台州市经济研究所 张路

随着物流企业客户关系管理研究的不断深入，物流企业客户分类对于物流企业决策的重要作用日益突显，如何根据客户价值对客户进行科学的分类成为许多企业共同关注的问题。

1 客户分类模型的建立

客户分类的理论依据是客户需求的异质性理论，这种理论认为客户需求存在差异性。客户分类是指将一个大的消费群体划分成为若干个群的动作，相似的客户同属于一个群，属于不同群的客户被视为不同的客户群。CRM中的客户分类方法并不是固定的，各企业可根据客户数据库中己有的类型信息的不同和自身管理的需要进行具体的分类。本文通过弗雷德里克·莱希赫尔德的净现值评价体系[4]和齐佳音的充分价值评价体系[5]的分析，结合客户生命周期理论，提出从客户生命周期价值和客户发展潜力两个方面来评价客户价值，下面简单介绍这种客户分类的设计思想。

客户生命周期是指客户关系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(一个阶段)向另一种状态(另一阶段)运动的总体特征。客户的生命周期阶段反映了客户与企业之间关系的强弱程度，随着客户生命周期阶段的发展，客户与企业交易量不断增加，客户支付意愿不断提高，交易成本不断下降，间接效益不断扩大[6]。当客户与企业的关系出现倒退时，客户带给企业的交易量与利润都将急速下降。因此,在评价客户价值时,应将客户的生命周期阶段作为一个重要的因素。经研究表明，表征客户生命周期各阶段的特征变量分别为：(1)交易额，它反映客户与企业交易量的大小；(2)利润，它反映客户带给企业利润的大小；(3)客户份额，指客户所购买企业的产品数量在客户的总体购买量中所占的比例，反映了企业在客户心目中的地位。

评价客户价值的另一个重要因素是客户发展潜力。因为从客户的生命周期发展的各阶段来看，当客户与企业的关系处在发展上升的阶段时，客户与企业的交易量会不断增加。但对于发展潜力很低的客户来说，即使与企业的关系处于上升期，但由于客户带给企业的利润已达到了客户自身所能承受的极限，因此企业在将来能从客户身上的获利则很少，那么其客户价值也不高。相反，对于发展潜力很高的客户来说，当他与企业的关系已处在末期，与企业的交易量不断下降甚至可能为零,则企业不能从该客户身上获利，那么其客户价值同样不高。

因此,应综合考虑客户生命周期阶段与客户发展潜力两个因素来评价客户价值，并以此为依据进行客户分类。

2 案例分析

作者在DHL台州分公司进行客户关系管理实践时，运用这种客户分类思想对该企业的客户进行了分类，得出了一些对企业极为重要的决策信息。

中外运敦豪台州分公司成立于2003年，经过几年的发展，已成为台州快件市场的领先企业。DHL台州分公司目前采用的是按每月快件收入来划分客户的，即：A 类客户为每月快件费用5万元以上大型分公司，每月快件费用5万元以上中型分公司，每月快件费用2.5万元以上小型分公司；B类客户为有较大业务潜力，但目前业务量尚不符合A类客户标准的客户；C类客户为每月快件费用在3500～5000RMB的客户；D类客户为每月快件费用在2000～3500RMB的客户。但这种分类方式较为粗放，缺少对客户数据的深入挖掘，因此导致客户流失率的缓慢增长及公司销售成本的增加。因此确立新的分类指标，建立定量分析模型，对公司的所有客户进行更准确的分类，是当前面临的重要问题。

2.1 新客户分类模型的应用

2.1.1 指标的选择

根据以上的客户分类思想，结合DHL公司的实际情况，同时综合考虑客户生命周期阶段与客户发展潜力两个因素，最终选定资金状况、稳定性和收入指标这三项指标(表征客户生命周期各阶段)作为分类的依据，并使用附加指标(表征客户发展潜力)对最终分类结果进行修正。各指标的涵义分列如下。

资金状况：DHL公司依据资金回收状况和最长付款期对客户的资信信用度评价。

稳定性：根据关系墙的一系列指标来评价客户的稳定性大小。

收入指标：某客户当年在DHL公司的定货总金额的大小。

附加指标：这一指标通过知名度、市场地位、行业和企业的发展空间四个二级指标来表征客户在将来能给企业带来更多价值的可能性的大小即客户的发展潜力。附加指标对最终分类结果起修正作用，不作为分类指标。

2.1.2 划分等级

(1)资金状况指标的等级划分。对于资金状况指标，选择24个月资金回收状况和最长付款周期这两项具有代表性的二级指标来进行信用等级划分。首先对这两项次级指标分别评分，最后根据总得分来进行信用等级的划分。具体划分情况为：资金回收率为90%～100%得5分、75%～90%得4分、60%～75%得3分、30%～60%得2分、30%以下得1分；同时付款周期为30天以内得5分、30～60天为4分、60～90天为3分、90～180天为2分，大于200天为1分，然后进行相加，总得分大于或等于8分，评定为高信用等级;总得分小于8分，评定为低信用等级。

