基于客戶聚類的成品油客戶精準(zhǔn)營銷研究與應(yīng)用

張曦 隋毅 郝晶 倪杰清

（中國石油天然氣股份有限公司規(guī)劃總院）

0 引言

隨著國內(nèi)成品油市場的發(fā)展，我國成品油零售市場正在形成一個油源多元化、競爭主體多樣化、品牌服務(wù)及價格差異化的局面，且各營銷企業(yè)在經(jīng)營規(guī)模、經(jīng)營品種、油品價格和油品質(zhì)量等方面相差無幾。成品油零售企業(yè)要想在市場競爭不斷加大的情況下立足，必須從營銷角度重新審視市場，構(gòu)建精準(zhǔn)營銷體系，提升核心競爭力。本文從成品油零售客戶精準(zhǔn)營銷角度，以客戶交易數(shù)據(jù)為研究對象，通過結(jié)合業(yè)務(wù)實際需求，從客戶的人口特征屬性、消費行為、產(chǎn)品驅(qū)動、消費偏好、加油站偏好、忠誠度等各方面進行分析，運用數(shù)據(jù)挖掘中的聚類算法K-Means對客群進行細(xì)分，實現(xiàn)客戶畫像全面客觀地展示，為企業(yè)的管理和制訂差異化營銷策略提供依據(jù)。

1 客戶畫像

客戶畫像是客戶的標(biāo)識，是制定差異化營銷策略的判斷依據(jù)?？蛻舢嬒裰饕蛻舻男睦韮r位、產(chǎn)品風(fēng)格喜好、客戶黏性等。比如建立一個客戶畫像：男，31歲，喜歡消費 95號油，加油地點較為固定，常去的加油站為大興方科加油站，對價格不敏感等。這樣的一系列特征描述即為客戶畫像的典型案例，梳理這些特征的過程稱為客戶信息標(biāo)簽化。客戶畫像的核心就是為客戶打標(biāo)簽。標(biāo)簽提供了一種便捷的方式，使得計算機能夠程序化處理與人相關(guān)的信息，甚至通過算法、模型能夠“理解”人。因此，基于客戶畫像的數(shù)據(jù)挖掘技術(shù)能更方便的讓人理解客戶并且易于計算機處理，從而更有效地利用挖掘結(jié)果，提高信息獲取的效率，提升營銷精確度。

1.1 客戶聚類

聚類是按照事物的某些屬性，將事物聚集成不同的類，使類內(nèi)成員的相似性大，類間的相似性盡可能小。聚類的目的是從大量數(shù)據(jù)中尋找隱含的數(shù)據(jù)分布規(guī)律。聚類算法很多，不同角度分類不同，按聚類結(jié)果劃分，可分為覆蓋聚類算法和非覆蓋聚類算法、層次聚類和非層次聚類、確定聚類和模糊聚類；按聚類變量類型劃分，可分為數(shù)值型、分類型和混合型聚類算法；按聚類原理角度劃分，可分為劃分聚類、層次聚類、基于密度的聚類和網(wǎng)格聚類算法等[1]。

目前流行的數(shù)據(jù)挖掘軟件中主要聚類方法包含K-Means聚類、兩步聚類和Kohonen聚類等，其中K-Means聚類算法應(yīng)用最為廣泛。K-Means聚類也稱為快速聚類，屬于覆蓋型數(shù)值劃分聚類算法，是執(zhí)行效率較快的聚類算法之一，對于成品油零售客戶細(xì)分而言，此算法操作方便。

1.2 基于聚類的客戶畫像

在本文的研究過程中，采用 IBM公司 SPSS Modeler作為數(shù)據(jù)挖掘工具，選取部分客戶作為研究對象，通過對客戶不同方面特征分析，建立客戶寬表，并使用K-Means聚類方法對客戶進行科學(xué)合理細(xì)分類，建立客戶畫像。企業(yè)根據(jù)客戶群畫像的特征，可針對不同客群制定差異化營銷策略，最大程度地提升不同客群給企業(yè)帶來的不同價值，增強對客戶的吸引力，進而提升市場競爭力。以某省公司的主要消費汽油的高價值客戶進行K-Means聚類分析為例，主要從以下5個方面選取衍生字段。

1.2.1 人口及客戶價值

人口特征數(shù)據(jù)中，姓名和聯(lián)系方式通過系統(tǒng)直接獲取，性別和年齡則根據(jù)客戶身份證號碼進行計算?？蛻魞r值參考客戶的月均消費額劃分為高、中、低三類價值。月消費金額前15%的客戶定義為高價值客戶，后15%為低價值客戶，中間則定義為中價值客戶。

