这是一篇客户取舍之道的介绍，决策时必须小心谨慎，因为任何时候当客户来消费，你并不真正了解他属于哪一组群。所以，最优的决策必须考虑到你对客户反应的不确定性。

运营案例分析：客户取舍之道

罗伊·卡迪夫(Roy Cardiff)经营的邮购公司记录了每个客户的交易信息。最近，他决定减少向那些购买欲望不强的客户发放商品目录，以减少成本。卡迪夫的客户可以分为三类：在过去的一年里多次下单但金额都不大的客户;只下过一个大单的客户;长期以来零星下单的客户。

他应该从邮寄名单中删除掉哪一类客户呢?按几位研究过这个问题的营销专家的说法，尽管新提出了一些日趋完善的衡量“客户终身价值(customer lifetime value，CLV)”的方法，问题的解决并没有那么简单。所谓客户终身价值，是指由单个客户可能带来的未来收入的现值。

利用数据，发现客户终身价值

“CLV现在是炙手可热。”沃顿商学院教授沙维·德雷兹(Xavier Dreze)指出。CLV算不上是新生事物，但随着互联网技术日新月异的发展“使得公司能够以较低成本与客户发生直接联系”，CLV的概念也日渐走俏。德雷兹说，CLV“把客户看成是公司极力从中获取尽可能多的价值的源泉。”

然而很多公司发现，作为客户关系管理(CRM)组成部分的CLV仍然是很难把握。首先，测算时缺乏确定性;其次，难以用之于实践。

“经理人唯一真正有把握的数据是客户现在带来的盈利率。”沃顿商学院教授乔治·戴伊(George Day)说，“根本的问题在于，你现在有了数据，那该怎么用它呢?有些公司利用客户现在的赢利率信息，针对不同价值的客户组群制定不同的方案。例如在金融服务业，客户因其重要性高低而得到不同水平的服务。但这样做很有可能激起其他客户的不满。”

此外，很难预测一个客户将在多长时间内保持和公司的交易关系，或他的“增长性”有多强。戴伊指出：“在对增长性的分析中，很难确切知道客户可能带来的赢利到底有多少。”

在获取和保留客户的成本较高的行业，如金融服务业、航空运输业和酒店服务业，CLV倒是能发挥较大的作用。“当交易分布不对称的时候---也就是大部分的营业额由少数客户带来，如酒店服务业的情况;或当企业能够通过奖励或其他激励措施来影响消费行为的时候，CLV也比较有效。”沃顿商学院营销学教授大卫·贝尔(David Bell)指出。比如航空公司可以通过把乘客调整到头等舱来吸引乘客，乘客因此而得到的好处多多，而航空公司增加的成本却微乎其微。

贝尔还指出，收集与CLV相关的信息可以使某些公司受益匪浅。如酒店收集到的客户入住信息可以帮助它确定最佳客户，并向其交叉销售其他产品。酒店的营销人员可以从这些客户那里获得反馈意见。在反馈意见的基础上，酒店可以就更有效地分配营销资源做出合理的决定。假设信息显示，大部分客户都是来自最大的城市，而且年龄都是五十多岁，那么酒店可以利用该信息准确地进行业务拓展。

贝尔认为哈拉娱乐(Harrah誷)公司的博彩业务是一个成功运用CLV的典范。根据从顾客忠诚度计划中获取的信息，哈拉娱乐公司可以发现“哪些人会进入本公司的博彩厅，进来以后将首先玩哪个项目，他们将在不同的博彩桌旁呆上多长时间等等。有了这些信息，公司就可以对博彩项目的种类和设置进行适度的调整。”

可能从CLV数据中获益的行业还包括：医疗保健业、信用卡业、直接营销业和网络邮件营销业，部分原因是他们都直接与客户发生联系，容易记录客户信息。德雷兹举了制药业的例子：销售人员可以根据相关信息来决定他们拜访医生进行药物推广的频率。

戴伊说：“通常情况下，只要具备了客户资料和交易信息等数据，CLV的可用性就比较高。但如果你不和客户发生直接联系，而是通过诸如可以增加价值的零售商之类的渠道来销售的话，那么运用CLV就不是那么简单了。”

客户在变，必须加上主观判断

收集到更好的客户购买信息，足以判断客户的终身价值之后，该如何使用该数据呢?研究人员建议：“谨慎为妙”。

“人各不同。”贝尔说道，“分析单个顾客的行为比较难，而预测一个市场区隔的行为模式容易些。如我们可以说，商务旅行者平均在希尔顿酒店住若干个晚上。但要确切地说出某某先生将在希尔顿酒店待上几晚就很难办。”

贝尔还指出，运用CLV法的困难之一在于预测模型对于假设条件是非常敏感的。比如模型经常假定客户将维持多久和公司的业务关系、客户消费是否活跃以及客户将花费多少钱。然而，其中的一些假设是不准确的。“我去年消费了100美元，并不意味着我今年也会买100美元的单。”贝尔说，“还需要搞清楚：某个客户的消费不太活跃，是因为他暂时停止了使用该产品，还是他转而选择了竞争对手的同类产品?”

