第10章客戶關系管理教學內容一、利用邏輯回歸算法的識別潛在顧客二、利用決策樹的預測客戶流失教學要求【知識目標】了解大數據在客戶關系管理中的應用；理解邏輯回歸算法的定義、原理和應用；掌握基于邏輯回歸算法的潛在顧客識別；理解RFM模型的基本概念和應用；掌握基于RFM模型的客戶分類方法；掌握基于決策樹的客戶流失預測方法。【技能目標】學會利用邏輯回歸算法的潛在顧客進行識別，以及學會利用決策樹的流失客戶進行預測教學重點基于邏輯回歸算法的潛在顧客識別；基于RFM模型的客戶分類；基于邏輯回歸算法的客戶流失預測。教學難點客戶購買預測模型的構建；基于RFM模型的客戶分類客戶流失預測模型的構建。教學方法講授法、案例法、任務驅動法、演示法課時數12課時教學內容客戶關系管理一、客戶關系管理簡介客戶關系管理是指企業通過先進的技術收集大量客戶信息，借助特定的數據分析技術識別準顧客、保留優質和有價值的客戶，并在此基礎上針對客戶的不同特征和生命周期階段進行企業營銷資源的有效分配，從而促進客戶忠誠，獲得客戶終生價值，提高企業獲利能力的一系列活動。本質上來說，客戶關系管理的過程就是對優質客戶獲取和保留的過程，它是隨著企業和客戶關系的演化而動態變化的，是對客戶生命周期的全過程管理。因此，精準識別潛在客戶，實行客戶分類和預測客戶流失成為客戶關系管理的三個重要內容。當前，移動互聯網設施與互聯網的普及和智能終端設備的高滲透率，使得企業比以往任何時候都能更容易、更快速地獲得更豐富、更復雜、更真實和規模更大和的客戶數據信息。而大數據挖掘技術的不斷更新和演化，使得企業可以基于顧客大數據識別潛在客戶，對客戶進行科學分類，預警可能的客戶流失，為企業更好地滿足客戶的需求，更合理地配置資源，更精準地制定個性化的營銷策略提供依據。二、問題設計近10年來，我國六家主要商業銀行的凈利潤所占比例持續下滑，市場份額不斷下降，而中小型銀行和民營銀行的市場份額卻持續上升。銀行業競爭的激烈程度可見一斑。為了保持甚至提升自己的市場份額，增加凈利潤，商業銀行不僅需要吸引、開發新客戶以彌補可能的客戶流失，從而保證銀行長期的可持續發展，而且還需要保留老客戶、降低客戶流失率，提高銀行聲譽，保證銀行長期穩定的利潤增長。在這種背景下，某商業銀行決定采取以下措施：（1）為了吸引更多的客戶，某商業銀行的業務部推出了新的定期存款業務，并讓業務員們通過群發短信和電話推銷兩種傳統的“撒網式”推廣方式向銀行的老客戶進行推薦。然而，事與愿違，這一做法不僅成本比較高，而且收到的客戶反饋和響應也很少，營銷效率和效果都遠不如預期。該商業銀行的業務主管希望后續該業務的推廣既能節約成本，又能提升推薦的轉化率。為了達成上述目標，該銀行需要更精準地選擇更有可能成為該業務的客戶進行電話和短信推銷，而不是無的放矢的撒網式電話推廣。那么，該銀行應選擇哪些客戶進行電話或短信溝通以推薦其新的定期存款業務呢？（2）考慮到不同客戶對銀行價值貢獻的差異和銀行資源的有限性，銀行準備對客戶按照其價值進行科學分級，以便更好地與客戶進行溝通，為不同的客戶提供更符合其需求的個性化的產品和服務，從而增強客戶滿意度，提高客戶忠誠度。那么，該銀行的客戶按照其價值能分成哪幾類呢？不同價值的客戶各自有何特征？應針對不同的客戶采取何種營銷措施呢？（3）將客戶視為企業的重要資源。當行業已經進入發展的成熟期，企業為獲得新顧客而付出的精力、時間和貨幣成本會顯著高于維護老顧客付出的各項成本。因此，已有老客戶的流失就意味著企業資產的流失。因此，從已收集的大規模客戶交易數據中篩選出可能造成客戶流失的客戶信息，構建客戶流失預警模型，可以盡可能減少企業已有客戶的流失。那么，針對該銀行而言，哪些是具有較高流失風險的客戶呢？這些可能流失的客戶有哪些可識別的特征？該如何挽留他們呢？三、問題解決思路1.客戶購買預測客戶反饋率的提升實際上取決于營銷人員是否能根據客戶的一些特征來識別新的潛在客戶。若能做到這一點，準顧客的識別將不再是大海撈針式的高成本、低效率的營銷。在大數據時代，企業則可以對采集的海量客戶數據進行挖掘，從而實現對潛在客戶的精準識別。