1.2.2 消費行為習(xí)慣和偏好

消費行為是通過抓取包括月均消費金額、消費量、頻次，單筆消費金額及消費量的均值、極值和年消費金額及消費量等在內(nèi)的數(shù)據(jù)分別統(tǒng)計客戶單筆消費情況、月均消費情況和年消費情況。

消費習(xí)慣與偏好信息包括加滿率和價格敏感度。取客戶歷史最大加油量作為其油箱大小，計算本次加油量與油箱大小比值，若不小于 0.85，則認(rèn)為其加滿，單個客戶的加滿次數(shù)與總加油次數(shù)的比率，即為加滿率。價格敏感度，在經(jīng)濟學(xué)上是通過顧客需求彈性函數(shù)體現(xiàn)，即由于價格變動引起的產(chǎn)品需求量的變化。成品油零售客戶的價格敏感度可以轉(zhuǎn)化為研究油品單價和油量升數(shù)相關(guān)性。采用“張氏系數(shù)”指標(biāo)進行研究，可以得出該客戶的價格敏感度。

1.2.3 產(chǎn)品偏好

包括主要消費的油品種類、油品型號、對應(yīng)消費金額、消費升數(shù)、該油品消費占比、是否消費非油品以及非油品消費頻次前三的類別等。統(tǒng)計時，先按油品類型統(tǒng)計，再按油品型號統(tǒng)計，比如，汽油占比是以汽油占汽柴油消費總量為基數(shù)測算，而92號汽油占比，是以 92號汽油占汽油消費總量測算。客戶主要消費的油品種類是以汽油消費占比為85%為界，超過的則定義為主要消費汽油。

1.2.4 忠誠度

忠誠度信息包括客戶卡片級別、持卡時長、卡片余額、積分余額、持有加油卡數(shù)量、客戶流失狀態(tài)等。持卡時長是從開卡日期至現(xiàn)在的總時長。客戶流失狀態(tài)是以最近一次加油時間與模型運行時間差進行計算，以30天為界，將客戶劃分為活躍客戶、不活躍客戶、瀕臨流失客戶和流失客戶。

1.2.5 加油站位置偏好

地理位置信息包括客戶開卡的站點、所屬地市、省份和客戶對于消費站點的偏好，根據(jù)這些信息可預(yù)測客戶的職業(yè)傾向，屬于傳統(tǒng)人士還是商務(wù)人士，最常去的三個加油站點等。

2 K-Means模型建立與評估

通過對數(shù)據(jù)抽取、清洗、轉(zhuǎn)換和剔除異常值，按不同指標(biāo)分析方向提取衍生字段，通過因子分析對變量進行降維，可以獲取能代表樣本大部分信息的少數(shù)變量作為K-Means聚類算法的輸入變量[2]。以汽油高價值客戶的聚類分析為例，模型建立如下。

2.1 選取變量

對原始變量和產(chǎn)生的一系列衍生變量，進行因子分析，并結(jié)合實際業(yè)務(wù)需要，選取每月消費金額、加油時間間隔、常去加油站個數(shù)、常去加油站加油升數(shù)占比、加油月份數(shù)量等具有代表性，能反映客戶80%以上信息的多個變量作為聚類輸入變量。

2.2 確定聚類個數(shù)k

根據(jù)汽油高價值客戶所具有的消費特征以及實際客戶群體的類型，可分為中產(chǎn)居家型、進取商務(wù)型、拉活掙錢型、職業(yè)司機型和高品質(zhì)工薪型5個類別，所以k的取值不小于5。在此基礎(chǔ)上，根據(jù)輪廓系數(shù)（Silhouette Coefficient）值，運用枚舉法，對k的取值進行最終確定。輪廓系數(shù)結(jié)合了聚類的凝聚度和分離度，用于評估聚類的效果。該值取值于-1到1，值越大，表示聚類效果越好。經(jīng)過反復(fù)試驗，確定選定k為5，此時輪廓系數(shù)為0.4，聚類效果良好。

