信息化 - BI - 客户关系管理和获利绩效评估.ppt

按一下以編輯母片標題樣式,*,按一下以編輯母片,第二層,第三層,第四層,第五層,以兩階段資料採礦分群方法應用於顧客關係管理和獲利績效評估之實證研究,Application of Two Stages Data Mining Clustering to Customer Relationship Management and Performance Evaluation of Profitability:An Empirical Study,摘要,從1980年代的資料庫行銷到1990年代關係行銷，不斷受到企業重視，企業評估績效的指標從原本的市場佔有率變成以顧客佔有率為中心，強調企業與顧客所建立的長久信賴關係，隨著資料庫科技與網路科技加速顧客關係管理及資料採礦技術的興起，,CRM,透過資訊技術的運用，找出對企業利潤最有貢獻的顧客群，並把交易導向轉換成關係導向,(,一,),、諸,論及,研究動機,大型量販店市場快速興起，並累積大量顧客資料與歷史交易資料,企業必須辨識出高價值的顧客，並強化與企業間的關係，以保留住高價值的顧客,隨著資料庫科技與網路科技加速顧客關係管理及資料採礦技術的興起，但目前仍未被廣泛應用在大型量販市場中。,如何找出企業的忠誠顧客即是,CRM,中相當重要的課題，基於大型量販店市場快速興起，並累積大量顧客資料與歷史交易資料，探討運用資料採礦技術在,CRM,活動以分析顧客行為的主要動機：,兩階段,DM,分群方法,探討並修正傳統,RFM,曲隔方式，以有效萃取不同顧客群體的,樣式,剖析顧客獲利性影響因子，深入不同影響因子與顧客獲,利性的相關性,以大型量販店為研究對象，了解不同顧客群體的回應率、,ROI，,以制定有效的行銷資源配置策略,企業必須根據顧客需求與價值進行顧客區隔，本次研究報告結合,DM,技術，並修正傳統顧客分群的方式，使,CRM,運作在獲取、增強、維持三個面向能夠順利進行,C R M,CRM,導入前應先建立顧客策略,CRM,實際運作前應先重新改變以顧客為中心的關鍵企業程序,愈佳,CRM,科技不一定會達到,CRM,目標，因此需建立採用,CRM,科技的混合策略,需要的是顧客接觸策略而非,CRM,計劃。,1990年代科技產業蓬勃發展，目前,CRM,已延伸到,eCRM,，,因此,Peppard,提出,eCRM,電子商業活動 通路管理 關係管理 管理整個企業,CRM,的導入過程,CRM,的導入可視為一連串過程，包括：顧客識別、區隔、互動、客製化四個步驟，主要以學習關係為核心的循環過程，建立企業與顧客互動,顧客的生命週期顧客吸引、交易、訂單履行、服務組合而成的循環,CRM,的應用範圍,類 型,目 的,方 法 工 具,合作型,CRM,在於改善直接互動的流程,透過滿意度調查、線上訂單追蹤等電子訊息交換,作業型,CRM,在於改善企業與顧客目互動效率,透過資訊系統追蹤管理與顧客間的互動,分析型,CRM,主要分析顧客行為、喜好、生活型態、交易等,透過分析工具尋找大量資料庫中找出顧客的忠誠度,CRM,主要元件是由行銷與銷售動力自動化、客戶接觸中心科技、客戶服務,(,二,),、顧客價值分析,1.,顧客分類和區隔方式,2.,顧客忠誠度,3.RFM,模型,4.,顧客價值矩陣,1.,顧客分類和區隔方式：,顧客金字塔,:,顧客績效購面,顧客焦點構面,2.,顧客忠誠度,顧克忠誠度乃顧客與企業間形成強力的關係。,RFM,模型,可以從龐大的顧客名單中找出行銷活動所需的顧客名單。,R,是沉寂長度,F,是購買頻率,M,是購買金額,3,.,顧客價值矩陣,是從,RFM,所發展出來較適合小型企業的顧客價值分析的方法來解決,RFM,的缺點。