(04)102-109.5赵萌,齐佳音.基于购买行为RFM及评论行RFMP模型的客户终身价值研究J.统计与信息论坛,2014,29(09):91-98.6蔡瑞.半契约情景中客户终身价值建模D.北京邮电大学,2014.7刘慧丽.基于承诺度的半契约情境下客户终身价值建模D.北京邮电大学,2019.8成栋,孙莹璐,薛薇.非合约型客户终身价值的稳健性度量经典方法与机器学习算法的综合测算研究J.2019,32(04):83-98.作者简介：巫廷俊（1986），男，汉族，广东省韶关市人，硕士研究生，经济师，研究方向：客户关系管理、消费者购买行为；巫廷友（1985），男，汉族，广东省韶关市人，硕士研究生，工程师，研究方向：消费者购买行为、精益生产管理。126