客户流失预测（精选9篇）
客户流失预测 篇1
加油卡是用来为汽车加油的储值卡, 有极高的便利性, 并且针对不同品牌的加油卡有不同种的优惠措施。因为为客户提供更优质的服务取得了突破性进展, “刷卡加油”引领成品油零售市场新潮流, 得到了广大消费者的普遍认同。以中石化加油卡为例, 从中石化加油卡从2004年正式上线以后, 截至2014年5月, 累计发行发卡突破1.18亿张, 加油卡网络覆盖包括西藏在内的31个省级单位的2.5万个加油站, 在1亿多张加油卡中, 活跃的会员用户大约有8000万, 已然在国内形成巨大规模的商业应用预付费卡体系。
众多加油卡客户, 是石化销售公司的宝贵资源。加油卡的推广提升了企业品牌形象, 在维系客户、稳固市场、增加沉淀资金等方面产生了积极作用。
中国石化销售行业经过高速发展, 随着行业内竞争加剧, 各石化销售公司加油卡客户的增长逐渐放慢, 客户呈现出动态亦增亦减趋势。
(1) 在每个月都有客户新开卡的情况下, 也有大量客户停止使用。
(2) 每个月都出现“零充值”、“零消费”客户, 大量占用客户维护的信息资源。客户数量的增加不能带来收入的增加, 而发展新客户的成本要远远大约挽留老客户的成本。因此, 客户流失分析的重要意义对石化销售公司来说不言而喻。
1 问题理解
客户流失本质是一种分类问题, 即将现有客户分为两类:有流失倾向的客户和无流失倾向的客户。按照一般分类问题的解决思路, 首先要选取与流失率可能相关的因素变量, 分析这些变量与流失率之间的关系, 筛选出合适的变量。为了模型的可解释性, 在流失预测中一般采用决策树模型, 再根据模型测试结果进行参数调优。
需要注意的是, 客户流失率相对于一般的分类而言不会太高, 一般会在20%以下, 这样就导致样本中的流失客户占比非常低, 需要分类模型能够区分这些小比例的数据。
另外, 石化销售公司往往关注的重点是流失部分客户的预测, 也就是偏向于召回率, 而不是仅仅准确率。
2 评价分类质量:召回率和准确率
召回率 (Recall Rate, 也称查全率) 和准确率 (Accuracy, 也称查准率) 是广泛用于信息检索和统计学分类领域的两个度量值, 用来评价结果的质量, 如图1。
TP——True Positive (真正) 被模型预测为正的正样本;可以称作判断为真的正确率;
TN——True Negative (真负) 被模型预测为负的负样本;可以称作判断为假的正确率;
FP——False Positive (假正) 被模型预测为正的负样本;可以称作误报率;
FN——False Negative (假负) 被模型预测为负的正样本;可以称作漏报率。
预测召回率是实际流失中预测正确的比例, 体现了模型预测结果的覆盖程度。召回率 (Recall Rate) 计算方法:
预测准确率是预测流失中实际流失的比例, 体现了模型对流失客户的预测是否精确。准确率 (Accuracy) 计算方法:
对于一个分类系统来讲, 召回率和准确率不可能两全其美:召回率高时, 准确率低, 准确率高时, 召回率低。“召回率”与“准确率”虽然没有必然的关系, 然而在大规模数据集合中, 这两个指标却是相互制约的。凡是设计到大规模数据集合的分类, 都涉及到“召回率”和“准确率”这两个指标。而由于两个指标相互制约, 我们通常也会根据需要为“分类策略”选择一个合适的度, 不能太严格也不能太松, 寻求在召回率和准确率中间的一个平衡点。
3 决策树和随机森林算法
决策树 (Decision Tree, 也称判定树) 是一树状结构, 它的每一个树节点可以是叶节点, 对应着某一类, 也可以对应着一个划分, 将该节点对应的样本集划分成若干个子集, 每个子集对应一个节点。从决策树的根节点到叶节点的一条路径就形成了对相应对象的类别预测。决策树学习着眼于从一组无次序、无规则的事例中推理出决策树表示形式的分类规则。它采用自顶向下的递归方式, 在决策树的内部节点间进行属性的比较, 并根据不同属性判断从该节点向下的分支, 在决策树叶节点得到结论。
ID3算法是决策树算法的一种。ID3算法是由Quinlan首先提出的。该算法是以信息论为基础, 以信息熵和信息增益度为衡量标准, 从而实现对数据的归纳分类。
信息增益是用熵 (entropy) 作为衡量属性对训练数据分类的能力的标准。若属性的值将样本集T划分成T1, T2, …Tm, 共m个子集, 那么信息增益定义为
其中, |T|为T的样本格式, |Ti|为子集属于Ti的样本个数, Entropy (T) 的计算公式是
决策树算法具有以下优点:
(1) 决策树算法不需要假设先验概率, 这种非参数化的特点使其具有更好的灵活性和健壮性。
(2) 决策树算法产生的决策树或产生式规则集具有结构简单直观, 容易理解, 以及计算效率高的特点。
(3) 决策树算法能够有效地抑制训练样本噪音和解决属性缺失问题。
但是决策树也具有缺点:
(1) 分类规则复杂。
(2) 收敛到非全局的局部最优解。
(3) 过度拟合。
为克服这些缺点, 引入另外一个分类模型——随机森林。
随机森林 (RF, Random Forests) 是一种统计学习理论。Leo Breiman和Adele Cutler发展出推论出随机森林的算法。“随机”有两个方面:首先是在训练的每一轮中, 都是对原始样本集有放回的抽取固定数目的样本点, 形成k个互不相同的样本集。第二点是:对于每一个决策树的建立是从总的属性中随机抽取一定量的属性作分裂属性集, 这样对于k个树分类器均是不相同的。由随机生成的k个决策树组成了随机森林。
对于每一个决策树来讲, 其分裂属性是不断的选取具有最大信息增益的属性进行排列。整个随机森林建立后, 最终的分类采用投票机制得到可能性最高的结果。图2是随机森林构建的过程。
随机森林算法具有以下优点:
(1) 通过对许多分类器进行组合, 它可以产生高准确度的分类器。
(2) 它可以处理大量的输入变量。
(3) 它可以在决定类别时, 评估变量的重要性。
(4) 在建造森林时, 它可以在内部对于一般化后的误差产生不偏差的估计。
(5) 它包含一个好方法可以估计遗失的资料, 并且, 如果有很大一部分的资料遗失, 仍可以维持准确度。
(6) 它提供一个实验方法, 可以去侦测变量之间的相互作用。
(7) 学习过程是很快速的。
(8) 对异常值和噪声具有很好的容忍度, 且不容易出现过拟合。
4 建立客户流失预测模型
加油卡客户行为原始数据包括:
(1) 每个加油卡客户的充值明细 (时间, 网点, 金额等) 、圈存明细 (时间、网点、金额等) ;
(2) 加油明细 (时间、网点、油品、金额等) ;
(3) 积分明细 (时间、网点、产生的积分、消费的积分) ;
(4) 沉淀资金 (账户余额、卡备付金余额、卡帐余额) 等。
加油卡有几个特点:
(1) 加油卡类型。加油卡按适用对象分为记名卡和不记名卡两种。记名卡又分为单用户卡和多用户卡。不记名卡为个人单用户卡, 可反复充值, 不享受积分, 不能办理挂失及清户手续。
(2) 多用户卡。多用户卡由主卡和若干张副卡组成, 适用于集中管理、车辆较多的单位和个人。一张主卡可以关联几张副卡, 主卡履行管理职能, 可以充值、消费并划拨油费给副卡、查询副卡交易明细、办理副卡的各项业务, 本身也可作为加油卡使用, 但副卡只能消费不能充值。
(3) 余额。额度账账户:每套加油卡账户均有一个额度账账户, 金额统一由主卡支配, 不能直接用于加油, 只能由主卡分配至副卡 (含主卡) 备付金账户, 副卡不能支配额度账户金额。备付金账户:主副卡均有此账户, 是从额度账分配的金额, 不能直接用于加油, 需要持卡到加油站圈存后方可加油。卡 (账户) 余额:主副卡均有此账户, 可直接用于加油的账户。
(4) 圈存。将账户中已存入的资金划转到所持的加油卡上后方可使用。就是在网点把钱存入主卡中, 再分配到下面的副卡, 由于副卡都在使用车辆的驾驶员手中, 需要在加油的时候在加油站让加油站员工划一下即可, 就是所谓的圈存。
由于每个加油卡客户拥有主卡和若干张副卡, 因此明细数据具有很大的随机性, 所以需要对以上数据进行汇总整理。根据预测的需要, 选取以月份为周期, 统计出每个加油卡客户单月的消费金额 (amount Of Consumed) , 单月的充值金额 (amount Of Recharged) , 单月产生的积分 (created Score) , 单月消费的积分 (consumed Score) , 单月的沉淀资金 (balance) 。
根据以上统计出的数据, 计算出和客户流失行为相关的特征量, 如表1。
预测结果是加油卡客户流失可能性, 预测值是流失可能性分值, 0~1之间, 数值越大代表流失可行性越大, 0代表未流失, 1代表已流失。根据流失可能性分值进行分级, 大致分别是:
(1) 已流失。
(2) 濒临流失。
(3) 正常。
5 模型评估
如表2。本文选取测试数据是3个地市的个人加油卡用户的用户信息及加油消费记录 (不包括非油品消费) 。
数据分析工具采用Apache Mahout算法库中随机森林算法 (Random Forest) 。Mahout基于Hadoop实现, 把以前运行于单机上的算法转化为Map Reduce模式, 这样大大提升了算法可处理的数据量和处理性能。
主要步骤如下:
(1) 原始数据处理。过滤原始数据中数据不全的用户, 并按照可设置的比例分配训练数据和测试数据, 由于流失用户数据过少, 在训练数据中按照倍数放量这部分数据。
(2) 设置参数构建模型。
训练和测试数据比为9:1。
流失客户数据放大倍数为20。
随机森林模型参数:
–sl 4每次随机选择属性的个数
–t 40决策树的个数
–ms 50树分枝上样本的个数的最小值
(3) 执行Mahout命令行。
(4) 统计输出测试结果。
我们关心的是流失部分的指标:
召回率:1770/2381=74.3%。
准确率:1770/14461=12.2%。
6 结论
本文研究利用加油卡客户最近6个月内交易数据, 基于决策树模型构建了加油卡客户流失预测模型, 采用随机森林算法进行了模型评估。通过在训练样本中放量流失用户数据量, 增大样本中流失数据所占比例, 构造多个分类器, 解决了流失客户与未流失客户的比例倾斜问题。评估结果表明, 本文提出的模型取得了超过70%的召回率, 预测加油卡客户下一个月内流失可能性, 为客户挽留提供依据。
参考文献
[1]李贤鹏, 何松华, 赵孝敏等.改进的ID3算法在客户流失预测中的应用[J].计算机工程与应用, 2009, 45 (10) :242-244.DOI:10.3778/j.issn.1002-8331.2009.10.072.