,(,三,),、資料採礦,何謂資料採礦,資料採礦的特性,:,可處理、萃取、可行動、隱含、新奇、資訊化,資料採礦的三個分群方式,運作流程,功能種類,傳統統計分析與類神經網路之分群方式,傳統統計分析與類神經網路之分群方式,(,三,),、研究架構與方法,一,.,整合資料採礦,(Data Mining),技術之顧客關係管理,運作架構,1.,本章提出整合資料採礦技術,(Data Mining),的,CRM,流程架構，整個架構分兩部分：前端作業系統、,後端分析系統,LRFM,資料模型,資料採礦前置處理流程,兩階段分群過程,1.LRFM,資料模型,-L,顧客關係長度：,指顧客第一次發生交易日到最後一日交易日的長度,-R,顧客沉寂長度：,用來衡量顧客的流失情形,-F,顧客購買頻率：,顧客在特定的天數購買的天數、一天購買的次數,-M,顧客獲利性：,指顧客購買金額扣除各種成本後得淨利總合,資料採礦前置處理流程,1.,因本章是用,標準差,來進行,離群分析,，所以先將活躍型顧客的,LRFM,資料先匯入採礦資料庫中，以避免在分群演算過程中受到離群值的影響。,2.,為了使兩階段的分群作業,(SOM+K-mean),中不因單位不同而無法比較的影響必須將,LRFM,的資料進行標準化,標準化資料,=(,原始資料,-,範圍最小值,)/(,範圍最大值,-,範圍最小值),資料採礦 兩階段分群過程,由自我組織圖,SOM,和叢集分析,K-mean,這兩階段將顧客,分群分析,SOM,：目的瞭解顧客應該分幾群。,SOM,中所需設的參數有,輸出層的維度,(,所有聚類的數量,),和處理階段數,(,學,習的次數,),K-mean,：可以自動接收,SOM,所產生的群數和群體重心,(,二,),、群體樣式分析,1.,顧客關係類型舉證,長,關,係,長,度,短,短,沉寂長度,長,LR,緊密,LR,潛在,LR,獲取,LR,流失,最佳顧客：高價值忠誠、高價值新顧客、潛在忠誠、高價值流失顧客,頻率型顧客：高購買頻率、頻率型促銷、潛在頻率型、頻率型流失顧客,消費型顧客：白金型顧客、消費型促銷、潛在消費型、消費型流失顧客,不確定顧客：低消耗成本、不確定新顧客、高消耗成本、不確定流失顧客,2.,多維度顧客分群規則,:,三,.,初步命題假設,非契約式的環境中，顧客與企業間的交易關係長度，,與顧客獲利性間並非完全正向關係,企業主要利潤貢獻來自少部分高價值的顧客群,忠誠顧客對企業的利潤貢獻較高,流失顧客對企業的利潤貢獻交低,顧客佔有率越高對企業獲利性越高,四,.,觀念性研究模型之雛型,本研究由,RFM,模型外加,L,變數,(,顧客關係長度,),，並以顧客獲利性,(M),取代顧客購買金額而來，簡稱為,LRFM,資料模型。,由接觸時間和顧客行為因子兩種構面組成。,顧客購買產品種類,顧客沉寂長度,顧客關係長度,顧客人數比率,顧客購買頻率,顧客獲利性,接觸時間構面,交易行為構面,四、個案研究,(,一,),、個案背景、動機,行政院主計處年月國情統計報告，零售業中的綜合商品業因連鎖式便利商店及量 販店受消費者青睞，營業家數持續增加，近五年營業額平均年增故研究個案對象為大型量販店,(,二,),、個案研究的目的與顧客,分類方式,研究的主要目的為,（,1,）了解運作流程的模式以及顧客區隔的方式。,（,2,）探討活動績效評估方式。,（,3,）比較本研究所採用的、的顧客區隔方式與,公司所用的顧客區隔方式。,（,4,）針對個案公司的實際案例以修正本研究之假設命題與研究,模型。,（,5,）探討分群技術於活動之直接郵件的顧客名單篩,選，以比較本研究所產生的顧客區隔與個案公司郵件活動,的績效表現。,(,二,),、個案研究的目的與顧客,分類方式,顧客分類方式：,目前公司的顧客分類大致有兩類：依顧客的消費,金額區分和造訪次數區分。以最近是否有交易的會,員顧客來區分為活躍型與靜態型。,(,三,),、個案公司之的定義與,運作流程,所運作的運作的流程為,（,1,）確定行銷活動主題,（,2,）針對主題找出主題活動,（,3,）在主題活動下，找出目標顧客群,（,4,）行銷活動執行,（,5,）紀錄活動結果與評估績效,（,6,）學習過去的活動結果,公司最主要目的乃從活躍顧客中找出忠誠顧客，對忠誠顧客的定義為購買頻率較高的顧客群與購買金額較高的顧客群中相互重疊的顧客群。