一、基础信息
- 文章标题
Direct mail to prospects and email to current customers? Modeling and field-testing multichannel marketing（向潜在客户发送直邮广告，向现有客户发送电子邮件？多渠道营销的建模与实地测试） - 作者
Albert Valenti（纳瓦拉大学 IESE 商学院）、Shuba Srinivasan（波士顿大学 Questrom 商学院）、Gokhan Yildirim（伦敦帝国理工学院）、Koen Pauwels（东北大学 D’Amore-McKim 商学院、挪威 BI 商学院） - 发表期刊
Journal of the Academy of Marketing Science（《市场营销科学学会杂志》） - 发表信息
2024 年第 52 卷第 815-834 页，DOI 为 10.1007/s11747-023-00962-2，属于原创实证研究（ORIGINAL EMPIRICAL RESEARCH）
二、背景信息
在当今零售环境中，多渠道营销已成为企业运营的核心，但企业管理者面临着如何将营销预算合理分配到不同客户群体及线上线下销售渠道的关键难题。客户交易数据虽能帮助零售商依据价值对客户群体进行优先级排序，然而，不同客户群体对何种营销手段反应更积极，在事前往往并不明确。从市场实践来看，直邮广告的体量在 2019-2022 年间增长了 46%，2021 年其曝光量增长率（28%）甚至超过数字广告（10%），但直邮成本高昂，企业通常仅将其投向高价值客户群体；而电子邮件因成本低（每 5000 名客户的总成本仅为直邮的 38%），常被用于低价值客户群体（包括潜在客户）。不过，对 351 名营销管理者的调查显示，46% 的管理者认为最昂贵的营销手段应投向高价值客户，41% 认为所有客户群体应接收所有营销信息，13% 则认为最昂贵的营销信息应针对低价值客户，这种认知差异进一步加剧了预算分配的困惑。
从消费者响应角度看，不同客户群体对营销手段的偏好存在显著差异。现有客户可能因熟悉企业及产品，更倾向于接收提醒类电子邮件，而对直邮广告关注度较低；潜在客户和轻度购买者由于缺乏企业相关信息，可能更易被直邮广告中的丰富内容吸引，但这类客户后续的购买行为仍需实证验证。此外，欧盟《通用数据保护条例》（GDPR）等法规的实施，导致高达 75% 的第三方数据无法用于分析，而直邮广告无需接收者同意，受法规影响较小，电子邮件的使用则受限，这使得识别并精准定位对营销有响应的客户，而非单纯追求曝光量，变得更为关键。在此背景下，如何针对不同客户群体（包括潜在客户、休眠客户）和销售渠道，合理分配线上（电子邮件）与线下（直邮）营销资源，成为多渠道零售商亟待解决的核心问题。
三、文章主旨
本文旨在为多渠道零售商解决营销组合资源分配难题，提出一套整合的方法论，用于评估电子邮件和直邮广告在不同客户价值群体及线上线下渠道中的有效性差异。研究首先通过 RFMC（近度 - 频率 - 金额 - 聚集度）模型对客户价值进行量化并划分群体，随后构建多方程分层线性模型（HLM），分析不同客户群体对两种营销手段的线上线下销售响应；同时，结合跨国数据进行元分析，并通过随机实地实验验证模型结论的因果有效性。最终，基于模型结果提出营销资源重新分配方案，为零售企业提供可落地的决策支持，帮助企业在控制预算的前提下提升营收。研究以一家国际美妆零售商（6 个国家）和一家美国服装零售商为实证对象，确保结论的普适性与实用性。
四、研究问题与研究假设
（一）研究问题
- 核心问题
多渠道零售商应如何针对不同客户价值群体（潜在客户、休眠客户、现有客户等）和销售渠道（线上、线下），分配电子邮件与直邮广告资源，以实现营销效果最大化？ - 细分问题
