顾客关系管理预测方法的核心思想

从上述钱广的例子能够看出,CRM的关键是要预测每个顾客下一次什么时候来,他来要买什么。进行这两方面的预测,从供应链的角度看,有助于及时备货;从营销的角度看,则有助于提高营销的效率。例如,顾客过了预测的时间还没有来,流失的可能性就提高了。针对这样的顾客,应该采取营销手段进行挽回。而没有流失风险的顾客,则不需要干预。这样,营销费用使用起来就更有针对性了。

各种预测方法的核心思想主要有两个:一是用过去预测未来;二是用群体预测个体。

我们仍旧用钱广的例子。如果钱广记录了赵轻松每次买醋的日期,则可以算出赵轻松每次买醋的时间间隔。每次间隔的天数通常是不一样的。我们可以统计不同间隔天数出现的频次,比如间隔31天出现了5次,间隔25天出现了3次,间隔20天出现了2次,那么一共10次购物,有5次是间隔31天,可以据此推算赵轻松下一次买醋有50%的可能性间隔31天、有30%的可能性间隔25天、有20%的可能性间隔20天。

如果只关注赵轻松到店的日期,不管他买不买东西,也不管他买什么,也能统计出间隔天数及其出现的频次。根据这一结果,能得出赵轻松间隔不同天数到店的可能性。结合他最后一次到店的时间,就能预测他下一次什么时候来。

进行上述统计和计算的思路一点也不复杂,但有个前提条件,就是要有足够的消费记录。比如,顾客之前多次来过店里,这样才能统计不同间隔天数出现的频率。如果要计算顾客下次什么时候会买某种产品,则需要知道顾客之前买过该产品多次,否则就没有统计的基础。

对于新顾客、新产品,或者来得少的顾客、购买次数少的产品,因为缺少相应的记录,上述方法就失效了,这时需要寻找新的思路。其中一个思路,就是用相似人群或者相似产品的以往记录,作为新顾客、新产品的以往记录。以此为基础,就仍旧可以按照刚才的思路进行测算。

用过去预测未来时,需要通过过去发生的事情获得该顾客每种时间间隔出现的次数,将该次数除以总次数即得到了频率。

如果是新顾客、新产品,顾客是首次购买或者购买次数很少,不足以获得频率数据,那又应该怎么办呢?

如果存在与要预测的顾客A类似的另外一个顾客B,而且还知道顾客B以往的购买频率,则把顾客B的购买频率作为顾客A的购买频率,也能对顾客A进行预测。

在CRM的研究历史上,人们不仅无法获得新顾客A的历史数据(新顾客没有历史数据),其实对顾客B的情况也知之甚少。店铺往往只有每笔订单发生的时间,对顾客B的背景信息基本也不了解。受限于没有更详细的数据,当时的研究者往往把整个店铺的顾客都当作与顾客A类似的顾客,用整个店铺的顾客的购买频率来模拟顾客A的购买频率,这就是用群体预测个体的思路。

总而言之,当无法知道顾客A的购买频率时,可用与他类似的已知的顾客B的购买频率来代替。当无法判断已知其购买频率的顾客C是否与顾客A相似时,可用相关信息已知的整个顾客群的购买频率来预测顾客A的购买频率。也就是说,如果一个店铺有三个购买频率互不相同的顾客群,就用那个与顾客A最接近的顾客群的购买频率来预测顾客A的购买频率。当无法判断一个店铺是否存在互不相同的顾客群,或者完全无法知道顾客A的任何信息时,则用整个店铺顾客的购买频率来预测顾客A的购买频率。

可以看出,因为对顾客A的信息不了解,研究人员尝试用各种从相似到不完全相似的群体的信息来预测个体,于是不得不采用多种越来越复杂的概率模型来解决问题。但核心逻辑并没有发生什么变化,仍旧是用已知预测未知。当没有已知的个体时,则用已知的群体来预测个体。各种模型都是这个思路。

有了对顾客未来行为(来不来、买不买、买什么)的预测,叠加顾客对各种营销活动的响应情况,我们就能预测顾客在未来一定时期的购买情况。在战略层面上,累计每个顾客的情况,就能根据不同的管理需要完成三年规划、业绩预测、企业价值预测之类的管理决策。在战术层面上,可以依据每个顾客的上一行为预测其下一行为,并据此调整要推荐的产品,或者当顾客的行为偏离预测时(例如,该来的时候没有来),施加营销干预,挽回可能要流失的顾客。