2.3 模型構(gòu)建與結(jié)果展示

運用IBM SPSS Modeler軟件中K-Means節(jié)點進行聚類，最終聚類結(jié)果見表1。從表1中可以看出依據(jù)代表客戶主要信息的變量將客戶聚成5類，各個類別的客戶數(shù)量分布較均勻，類之間的差異性明顯：聚類2和聚類4中客戶特征為95號汽油油量升數(shù)平均占比較高，分別為 0.79、0.73，接近 0.80，說明這兩類客戶主要以95號汽油為消費類型。而聚類2常去加油站平均為8.73個，遠(yuǎn)遠(yuǎn)超過聚類4的3.74個，說明聚類2的客戶常去的加油站數(shù)量較多，生活圈相對較廣，可為聚類2創(chuàng)建標(biāo)簽為進取商務(wù)油品型的客戶，同時按照性別可分為進取商務(wù)男和進取商務(wù)女。相對來說聚類4可創(chuàng)建標(biāo)簽為傳統(tǒng)居家油品型客戶，同樣可分為傳統(tǒng)中產(chǎn)男和傳統(tǒng)居家女。

表1 聚類結(jié)果

同樣，聚類 1、聚類3、聚類 5中的客戶以 92號汽油油量占比較高，說明主要消費92號汽油。聚類3常去加油站個數(shù)最多，常去加油站加油的占比最低，加油站點比較分散，可以把該類型的客戶稱為拉活掙錢油品型客戶；聚類1時間間隔波動小，加滿率較高，加油站點較固定，加油間隔也較固定，說明這類客戶生活比較規(guī)律，可以認(rèn)為是高品質(zhì)工薪階層油品客戶；聚類5常去加油站加油占比最高，常去加油站個數(shù)最少，加油站點最集中固定，可以認(rèn)為是職業(yè)司機油品性客戶。

用少量的數(shù)據(jù)變量進行客戶特征的描述，每個類內(nèi)的客戶具有的特征是相似的，類與類之間客戶特征不相似。根據(jù)相似的特點，給每個類定義了多維度標(biāo)簽，根據(jù)不相似性，構(gòu)建各自客戶群畫像。

3 數(shù)據(jù)驅(qū)動精準(zhǔn)營銷框架

數(shù)據(jù)驅(qū)動精準(zhǔn)營銷是對客戶數(shù)據(jù)的深度挖掘與應(yīng)用，從傳統(tǒng)的關(guān)注促銷活動向現(xiàn)在的關(guān)注客戶消費特征進行轉(zhuǎn)變，圍繞客戶偏好制訂營銷策略可以更好地實現(xiàn)以客戶為中心的業(yè)務(wù)支撐。油品和非油品零售業(yè)務(wù)在傳統(tǒng)營銷上多以普惠促銷為主，各類客群不分是否持有加油卡，也不分價值的高低均享受同等的促銷優(yōu)惠。以數(shù)據(jù)驅(qū)動的精準(zhǔn)營銷打破了這類常規(guī)做法，它強調(diào)的是差異化，不同客群應(yīng)該采取不同的營銷策略，在促銷環(huán)節(jié)的各個節(jié)點融入數(shù)據(jù)分析，基于數(shù)據(jù)發(fā)現(xiàn)，主動實施差異化營銷，節(jié)省促銷成本，提高促銷響應(yīng)率和營銷收益。

實現(xiàn)數(shù)據(jù)驅(qū)動精準(zhǔn)營銷通常包括8個環(huán)節(jié)，即客戶智能分析、業(yè)務(wù)目標(biāo)確定、營銷計劃制訂、促銷活動制訂、促銷活動執(zhí)行、營銷效果評價、促銷活動事中調(diào)整及模型優(yōu)化，是一個閉環(huán)的綜合業(yè)務(wù)過程（見圖1）。借助數(shù)據(jù)分析，可以發(fā)現(xiàn)數(shù)據(jù)中隱藏的規(guī)律和潛在的價值。

圖1 數(shù)據(jù)驅(qū)動精準(zhǔn)營銷流程

3.1 客戶智能分析與畫像

基于客戶聚類等算法，形成客戶畫像，進行客戶的深度洞察，發(fā)現(xiàn)需要重點關(guān)注的客戶群體，比如高價值客戶、流失客戶、沉睡客戶等。針對這些目標(biāo)客戶群體，進一步掌握和了解客戶的消費特征、消費習(xí)慣，比如常去加油站、月均消費金額、消費頻次、是否購買非油品等，為后續(xù)的精準(zhǔn)營銷進行數(shù)據(jù)探索和支持。

3.2 業(yè)務(wù)目標(biāo)確定

營銷業(yè)務(wù)目標(biāo)通常劃分為維系重要客群、提升產(chǎn)品銷量與利潤、處理產(chǎn)品庫存、推廣新產(chǎn)品及應(yīng)對競爭對手等5個方面。圍繞不同的業(yè)務(wù)目標(biāo)，會制定包含不同促銷要素的組合和促銷效果評估指標(biāo)，促銷方案在促銷客群、促銷產(chǎn)品、促銷站點、促銷方式、促銷渠道、促銷話術(shù)等方面都會有不同的選擇。