[2]Jiawei Han, Micheline Kamber, 范明, 孟小峰.数据挖掘概念与技术[M].北京:机械工业出版社, 2001.158-161.
[3]Quinlan J R.Induction of decision tree[J].Machine Learning, 1986 (01) :81-106.
[4]方匡南, 吴见彬, 朱建平等.随机森林方法研究综述[J].统计与信息论坛, 2011, 26 (3) :32-38.DOI:10.3969/j.issn, 1007-3116, 2011 (03) :006.
防止客户流失的高招 篇2
我和姐姐都是贵刊的忠实读者，每期贵刊到达的时候，我和姐姐都会认真阅读。从贵刊我们学到了不少东西，在此深表感谢。贵刊开办为读者提供免费咨询的项目，我们认为这是一个非常好的创意，表明贵刊确实是心系读者。今来信有一事咨询，我和姐姐于2004年5月开办了一个广告公司，在此以前，姐姐是一家新闻媒体的记者，因为她毕业于北京广播学院，在传媒圈里有很多同学，有比较好的社会关系。我本人在大学时学的是市场营销，毕业后也一直在从事市场营销方面的工作，在统一、宝洁这些大企业我都工作过，在长期的工作中，建立了一定的广告客户资源。因为这些方面的原因，我们希望将拥有的资源进行转化。公司一直到目前运作得都还算比较成功，在广州数千家广告公司中应该可以排到中上游，但是有一個问题，就是我们总是在不停地开拓新客户，而老客户却在不断地流失，每回总是打上一两次交道，人家就不愿意再跟我们打交道了，转而投奔我们的竞争对手，给我们造成了很大的损失，也造成了巨大的心理压力。公司老是做不大，总是给人一种不稳定的感觉，我们不安心，员工也不安心。我们也知道老客户很重要，在这方面下了很大功夫，但成效寥寥，所以希望你们能够指教一下，我们应该如何留住老客户?在防止老客户流失方面你们有什么高招可以教给我们?
广州崔虞惇
2006年9月7日
崔虞惇：
谢谢你对《科学投资》的信任。要防止老客户流失，应该首先弄清楚老客户流失的原因。一般来说，老客户流失，无非是这几个方面的原因，一是对产品不满意，二是对服务不满意，三是从对方得到的好处更多。我们建议你们应抽时间去拜访一下你们过去的老客户，问清楚他们到底对你们哪一部分不满意，然后你们可以有针对性地加以改进。
从产品来说，一个广告公司的产品包括很多方面，诸如为客户所做的产品包装、产品设计、广告创意、广告制作、广告发布等等，都可以属于广告公司的产品范围之列，这中间每一个环节都可能出现问题，令客户不满意，最后流失。所以，我们希望你们能首先检讨一下自己在广告设计、制作方面的实力，如果实力不足，就要想办法提高。然后再检讨一下你们针对客户推荐的不同广告发布媒体或媒体组合是否合理，是否达到了投入最小化和效益最大化。同时，你们还要分析广告客户的心理，有些广告客户做广告是为了打品牌，他们并不在乎广告带来的一时的销量增长，而一些企业打广告纯粹就是为了卖产品，以广告之后产品销量的增长率为衡量广告公司是否得力和是否应该继续合作的标准。前者主要是一些有实力的大企业，后者主要是一些中小企业。从崔先生的来信看，你们所服务的恐怕多数是中小企业，因为据我们了解，大企业在选择广告代理公司的时候是非常谨慎的，有一整套科学的评估体系，一旦选定哪家广告公司，在一段时间内不会轻易改变。相反，中小企业总是急功近利，随之而来的就是缺乏耐心，变化无常，不过这也可以理解，很多中小企业打广告的钱都是从牙缝里挤出来的，几次广告打下来见不到效果，企业可能就垮掉了。所以，我们建议，每当有客户上门时，应当首先弄清楚对方的身份，只有弄清楚了对方的身份，才可以摸清楚对方的心理，然后才能有针对性地拿出你们的产品。
不管你从事的是哪个行业，在同等条件下，谁能够提供更适合客户要求的产品，谁的产品质量更优、价格更低、服务更好，谁就更能争取到客户的支持，这是吸引客户的第一步，也是为今后挽留客户打基础的一步。所以，如果你的产品不是那么适合客户的需求，那么就要及时对产品加以改进，或者你的产品过去很适合客户的需求，现在不适合客户的需求，那么，还要及时对产品进行升级换代，不断地对产品进行创新，推出新产品；如果产品质量不如竞争对手，那就应该马上着手提高你的产品质量，争取使你的产品质量超过对手；如果价格不比对手低，就要想方设法降低成本或降低自己对利润的要求，将实惠让给客户。
其次，在满足客户基本需求的情况下，在产品方面要尽可能为其提供额外增值，比如在广告发布方面，假如客户本来指定在A、B、C三家媒体发布的，如果你手头有现成资源，你也可以附带给他在D、E、F等媒体发布，作为给客户照顾你生意的附赠礼品，但是一定要用委婉的方式跟客户说明白了，否则，你白忙活了客户却不知道，心血费了，人情还没落着。另外，在给客户赠送的时候，还要征询一下客户的意见。有些客户对于媒体比较挑剔，在心理上就不喜欢某些媒体；还有的是因为品牌原因，广告适合于在某些媒体发布，却不适合在另一些媒体发布，在不适合的媒体发布，非但无益于增加品牌价值，反而可能有损于品牌价值，一旦拍马屁反而拍到马腿上的事情发生，客户流失就不可避免。这是广告公司的特殊性。在其他一些企业，为客户进行产品“额外增值”的时候，没有这么复杂。比如，客户本来是买台机器准备洗衣服的，结果却发现这台机器还可以洗土豆，对于客户来说，这就属于产品增值。这种意外之喜，对于增加对客户的吸引力，增强客户对企业的忠诚度，无疑具有极高的价值。海尔就因为这个原因，特意面向农村市场推出了一款可以洗土豆的洗衣机。
第三，在产品之外，能帮助企业吸引和挽留客户的就是服务。对于留住老客户来说，服务到位比产品到位更重要。客户衡量企业服务优劣的标准包含几个方面，或者说客户一般会从以下的几个方面来衡量企业的服务水准，一、服务人员的着装、言谈举止是否让客人看着舒服，这一点是被很多企业疏忽的；二，服务人员对客户的响应是否及时；三，服务人员提供服务的效果，如果一台电视机坏了，老也修不好，那么，服务态度再好，响应再及时也没有用：四，还要考虑客户的方便程度，拿崔先生来说，你和你的业务员应该经常坐到客户的办公室去倾听意见，而不是让客户不断跑到你的公司来表达意见；应该及时给客户汇报你的工作进展，而不是让客户来追着你问工作进展。我们经常看到广告公司给客户打电话：“广告做好了，你们过来看一下吧!”想一想，如果你是客户，你是掏钱的一方，接到这样的电话，心里是不是很不爽?下回你还能将业务交给他们吗?为了更及时地发现企业服务中存在的问题，更好地体会客户的感觉，企业经营者不妨经常与客户做一些换位思考。你还可以邀请你的朋友，或者邀请一些第三方人员，或者将你这个部门的人员派往那个部门，让他们以客户的身份，享受一下本企业的服务，看看他们会有什么感觉?有时候不妨故意做一些刁难的举动，问一些故意找茬的问题，看看你的服务人员的反应，然后把意见报告给你。这种意见是最真实的，也是最有价值的。所有做得好的企业，能够从小到大发展起来的企业，能够在不断开拓新客户同时又有效保持老客户忠诚的企业，都是那种非常注意倾听客户意见，非常在意客户反映的企业。
第四，感情留客。大企业靠实惠和服务留住老客户，小企业靠感情留住老客户。在客户生日的时候，寄上一张生日贺卡；建立客户档案，不时地打个电话问候一下，问问他们对产品的反应，问问他们的意见和要求；有时间就去拜访一下客户，跟他们聊聊天，对那些已经有很长时间没有购买你们的产品的客户更要这样做。
电子商务客户流失预警与预测 篇3
客户流失指某企业现有的客户中止继续购买其商品或服务,转而购买其竞争对手的商品或服务[1]。目前,电子商务客户流失率非常高。Reinartz等研究表明如果能够降低电子商务客户流失率,利润的增加是显著的[2]。Schmittlein等提出了预测客户交易行为的概率模型组,简称SMC模型[3,4]。针对电子商务非契约环境下的不确定性,Schmittlein等对该模型进行了改进,提出了BG/NBD模型[5]。与此同时,基于数据挖掘的流失预测方法也广泛应用于客户流失预测研究中[6,7,8,9,10,11,12]。基于结构风险最小化准则的SVM得到了不少研究者的青睐[1,3,8,9,10]。但是SVM模型参数(惩罚系数c和核函数参数g)对预测准确率较为敏感。模型参数一般采用人工搜索的方法来获得。但人工搜索费事、费力,且往往得不到最优参数[13]。
