客户细分方法综述

摘要：客户服务能力已经成为电力企业工作的一个十分重要的部分，如何提高电力企业的客户服务能力是摆在电力企业面前的一个问题。差异化的客户服务是电力企业提升客户服务能力的一个重要的手段。客户细分是差异化客户服务的基础，本文的主要工作是对客户细分的主要方法进行综述，为电力企业客户细分相关工作者提供一些启示。

关键词：客户服务能力 客户细分 电力企业 方法

随着我国改革开放的不断深入，我国的经济发展步入了一个新的时期。电力企业作为经济发展的保障性行业也迎来了新的发展契机。在新的时期中，电力企业不仅要注重供电可靠性，同时也要注重客户服务能力的提升。客户服务能力已经成为电力企业工作的一个十分重要的部分，如何提高电力企业的客户服务能力是摆在电力企业面前的一个问题。差异化的客户服务是电力企业提升客户服务能力的一个重要的手段。客户细分是差异化客户服务的基础，本文的主要工作是对客户细分的主要方法进行综述，为电力企业客户细分相关工作者提供一些启示。

1 心理细分

心理细分所建立的基础是对客户有充分的了解，通过对客户的充分了解可以找到更优的客户服务手段。心理细分主要分为两类，分别是基于客户价值的客户细分和基于客户生命周期的客户细分。基于客户价值的客户细分方法所依据的主要信息是客户的价值信息，客户价值是企业从客户那里获得的利润的总现值。基于客户价值的客户细分方法包括两种主要方法，分别是利润分类法和客户价值细分理论。基于客户生命周期的客户细分方法所依据的信息是客户生命周期，客户生命周期是指客户关系的水平随时间变化的发展轨迹，它描述了客户关系从一种状态或一个阶段向另一种状态或另一阶段运动的总体特征。基于客户生命周期的客户细分方法主要有两种，分别是忠诚度分类法和依据客户关系不同阶段的划分法。

2 统计细分

统计细分方法的原理是根据客户统计学方面的特性对客户进行细分。客户的统计特性主要包括客户的性别、年龄、职业、收入等等。统计细分方法的优点主要在于简单、易于实现，由于具有以上特点，统计细分方法在客户细分中应用的也较广泛。但是由于统计细分法较难反映客户需求、客户价值和客户关系等，该种方法也具有明显的不足，统计细分已逐渐被其它性能更优的客户细分方法所取代。

3 行为细分

行为细分方法是一种基于预测的细分方法，该种方法通过已有的行为模式来挖掘新的行为模式。客户已往的行为与他将来的行为之间有必然的相关性，过去的客户行为可以作为预测客户将来行为的依据。行为细分方法的基本原理就是根据客户过去的行为来对客户将来的行为进行预测。行为细分方法运用了人工智能的方法，一些人工智能中经典的方法被运用到行为细分中。行为细分方法包括很多的具体方法，下面将对主要的一些方法进行介绍。

3.1 RFM分析 RFM是在1994年由Hughes提出的一种行为细分方法。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三项指标来描述该客户的价值状况。R代表最近一次消费（Recency），F代表消费频率（Frequency），M代表消费金额（Monetary）。RFM方法通过计算以上三个量的乘积，对三个量的乘积结果进行排序，将客户按20%、60%、20%进行分类，采用有区别的策略来对待不同的客户群。该种方法所存在的主要的不足是分析过程复杂、耗时，F和M两个量之间存在多重共线性。

3.2 客户价值矩阵 客户价值矩阵是由Marcus于1998年提出的一种客户细分方法。客户价值矩阵的最核心的思想是采用购买次数据F和平均购买额A构建二维的客户价值矩阵模型。所有的客户将被分类到通过采用购买次数据F和平均购买额A构建二维的客户价值矩阵模型的四个象限中，对四个象限中的不同用户采用不同的营销策略。该种方法最主要的问题在于其只能对已经拥有的客户进行定义和评价，而对于未知的用户该种方法则无能为力。

