[]
消費者市場の競争が激化する中、企業は製品中心のビジネスモデルから顧客中心のビジネスモデルへと移行しつつあります。ビジネスの成功の鍵は、顧客のニーズに焦点を当て、長期的に良好な顧客関係を維持することで持続可能な競争優位性を獲得することにあります。曾小青によると、企業は3つの基本的な問題、すなわち顧客の獲得、顧客の維持、顧客価値の最大化を解決する必要があります。この3つの問題の大前提は、顧客をセグメント化し、どのようなタイプの顧客が必要とされているかをまとめ、その価値を昇華させ、差別化されたサービスを提供することです。
組織は独自のビジネスデータを持っており、特に消費者ビジネスは膨大です。「大手企業はこうしたデータを蓄積するだけでなく、BIに基づく高度なデータ分析システムによって、企業の戦略策定と実現を支援しています」。Zeng氏は、最近の企業にとって大きな関心事であるビジネスアナリティクスについて言及しました。"顧客を分類する際にビジネスアナリティクスをデータマイニングに利用すれば、人的要因によるデータの偏りを避け、より完全な顧客セグメンテーションソリューションを企業に提供し、顧客セグメンテーションの科学性と精度を向上させることができます。"
一般的な顧客セグメンテーション手法の比較
「顧客セグメンテーション」とは、企業が顧客の属性、行動、ニーズ、嗜好、価値観によって顧客を分類し、ターゲットを絞った商品、サービス、販売モデルを提供するプロセスを指します。顧客セグメンテーションの方法は一定ではなく、多くの場合、企業は顧客データベースの情報と自社の管理ニーズに基づいて、特定の顧客を分類します。一般的に、定性的と定量的な2つの方法があります：定性的な顧客セグメンテーションは、異なる顧客の分類に異なる顧客の価値に焦点を当ててに基づいています。この方法には厳格な実証プロセスがなく、主に意思決定者の判断に依存するため、分析プロセスに偏りが生じ、意思決定ミスにつながりやすい。
定量的分類法とは、特定の顧客変数に基づき、定量的分析技術を利用して顧客を分類する方法。曾小青は記者の取材に対して、現在、定量的な顧客分類研究に使われているデータマイニング技術には、主に主成分分析、ベイズ分類、因子分析などの伝統的な統計的手法と、ニューラルネットワーク、決定木、遺伝的アルゴリズム、ファジー集合などの非統計的手法の2種類があると説明。しかし、従来の統計的手法では、複雑で大量のデータに対応できず、処理結果の精度も高くありません。現在、顧客セグメンテーションに使用されているデータマイニング技術は、主に非統計的手法、または2つの手法の組み合わせです。
顧客セグメンテーションにおけるもう一つの非常に重要な問題は、分類変数の選択です。顧客セグメンテーションは、顧客をその属性に基づいてタイプに分け、これを購買パターンの分析と予測に利用します。分類変数の選択は、通常、顧客の統計的特性、顧客の価値観、消費者行動に基づいて行うことができます。
I. 顧客の統計的特徴に基づくセグメンテーション。通常、このタイプの顧客セグメンテーションでは、性別、年齢、所得、地理的位置などの人口統計学的特性を変数として使用します。利点は、変数データが収集しやすく、単純な外部環境においてある程度の有効性を持つことです。しかし、このような顧客特性に基づくセグメンテーションでは、顧客の価値貢献は反映されず、顧客の消費行動を分析・予測することもできません。
第二に、顧客価値に基づくセグメンテーション。主に顧客の現在価値、潜在価値、顧客ロイヤルティに基づいて顧客価値を分析し、最終的に顧客分類を実現します。完全な顧客価値評価システムがないため、通常、顧客ライフサイクル価値を顧客セグメンテーションの基礎として使用します。例えば、韓水華は、顧客の履歴価値、現在価値、長期価値、ロイヤルティ、信用という5つの指標と決定木アルゴリズムを組み合わせて、顧客グループのセグメンテーションを行っています。繰り返しますが、このタイプの顧客は、顧客の消費行動に対応できるほど強くありません。
第三に、消費行動に基づく顧客セグメンテーション。消費行動は、顧客の購買行動を如実に表すだけでなく、企業の様々なサービスや製品に対する顧客の実際の反応を示しています。消費行動に基づく顧客セグメンテーションで最もよく使われるのは、1994年にHushesが提唱したRFMモデルのセグメンテーションです。
消費データマイニングに基づく行動セグメンテーション
一般的に使用されている顧客分類方法を比較分析することで、消費データマイニングに基づく行動セグメンテーションは、より科学的なセグメンテーション方法であるとZeng Xiaoqingは述べています。消費データマイニングに基づく顧客セグメンテーション法は、顧客の過去と現在の行動に基づいて将来の行動を予測するもので、行動パターンデータに基づき、情報技術によってサポートされるセグメンテーション法です。この方法は、データベース内の既存顧客の消費行動パターンを分析することによって顧客を分類します。
Hushes（1994）は、RFM（R：Recency、F：Frequency、M：Monetary）モデルを提唱し、3つの行動変数で顧客を区別しています。Rは直近の購入から現在までの間隔、Fは購入回数、Mは一定期間の購入金額です。RFM分析では、各指標で顧客をスコアリングし、3つの指標の加重合計を計算します。RFM分析では、各指標で顧客を採点し、3つの指標の加重合計を計算し、この結果に従って顧客をランク付けします。
伝統的なRFMモデルについて、張惠周は、RとFの値が大きいほど、顧客と企業との新規取引の可能性が高く、Mの値が大きいほど、顧客と企業とのリピート購入の可能性が高くなると指摘しています。許芳明は、顧客取引データベースから顧客の直近の購入時期を調べ、購入順序に従って顧客をランク付けし、顧客グループを5等分します。次に、顧客層を5等分し、最も最近購入した顧客が5点、最も過去に遡って購入した顧客が1点とします。同様に、すべての顧客は、購入頻度と購入総額の降順に従ってスコア化され、各顧客はRFMステータスを反映した3つのスコアを持ちます。例えば、スコアが111の顧客は、最近購入したことがなく、購入頻度も購入金額も低い顧客であり、スコアが555の顧客は、最近購入したことがあり、購入頻度も購入金額も高い顧客です。
しかし、この方法はスコアの代表範囲に不確実性があり、人間の影響がより深刻です。Ching-Hsue Chengは、従来のRFMセグメンテーションモデルを改良し、RFMモデルと組み合わせてラフ集合を使用することで、最も適切な顧客分類数を導き出します。上記の数多くの手法からわかるように、顧客セグメンテーションの手法も顧客分類変数の選択も散在しており、多くの場合、手法の1つまたはいくつかのセグメントしか与えられておらず、現実的な指針に欠けています。
これまでの経験をまとめた後、Zeng Xiaoqingは、消費データマイニングのための、より完全な新しい顧客セグメンテーションの方法を提案しました。