本文以电子商务客户为研究对象,总结电子商务客户生命周期,提出客户流失预警体系,建立基于SVM的客户流失预测模型,提出IPSO算法对SVM初始参数进行优化,将优化后的参数作为SVM模型的初始化参数,从而提高SVM模型的预测准确率。
2 电子商务客户生命周期
电子商务客户生命周期由客户与电子商务企业之间不同的关系阶段构成,是理解客户行为的框架。研究基于生命周期的电子商务客户类型,目的是对不同类型的客户采取不同的服务措施,提升客户价值。根据客户和电子商务企业之间的行为,可以将客户生命周期分为:获取阶段、提升阶段、成熟阶段、衰退阶段和流失阶段,如图1所示。
①获取阶段,企业利润Y为负。②提升阶段。本阶段的主要任务是引导新客户购买产品、提升客户价值,加强与客户的纽带关系,将“新客户”转化为稳定的忠诚客户,考察新客户的价值、消费模式。如果这些措施实施得当,利润Y会成上升趋势。③成熟阶段。这一阶段的任务是致力于稳定和巩固已经形成的良好客户关系,进一步提升客户价值,企业在该阶段获取的利润Y是最多的。④衰退阶段,主要特征是企业利润Y呈下降趋势,甚至为零。⑤流失阶段。客户彻底与企业结束了业务合作的关系。
3 电子商务客户流失预警体系
高效的客户流失预警体系包括客户流失预测、评估和挽留。首先进行客户流失预测,发现潜在流失客户;评估客户流失原因,改进服务;进行客户流失挽留,降低客户流失率。一方面,企业需要识别潜在流失的客户。另一方面,企业需要分析和评估客户流失原因。并以此为依据,改进服务,采取有效措施对潜在流失客户进行挽留,降低客户流失率。电子商务客户流失预警体系流程如图2所示。显然,客户流失预警体系的基础是客户流失预测。
4 改进PSO算法(Improved PSO,IPSO)
4.1 PSO算法
PSO算法最早由Kennedy和Eberhart在1995年提出的。算法设在一个D维的搜索空间中,由N个粒子组成的种群X=(X1,X2,…,XN),其中第i个粒子表示为一个D维的向量Xi=(xi1,xi2,…,xiD),代表第i个粒子在D维搜索空间中的位置,亦代表问题的一个潜在解。根据目标函数即可计算出每个粒子位置Xi对应的适应度值。第i个粒子的速度为Vi=(vi1,vi2,…,viD)T,其个体极值为Pp=(Pp1,Pp2,…,Ppd,…,PpD)T,种群的全局极值为Pg=(Pg1,Pg2,…,Pgd,…,PgD)T.在每一次迭代过程中,粒子通过个体极值和全局极值更新自身的速度和位置[14]:
其中,ω为惯性权重;i=1,2,…,N;n为当前迭代次数;Vi为粒子的速度;c1和c2为非负的常数,称为学习因子;r1和r2为分布于[0,1]之间的随机数。为了防止粒子搜索的盲目性,通常将粒子的位置和速度设定在一定的区间[pmin,pmax]、[vmin,vmax]。ω体现了粒子当前速度多大程度上继承先前的速度,是平衡算法全局搜索能力和局部搜索能力的参数。Tang等研究发现ω非线性递减能够提高算法的搜索速度[15]。
其中,ω1、ω2分别是初始和终止权重;itermax为算法最大迭代次数。
4.2 IPSO算法
PSO算法没有选择、交叉与变异等操作,算法结构简单,运行速度快。但是,PSO在运行过程中,当某粒子发现一个当前最优位置,其余粒子将向其靠拢,如果该位置为一局部最优点,PSO将不会继续搜索。算法陷入局部最优,出现“早熟”现象。设粒子群的粒子数目为N,第i个粒子的适应度值为fi,当前粒子群的平均适应度为favg,则当前粒子群的收敛程度为:
σ反映了算法的收敛程度,σ越大,则算法处于随机搜索状态;σ越小,则算法趋于收敛状态,算法可能出现早熟。一旦σ大于某个值,则算法将对Pg进行变异,使得算法跳出局部最优,避免算法早熟收敛。通过参数σc来控制收敛程度σ(如式(5))。
通常,σc∈[0.5,2]。pm为群体变异概率。采用增加随机扰动的方法对Pg进行变异操作:
其中,η是服从Gauss(0,1)分布的随机变量[16]。
为验证IPSO算法的有效性,选取如下8个基准测试函数[17],选取SPSO[18]、PSO-w[19]、PSO-TVAC[20,21]、PSO-FDR[22]、DE[23]为基准算法进行对比实验。
设置算法的函数评估次数(Function Evaluations,FEs)为300 000,种群规模为100。6种算法各自独立运行25次,得到各自优化结果的最优值。最优值的均值和方差如表1所示,6种算法迭代过程如图3所示。从表1和图3可以看出,IPSO总体效果最好,明显优于其它5种算法,达到了f1、f2、f3、f4、f6、f7函数的最优值。
5 基于IPSO-SVM的客户流失预测模型
SVM的理论基础是统计学习理论,主要思想是建立一个分类超平面作为决策曲面,使得正例和反例之间的隔离边缘被最大化[9]。但是,SVM模型的参数(惩罚参数c和核函数参数g)对预测准确率非常敏感。拟通过IPSO对这些参数进行优化,将得到的优化参数作为SVM模型的初始化参数,从而提高模型的预测准确率。基于IPSO-SVM的客户流失预测流程如图4所示,步骤如下:
步骤1:数据预处理。电子商务客户流失影响因素量纲的不同,会对预测模型学习速度产生不利影响。为了提高学习效率,对影响因素进行归一化处理。
步骤2:初始化算法参数。设粒子群当前最优解xpbest,对应的适应度值为fpbest;群体最优解(即SVM模型的参数c、g)xgbest=(c,g),对应的适应度值(即训练样本的分类准确率)为fgbest=accuracy.
步骤3:计算适应度值。设定迭代次数n=1。在解空间内随机生成N个粒子,各个粒子的位置为xi(i=1,2,…,N)及其对应的速度vi,计算粒子xi的适应度值,将适应度值最大的作为粒子当前的最优解和全局最优解。
步骤4:个体速度和位置更新。通过式(3)计算权重w;通过式(1)和式(2)更新粒子位置x'i和速度v'i.
步骤5:确定最优解。通过x'i重新计算粒子的适应度值f'i.若f'i>fpbest,则fpbest=f'i,更新当前粒子群的最优位置xpbest=x'i.若f'i>fgbeast,则fgbest=f'i,更新粒子群的最优位置xgbest=x'i.
步骤6:判断是否需要增加局部扰动。通过式(4)计算收敛程度σ.若σ满足式(5),则通过式(6)对xgbest进行变异。
步骤7:判断迭代是否结束。设n=n+1。若n>niter max,则算法转至步骤8;否则,算法转至步骤5。
步骤8:输出最优参数,对测试集进行预测。将最优解(SVM模型的参数c、g)作为SVM模型的初始化参数。通过测试样本计算IPSO-SVM的分类准确率。
6 实证分析
(1)基于UCI数据库的实证分析
为了从一般意义上说明IPSO-SVM模型的有效性,选取了UCI数据集(http://archive.ics.uci.edu/ml/)中最常用的8个数据集作为样本(表2)。选取径向基核函数作为SVM的核函数。从样本中随机选取70%的样本作为训练样本,30%的样本作为测试样本。为了提高预测准确率,对数据进行了归一化处理,即:
其中,v是原始数据,v'是归一化以后的值,maxa是样本属性值的上限值,mina是样本属性值的下限值。SVM初始化参数的搜索范围为:[0.1,10];SVM采用LSSVM 1ab1.5工具箱[24];SVM、PSO-SVM和IPSO-SVM算法各自独立运行10次,最终的分类准确率的均值和方差如表3所示。
从表3可以看出,除了样本Hepatitis,IPSO-SVM的分类准确率高于SVM和PSO-SVM;PSO-SVM的分类准确率在Ionosphere、Bupa Liver、Sonar、Hepatitis和CMC样本上要优于SVM;SVM在Australian、Pima-Indian和WPBC两个样本上要优于PSO-SVM.这说明经过优化的SVM分类准确率要明显高于未经过优化的SVM.