3.3 聚类分析 聚类分析是人工智能领域中一个概念，聚类分析属于无监督的学习方法。聚类方法的主要思想是把相似的样本归为一类，使得类内样本属性同质性较高，而类间的同质性较低。采用取类分析需要收集客户的属性值，通过属性值构建属性矩阵，再通过聚类分析方法对属性矩阵进行分析，从而达到对客户进行分群的目的。聚类方法主要包括的子方法有层次法、划分法、基于密度的方法、基于网格的方法以及基于模型的方法等等。

层次法对给定的数据集合进行层次的分解，分为凝聚的和分裂的。不管是在类的合并或分裂过程中，都需要考察类间的距离。划分法是在给定的k中先建立一个初始划分，再通过反复迭代改变其分组，达到同一分组中的距离越近越好，而不同分组中的距离越远越好。基于密度的方法不像其他类是基于对象之间的距离进行聚类，它们只能发现球状的类，而基于密度的方法却能够发现任意类型的类。它的基本指导思想是，只要邻近区域的密度超过某个阈值，就继续聚类。这样的方法可以发现任意形状的类，并且过滤掉噪声数据，但算法计算复杂度高，对于某些的数据集比如密度不均的往往得不到满意的聚类，结果。此方法属于聚类操作都是在把对象空间量化为有限数目的单元的网格结构中进行的。基于模型的方法是为每个类假定一个模型，再寻找对给定模型的最佳数据拟合。此类方法主要有两类，分别为统计学方法和神经网络方法。

3.4 人工神经网络 人工神经网络同聚类方法类似，相同点在于它是人工智能领域中的一个概念，不同点在于聚类分析是无监督的学习方法，而人工神经网络是一种有监督的学习方法。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数（activation function）。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。

4 客户细分对电力企业的意义

电力企业的最主要的社会责任是保障人民的生产和生活用电，电力企业是一个服务性质的企业，客户服务质量对电力企业是尤为重要的，在现代，电力企业越来越看重客户服务质量。对于电力企业来说，用电客户是不同的，将用户客户进行分类，对属于不同类别的用电客户进行差异化服务是电力企业提高客户服务质量的一个有效的途径。

电力企业在进行客户线分析时，要根据企业自身的实际情况，有选择的使用已有的客户细分方法，必要时要根据实际情况对现有的细分方法进行调整以适应电力企业实际细分工作的开展。电力企业在进行客户细分工作时，要注重相关人才的培养，注重培养一批既懂业务又懂细分方法的人才，服务于电力企业客户细分工作。

客户细分不是一个一成不变的问题，客户的群属性是不断变化的。例如，某用客可能因为家庭收入的增加从小用电量客户变成为大用电量客户。电力企业要清楚的了解这一点，要周期性的对客户进行细分，保证客户都处于他们实际的群体中，从而使对客户的差异化服务做到准确无误。

5 结语

电力企业做为经济发展的保障性行业也迎来了新的发展契机。在新的时期中，电力企业不仅要注重供电可靠性，同时也要注重客户服务能力的提升。客户服务能力已经成为电力企业工作的一个十分重要的部分，如何提高电力企业的客户服务能力是摆在电力企业面前的一个问题。差异化的客户服务是电力企业提升客户服务能力的一个重要的手段。客户细分是差异化客户服务的基础，本文的主要工作是对客户细分的主要方法进行综述，为电力企业客户细分相关工作者提供一些启示。

参考文献：

[1]曾小青，徐秦，张丹，林大瀚.基于消费数据挖掘的多指标客户细分新方法[J].计算机应用研究，2013（10）.

[2]胡新杰，罗荣华，江明华，王汉生.基于高维0-1变量的EM算法在移动通信客户细分中的应用[J].数理统计与管理，2009（02）.

[3]彭凯，秦永彬，许道云.应用因子分析和K-MEANS聚类的客户分群建模[J].计算机科学，2011（05）.

[4]谢传胜，卢键明，胡笳，丁亚伟.基于ABC作业成本法的供电服务差异化选择策略[J].现代电力，2009（02）.

[5]曾鸣，杨素萍，杨鹏举，等.社会节能环境下电力客户价值评估研究[J].华东电力，2008（06）.

[6]王凯.基于改进的模糊核C-均值算法在商业银行客户细分中的应用[J].湖南理工学院学报（自然科学版），2007（01）.

[7]刘明刚，王旭.浅谈数据挖掘技术在信用卡客户细分方面的应用[J].科技信息，2010（09）.