电子邮件和直邮广告对不同客户价值群体的线上、线下销售影响是否存在差异？ 基于模型的营销资源重新分配能否为企业带来显著的营收提升？ 上述模型结论能否通过实地实验获得因果性验证？
（二）研究假设
基于现有文献与市场观察，本文隐含以下核心假设（未明确提出传统假设形式，而是通过实证分析验证）：
- 客户群体差异假设
直邮广告对潜在客户的客户获取（尤其是线下渠道）更有效，电子邮件对现有客户（中高价值群体）的线上、线下销售促进更显著。 - 渠道响应假设
直邮广告的销售影响主要体现在线下渠道，电子邮件则在在线渠道和线下渠道均能产生销售效应。 - 资源分配优化假设
基于客户群体与渠道的响应差异重新分配营销资源，相比现有分配方式，能为企业带来更高的营收增长。
五、核心内容与研究方法
（一）整体研究设计
本文采用 “描述 - 预测 - 规范 - 因果验证” 的四阶段研究框架，通过多方法整合实现研究目标，具体流程如下：
- 客户价值量化与细分（描述阶段）
使用 RFMC 模型量化客户价值，结合聚类分析划分客户群体，明确潜在客户、休眠客户、低价值客户、中高价值客户等细分类型。 - 营销响应建模（预测阶段）
构建多方程分层线性模型（HLM），分析不同客户群体对电子邮件和直邮广告的线上线下销售响应，同时通过多种稳健性检验（交叉随机效应模型、贝叶斯估计、控制函数法）确保模型可靠性。 - 资源优化分配（规范阶段）
基于 HLM 估计的弹性系数，在预算约束下通过拉格朗日乘数法和 KKT 条件进行营销资源重新分配，计算潜在营收提升。 - 实地实验验证（因果阶段）
在意大利开展随机实地实验，将客户分为 “无营销”“仅电子邮件”“仅直邮”“两者结合” 四组，验证模型结论的因果有效性。
（二）各阶段详细方法
1. 客户价值量化与细分
- RFMC 模型
在传统 RFM（近度 - 频率 - 金额）模型基础上加入 “聚集度（Clumpiness）” 指标，量化客户购买行为的非均匀间隔程度。其中，聚集度采用熵值法计算，能更精准地预测客户未来价值（Zhang 等，2014）。研究通过客户历史交易数据，计算每个客户的近度（距离上次购买的周数）、频率（购买次数）、金额（消费总额）、聚集度（购买时间分布的熵值），实现客户价值量化。 - 聚类分析
采用 k-means 聚类法（适合大样本数据），以标准化后的 RFMC 指标为基础，通过欧氏距离衡量差异度。聚类中心初始值设定为 RFMC 指标的分位数（如四聚类对应 20%-40%-60%-80% 分位数），确保聚类结果反映客户价值的连续梯度。结合企业管理需求，最终将客户划分为潜在客户、休眠客户、非近期低价值客户、近期低价值客户、中价值客户、高价值客户（部分国家含极高价值客户），同时考虑数据可得性（潜在客户、休眠客户无完整 RFMC 数据）。
2. 营销响应建模：多方程分层线性模型（HLM）
- 模型结构
采用两水平 HLM，第一水平（时间层）将时间序列观测值（周度）嵌套于第二水平（客户群体层），同时构建线上、线下销售两个方程，允许方程残差相关以捕捉渠道间关联。 第一水平（时间层）以周度为单位，将线上 / 线下销售额作为因变量，纳入电子邮件发送量、直邮广告强度（1 / 活动持续周数）、折扣金额（控制变量）、节假日虚拟变量（圣诞周设为 1），并加入销售滞后项（AR 项）以处理序列自相关。 第二水平（群体层）将第一水平的截距和营销变量斜率作为因变量，设定为群体固定效应（因群体数量少，<10，符合固定效应适用场景），捕捉不同客户群体的响应异质性。 - 模型估计
采用极大似然法对每个国家的模型单独估计，通过元分析（Rosenthal，1984）整合 6 个国家的参数估计，以逆标准误差为权重计算加权平均弹性系数，提升结论的普适性。
3. 稳健性检验
- 交叉随机效应模型（CRE）