(2)基于电子商务客户数据的实证分析
本文选取某B2C电子商务网站为研究对象。客户数据的观测周期为30周,以2012年1月开始,2012年8月终止。从该网站的客户数据库中选取前11周首次进入该网站购买商品的3000条客户数据进行分析。为了保证计算的准确性,后19周用于观测这3000名客户的流失状态。若后19周无购买行为,则定义为流失;否则,为非流失客户。经观测后发现:1978名客户流失;1022名客户没有流失。由于本文提出的模型没有涉及属性简约,选取文献[7]获取的电子商务客户流失关键属性集{客户重复购买次数、白天购买次数、晚上购买次数、深夜购买次数},客户流失状态为目标变量,用1表示客户没有流失、0表示客户流失;归一化后的示例数据见表4。从这3000名客户中随机选取70%作为训练样本,剩余作为测试样本。SVM、PSO-SVM和IPSO-SVM三种预测模型分别进行测试,得出的分类准确率依次是82.31%、83.24%、87.75%.正是由于IPSO作为SVM的前置系统,IPSO寻优后的模型明显提高了SVM的分类准确率。
当前市场竞争日益激烈,客户流失是许多行业关注的核心问题之一。获取1位新客户的成本是保留1位老客户的5～6倍[1]。目前,电子商务客户网站的客户流失率却非常高。如果能够降低电子商务客户流失率,利润的增加是显著的。基于IPSO的SVM预测模型可以有效挖掘客户流失情况,为企业全面开展客户关系管理提供决策支持。
7 结语
客户流失预测 篇4
传统对服务的概念，仅止于行销、广告，或是人力资源部门所做的事。这些内容都是无形的，价值难以衡量。但一旦从整体上衡量，就会发现服务对于企业，有多重要。
日前，在IBM在北京召开的一次论坛上，与会嘉宾一致认为服务科学将成为世界经济发展的核心推动力，是下一波经济浪潮的推动因素，而早在2006年，IBM、惠普、EDS等科技业的竞争对手就齐聚美国华盛顿，讨论这一话题。
尽管有人批评，服务科学听起来太抽象，难以变成科学，但当初计算机科技要成为一门被深入研究的学问时，也曾被怀疑。事实证，调，计算机科学的学问确实有价值，而现在，则轮到了服务科学证明自身价值的时候了。
举例来说，苹果计算机的成功，点燃了大家对依靠服务来创新的渴望，也唯有如此才能摆脱制造业低毛利的困境，老实说，苹果的MP3随身听iPod，造型虽炫，但是功能设计并没多了不起。而且iPod所有组件都是外购，要模仿，太容易。但苹果却拿下MP3随身听市场过半的占有率，为什么?
关键是苹果的产品具备让消费者轻易下载音乐的iTunes音乐平台设计，而且苹果早早就说服全球五大音乐唱片公司成为这个平台的音乐提供者，大家一起来抽成、由于卡住早，苹果的iTunes平台目前已经拥有350万首歌曲，这么大的音乐库，如今反，而成为苹果阻绝竞争者进入的高门槛。
最令人羡慕的是，iTunes服务平台在成本架构不变的情况下，未来如有多10倍的人潮进来，苹果的获利将不仅仅是多10倍而已，而且因为iPod效应发酵，苹果自家计算机销售量也在逐渐上升。
整体而言，一个让大家轻松得到好音乐的想法，不仅让苹果扭亏为盈，市值更从2003年最低点的56亿美元，攀升到720亿美元之上。
这一案例让人们了解到服务对企业的价值，也更让企业明白，服务是卖感觉，而不光是做交易。注重客户的感觉，最终赢得客户的尊敬，这是服务追求的最高境界。
现在，无论是哪一家企业，每天都在倾听来自全球各地客户的呼声。企业为什么对客户的声音如此关注?原因之一就是客户流失及其对业务的影响已成为企业首席执行官们优先考虑的一个重要问题
作为业务服务管理(BSM)领域的领导者，13MC于2007年初在欧洲进行了一项调查，以了解企业是否应对他们的IT系统进行调整以满足最终客户的需求、从BMC流失指数中捕捉到的第一个结果显示，许多企业对赢得客户的重视程度远胜于留住客户，而且更换供应商的决策并非为了寻找更低的成本，而是由低劣的服务体验所引发的。
在这份调查报告中，银行、在线超市和私人医疗公司的客户流失率最高，价格虽是原因之一，但是服务质量的好坏却是客户流失的最主要原因，消费者一致表示，如果服务更加个性化(即让员工更清楚他们的服务历史并更主动地将问题通知他们)，他们会更加忠诚。这个现象并不只发生在中国企业身上，整个亚洲乃至全世界的众多企业，无论大小，都感受到了这一趋势。
新南威尔士大学商学院的Payne教授指出：“用户流失已成为企业运营的高危因素。BMc流失指数调查为企业敲响了警钟。除非利用IT系统迅速、果断、积极地解决存在的服务问题，否则企业必将遭受收入损失。”
BMC软件公司大中华区总经理罗永坚指出：“业务服务管理(BSM)有助于企业提高IT系统响应能力。BSM可帮助企业利用IT系统快速确定问题根源并高效地加以解决，同时主动通知受影响的客户，而不是在得到客户反馈后才做出反应。”
现在，有些企业认为IT系统能帮助企业处理这一问题，但没有发现真正衡量IT效率的是客户对服务质量的评价Pavne教授认为，“公司花费大量的资产吸引新客户，但往往会因为低质的服务、客服中断或不愉快的用户体验而造成客户的流失，优化基础设施，采用业务服务管理等方法提高支持能力有助于产生持久效果，服务保障和帮助流程自动化可以形成差异化用户服务体验，极大地提高用户的忠诚度”
现在，是到了引起企业注意的时候了。
虽然，服务业存在的时间不少于10年，但放眼世界，它还不是一个成熟的产业，对它也没有严谨地研究，甚至连什么是“服务”都没有一个统一说法。这是因为在服务科学这个新领域，中外企业都还在摸索。
但与国外相比，由于缺乏准入机制，目前国内IT服务业已是鱼龙混杂，规模小，服务质量参差不齐，管理混乱。
行业专家们认为，眼下国内市场竞争无序化，一有项目，不管高端的、低端的、大的、小的，服务商们蜂拥而上，根本不考虑项目是否适合自己。另外，一个正常的IT服务型企业应该是先进管理理念的先行者，但本土IT服务商多数却并非如此小型服务商几乎还处在作坊阶段，稍上规模的服务商也没有将自己的业务流程围绕客户服务加以改造、
客户流失预测 篇5
关键词：客户流失预测,决策树,神经网络
一、引言
在互联网的跨界趋势下,企业经营纷纷涉足线上领域。相对传统经营模式,线上经营的最大劣势是客户流失率相对较高,因此线上企业应该更加重视客户流失的分析,提高线上客户流失预测的准确性,并及时采取相应的策略防止其流失。
目前,国内外客户流失预测算法有基于传统统计学的预测、基于组合分类器的预测等[1]。Zhang等[2]以机器学习方法和统计学习理论为基础,利用客户的人口统计特征相关指标,对流失客户进行了预测。Migueis等[3]在零售业客户交易时间的基础上,建立基于Logistic Regression的预测模型。尹婷等[4]将贝叶斯分类的先验信息方法与决策树分类的信息熵增益方法相结合,应用到电信行业客户流失分析中。杜刚和黄振宇[5]采用改进的决策树模型对客户购买行为进行预测,并通过对优化前后的效果对比分析,验证改进后的算法在客户购买行为预测上的有效性和高效率。
决策树的规则结果很容易理解和解释,但是当输入字段较多时,其分类效果将不是太好;而神经网络的预测准确率很高,但是可解释性较差。基于此,本文将决策树和神经网络预测模型的置信度作为权重,预测结果作为变量,通过客户流失预测综合模型进行计算,将加权得分作为新的流失概率,提高了客户流失预测的准确度,以便于企业能更准确地识别客户的状态。
二、线上会员客户流失预测综合模型构建
(一)决策树客户流失预测模型
本文结合线上会员客户数据的特点,基于C5.0算法构建决策树客户流失预测模型。C5.0模型利用具有最大信息增益的字段来拆分样本,第一次拆分得到的样本子集通常会根据另一个属性再进行拆分,如此重复进行直至样本子集不能再被拆分为止。最后,剔除或修剪掉对模型没有显著贡献的样本子集。
模型采用自举法来提高C5.0算法的精确率。最后,利用整个模型集进行样本分类,通过加权投票过程把每个分散的预测整合成综合预测。当执行节点的流时,会添加两个新字段:各个记录的预测值以及置信度。新的字段名称将通过为模型名称添加前缀生成。预测结果字段的前缀为$C-,置信度字段的前缀是$CC-。
(二)神经网络客户流失预测模型
本文选取相关变量作为神经网络的输入字段,输出字段为“是否流失”字段。采用“快速”训练方法来训练神经网络模型。为了方便后面对模型进行有效的评价,在样本数据中,随机抽取2/3作为训练集,剩余的1/3则作为测试集。在默认情况下,每次执行神经网络节点时,会创建一个全新的网络。但当选择了“继续训练存在的模型”选项,训练就会继续使用上次节点成功产生的网络。
当执行包含生成的神经网络模型的流时,对于原始训练数据中的每个输出字段,都会向该流添加一个新字段。该新字段包含对应输出字段的网络预测。对于符号输出字段,还会添加另一个新字段,其中包含预测的置信度。预测结果字段的前缀为$N-,置信度字段的前缀是$NC-。
(三)客户流失预测综合模型
设决策树客户流失预测模型的各样本记录的置信度为α,预测的结果为X,神经网络客户流失预测模型各样本记录的置信度为β,预测的结果为Y,其中X和Y只能取值0或1,1代表客户流失,0代表客户未流失,Tw为加权流失概率。综合模型流失概率计算方法如下:
如果两个模型都预测为未流失,即X和Y都取值为0,综合预测结果也为0,即未流失。如果两个模型都预测为流失,则X和Y都取值为1,且两种模型预测准确率都高达90%以上,综合预测结果将大于0.5,即可认为该客户为流失客户。如果一个模型预测为流失,另一个模型预测为未流失,综合预测结果将小于0.5,如果预测为流失记录的置信度大于0.8,说明其中一个模型以较大的概率预测该客户流失,那么综合模型将给出该客户的流失概率;如果一个模型预测为流失的记录置信度小于0.8,则可以认为该客户的流失可能性较小,可进一步认定为未流失。
上述客户流失预测综合模型最大的优势在于可以比较明确地区分出流失客户与未流失客户,对于介于两者之间的客户,则给出流失的概率,这样可以方便营销人员更准确地识别不同价值客户的流失状态,并有针对性地选择不同流失概率的客户进行营销。
三、数据抽取及预处理
(一)数据抽取
本文的数据来源于某网站2012年1月到2014年1月的6000名会员客户数据。数据先经过缺失值处理,接着把购物次数在10次以上的客户样本筛选出来,最终采用4210名会员客户来进行客户流失预测分析。
(二)变量选择及流失判断
根据线上企业的特点,本文选取会员客户的以下变量进行流失预测:会员卡级别、年龄、非购物积分总和(客户会员卡在某段时间内通过签到、分享商品等方式所得的积分)、购物次数趋势值(在某几段相同的时间内客户购物次数增大或减小的速度与方向)、单位购物积分(总累积积分/购物总金额)。
根据会员客户的最近购物时间间隔与最大购物时间间隔进行比较来判断客户是否流失。当最近购物间隔大于最大购物间隔时,为流失客户,并以Y标记;当最近购物时间间隔小于最大购物时间间隔时,为未流失客户,并以N来标记,以“是否流失”字段来表示流失客户和非流失客户。根据模型的流失判断条件,最终采用的4210名会员客户中,流失客户有1000名,未流失客户有3210名,基本上可以满足一般比例1:3的要求。
(三)数据预处理
由于样本中各变量的量纲尺度不同,因此要进行无量纲化处理。接着将客户年龄分为六个年龄段。最后生成一些新的派生变量,包括两年内的购物时间间隔、趋势值、平均值等。趋势值表示客户在八个季度内属性的增大或减小的速度与方向,以一元线性回归的斜率表示,斜率大于0,表示增大的趋势,斜率越大,则增加速度越大;斜率小于0,表示减小的趋势,且斜率越小,减小的速度越大。由原始数据可以构建购物次数趋势值派生变量。
四、线上会员客户流失预测综合模型的应用
(一)决策树客户流失预测
本文利用SPSS modeler 14.1工具中的C5.0算法来构建决策树客户流失预测模型。决策树建模时,选择“模型”中的“专家模式”,并将“修剪严重性”设置为80%。为了提高预测流失客户的准确率,本文将实际流失的客户预测为未流失客户的误分类损失设置为10模型运行后的部分预测结果、混淆矩阵和预测准确率分别如表1、表2、表3所示。
(二)神经网络客户流失预测
在构建神经网络客户流失预测模型时,将第二章选择的变量用于构建神经网络客户流失预测模型的输入字段,字段“是否流失”的角色为目标,同时选择用于建模的样本比例为67%。模型输出的部分预测结果、混淆矩阵和预测准确率分别如表4、表5、表6所示。
(三)客户流失预测综合模型
先将决策树和神经网络客户流失模型的预测结果和置信度进行汇总,接着对预测结果进行转化:N转化为0,Y转化为1,最后利用客户流失预测综合模型进行加权计算。根据式(1)的流失概率计算方法,综合模型的预测结果Tw在[0,0.9905]之间。当Tw在[0,0.4]之间时,认为综合模型的预测结果为未流失;当Tw在[0.5,1)之间时,认为综合模型的预测结果为流失;当Tw在(0.4,0.5)之间时,Tw为综合模型给出的流失概率。综合模型部分预测结果如表7所示:
(四)综合模型评估
本文样本数据中共有3210个未流失客户和1000个流失客户。客户流失预测综合模型的详细情况如表8所示:
根据表8的统计得知,有44条记录的流失概率处于0.4<w<0.5之间。除去这44条记录之外,还有4166个样本。客户流失预测综合模型对这4166个样本的预测正确数为4111个,预测错误数为55个,模型的预测正确率高达98.68%。
从表9可以看出,会员客户流失预测综合模型的预测准确性高于决策树和神经网络客户流失预测模型的预测结果,主要是由于综合模型充分利用单一模型的优点,从而提高了线上会员客户流失预测的准确率,为线上客户流失预测提供新的解决思路。
五、结论
由于单一的预测模型难以对线上客户流失实现准确预测,本文针对当前线上客户流失预测模型存在的不足,构建了决策树客户流失预测模型和神经网络客户流失预测模型,然后在两个单一模型的预测结果和置信度的基础上,构建了客户流失预测综合模型。实证结果表明,客户流失预测综合模型既能像决策树模型那样具有较好的解释能力,同时也具有神经网络模型较高的预测准确率,较好地弥补了单一模型的不足,能得到更稳定、更准确的预测结果。
参考文献
[1]于小兵,曾杰,巩在武.客户流失问题研究综述[J].计算机集成制造系统,2012(10).
[2]Zhang X,Zhu J,Xu S,et al.Predicting Customer Churn through Interpersonal Influence[J].Knowledge-Based Systems,2012,28(6):97-104.
[3]Migueis V L,Van Den Poel D,Camanho A S,et al.Modeling Partial Customer Churn:On the Value of First Product-category Purchase Sequences.[J].Expert Systems with Applications,2012,39(12):11250-11256.
[4]尹婷,马军,覃锡忠,等.贝叶斯决策树在客户流失预测中的应用[J].计算机工程与应用,2014(7).
客户流失预测 篇6
客户经理是商业银行负责客户销售与管理的专职人员, 他们代表银行发展客户关系, 了解客户需求, 及时协调银行内部资源, 按照优质、高效、便利、快捷的原则, 为客户提供一揽子综合服务。他们开发客户关系, 提供全面服务;销售银行产品, 拓展银行业务;协调行内关系, 高效服务客户;收集客户信息, 培育长期客户。商业银行的客户经理是商业银行的核心员工和重要资产。大都经过专业的培训, 具有较高的业务技能、娴熟的从业经验, 手里掌管着商业银行最为重要的客户资源, 与客户的关系最为密切。尤其是股份制商业银行实行的是一对一的客户经理负责制, 对客户资源是一种相对垄断。
从某种意义上来讲客户经理是不可替代的。客户经理的流出会带动客户的流失, 尤其是资源型客户经理的流动对银行经营的影响有时会是震荡性的, 会对商业银行的利润和员工队伍的稳定带来致命的打击。所以, 客户经理流失问题的研究, 对金融业的发展、对股份制商业银行的员工队伍建设有着重要意义;客户经理流失问题的研究, 有助于商业银行的高级管理者关注核心员工队伍的稳定, 并为商业银行核心员工队伍建设提供借鉴;客户经理流失问题的研究, 有利于客户经理个人的自我认知以及对自己的职业生涯发展进行科学而客观的规划和设计。
一、我国商业银行客户经理流失的原因分析
商业银行客户经理制在全球范围内实施的几十年来, 对国外商业银行保住业务阵地、拓展业务领域、开辟新的业绩增长点起了积极作用。而我国银行商业化本身起步较晚, 客户经理制更是刚刚建立, 各方面都处于摸索发展阶段, 整体运行并不完善, 这就导致了我国商业银行客户经理队伍不稳定, 流动性大, 流失问题严重。
我国商业银行客户经理制起步较晚, 各地区、各银行发展也很不平衡, 大部分国内商业银行客户经理队伍建立初期, 客户经理们有着很好的工作热情和归属感, 但经过几年的发展之后, 起步早、业绩好的商业银行客户经理流失率大幅上升, 起步较晚业绩水平较低的商业银行则上升更多。客户经理的流动带来一系列连锁反应, 经理队伍士气低下, 工作热情低落, 存贷款规模下降, 银行业绩下滑, 同时客户经理流出后的负面言语和行为在客户和社会中造成不良影响, 使银行的形象和利益受损。因此, 管理层不得不意识到客户经理流失问题的严重性, 认真分析其产生的原因, 积极寻求解决问题的办法。
关于影响员工流动的因素, 许多学者从不同角度进行了研究, 著述很多。我们也进行了大量调查, 通过与银行客户经理的直接接触, 我们发现商业银行客户经理的流失与薪酬和福利待遇的关系并不大, 而激励机制建立的非合理性、职业发展不受重视和工作压力过大等方面却成为主要原因。
(一) 业绩考核和激励体制的协调性要求与二者现实对立之间的矛盾
客户经理考核机制与激励机制是客户经理制度中最贴近员工利益的制度体系, 也是客户经理制的灵魂所在。二者是相辅相成, 互相作用的。业绩考核的结果是激励机制中岗位管理、薪酬福利等内容的重要参考指标。而现实中, 由于考核机制的不完善, 诸多考核工具的使用基本停留在业绩这一单一指标上, 导致业绩考核与激励机制相联系的要求并不能完全为客户经理所接受。因此, 在客户经理意识里把本应相协调的考核机制与激励机制看成了是一种对立性的体系, 甚至不希望二者联系过为紧密。考核形成的激励措施在一定程度上不仅不能增加客户经理工作的积极性, 反而造成了他们巨大的心理负担。