目前的運作流程並未採用資料倉儲、資料採礦、的套裝軟體或開發支援運作系統。,(,四,),、整合資料採礦之,流程的預期成效,本研究預期個案公司在採用本研究所提出之顧客區隔方式後所,產生之預期成效如下：,（,1,）結合資料採礦技術來進行郵件活動中的活躍顧客的分群作,業，以有效區隔個案公司活躍顧客群中不同價值的顧客群。,（,2,）探討個案公司活躍顧客群之顧客獲利性與人數比例，進一步,瞭解的不同顧客區隔利潤貢獻情形。,（,3,）將本研究所產生之顧客區隔結合個案公司的郵件活動回應資,訊，進一步探討本研究所產生的顧客區隔的回應率。透過郵,件活動績效衡量方式，以區隔出不同價值的顧客在活動中的,績效表現。,(,五,),、個案結和研究假設,的修正,：活躍顧客與企業間的交易關係長度維持越長久則,顧客獲利性不一定會提昇。,：活躍顧客群中少數顧客可以創造較高的利潤貢獻。,：活躍顧客中的忠誠顧客對企業的利潤貢獻較高。,：活躍顧客中的流失顧客對企業的利澗貢獻較低。,：活躍顧客的顧客佔有率越高則顧客對企業的利潤,貢獻越高。,：活躍顧客之顧客獲利性越高則活動績效表現越佳。,伍、資料分析,(,一,),、資料採礦分析,1.,第一階段分群處理,(SOM):,輸出維度,49,，階段數,:100,2.,第二階段分群作業,(K-Mean):,學習次數,:30,完成兩階段分群分析後，本研究發現,:,(1),兩階段分群改善,SOM,分群結果,:,重心距離總和,45401,縮減為,44494,。,(2),兩階段分群明顯改善群體間模糊現象,:,使原本集中在,FM,附近的群,體，能夠區隔較明確。,(3),發現,LR,變數對於顧客區隔的能力較強，而,FM,對於顧客區隔的能力,則較弱。,表,5.1,顧客區隔,人數,(%),顧客區隔,獲利性,(%),L,R,F,M,採樣群體數,消費型促銷顧客,0.70,高價值忠誠顧客,32.6,866,56,29,31083,9,高價值新顧客,1.10,潛在忠誠顧客,16.7,765,152,14,23549,6,潛在忠誠顧客,7.70,高消耗成本顧客,11.7,592,166,5,4879,6,高購買頻率顧客,8,低消耗成本顧客,9.3,613,63,5,4556,6,高價值忠誠顧客,9.30,不確定新顧客,9.2,143,67,2,2716,10,低消耗成本顧客,12.60,不確定流失顧客,7.6,91,167,2,2525,6,高消耗成本顧客,14.80,高購買頻率顧客,7.5,942,76,7,5766,3,不確定流失顧客,21.20,高價值新顧客,3.8,291,65,12,24799,2,不確定新顧客,24.50,消費型促銷顧客,1.6,96,48,6,14425,1,(,二,),、不同顧客區隔之較分析,活躍顧客：最佳型,(18.1%),與不確定型,(72.5%),最多,獲利性：最佳型,(53.1%),、不確定型,(37.8%),研究發現：,個案公司之群體樣式只有符合九種多維度顧客區隔樣式，其,中以高價值忠誠顧客的利潤貢獻度最高，不定新顧客的人數,比例佔,24.5%,最多。,個案公司之獲利性分佈並沒有非常集中在少數顧客群身上，,但是少數顧客群卻能夠為企業帶來較高的獲利性。,活躍顧客群之群體分佈則主要在顧客價值矩陣中的最佳、不,確定象限上。,(,三,),假設驗證,本研究將兩階段資料採礦分群分析產生結果，利用,SPSS10,進行相關分析。而結果發現在模型中的接觸時間構面與顧客行為構面中，不同影響因子與顧客獲利性間的相關。,(,六,),、結論與建議,研究模型驗證：高價值忠誠顧客乃企業最具價值的顧客。,高價值忠誠顧客、消費型促銷顧客、高,價值新顧客的績效表現最佳。,研究貢獻：,a.,提出,LRFM,資料模型,b.,提出顧客關係類型矩陣,c.,多維度分群規則,整合,Marcus(1999),的顧,客價值矩陣與顧客關係類型矩陣,