3.3 營銷計劃制訂

以營銷業(yè)務(wù)目標(biāo)為出發(fā)點，制訂年度、季度或月度的營銷計劃，逐級分解和細(xì)化營銷計劃，主要內(nèi)容包括營銷的策略、時間周期、范圍、促銷活動類型等，完成營銷計劃的編制與下達。

3.4 促銷活動制訂

按照營銷計劃，制訂具體的促銷活動，包括篩選目標(biāo)客群、明確促銷時間、促銷產(chǎn)品、促銷站點、促銷規(guī)則、促銷渠道、促銷話術(shù)等，形成完整的促銷方案。比如針對95號油高品質(zhì)客戶，進行CN98號油品滿288減15的促銷；針對流失客戶進行充值優(yōu)惠和多倍積分的促銷等。同一個營銷計劃可以根據(jù)不同的客群特征，制訂多個有針對性的促銷活動。在這個過程中，數(shù)據(jù)分析對促銷策劃過程起到重要的支撐作用，通過數(shù)據(jù)挖掘分析功能能夠輔助業(yè)務(wù)人員更精準(zhǔn)地確定促銷活動的細(xì)則。

3.5 促銷活動執(zhí)行

促銷活動的執(zhí)行通常是多個信息系統(tǒng)聯(lián)動的過程。依托于客戶關(guān)系管理系統(tǒng)制定促銷規(guī)則，經(jīng)審批后下發(fā)至各渠道的執(zhí)行系統(tǒng)，線下渠道主要是加油站管理系統(tǒng)，線上將是依托電子銷售平臺，推送至微信公眾號等渠道中。

3.6 營銷效果評價

營銷效果評價分為事前、事中和事后。事前主要是在促銷活動開始前進行營銷響應(yīng)預(yù)測，基于歷史的促銷響應(yīng)數(shù)據(jù)樣本，建立預(yù)測模型，計算客戶對于不同類型的促銷方式的響應(yīng)率，把它作為促銷匹配和響應(yīng)效果預(yù)測的重要輸入。事中主要是對促銷活動執(zhí)行過程中的客戶響應(yīng)情況、銷量的增長情況進行實時評價。事后主要在促銷活動結(jié)束后，通過各型號油品和非油品的銷量、交易金額、交易頻次和客群響應(yīng)等多項關(guān)鍵績效考核指標(biāo)衡量促銷活動的效果，通過多維度剖析，總結(jié)促銷活動經(jīng)驗，為產(chǎn)品定位、價格定位和客群定位提供指導(dǎo)建議。為了更準(zhǔn)確地評價活動效果，除了單次活動的效果分析，也可以進行實驗組和控制組的同期比較，可以更準(zhǔn)確地剔除時間因素和隨機因素，達到更精準(zhǔn)的評價營銷效果的目的。

3.7 促銷活動事中調(diào)整

根據(jù)事中促銷活動效果的監(jiān)控情況，可調(diào)整促銷活動次數(shù)，以進一步提高促銷響應(yīng)率和營銷收益。

3.8 模型優(yōu)化

模型優(yōu)化是提升模型質(zhì)量和效果的重要步驟。根據(jù)客戶對營銷活動的實際響應(yīng)情況，持續(xù)進行營銷響應(yīng)數(shù)據(jù)的積累，不斷修正客戶對各類促銷規(guī)則和促銷方式的響應(yīng)概率，以提高后續(xù)營銷響應(yīng)預(yù)測的準(zhǔn)確性。

4 應(yīng)用案例

銷售公司通過將數(shù)據(jù)分析結(jié)果運用在促銷活動中，實現(xiàn)了差異化的客戶定位，驗證了數(shù)據(jù)驅(qū)動精準(zhǔn)營銷的整體效果。以廣州銷售公司為例，通過運用數(shù)據(jù)驅(qū)動精準(zhǔn)營銷活動使該公司在激烈的市場競爭環(huán)境中，顯著提升了油品的銷量。