以前评估互联网价值的方法的问题就在于，很多公司在一些方面的假设不准确，如客户的价值是多少，获取客户的成本是多少，客户将和公司保持多长时间的业务关系等。“而价值计算的结果对这些重要的假设条件是非常敏感的。”贝尔说，“任何失误都可能造成严重的影响，也就是说，一个假设条件与实际不符，就可能使测算结果大相径庭。但现在很多公司都根据客户的终身价值来决定服务水平。如果我是个一般客户，就会被草草打发;要是增加两个星级，他们又会毕恭毕敬地伺候我。这样做是因为他们假设，客户是静态的：你把客户归在某个组群里，他们就老老实实的待在那儿。但实际情况是：如果你一开始的服务态度好一点，也许我就会成为重要客户。”

此外，当企业评估自己客户的价值时，总习惯以客户与企业的历史交易关系为基础来推断。“这样做的信息是不全面的。你不知道客户与其他企业的交易关系。也许他每年在你这儿消费100美元，但同时却购买了你的竞争对手500美元的产品。”贝尔说，他指的是“钱夹份额(share of wallet)”---即客户花多少钱购买你的产品，花多少钱购买你的竞争对手的产品。这就是问题所在：不能仅仅用客户和你一家公司的交易数据来评估他的价值。

公司采用的任何预测模型只能提供决策程序所需的一个方面。“还要靠直觉和管理上的判断”，贝尔补充道。

戴伊举了例子：一个大型元器件制造商发现某个客户不能带来赢利。“这种情况下该怎么办呢?该客户或许是不能带来利润，但在这个市场上，它可能占据了你营业额的15%。放弃这类客户的代价巨大。客户终身价值要让位于客观事实。客户未来价值的预测是很微妙的：你怎么知道客户将来会做什么呢?”戴伊说，公司最大的风险在于“漫不经心地放弃从长远来看将为公司带来利润的客户”。

费德尔指出，一些CLV测算模型忽略客户个体的“内在随机性(inherent randomness)”。“这些模型只考察了客户过去发生的行为，假设每个顾客将在特定的阶段带来相对固定的效益。但以往交易的信息并不是预测未来最好的或唯一的因素。”

营销配合，成败尚难一概而论

交叉销售和向上销售等营销策略已经出现很多年了，现在越来越多的企业积极将其用于增加客户终身价值。然而成功与否，尚难一概而论。

以交叉销售为例，卖给你滑水橇的公司肯定也会向你推销护目镜。对于营销人员来说，这样做的吸引力是显而易见的。“向老顾客推销要容易得多。”德雷兹说，“这是为了使已有的客户关系价值最大化。”但费德尔却对这种策略多少有些怀疑：“如果客户在很大程度上是随意购买，那么在他随意购买甲产品和随意购买乙产品之间，很难说有什么必然联系。”

向上销售也问题多多。以亚马逊公司为例，在客户购买若干美元的书之后，亚马逊公司将免收递送费;或者客户购买第一本书后，提供第二本书的优惠折扣。“在亚马逊公司的例子中，有的客户可能不在乎第二本书的折扣，全额支付也无所谓，”费德尔说。“有些公司在向上销售上花费了太多的精力。很难说这些努力产生了什么实质性的效果。销售额增长了，并不表明赢利能力的提高可以归功于营销措施。”

与交叉销售类似的一种策略是多渠道营销。“在过去，大部分的公司和客户只有一个接触点。”费德尔说，“但现在有许多的零售渠道，以及互联网、直邮和呼叫中心等销售方式。这就要求对资源进行分配。假如一个客户使用互联网，另外一个使用呼叫中心，处理方式是否应该不同?很显然，你希望鼓励更多的客户通过网络来采购，因为网络的维护成本比建立呼叫中心要低得多。问题是，应该鼓励哪一类客户?他们的行为特征是什么?你是否要冒着激怒呼叫中心客户的风险来鼓励他们上网订购?还是全力动员对呼叫中心方式不太热衷的客户上网，即使业务利润并不因此而增加?”