由于這種方式可以適時根據所采集的客戶數據動態調整客戶購買預測模型，因此它既可以使企業避免“廣撒網”式的營銷推廣造成的低效率和高成本，也可以很大程度上擺脫企業對客戶經理經驗的依賴，更好地適應環境變化。2.客戶價值分類對客戶按照價值進行分類是在客戶開發之后，制定營銷策略之前必須要做的工作。只有根據客戶對企業帶來價值的大小對客戶進行科學的分級，企業才能針對不同客戶做出科學、合理的營銷資源分配。而客戶對企業價值貢獻的大小是可以通過客觀數據予以量化的，這樣可以避免企業主觀判斷客戶價值的大小可能帶來的認知偏差，保證后續營銷決策的正確性。一般，客戶價值可以根據消費者以往的消費金額、購買頻次和信用等情況進行類別的劃分，具體思路如下：①選擇影響客戶價值的主要指標；②計算客戶價值相應指標的數值；③按照給定的規則，根據各個客戶價值的數據將每個客戶歸入相應的類別；④針對具有不同消費特征的不同類別的客戶，根據數據分析結果，提出相應的營銷建議。3.客戶流失預測企業關鍵和核心客戶的流失不僅會給企業帶來長期利潤的損失，還可能會影響企業良好的聲譽，影響企業的長期穩定發展。客戶挽回是企業面對可能流失的客戶采取的必要措施。在大數據背景下，企業得以實時跟蹤和收集消費者的性別、年齡、職業、收入等人口統計信息和信用情況、消費頻數、消費金額、活躍情況等購買和使用相關的信息。根據這些信息，企業可以找出可能流失的顧客，進而采取相應的挽回策略，盡可能地保留客戶。一般，流失客戶預測的具體思路如下：①根據已有客戶數據找出流失客戶的主要特征屬性；②基于顧客的主要消費特征數據建立客戶流失預測模型；③根據客戶流失預測模型找出可能流失的客戶；④根據流失客戶的消費特征和對企業價值貢獻的評估，結合訪談和市場調查結果，提出客戶挽留策略建議。客戶購買預測一、邏輯回歸算法簡介1.邏輯回歸算法的定義邏輯回歸算法是一種基于概率的解決二分類問題的算法，它是利用已知的自變量來預測一個離散型因變量的值。在實際操作中，邏輯回歸算法通過擬合一個邏輯函數來預測一個事件發生的概率，然后根據預先制定的規則，判斷因變量的類別。因此，邏輯回歸模型中的因變量必須是類別變量。其中，二分類的邏輯回歸算法應用最廣泛。根據邏輯回歸的工作原理，其在實踐中常被用于以下營銷場景：預測多個自變量影響下產品達到預期收益的概率，預測某個特定商品是暢銷品或熱門產品的概率，預測特定客戶響應促銷活動的概率，預測特定客戶發生購買行為的概率。2.邏輯回歸算法的原理與步驟邏輯回歸的基礎是線性回歸，其由線性回歸變換而來。眾所周知，線性回歸的一般形式是Y=aX+b。其中，因變量y的取值范圍是[-∞,+∞]。由于這種形式與邏輯回歸要解決的二分類問題不相符，因此需要對因變量進行適當的轉換才能符合邏輯回歸的目的。根據統計理論，可以將Y的結果代入一個非線性變換的Sigmoid函數（如公式1）中，即把aX+b代入到Sigmoid函數中的t中，就可以得到一個典型的邏輯回歸模型（如公式2）。按照上述公式計算的函數s值有兩個特征：①t無論取何值，函數S的值都在[0，1]的區間內；②S的取值有多個。考慮到一個分類問題僅有0（代表否）和1（代表是）兩種情形，因此，在邏輯回歸中假設分類的閾值為0.5，將超過0.5的歸為1分類，將低于0.5的歸為0分類。但此閾值并不確定的，而是根據所分析問題的實際情況自行設定。二、基于邏輯回歸的準客戶識別1.數據源介紹agejobmaritaleducationdefault…y30blue-collarmarriedbasic.9ynono39servicessinglehigh.schoolnono25servicesmarriedhigh.schoolnono38servicesmarriedbasic.9ynono47admin.marrieduniversity.degreenono32servicessingleuniversity.degreenono32admin.singleuniversity.degreenono41entrepreneurmarrieduniversity.degreeunknownno31servicesdivorcedprofessional.coursenono35blue-collarmarriedbasic.9yunknownno…變量名稱數據類型變量及取值描述ageint客戶年齡jobstring客戶職業（分類：“行政管理”、“藍領”、“企業家”、“女傭”、“管理”、“退休”、“個體戶”、“服務”、“學生”、“技術員”、“失業”、“未知”）martialstring婚姻狀況（分類：“離婚”、“已婚”、“單身”、“未知”；注：“離婚”指離婚或喪偶）educationstring教育狀況（分類：“4年基礎教育”、“6年基礎教育”、“9年基礎教育”、“高中”、“文盲”、“專業課程教育”、“大學”、“未知”）defaultstring違約狀況（分類：“否”、“是”、“未知”）housingstring是否住有房貸款（分類：“否”、“是”、“未知”）loanstring是否有個人貸款（“否”、“是”、“未知”）contactstring交流方式（分類：“移動電話”、“固定電話”）monthstring最后一個聯系月份（分類：“jan”，“feb”，“mar”，…，“nov”，“dec”）day_of_weekstring最后聯系的星期數（分類：“mon”，“tue”，“wed”，“thu”，“fri”）durationint距離上次聯系的時間間隔（s）campaignint活動期間與該客戶的聯系的次數pdaysint距離上次聯系的時間間隔（天）（999：表示從未聯系）previousint活動之前與該客戶的聯系次數poutcomestring前一次的營銷結果（分類：“失敗”，“不存在”，“成功”）emp_var_ratedouble就業變化率－季度指標cons_price_idxdouble消費者價格指數－月度指標cons_conf_idxdouble消費者信心指數－月度指數euribor3mdouble歐元同業拆借利率3個月利率－每日指標nr_employeddouble職工人數－季度指標ystring預測客戶是否會訂購定期存款業務2.篩選特征變量計算各變量同本案例的目標變量yindex間的相關性，選取相關系數絕對值大于等于0.25的變量作為特征，包括duration、pdays、previous、empvar_rate、euribor3m、nr_employed和poutcome等7個特征變量。3.建立客戶購買預測模型對數據進行相關性分析后，需要從數據集中選取有用的特征用于客戶識別預測的訓練。其中，標簽列必選。需要說明的是，標簽列的選擇對于訓練模型有著重要意義，模型通過已有標簽來學習特征因子是如何影響標簽的選擇。換言之，標簽選擇的準確性直接影響最終模型的預測結果。本案例是根據銀行的客戶數據建立模型，并用其來判斷客戶是否認購銀行新的定期存款業務，故選擇“邏輯回歸”算法作為數據分析方法。4.準客戶識別基于以上模型，利用預測集數據幫助銀行判斷新客戶是否為準客戶。預測結果為0，說明客戶不會訂購新的定期存款業務，預測結果為1，說明客戶會訂購新的定期存款業務。根據此預測結果，銀行可以有針對性地通過電話和短信向預測結果為1的客戶推銷其新的定期存款業務，提高營銷效率，降低營銷成本。基于RFM分析法的客戶分類一、RFM模型1.RFM模型原理介紹RFM模型，是企業根據最近一次交易時間與當前的時間間隔（Recency）、一定時間內的購買頻次（Frequency）和購買金額（Monetary）來判斷顧客對企業的價值貢獻度并將其劃分為不同類別的數據分析方法。RFM模型的名稱是根據上述三個維度的英文首字母縮寫而來的。具體來說，三個指標的含義如下：①最近一次交易的時間（Recency），也稱近度，指客戶最近一次交易距離現在的時間，它是判斷顧客活躍度的指標，即顧客最近一次到店交易的時間與當前時間的間隔越短，意味著顧客越活躍度；②購買頻率（Frequency），也稱頻度，指顧客在一定時間段內的消費頻率或次數，顧客在一定時間段內到店發生購買行為的次數越多，那么該顧客對特定企業的忠誠度就越高；③購買金額（Monetary），也稱值度，指顧客在一定時間段內到店消費的總金額，它是企業判斷顧客購買能力的指標，即顧客在特定時間段內的消費總金額越高，購買能力就越強。