流失客戶挽回是目前應(yīng)用最廣的數(shù)據(jù)驅(qū)動精準(zhǔn)營銷活動。首先業(yè)務(wù)人員要查看客戶智能分析的結(jié)果，掌握客戶的畫像特征，明確需要重點關(guān)注的客群。經(jīng)過分析發(fā)現(xiàn)流失客戶的占比將近20%，不活躍和瀕臨流失的客戶占比將近32%。針對這一情況，將業(yè)務(wù)目標(biāo)鎖定為針對流失客戶進行重點維系和關(guān)懷，相應(yīng)制訂了為期三周的流失客戶挽回營銷計劃?；顒觾?nèi)容主要是針對廣州銷售公司流失、瀕臨流失和不活躍的加油卡客戶，精準(zhǔn)推送消費贈送6倍積分、可兌換加油站商品等優(yōu)惠政策，活動累計推送短信1.8萬條，吸引客戶持卡消費，提升客戶價值，體現(xiàn)客戶關(guān)懷，重建客戶的品牌認(rèn)同。

活動開展后，通過活動前后客戶數(shù)量變化，可掌握客戶挽回總體情況：不活躍客戶人數(shù)從 6 407人下降至5 523人，挽回 884人；瀕臨流失客戶人數(shù)從4 831人下降至4 447人，挽回384人；流失客人數(shù)從7 839人下降至7 451人，挽回388人，總計挽回1 656人。挽回的客戶交易量達到20.3萬升，交易額達到121.6萬元，流失挽回率將近9.2%。

為了進一步驗證流失客戶挽回的效果，比較了促銷活動前后日均挽回人數(shù)的差異（見表2）。流失、瀕臨流失、不活躍客戶通過精準(zhǔn)營銷活動日均挽回人數(shù)分別提升了67%、49%和29%，驗證了精準(zhǔn)營銷對流失客戶挽回的提升效果。

表2 促銷活動前后日均挽回人數(shù)的差異

同時，為了排除特定時間因素帶來的誤差（比如節(jié)假日迎來的客流），將廣州和深圳兩個地市的流失挽回情況進行了同期的對比（見表3）?？傮w流失挽回率廣州相比深圳提升了 3.3倍，其中流失客戶挽回率的提升度最高，可見精準(zhǔn)營銷活動效果顯著，并不是時間因素引發(fā)的效應(yīng)。

表3 促銷活動前后日均挽回人數(shù)的差異

從三類客戶群體挽回數(shù)量變化曲線可直觀看出，不論哪種類型客戶，數(shù)據(jù)驅(qū)動的精準(zhǔn)營銷都有明顯的客戶挽回效果（見圖2）。在分析總體響應(yīng)情況的基礎(chǔ)上，進一步研究每個客群的響應(yīng)情況，對響應(yīng)客群的共性特征進行分析發(fā)現(xiàn)：最容易被挽回的客戶群體有兩個明顯的特征，一是卡內(nèi)余額大于100元的流失客戶更容易被挽回；二是品牌搖擺的客戶群體對于活動的響應(yīng)程度最高，是最具有召回潛力的客戶群體，說明該部分人群加油受價格和促銷因素影響較大，符合這類客戶的消費行為特征，進一步驗證了客戶聚類的結(jié)果。

圖2 客戶挽回的時序特征分析

5 總結(jié)與展望

國內(nèi)成品油市場競爭不斷加大，企業(yè)需要準(zhǔn)確定位市場中的客戶群及特征，為其提供個性化服務(wù)，才能實現(xiàn)企業(yè)和客戶的“雙贏”，運用數(shù)據(jù)分析方法對客戶進行多維度、多層次的客觀全面地挖掘，并使用聚類分析對客戶進行分群，形成全方位的客戶畫像，是實現(xiàn)精準(zhǔn)營銷的基礎(chǔ)。本文從結(jié)合業(yè)務(wù)實際需求的角度，提供了成品油零售行業(yè)的客戶數(shù)據(jù)分析方法，搭建了客戶分析指標(biāo)體系，并運用聚類算法K-Means從原始數(shù)據(jù)中進行挖掘（K-Means算法的聚類數(shù)目k不只單純的依賴于經(jīng)驗，而是通過實際業(yè)務(wù)需求和輪廓系數(shù)相結(jié)合進行確定），得出有規(guī)律的客戶信息，實現(xiàn)客觀全面的客戶分群，構(gòu)建不同客戶群的標(biāo)簽畫像，以用于精準(zhǔn)營銷。

此外，在實際中，該方法的運用改變了以往單純依賴市場導(dǎo)向的營銷模式，實現(xiàn)以用戶價值為導(dǎo)向的有針對性的精準(zhǔn)式營銷，極大地降低了企業(yè)成本，滿足了客戶實際需求。