(二) 客户经理对职业生涯的高期望与银行管理层重视程度不够之间的矛盾
由于我国商业银行本身起步晚、市场化程度低, 导致许多银行管理层意识不到位, 对客户经理制的认识不够。而客户经理大多有着较高的学历和业务素质, 他们不仅关心眼前利益, 对自己的职业生涯也有很高的期望。他们希望在组织中得到培训和晋升的机会, 希望有好的发展。而我国商业银行现实的运行中, 管理层要么侧重于业绩与职业生涯的单一挂钩使员工得不到满意的晋升机会, 要么没有合理的制度措施使员工意识到自己努力的方向。所以, 很多客户经理对自己的职业发展失去信心, 也因此使他们努力寻求适合于自己发展的岗位, 这自然就加大了我国商业银行客户经理的流失比率。
(三) 对员工精神需求的理论性研究日臻完善与现实操作相脱节之间的矛盾
从20世纪初开始, 管理学家、社会学家、心理学家就开始从不同角度研究对人的激励问题, 并提出了一系列激励理论, 时至今日更是应用到管理学各个领域。许多理论在人们意识中已得到广泛接受, 如马斯洛的需求理论、赫茨伯格的双因素理论、富勒姆的期望理论、亚当斯的公平理论等。然而在现实中, 这些理论研究虽然经过一百多年的发展被广为接受, 但依然只停留在学术研究领域, 缺乏对实际操作的指导意义并不能得到落实。加之许多银行管理层自身理论功底不够, 不能真正领会到这些理论的现实指导精神, 也就很难从内心唤起对员工精神诉求的重视, 更难将理论的精髓应用到制度建设中。因此, 精神需求得不到满足的客户经理自然就不会一直停留在一个岗位上。
(四) 激烈竞争下银行业对业绩的迫切需求与客户经理过大的工作压力之间的矛盾
随着我国利率市场化的不断推进和资本回报压力的不断增大, 商业银行之间的竞争越发激烈。加入世贸组织以来, 外资银行又纷纷进驻中国市场, 使这种竞争进入到白热化阶段。商业银行要想从激烈的竞争中脱颖而出就必须有良好的服务和出众的业绩, 客户经理作为商业银行利润的主要创造者面对的工作压力可想而知。许多客户经理由于过重的工作压力和愈发激烈的竞争环境, 不堪重负, 这也成为了我国商业银行客户经理流失的又一大原因。
二、稳定我国商业银行客户经理队伍的对策和建议
随着我国商业银行市场化竞争的日趋激烈, 客户经理在各家银行中的核心作用已毋庸置疑, 作为商业银行的稀缺资源, 客户经理也成为商业银行互相争抢的目标。在我国商业银行客户经理流失现状日益严峻的今天, 完善客户经理制、稳定客户经理队伍也成为我国商业银行的工作重点。针对客户经理流失的种种原因, 就纠正银行客户经理管理中出现的诸般问题, 现提出以下几点对策和建议。
(一) 完善客户经理考核机制
客户经理考核机制是客户经理制的主要内容, 考核的结果决定了客户经理的升迁、降级以及薪酬福利等多项内容。客户经理考核的方式虽然在各家银行间存在差异, 但主要是营业业绩考核和综合指标考核两部分。
首先, 在营业业绩考核方面, 除了传统的业绩考核方式之外, 建立公共绩效池的考核方式也应在各家商业银行得到广泛应用。营销业绩的取得往往会受到多种因素的制约, 如由于环境、周期等变化可能造成的客户经理销售业绩的阶段性不佳, 某些客户经理虽然工作十分努力, 个人能力也达到要求, 但由于社会关系等原因业绩始终不好, 工作热情下滑。鉴于以上情况, 商业银行应建立公共绩效池, 将每位客户经理当期的绩效奖金的一个比例留出, 放入公共绩效池, 作为公共绩效, 由客户经理部负责人根据情况调配使用, 一是弥补某些因特殊因素出现的考核期内业绩下滑的客户经理的损失, 二是对某些工作勤勉但业绩不良的客户经理进行一定程度的补偿。通过这一做法, 既缓解了业绩考核的压力, 也有利于客户经理的团队意识培养。
其次, 在综合指标考核方面, 商业银行管理层应提高对综合指标考核的重视程度, 将综合指标的考核落到实处。综合考核的指标应包括客户服务、工作程序执行、综合素质、专业素质、团队精神、能力素质、道德修养等, 将这些指标的考核制度化、程序化, 有利于在多方面为客户经理提高个人素质、增强业务能力提供标尺, 也打消部分客户经理对原有考核方式的误解, 从源头上防范客户营销的金融风险, 实现商业银行客户经理管理的标准化和精细化。
(二) 建立规范的客户经理职业生涯管理制度
满足了薪酬福利期望的客户经理们, 最为看重的是个人的职业发展, 因此, 完善的职业生涯规划是防止客户经理流失的关键措施。就此, 我国商业银行应建立规范的职业生涯管理制度, 满足组织和客户经理个人的双向发展, 实现组织和个人的“双赢”。职业生涯管理制度应包括:凡是进入本组织的客户经理, 按不同的岗位序列, 有规范的职业发展通道, 不同岗位的员工对自己在本组织的职业发展有清晰的目标, 对自己的职业发展所需的能力和职业要求有着清晰的认知, 从而对自己在工作中应有的表现也有很确定的认识。同时, 人力资源管理部门也应建立与员工的定期面谈制度, 以了解员工的职业发展状况, 随时对员工的职业发展目标进行修正或修订, 以满足员工在职业发展过程中的目标调整和修正需要, 也可以引导员工的职业发展目标与组织的发展目标尽可能的保持一致。
(三) 重视对客户经理精神需求的满足
我国商业银行管理层首先应从自身角度出发, 加强管理理论的学习, 从自身管理意识中提高对精神激励的重视程度, 有意识地满足客户经理的精神诉求。一方面利用组织目标、事业理想、企业精神、核心理念和价值观引导客户经理把文化驱动力转化为一种激励力量, 使其在所从事岗位中获得极大成长, 实现客户经理个人价值最大化的成就感, 从而将自我目标与组织目标融为一体。另一方面, 领导应对表现突出的员工表现出应有的赏识, 给予发自内心的赞扬, 对年轻员工给予充分的锻炼机会和指导, 对员工在工作中承受的压力表示理解并帮助缓解。总之, 建立上下级之间的良好关系对满足员工精神需求有着不可替代的作用。
参考文献
[1]唐宁玉.国有商业银行人力资源管理战略探析——兼谈某商业银行的薪酬战略[J].上海管理科学, 2002, (3) .
[2]姜孔祝.商业银行人力资源管理之我见[J].山东经济, 2001, (7) .
[3]许学军.现代商业银行绩效考核与激励机制[M].上海:上海财经大学出版社, 2008.
[4]陈学彬.论金融机构激励约束机制[M].上海:复旦大学出版社, 2006.
[5]刘秀清, 邹力.我国股份制商业银行客户经理流失的原因与对策[J].北方经济, 2008, (9) .
公路水土流失预测方法研究 篇7
改革开放以来,随着国民经济的快速发展,工程建设量与日俱增,由此所造成的水土流失也对环境产生了巨大的影响,其主要危害可大致归纳为:破坏水土资源,增加河流含沙量、增加淤积、影响行洪,影响周边农田及村庄,影响生态环境,影响项目的正常运行,影响城市景观等。建设项目水土流失预测就是应用人们对水土流失的认识和掌握的规律,根据建设项目的总体布局、生产工艺和施工工艺,特别是扰动和破坏面、弃土弃渣情况,在全面调查的基础上,经过综合分析,对可能产生的水土流失量进行评估和推测。建设项目水土流失的预测是方案编制的依据和关键,但由于我国目前高速公路建设项目水土流失定位观测和动态监测数据十分缺乏,导致水保方案中水土流失的预测结果偏差较大。常见的预测方法主要有实地调查与引用资料法、类比预测法、数学模型法、专家预测法和经验公式法。本文主要探讨数学模型法这一预测方法的原则内容和优势缺点,并应用到工程实例中。
2 水土流失预测原则、范围及时段
水土流失预测原则主要有:水土流失预测基于主体工程设计,同时以不采取任何水土保持措施为前提对可能产生的水土流失量及其危害进行预测和分析;扰动土地面积按实际扰动情况进行分析,水土流失面积结合扰动地表情况进行分析。预测单元主要分为:主体工程区、永久弃渣场区、临时堆土场区、取土场区、施工道路区和施工生产生活区6个部分。拟建项目预测时段主要为建设期,包括施工期(含施工准备期)和自然恢复期。自然恢复期指各单元施工扰动结束后未采取水土保持措施条件下,松散裸露面逐步趋于稳定、植被自然恢复或在干旱、沙漠地区形成地表结皮,土壤侵蚀强度减弱并接近原背景值所需的时间。
3 数学模型预测方法
3.1 扰动原地貌、损坏土地、植被面积及损坏水土保持设施数量
工程施工不可避免的扰动地表、损坏土地和植被,导致原地表降低或丧失水土保持功能。根据对拟建工程的实地调查并结合图纸直接测量,经分析预测,计算得出工程建设扰动原地貌、损坏土地和植被面积。水土保持设施是指具有防治水土流失功能的一切设施的总称,通过现场调查及查阅项目有关技术资料,统计得出项目施工期损坏水土保持设施。
3.2 弃渣量的预测
根据项目的土石方平衡情况,可统计出工程建设产生的弃渣量。
3.3 水土流失量预测
工程建设期所造成的水土流失量主要由两部分组成:1)由于项目建设挖填破坏、埋压土地及植被造成原地貌水土保持功能降低甚至丧失,导致土壤侵蚀加剧而增加的水土流失量;2)因为项目建设产生的弃土、弃渣及其不合理堆放而增加的水土流失量。
工程建设所造成水土流失量采用土壤侵蚀模数法进行预测:
其中,W为土壤流失量,t;ΔW为新增土壤流失量,t;Fji为某时段某单元的预测面积,km2;Mji为某时段某单元的土壤侵蚀模数,t/(km2·年),依据现场调查结果,按照土壤侵蚀分类分级标准确定;ΔMji为某时段某单元的新增土壤侵蚀模数,t/(km2·年),只计正值,负值按0计;Tji为某时段某单元的预测时间,年;i为预测单元,i=1,2,3,…,n;j为预测时段,j=1,2,3,指施工准备期、施工期和自然恢复期。
4 工程实例
4.1 工程概况
南宁市某大道拓宽三期工程位于南宁市良庆区境内,全长23.025km。项目按城市道路Ⅰ级标准设计,设计行车速度60km/h,路基宽60m。工程占地255.68hm 2,其中永久占地189.49hm 2,临时占地66.19hm 2。路线所经区域主要为丘陵地貌,地面高程一般在70m～148m之间。工程所在地属亚热带季风气候区,区域内多年平均气温21.6℃,多年平均降雨量1 304.2mm,降雨主要集中在4月～9月。土壤类型以红壤为主,植被类型为季风常绿阔叶林带,项目区林草覆盖率46.6%。
4.2扰动原地貌、损坏土地、植被
工程从2009年9月开工建设到2010年12月完工,施工期1.3年;项目地处桂东南红壤丘陵区,根据当地植被生长情况,自然恢复期取施工结束后2年。通过现场调查及查阅该项目有关技术资料,拟建工程建设扰动原地貌、损坏土地和植被面积为255.68hm 2;施工期损坏水土保持设施包括水田、园地、林地、水塘、部分旱地(梯地)和部分荒地(林草覆盖度不小于30%)共计144.45hm 2;工程建设产生弃渣量为295.61万m 3,其中包括临时堆土40.12万m 3(不含取土场清表3.32万m 3)、永久弃渣255.49万m 3根据项目建设扰动地表情况,项目施工期(含施工准备期)可能造成水土流失面积为255.68hm 2,自然恢复期可能造成水土流失面积为126.84hm 2。依据现场调查结果,按照土壤侵蚀分类分级标准确定项目区原地貌土壤侵蚀模数约为550t/(km 2·年)。根据项目区的自然概况以及土地利用方向,自然恢复期土壤侵蚀模数取800t/(km 2·年)～1 200t/(km 2·年)。
4.3水土流失预测结果与评价
使用3所探讨的方法对项目进行统计计算分析,可得出建设期造成的水土流失总量为31 469t,新增水土流失量28 712t,水土流失重点时段为施工期,主要以水力侵蚀为主,重点区段为主体工程区、永久弃渣场区、临时堆土场区和取土场区。
在项目建设过程中,通过对工地现场的调查,发现实际状况与预测结果相当吻合,方案所采用的预测方法是有效的。
5结语
1)工程建设期所造成的水土流失量主要由两部分组成:a.扰动地表、地貌新增水土流失;b.弃土弃渣水土流失。
2)建设期造成的水土流失总量为31 469t,新增水土流失量28 712t,水土流失重点时段为施工期,主要以水力侵蚀为主,重点区段为主体工程区、永久弃渣场区、临时堆土场区和取土场区在项目建设过程中,通过对工地现场的调查,发现实际状况与预测结果相当吻合,方案所采用的预测方法是有效的。
参考文献
[1]王治国.开发建设项目水土流失预测的若干问题讨论[J].中国水土保持,2002(4):35-37.
[2]蒲勇平.关于水保方案编制中几个共性问题的探讨[J].水土保持科技情报,2002(4):25-26.
[3]肖满.水电站施工期水土流失预测[J].东北水利水电,2006(7):62-63.
客户流失预测 篇8
商务智能是从大量的数据和信息中发掘有用的知识、并用于决策, 以增加商业利润, 是一个从数据到信息到知识的处理过程。商务智能辅助商业活动作出快速反应, 加快知识的获取速度, 减少企业不确定性因素的影响, 满足管理层和决策层对信息知识的时间性和准确性的要求。超过2000个世界领先的品牌依靠IBM数十载的商务经验改善业务洞察和执行, 帮助企业向客户和合作伙伴增加交付的价值。政府或企业都需要在海量的信息中获取有价值的信息, 并据此做出科学的评估和决策。SPSS (社会科学统计程序) 是一套集数据信息的采集、处理、分析、评估、预测、并给出专业人士可接受解决方案的软件。IBM在收购SPSS后发布了IBM SPSS, 在原有SPSS基础上融入商务智能理念, 拓展了分析、评估、预测模型, 具有了更加丰富强大的智能决策支持能力。
二、问题分析
市场调查显示:一个公司平均每年约有10%-30%的顾客却在流失。但很多公司常常不知道失去的是哪些顾客, 更不知道这样会给他们的销售收入和利润带来怎样的影响。冷静地研究分析顾客流失, 对于企业挽救危机、健康成长具有十分重要的意义。
顾客流失是现代公司通过计算一位顾客一生能为公司带来多少销售额和利润来衡量顾客价值。寻找他们流失的原因即流失客户的特征, 通过数据处理, 根据以前拥有的客户流失数据建立基本属性、服务属性和客户消费数据与客户流失可能性的数据模型, 找出其潜在的关系, 分析出客户流失的因素, 预测客户是否流失的可能性。对于客户的基本数据、行为数据及消费数据, 进行数据挖掘研究已流失客户数据, 从中找出先前未知的、对企业决策有潜在价值的知识和规则, 发掘潜在流失客户, 让企业适时把握住市场及客户动态, 掌握客户流失的规律。
三、解决算法
决策树演算法
人们认识事物时往往先把被认识的对象进行分类, 以便寻找其中同与不同的特征, 从而构建特征模型。在数据挖掘中一般用规则或决策树模式表示。
一个决策树的架构, 是由三个部分所组成:叶节点、决策节点以及分支。决策树演算法的基本原理为:通过演算法中所规定的分类条件对于整体数据进行分类, 产生一个决策节点, 并持续依照演算法规则分类, 直到数据无法再分类为止。在IBM SPSS Modeler中, 主要提供了四种常用的决策树演算法供使用者选择。使用者可依据数据类型以及分析需求的不同, 选择适当的决策树演算法进行分析。虽然不同的决策树演算法有各自适用的数据类型以及演算架构等差异, 但概括来说, 决策树的主要原理均为通过演算法所定义的规则, 对数据进行分类, 以建立决策树。
(1) C5.0由C4.5演化而来。此演算法的分类原理主要是利用资讯衡量标准来构建决策树, 并对每一个节点产生不同数目的分支来分割数据, 直到数据无法分割为止。C5.0的目标字段测量级别, 不适用于连续类型的测量级别。而输入字段的数据型态则适用连续类型的测量级别。 (2) CHAID此演算法和前述的C5.0概念很像, 均可以在每一个节点产生不同数目的分支来分割数据, 用来建立决策树。但是在背后分类的原理则利用卡方分析检定来进行分支, 通过卡方检定来计算节点中的P-value, 来决定数据是否仍须进行分支。另外, CHAID的目标字段的测量级别可适用于连续类型的测量级别, 但在输入字段则只适用分类类型的测量级别。 (3) QUEST此演算法是利用统计方法分割数据, 即以判定决策树是否仍需进行分支, 以建立二元的决策树。QUEST在变数的数据型态限制上, 跟C5.0一样, 目标字段测量级别, 不适用于连续类型的测量级别。但在输入字段的测量级别则适用连续类型的测量级别。 (4) C&R Tree又称为CART, 构建决策树的原理是使用Gini Ratio作为判定决策树是否仍须进行分支的依据, 并建立二元的决策树。此演算法不管是在目标变数以及输入字段的测量级别均适用连续类型的测量级别做分析。
四、方案对策
随着国内各种企业的改革, 激烈的竞争下各企业都面临严重的客户流失问题。大量的客户流失延长了企业利润回收的周期, 给企业造成了巨大的损失。在这种形势下, 如何分析客户行为预测客户的流失, 并结合竞争环境的变化制定有效的客户挽留以实现企业利益的最大化, 已成为企业的一个重要课题。减少客户流失的具体措施:开展品牌工程建设、开展个性化服务、做好客户关系的开发和维持工作、积极参与建立公平的市场秩序、完善自身业务能力、做好营销队伍建设等。
参考文献
[1]刘小虎, 李生.决策树的优化算法[J].软件学报.1998 (10)
客户流失预测 篇9
1. 网络营销
网络营销主要指企业利用一切信息技术进行的营销活动,是以网络技术为基础的直复式营销、柔性营销、关系营销、顾客参与式的综合性营销。世界经济论坛最近提出报告,与互联网相关的产业将创造直接工作机会120万个,间接工作机会2530万个,另外,近年来,中国各型企业通过网络营销拉动GDP快速增长。总的来说,网络营销影响力较大,发展前景较好。因此,国家越来越重视这一行业,网络营销逐渐成为了主流的市场营销方式。
2. 客户关系管理
客户关系管理是指企业通过对客户信息资源搜集,为客户提供良好的产品和服务,与客户建立起长期、稳定、互惠互利的密切关系的动态过程和经营策略。客户关系管理是市场营销发展到“关系营销”时期的一种典型商业策略,它按照客户的分割情况有效的组织企业资源,培养以客户为中心的经营行为。企业进行有效的客户关系管理策略,能够用较低的成本,获得较高的客户转化率,并以此为手段提高企业的获利能力,收入以及培养客户忠诚度。客观来讲,客户关系管理是现代企业管理中不可获取的重要手段。
3. 网络营销中的客户关系管理
网络营销当中的客户关系管理,继承了一定的传统客户关系管理原理,但是却与传统的客户关系管理有一定的区别。