基于以上三個指標，利用RFM模型進行客戶分級是建立在三個假設基礎上的：①與最近沒有購買經歷的顧客相比，最近有消費經歷的顧客發生重復購買行為的可能性更高；②與購買次數較少的顧客相比，在一定時間段內購買次數更多的顧客發生重復購買行為的概率更高；③與消費總金額較少的顧客相比，總消費金額更高的顧客發生再次購買行為的概率更高。2.基于RFM模型的客戶分類基于不同的公司、不同的業務場景，其客戶分類類別并不是唯一和固定不變的。不同的劃分方式，會產生不同的分類結果，以下介紹兩種常見的客戶分類。第一種是五等分模型，這種劃分方式具體地分析流程如下：=1\*GB3①查詢近一年時間內（以查詢時間向前推一年計算）所有VIP客戶的最近一次購買時間；=2\*GB3②按離查詢時間的遠近將所有客戶分成五等分，即將距離查詢時間最近的前20%的客戶標記為5，之后的21%~40%的客戶標記為4，然后以此類推；=3\*GB3③查詢一年內所有VIP客戶的購買次數及消費金額，用同樣的方法劃出5個等次，并進行相應的標記；=4\*GB3④將R、F、M三個指標與單個客戶一一對應，最終每個客戶將出現一個由三個數字組成的數組；=5\*GB3⑤將每個顧客對應的三位數相加，作為顧客價值的得分，進行標記。最終將得到一個總分值，不同分值對應客戶的類型。第二種是均值模型，這種方式是基于RFM模型將所有客戶的每個指標的平均值與每個客戶的三個指標的實際觀察值分別進行比較。如果對應字段的值小于均值，則權值為0，否則為1。最終可將客戶按價值劃分為八種不同的類型，包括高價值客戶、重點保持客戶、重點發展客戶、重點挽留客戶、一般價值客戶、一般保持客戶、一般發展客戶、潛在客戶。二、客戶分類實操分析將有限的營銷資源科學、合理地分配給不同客戶群體，是增強客戶體驗，提高經營績效的重要手段。而基于客戶消費大數據對企業價值貢獻程度的不同進行客戶分級，是企業營銷資源合理配置的前提和依據。本案例以某商業銀行的客戶消費大數據為基礎，按照其價值貢獻程度差異，劃分客戶類別，為銀行更好地滿足客戶需求提供依據。1.數據源介紹字段名數據類型訂單編號文本買家會員名文本買家支付寶賬號文本買家應付郵費整型買家支付積分整型總金額整型訂單狀態文本收貨人姓名文本收貨地址文本運送方式文本聯系手機文本訂單創建時間日期時間訂單付款時間日期時間2.基于RFM模型進行客戶分類在RFM模型中需要用到的三項指標分別為最近一次消費時間與現在的距離、消費頻率和消費總金額。其中，最近一次消費間隔，可通過“訂單付款時間”和采集時間進行簡單計算得到該生成列；消費頻率可通過統計“買家會員名”重復出現的次數來獲得；消費總金額可以通過將數據源中的“總金額”字段進行匯總計算獲得。完成三項指標的聚合配置后，運用RFM模型進行客戶分類。劃分結果生成兩個標簽binaryRFMClass和RFMClass。RFM模型將每位客戶的三個指標與相應指標的均值進行比較，若對應字段取值小于均值時，權值取0，否則取1。RFMClass為binaryRFMClass根據二進制取值轉換成十進制取值。最后對預測結果進行聚合，統計個類別客戶數量。三、差異化營銷策略按照所劃分的客戶價值類型，結合基于RFM模型分析的客戶價值分類結果，可為不同價值的客戶制定不同的營銷策略。1.高價值客戶（011）這類客戶是具有高交易金額、高交易頻率和近期交易行為特征的客戶群體，占銀行所有持卡消費客戶的1.8%，數量雖然較少，但卻是對銀行貢獻最多、價值最高的客戶，是銀行的核心客戶群體。考慮到他們可以因得到銀行的VIP服務和個性化服務而獲得認同感，因此，該銀行應為其提供專屬的休息室、配備專門的客戶經理等VIP服務。2.重點保持客戶（111）該類客戶經常使用銀行卡進行大量消費，但最近他們沒有交易行為，其占銀行所有持卡消費客戶的0.7%。這類客戶貢獻良多，且近期無流失的風險，可以通過回訪持卡人，找出沒有持卡消費的原因，并保持與其持續互動，詢問其對銀行卡消費過程的不滿之處，努力改進，同時提供交易優惠來其持卡消費行為。3.重點發展客戶（001）該類客戶是銀行的近期客戶，最近有消費行為，消費金額高，但消費頻率不高。該銀行的此類客戶占所有持卡消費客戶的比例為6.6%。此類客戶對該銀行的銀行卡消費貢獻度較大，但忠誠度不足。該銀行應制定忠誠度