方法很多，不要拘泥定量数据

费德尔说，问题归根到底在于：“有些销售策略不错，有些销售策略则效果不佳，但总的来说，很难从营销方面的投入所获得的回报当中，找出可以归功于持续实施的CLV管理措施的部分。公司为了吸引客户实施了各种各样的销售策略，无意中降低了CLV数据的有效性，更加难以据此确定未来哪些客户该取、哪些客户该舍。”

在一份新的研究报告中，费德尔和布鲁斯·哈迪(Bruce Hardie)、黄俊尧(Chun-Yao Huang)和李嘉乐(Ka Lok Lee)分析了在经理人员广泛运用CLV法之前，以客户信息为出发点的营销人员如何根据不同客户组群过去的行为模式评估其价值。费德尔说：“最通行的做法是根据RFM(指交易的新近度、频率和货币价值)来对客户价值前景进行分类分析。”

RFM实际上源自CLV概念应用得最广泛的直接营销业。费德尔及合著者希望了解相对简单的RFM测算值和更加复杂的CLV数值(很可能是预测消费者未来购买行为的“首要指标”)之间有什么关联。“如果一位客户在很久以前购买了许多商品，另一位则在最近购买了一件商品，从CLV的角度来看哪位客户的价值更高、更值得尽力保留?”费德尔又提到了本文开篇的案例，“交易的新近度和频率之间的重要性应如何平衡?”

费德尔及合著者在报告中指出，实际上，诸如交易新近度和频率这样的简单统计法能够为未来的终身价值提供有效的估算数据。他说：“对于有限而精炼的交易信息，只要使用得当，完全可以和完整详细的交易信息一样，得出精确的CLV预测值。营销人员面临的挑战是判断应使用哪些归纳性统计数据，以及如何正确地使用。依靠以往普通的经验规则是很难做出非常有效的管理决策的。”

费德尔还发现，在实践活动中，关键客户的确认在很大程度上还是要依靠直觉判断。换言之，尽管有了不少运用交易信息预测客户未来购买行为的模型工具，在确认推动未来销售额增长的最优客户和最差客户时，经理们还是要大量使用主观判断的方法。

费德尔发现，经理们并不习惯于坚持使用像新近度、频率和货币价值这样的归纳性数据。他们对待这些数据的方式在很大程度上取决于所面临的任务性质(前面的例子，就是决定在邮寄名单中各增加和删除哪些客户的名字)，以及向他们递交消费者购买信息的形式。“为了避免经理人不接受这些信息而陷入‘黑箱操作’，重要的是要了解外部因素将如何影响他们的决策。”费德尔说，“我们要在努力建立高科技的预测模型和更好地了解经理人在管理决策中的心理因素之间找准平衡点。”

德雷兹和安德烈·邦夫雷(Andre Bonfre)提出了一种“评估客户价值的新方法”。“传统的CLV法测算一个客户所带来的所有收入的净现值。营销人员预测终身价值时的部分假设条件是，客户在某个时点上将流失，转而选择其他公司的产品。”德雷兹说。

但在做出这种假设的时候，“你低估了数据库的价值。如果依据这种方式来优化营销措施，将得出错误的决策。因为，虽然每年你失去了一些客户，但也获取了新的客户。在评估数据库价值的时候，必须考虑到新客户的获取。”德雷兹补充道。“重要的是使数据库价值---而不是客户价值最大化。”

而沃顿商学院运营和信息管理学教授诺亚·冈茨(Noah Gans)则从优化论的角度来分析CLV的问题：如果资源有限，应以哪一类客户为中心?

冈茨建立了一个理论模型，研究服务质量的总体水平将如何影响顾客保持交易关系的平均时间长度。“如果你提高服务的平均质量，顾客将大大延长保持和你的交易关系的时间。”他说。但还有其他一些问题需要考虑：你的竞争对手在做什么?顾客转而接受其他供应商的服务要付出怎样的成本?技术的演进将对购买交易产生怎样的影响?

有时，公司会推断它所面对的是什么类型的客户。“然后，公司再决定为该客户提供一定质量水平的服务。如在呼叫中心，就有可能是优先服务该客户。这是公司用于管理客户得到的服务质量和服务该客户的成本的运营控制措施。”冈茨承认，相互竞争的供应商会自然地认同一个服务水平“标准”。“在现实世界里，你经常听到的‘世界级服务水平’之类的口号，反映的就是这种标准。”他说，“以呼叫中心业务为例。80%的电话须在20秒左右的时间内应答完，这是一个大家普遍接受的标准。”

在CLV最大化的问题上，冈茨认为，对于公司来说，比较有效的做法是记录每位客户的购买信息，并在此基础上把客户归类。“然后，根据你所了解的该客户组群的特征，决定应提供何种水平的服务，是采取交叉销售、向上销售还是你认为合适的其他营销策略。但决策时必须小心谨慎，因为任何时候当客户来消费，你并不真正了解他属于哪一组群。所以，最优的决策必须考虑到你对客户反应的不确定性。”

现在大家知道客户取舍之道的内容了吧！希望大家可以好好利用！