分析时间、客户群体、国家三个层面对销售变异的解释度，验证客户群体和国家效应的重要性（线下销售中客户群体解释 90% 变异，线上销售中国家解释 50% 变异）。 - 三水平 HLM
将国家作为第三水平，约束各国客户群体数量一致，验证跨国整合模型与单独国家模型结论的一致性。 - 贝叶斯估计
采用贝叶斯方法重新估计 HLM，对比极大似然估计结果，确保结论不受估计方法影响。 - 控制函数法（CF）
以其他国家的营销活动水平为工具变量（满足相关性与外生性），处理营销变量的内生性（如管理者根据客户响应调整营销强度），验证模型估计无显著偏差。
4. 营销资源优化分配
- 优化目标
在控制总电子邮件发送量和直邮数量（避免客户疲劳）的约束下，最大化企业利润（利润 = 边际利润 ×（线上 + 线下销售额）- 营销成本）。 - 优化方法
基于 HLM 估计的销售弹性，计算电子邮件和直邮的财务贡献，通过拉格朗日乘数法和 KKT 条件求解最优分配方案，确保每单位营销资源的边际收益相等。
5. 实地实验
- 实验设计
在意大利选取 122,394 名可通过两种渠道联系的客户，采用分层随机抽样（按客户群体分层）分为四组：控制组（无营销）、仅电子邮件组、仅直邮组、两者结合组。实验周期为 2017 年 7-11 月，记录客户每周销售额。 - 分析方法
对潜在客户、休眠客户采用随机效应回归（无历史购买数据），对现有客户采用双重差分回归（对比实验期与实验前两年的销售差异），验证两种营销手段的因果效应。
六、数据描述
（一）国际美妆零售商数据
- 企业背景
L’Occitane（欧舒丹），主营天然有机美妆护肤品，在 6 个国家（美国、英国、德国、法国、西班牙、意大利）拥有线下门店与线上电商平台，产品价格在各国线上线下一致。 - 数据规模
4 年（2011-2014 年）交易数据，涵盖 84,110 名随机抽样客户；2013-2014 年营销数据，包含电子邮件（发送、打开、点击记录）和直邮广告（活动起止时间、内容）；同时包含折扣金额、节假日等控制变量数据。 - 数据特征
-
客户群体：潜在客户（占比 10%-38%）、休眠客户（26%-40%）、现有客户（中高价值群体占 22%-30%）； 销售数据：线下销售额均值为 25.0-64.1 欧元（美国最高），线上销售额均值为 1.9-14.7 欧元（美国最高）； 营销数据：电子邮件周发送量 1.8-3.3 封（美国最高），直邮强度 0.2-0.3（周度平均，美国最高）。
（二）美国服装零售商数据
- 企业背景
主营女性服装及配饰，通过自有线下门店与线上平台销售，电子邮件与直邮为主要营销手段，营销资源分配更倾向于中高价值客户。 - 数据规模
2010-2012 年数据，涵盖 23,891 名随机抽样客户，包含交易数据（线上线下购买）、营销数据（电子邮件、直邮）及客户属性数据。 - 客户群体
潜在客户（14%）、休眠客户（7%）、非近期低价值客户（26%）、近期低价值客户（16%）、中价值客户（34%）、高价值客户（3%），高价值客户的购买频率（20.4 次）和消费金额（4861.7 美元）显著高于其他群体。
七、理论基础
本文主要基于以下理论视角构建分析框架，虽未明确依赖单一理论，而是整合多领域理论观点：
- 客户分群理论
基于客户价值（RFMC）划分群体，认为客户对营销的响应差异源于价值特征（如近度反映客户活跃度，频率与金额反映忠诚度），与传统 RFM 理论一脉相承，同时通过 “聚集度” 指标拓展客户价值维度（Zhang 等，2014）。 - 多渠道营销理论
强调线上线下渠道的协同与差异，认为不同营销手段（电子邮件、直邮）在渠道渗透、客户触达上存在固有差异（如直邮的实体性更易吸引潜在客户，电子邮件的便捷性更适合现有客户），需结合渠道特性与客户需求匹配资源（Verhoef 等，2007）。 - 营销响应异质性理论