首先,网络营销中的客户关系管理是基于计算机技术和网络技术的;其管理方式更加科学化,信息收集整理更加有序。
其次,传统营销的企业与客户主要建立的是交易双方面对面的交流。而网络营销建立的是交易双方不见面的非接触性营销,企业很难快速培养客户偏好,赢得客户信任。但是,由于信息技术的介入,双方互动性更强,企业关注成本更小,企业更便于进行客户关系管理。
另外,由于不完全电子商务的存在,物流成为网络营销重要的介入因素,由于实体商品分配的特性,客户信息获取更容易。
总的来说,比之传统营销,网络营销中的客户关系管理呈现出管理技术性更强、客户偏好培养难度更大,但是客户维护效率更高,客户信息更易获取等特点。
二、影响网络营销客户流失因素
不可否认的是,网络营销同样需要进行客户关系管理,并且同样需要较高的客户转化率用以提升企业获利率。然而,网络营销中客户流失情况非常严重,这是大多数中小型网络营销企业忽略客户价值以及客户转化率所造成的。
网络营销中客户流失可能是以下一些因素造成的。
1. 产品和服务质量
这是网络营销中客户是否流失的主要内因。产品和服务是营销的主要因素,也是消费者区分商品差异化的重要因素。在科学技术快速发展的今天,商品同质化程度越来越高,网络营销因其历史原因,价格策略主要以“低价渗透”为主,这就压低了网络营销商品的销售价格。因此,大多数网络营销企业,为节省成本,纷纷销售传统营销替代品甚至仿冒品为主,并在网络上标识为“正版”、“同款”、“原单”等词,欺瞒客户;又因为网络营销是一种非接触性营销,客户在购买前无法接触到真正的产品,所以购买后,往往会发生客户觉得所购产品或服务远远低于心理预期。多种因素,造成了客户购物满意度较低,进而造成客户转化率偏低甚至客户流失等情况。
2. 网络营销中网站的搭建
在网络营销中,商品或服务销售的主要媒介是互联网站点,这是网络营销重要的技术支撑之一。网站建设同样是网络营销客户是否会流失的重要因素。在网络营销中,网站建设是否影响客户流失的主要指标有网站访问速度、网页交互设计、商品丰富程度,商品介绍情况,以及支付的安全性等因素。通常来讲,优质的购物网站应该具有网站访问速度较快,网页交互友好,商品介绍完整、清楚,支付安全有保障等特点。而由于受到各项技术、成本的制约,多数企业购物网站建设都有或多或少的问题。经常会造成客户购物体验较差,客户放弃购买,进而客户流失。
3. 网络营销中的物流服务
物流是市场营销中的重要分销流程,也是直复式营销重要的制约因素。网络营销就属于直复式营销的一种。直复式营销最早在欧美国家发展,经历了邮件营销、广播营销、电视营销几个完整的直复式营销时期。因此,发展到网络营销时期,欧美国家已经建立了健全的物流制度服务于网络营销。而中国的网络营销发展较晚,在20世纪90年代才产生雏形,前期由于历史因素影响,我国没有经历完备的直复式营销,因此物流水平滞后,从而也影响了网络营销的发展,当前物流服务成为了制约企业网络营销重要因素。多数企业由于自身物流水平的落后或合作物流企业水平的参差不齐造成了客户流失。
4. 网络营销中的售后服务
由于网络营销是在虚拟的平台进行交易,因此,网络营销多多少少会存在客户获取的信息不够真实。客户在购买之后,经常会出现购买产品与心理期望有差异,在这种情况下,客户会申请退、换货,而出于自身利益的考虑,企业会提出异议,这就造成了客户与企业的矛盾,造成客户购物体验较差,进而客户流失。
另外,网络营销的非接触性,经常导致客户对商品信息认知不足,因此,多数情况需要问询人工客户服务,由于人力成本较高,企业的客服就会出现人员短缺,人员能力、素质参差不齐的情况,客户由于晕轮效应,会因为客服人员服务情况对企业产生“感觉迁移现象”,造成客户流失。
5. 网络营销中的企业产品线
网络营销中企业在网站中提供的产品和服务是客户购买的基本因素,也是企业主要的利润来源。然而,在市场快速进步的今天,客户的需求越来越多样,要建立以客户为中心的营销模式,必定要提供更多个性化服务。这就要求企业提供的产品其产品线长度、宽度较大,上下可扩展性较强、“一对一”的定制性营销越强。可是大多数国内企业进行的网络营销仍然强调“二八理论”下的营销策略,以“明星”产品为主要销售产品,并且产品线长度、宽度都较小,客户可选择余地较小。由于产品同质化情况严重,产品可替代性较强,客户在购物后可能因为多种因素,转战其他网络营销企业、产品,企业无法培养客户忠诚度,造成客户流失。
三、对策分析
对于客户流失,企业应该引起重视,最有效的办法就是培养客户忠诚度,下面就网络营销如何培养客户忠诚度进行简要分析。
1. 提升产品或服务质量
企业首先应该做的是提升产品或服务的质量,培养客户忠诚度主要还是应该从自身抓起,产品或服务是吸引客户购买的根基,核心产品是客户购买的主要因素。网络营销企业不能因为成本控制,而缩减提供给客户的产品或服务的质量,过硬的质量也是维护客户忠诚度的一个重要因素。并且,过硬的质量在客户购后能够形成客户间的病毒化传播,潜在地提高企业产品或服务的宣传力度。企业应该尽可能的放弃仿冒品销售,加大力度创造、建立自身品牌,以品牌做担保的产品更能获得客户的信任,培养客户的购买偏好。并且也能有效减少因为产品问题带来了客户退、换货问题。
2. 提升企业网络营销媒介质量
当前网络营销区别于传统市场营销,铺面化营销正向虚拟的网站营销转变,企业因此可以节省大量的成本投入。然而,大部分企业仍不能正确认识到网站建设对网络营销的重要性,致使客户购物体验感较差。要培养客户忠诚度,良好的网站互动体验,安全的支付环境也是重要的因素。大型企业可以多在网站建设上下功夫,提升网站交互性,保障支付环境;中小型企业可以先从成熟的网站媒介旗舰店做起(如天猫、京东等网络营销专业网站),待时机、技术成熟后再转入独立营销网站建设,并在此过程中培养客户购物偏好,逐步实现客户忠诚度的培养。
3. 提升网络营销企业的附加产品层次
附加产品层次是企业主要的获利来源,也是提升客户让渡价值的有效途径。在网络营销中主要的附加产品层次有物流与客户服务因素。
由于企业成本限制,我国大部分网络营销企业与物流企业是一种合作关系。而我国物流行业现正处于发展时期,呈现出物流企业良莠不齐,商品运送速度慢、物流服务人员素质参差不齐,物流价格不统一等特点。这些特点经常造成较差的网络营销客户购物体验。据调查显示,网络营销客户反馈中,中、差评论有25%左右来自于物流服务。要培养客户购买忠诚度不能忽视物流建设,购物网站“京东”的大部分客户就是由于其快速优质的物流服务而选择它。因此,大型网络营销企业可以在自建物流方面多做思考,中小型企业也可以考虑“联盟型”物流行业的建设。
其次,网络客户服务成为了重要的网络营销工具,对于企业来讲是不能缺少的售前、售后环节,并且大多数网络营销客户都将网络客服看成企业的一部分,甚至形成“感觉迁移”,以服务的好坏来评价企业的好坏,由此可见,提升企业网络客服质量也是培养客户忠诚度的一大重要因素。完善企业客服质量有助于树立企业口碑,提高客户满意度。
4. 提供个性化网络产品或服务
网络营销客户多是互联网网民,由于互联网历史因素,网民早已形成个性化特征,传统的“二八理论”,“明星产品”效应对他们影响效果不强。企业应该尽可能的进行客户主导型营销,满足客户各种个性化需求,进行“个性化定制”服务或“一对一”个性化服务,提升客户的满意度。
另外,企业还可以尽量拓宽产品或服务的产品线,让客户尽可能完成“一站式”购物,提高客户让渡价值,实现客户忠诚度的培养。
5. 差异化客户分析提升客户关怀
由于网络营销的特性,致使企业在技术层面和分销层面更容易获取客户信息。但是,多数企业在获取客户信息后,不进行客户信息分析,浪费了客户数据,要提升客户忠诚度,必须要对客户进行差异化的分析,进行现有客户评估,挖掘客户潜在购买力,提升客户等级,并差别性对待,让部分客户体会到特别服务,产生贵宾体验,以此提升客户忠诚度。
另外,企业应当适时进行客户关怀。网络营销时代,客户关注成本降低,无纸化的完全电子商务让企业用简单的E-mail进行问候,就能实现客户关怀,极大的提升了“长尾效应”的可能性,另外,客户关怀又有利于客户忠诚度的培养。
四、结论
综上所述,企业在进行网络营销过程中,要多利用互联网特性进行客户关系管理,正确的客户关系管理策略有助于企业实现更好的利润获取和高质量的客户转换。在现代网络营销当中客户容易流失,要避免这一情况,企业应当加强自身建设,提升产品质量,提升网站建设水平,加强客户服务水平与物流水平,提供更具个性的产品与服务,以此实现培养客户购买偏好,提升客户忠诚度。
摘要：随着国家对互联网行业的大力支持,网络营销逐渐成为主流的营销方式。然而,作为网络营销的重要营销手段之一——“客户关系管理”还没有得到企业足够的重视,以至于网络营销中客户流失严重,客户忠诚度偏低。因此,本文主要分析网络营销中的客户流失因素及以及相应的对策。
关键词：网络营销,客户流失,客户忠诚度培养
参考文献
[1]陈家闯.网络营销环境下营销客户忠诚度的因素研究[J].商业经济,2013,(10):64-65.
[2]谢聪利.电子商务环境下忠诚顾客的培育途径[J].科技经济市场,2010,(8):75-76.