近日商务部发布数据，1-2月，全国社会消费品零售总额增长11.8%。我国的消费市场继续保持着平稳较快发展的态势。随着电子商务和移动互联网的普及，消费数据大量积累，数据挖掘需求越加强烈。企业和商家更加重视客户的消费行为，用友集团表示，将消费数据进行挖掘，以此作为客户分类的参考依据，可以更好提高客户满意度，并提供更准确的决策依据。

在消费市场异常激烈的竞争格局中，企业都在从以产品为核心向以客户为核心的商业模式转变。企业成功的关键在于重视客户需求，通过维持长期的良好的客户关系来获取持续竞争优势。用友认为，企业需要解决三个基本问题，即获得客户、留住客户和极大化客户价值。而这三个问题的基本前提都是将客户进行细分，以此归纳需要什么类型的客户，并升华他的价值，进而提供差异化服务。

企业都拥有自己的商业数据，尤其消费型企业，其数据是海量的。“领先的企业不只是存储这些数据，而且借助基于BI的高级数据分析系统，帮助企业制订并实现企业战略。”用友提到了现在企业都很关注的商业分析。“如果在对客户进行分类时，利用商业分析技术进行数据挖掘，可以避免人为因素带来的数据偏差，为企业提供更为完整的客户细分解决方案，提高客户细分的科学性和准确性。”

　　 常用客户细分方法比较

　　“客户细分”是指企业根据客户属性、行为、需求、偏好以及价值等因素对客户进行分类，并提供有针对性的产品、服务和销售模式的过程。客户细分方法并不固定，企业常根据客户数据库中已有信息和自身管理的需要进行具体客户分类。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侧重点不同对客户进行分类。该方法没有严格的论证过程，主要依赖于决策者的判断，在分析过程中会出现偏差，容易造成决策失误。

　　定量分类法以具体的客户变量（客户特征、客户价值、消费行为特点等）为依据，运用定量分析技术进行客户分类的方法。当前用于定量客户分类研究的数据挖掘技术主要有两大类：一是传统统计方法，主要包括主成分分析、贝叶斯分类、因子分析等；二是非统计方法，如神经网络、决策树、遗传算法和模糊集等。但是传统的统计方法无法处理复杂、数据量大的问题，而且处理结果的精确性也不高。当前客户细分使用的数据挖掘技术主要是非统计的方法或者两种方法的结合。

客户细分另外一个非常重要的问题就是分类变量的选择。客户细分根据客户属性划分客户类型，并以此分析预测客户的购买模式。分类变量选择方式通常可以基于客户统计特征、客户价值和消费行为。

　　一、基于客户统计特征的细分。通常这类客户细分使用人口统计特征为变量，如性别、年龄、收入、地理位置等。其优点在于变量数据易于收集，在简单外部环境下，具备一定有效性。但是，这种基于客户特征的细分方法无法反映客户的价值贡献，也无法分析和预测客户的消费行为。

　　二、基于客户价值的细分。主要基于客户当前价值、潜在价值及客户忠诚度三个方面分析客户价值，最终实现客户分类。由于没有建立完整的客户价值评估体系，在客户细分的时候通常采用客户生命周期价值作为细分依据。如ShuiHua Han利用客户历史价值、当前价值、长期价值、忠诚和信用五个指标，结合决策树算法，对客户群体进行细分。同样，这类客户在反应客户消费行为方面力度不够。

　　三、基于消费行为的客户细分。消费行为真实描述了客户的购买，同时也表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1994 年Hushes提出的RFM 模型细分。

　　 基于消费数据挖掘的行为细分

通过对常用的客户分类方法比较和分析，用友表示，基于消费数据挖掘的行为细分是更为科学的细分方式。基于消费数据挖掘的客户细分方法依据客户以往和现在的行为来预测将来的行为，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。该方法是通过分析数据库中已有客户的消费行为模式来将客户分类。

　　Hushes(1994)提出了RFM（R：Recency，F：Frequency，M:Monetary）模型，以3 个行为变量来区分客户。R 是最近一次购买至现在的时间间隔，F 是购买次数，M 是某一期间内购买的金额。RFM 分析针对客户的每个指标打分，计算三个指标的加权和，再按这个结果排序。

　　针对传统RFM 模型，Hui-Chu Chang指出R、F 的值越大，相关客户与企业开展新交易的可能性越大；M 的值越大，相关客户与企业重复购买的可能性越大。Fang-Ming Hsu从客户交易数据库中查询客户最近一次购买产品的时间，并按照购买先后顺序进行排序，然后将客户群划分成5 等份，最近购买的客户记5分，购买时间最远的客户记1 分。用类似的方法，对所有客户按照其购买的频率和总金额由高到低进行打分，每个客户都具有反映其RFM 状况的三个分值。例如，得分为111 的客户是最近没有购买且购买频率和金额都很低的客户，得分为555的客户是拥有最近购买行为、购买频率和金额都很高的客户。

　但是该方法对于分值代表范围有不确定性，人为影响较为严重。并且购买次数F和同期总购买额M 两个变量之间会存在多重共线性。Ching-Hsue Cheng利用粗糙集结合RFM 模型，得出最合适的客户分类数，改进了传统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择都较为分散，而且往往只给出了某一个或几个环节的方法，缺乏现实指导性。而用友在总结了前人的经验后，提出了一种更加完整的针对消费数据挖掘的客户细分新方法——基于消费数据挖掘的多指标RFM客户细分。