(2)收入指标的等级划分。根据当年快件收入金额的大小来对其规模进行等级划分，每月快件费用大于等于2.5万元以上公司为大规模，每月快件费用小于2.5万元以上公司为小规模。

(3)稳定性的等级划分。根据关系墙的一系列指标来评价客户的稳定性大小，如表1。如果关系墙标准为高，说明该公司对DHL公司的依赖性强，那么这类客户的稳定性也越高。

表1 稳定性的等级划分表

2.1.3 附加指标

对公司客户附加价值的评价由专门的评审委员会来进行，委员的组成为公司领导、各部门经理和片区销售经理。附加指标值的高低依据给公司实际已经带来的或未来可能带来的良好声誉、知名度等附加价值的大小来进行综合评分，具体评定内容为知名度、市场地位、行业的成长空间、企业的成长空间，由评审委员会评价附加值的大小。

2.1.4 分类方法

首先根据以上确定的三项分类指标，采用类型组合的方法进行客户分类。然后再根据附加指标值的大小对分类结果作一些局部的调整。可以得到的类型组合为：A(高信用等级、大规模、高稳定性)、B(高信用等级、大规模、低稳定性)、C(高信用等级、小规模、高稳定性)、D(高信用等级、小规模、低稳定性)、E(低信用等级、大规模、高稳定性)、F(低信用等级、大规模、低稳定性)、G(低信用等级、小规模、高稳定性)、H(低信用等级、小规模、低稳定性)。

2.1.5 客户统计分类

根据所建立的客户分类模型，对DHL公司现有的37家客户来进行实际分类。最终的分类结果为：A为3家；B为4家；C为6家；D为12家；E为3家；F为4家；G为4家；H为1家。初步分类完成之后，再根据附加指标值的大小做局部调整。调整的原则：当附加值大于或等于12时，调整为A类客户，享受A类客户待遇;当附加值大于或等于9小于12分时，调整为B类客户，享受B类客户待遇:9以下的不做调整。调整后的情况如表2所示。

表2 客户类型调整统计表

根据最终的统计分类，DHL公司的37家客户被分为八类，其中A类客户(高信用等级一大规模一高稳定性4家，B类客户(高信用等级一大规模一低稳定性)6家，C类客户(高信用等级一小规模一高稳定性)5家，D类客户(高信用等级一小规模一低稳定性)10家，E类客户(低信用等级一大规模一高稳定性)3家，F类客户(低信用等级一大规模一低稳定性)4家，G类客户(低信用等级一小规模一高稳定性)4家，H类客户(低信用等级一小规模一低稳定性)1家。对这八类37家客户DHL台州分公司将采用不同的营销策略来对客户关系进行维护。

2.2 新模型效果的评价

在采用新的客户分类方法将客户进行重新分类并制定和实施了有差别的营销策略后，就必须对实施的效果加以评价，发现不足，持续改进。现拟通过客户满意度(CS)、客户流失率这两项指标来综合评价实施效果。

通过客户满意度调查并统计出DHL公司2009年的客户满意度为3.8，2010年7月份调查的2007年上半年的客户满意度为4.3，比2009年提高了0.5，说明客户对DHL公司采取的一些改进还是认可的。

同时，根据统计结果显示：2007年为12.3%；2008年为14.8%；2009年为15%；2010年1～10月为7.8%。可见2010年10月为止客户流失率还是明显下降了，说明公司所采取的措施是有效的。

因此，不管是从客户满意度还是客户流失率分析，DHL台州分公司通过新客户分类模型的建立以及客户管理手段的改进，取得了较明显的效果。

3 结语

对于客户分类的研究一直以来是企业客户关系管理研究的重点。虽然本文构建了一种有效的客户分类模型，但因为客户的特殊性和复杂性以及客户行为的难以预测性，都将决定对客户分类的研究将有一段很长的路要走。例如怎样建立一个更精确且有效的算法；在其他行业验证本文得出的结论并丰富其应用范围，或者细化实证研究的领域，以得到更有针对性的结论等等都是需要进一步研究的课题。

[1]肖凤,郑海健,卢闯.基于聚类分析的银行客户关系管理策略研究[J].技术经济,2010(01).

[2]刘希宋,喻登科,李.基于客户知识的客户CABOSFV聚类[J].情报杂志,2008(02).

[3]刘希宋,李文庆,喻登科.基于市场营销离群数据挖掘的客户分类模型[J].情报杂志,2009(12).

[4]Frederick F R.The loyalty effect: the hidden force be-hind growth, profits, and lasting value[M].Boston,Massachusetts: Harvard Business School Press,1996.

[5]齐佳音,韩新民,李怀祖.一种新的客户——企业价值评价体系的设计[J].管理工程学报,2002,16(4).

[6]陈明亮.客户生命周期模式实证研究[J].浙江大学学报(人文社会科学版),2004,32(6).

[7]David Hand,Helkki Mannila,Padhraic Smyth.数据挖掘原理[M].北京:机械工业出版社,2003.