认为客户对营销的响应受历史互动（购买经验）、认知状态（对品牌熟悉度）影响，潜在客户因信息缺口大更易受直邮影响，现有客户因品牌熟悉度高更易响应电子邮件（Ascarza，2018；Rust & Verhoef，2005）。
八、变量体系
（一）前因变量
- 营销手段变量
电子邮件：周发送数量（企业营销决策变量，而非 “打开” 数量，以反映企业主动行为）； 直邮广告：周度强度（1 / 活动持续周数，假设活动期间影响恒定，因无法获取客户实际接收日期）。 - 客户价值变量
RFMC 指标（近度、频率、金额、聚集度），用于划分客户群体（潜在客户、休眠客户、低价值客户、中高价值客户）。 - 控制变量
折扣金额：客户购买时获得的折扣价值（控制价格促销对销售的影响）； 节假日虚拟变量：圣诞周（47-52 周）设为 1，控制季节性因素； 销售滞后项：前 1-2 期线上 / 线下销售额，控制销售的时间自相关。 - 调节变量
客户群体类型（潜在、休眠、中高价值等），调节营销手段与销售的关系；国家（美妆零售商 6 个国家），调节营销响应的跨国差异。
（二）结果变量
- 线上销售额
客户每周通过企业电商平台的消费金额（欧元 / 美元）； - 线下销售额
客户每周通过企业线下门店的消费金额（欧元 / 美元）； - 营收提升
基于资源重新分配计算的销售额增长百分比（美妆零售商 13.5%，服装零售商 9.3%，实地实验 6.5%）。
（三）中介作用
本文未明确检验中介变量，但其理论逻辑隐含潜在中介机制：营销手段（电子邮件 / 直邮）通过影响客户认知（如品牌回忆、信任）或行为（如渠道选择、购买意愿），间接作用于销售。例如，直邮通过 “实体性 - 情感共鸣 - 线下购买” 路径影响潜在客户，电子邮件通过 “便捷性 - 信息提醒 - 线上 / 线下购买” 路径影响现有客户，但文中未通过实证数据验证这一中介路径。
九、研究结论
（一）营销手段的客户群体与渠道差异
- 直邮广告的有效性
直邮广告对潜在客户的线下客户获取最有效，其线下销售弹性为 0.164（p<0.05），与现有文献中直邮弹性（0.104-0.03）相符；对休眠客户和低价值客户的销售影响不显著，对中高价值客户甚至存在微弱负向影响，说明将高成本直邮投向高价值客户是低效的。此外，直邮的销售效应主要局限于线下渠道，线上渠道影响不显著。 - 电子邮件的有效性
电子邮件对中高价值现有客户的销售促进显著，线上销售弹性分别为 0.432（中价值，p<0.1）和 0.478（高价值，p<0.1），且在在线渠道和线下渠道均能产生效应；对潜在客户和休眠客户的销售影响多为负向或不显著，验证了 “电子邮件更适合现有客户” 的假设。 - 跨国与跨零售商一致性
6 个国家的元分析结果显示，上述客户群体与渠道差异具有一致性；美国服装零售商的实证结果进一步验证：直邮对休眠客户的线上（0.05，p<0.05）、线下（0.02，p<0.05）销售均有效，电子邮件对潜在客户（0.12，p<0.01）和休眠客户（0.14，p<0.01）的线下销售有效，虽存在细节差异，但核心结论（客户群体差异）一致。
（二）模型预测与资源分配效果
- 模型预测精度
提出的 HLM 模型在样本外预测（15% 观测值）中表现最优，线下销售 MAE（209.58）和 MAPE（0.44）、线上销售 MAE（75.99）和 MAPE（0.75），显著优于随机游走、均值预测及机器学习模型（随机森林、支持向量机），证明模型能有效捕捉销售与营销的关系。 - 资源分配收益
基于 HLM 弹性的重新分配方案，为美妆零售商带来 13.5% 的营收提升（33% 来自电子邮件优化，67% 来自直邮优化），为美国服装零售商带来 9.3% 的营收提升（84% 来自电子邮件优化，16% 来自直邮优化）；意大利实地实验显示，该方案相比企业常规分配，营收提升 6.5%，验证了模型结论的因果有效性。