编者按：随着市场经济深入发展，社会对企业的要求逐步提高。秉持从客户出发、为客户创造价值的理念，才能有效提升企业核心竞争力，从而获取更多利益。在此背景下，客户关系管理愈发重要。

客户分类模型是客户关系管理中的重要模型之一，本文将结合百分点科技多年来积累的项目实践经验，从行业应用与模型原理两个角度，对客户分类模型进行介绍。

一、客户分类模型行业应用

客户关系管理的目标，是通过满足每一个客户的需求，实现企业资源优化，降低企业成本等。为实现此目的，企业需要收集整理客户信息，分析出蕴含在大数据背后有价值的信息，加以利用，结合不同类别客户的本质需求，提供差异化服务。一方面为客户创造更多价值，另一方面为企业自身赢得更多利益，实现双赢。

其中，客户分类模型是客户关系管理中的重要模型之一，接下来将介绍客户分类模型在各行业场景中的应用。

1.零售行业——RFM模型/基于聚类的RFM模型

RFM模型常用于零售行业，是客户关系管理分析模式中常用的工具和手段。该模型以近度（R：Recency）、频度（F：Frequency）、值度（M：MonetaryValue）作为客户分类的三项指标，例如，利用一位客户的最近购买时间（R）、购买频次（F）与累计购买金额（M）来描述该客户的价值情况。将每个维度进行二分，R/F/M三个维度的三次二分将全部客户分为八类，企业可对不同类别的客户开展不同的营销手段。RFM模型十分经典，但较为传统机械。利用机器学习聚类算法，可以对RFM模型进行优化，常用方法有基于自组织神经网络（SOM网络）的RFM客户分类模型。

2.金融、电信、零售等行业——聚类模型与分类模型相结合

RFM模型需要用到最近购买时间（R）、购买频次（F）与累计购买金额（M）三个指标，这些指标适用于零售行业。那么对于其他行业而言，该如何构建与行业数据更适应的客户分类模型呢？常见的客户分类模型方法有聚类与分类相结合的客户分类方法，该方法步骤为：（1）结合具体行业客户特征与业务需求，归纳客户特征，提取有关指标的数据字段；（2）利用聚类模型（k-means/SOM等）对客户进行聚类，确定现有客户的类别；（3）利用分类器（DT/SVM等）对客户建立分类预测模型，并将该模型应用到其余客户及未来新客户上，进行分类预测；（4）依据预测准确度不断优化迭代聚类与分类器各项参数，实现客户分类模型的持续优化。与RFM模型相比，基于聚类的客户分类模型优势在于：（1）其分类指标不仅限于RFM的三个指标（最近一次消费、频次、金额），而是可以扩展到客户人口特征、价值特征与行为特征等多类特征；（2）其分类方式不是单纯的切割，而是根据客户间距离/密度进行聚类，类别的划分更加灵活立体。

3. 通用企业客户——综合指数模型

不论是RFM模型还是聚类与分类相结合的客户分类模型，其分类对象大多以个人客户为主。当分类对象为企业客户时，可利用综合指数模型进行评价分级分类。主要设计思路与步骤是：（1）结合具体行业企业客户特征，确定适合的财务指标与非财务指标；（2）利用主客观赋权方法确定指标权重；（3）通过指标体系法的评估得到各企业客户的综合得分，为后续决策与管理提供参考依据。

二、客户分类模型原理介绍

1. RFM模型/基于聚类的RFM模型方法原理介绍

传统的RFM模型利用最近购买时间（R）、购买频次（F）与累计购买金额（M）三项指标，将全部客户分为八类，具体见下表。