随着客户行为和商务规则的剧烈变化，大规模的广告、促销甚至价格战等传统营销模式遇到了诸多挑战，数据库营销能否成为企业致胜未来的营销新模式

文一数据库营销的三个关键

谈论科学与艺术于市场营销中孰轻孰重，正如辩论自由与平等于人类社会发展的贡献度一样索然无趣。艺术在于灵感和想象，而科学更依赖于积累和发现；艺术更感性和自我，科学则更理性并功利。数百年的市场营销史为我们揭开一切：（见图一）

当强大的品牌已经确立，或者各式的营销手段已经玩腻，我们不得不重新考虑一下自己的职业前途，还能做些什么？或许“社会营销”是一条不错的路，它比艺术还要更艺术。过去的“泥腿子”变成现在的“行业巨头”了，做事便不能如过去一般的粗糙生硬，要加一些高贵的元素在里边，要潜移默化，润物无声。于是便有了公益责任和企业公民的概念，于是便有了救助失学儿童、绿化祖国大好河山、支持国货、发展体育运动等。哪个知名企业不和“企业社会责任(csr)”联姻一下，那简直是为各方所不容的大事情。

当然，也不能放弃另外一条更注重科学的路。数据库营销是一条使市场营销由科学走向更科学的必由之路。过去市场营销中科学和艺术的比例是2：8，现在这个比例正相反。

可以简单地对数据库营销概括一下。数据库营销是通过收集和积累客户大量的信息，采取先进的技术对这些信息进行分析，找出规律性的东西，有针对性地采取沟通和营销策略。

我们常常讲要用信息化的手段来武装市场营销工作，信息要准确、及时、透明；我们也常常想精准地把握客户的需求，甚至精准地引导客户的需求；我们还想在市场营销中“开源节流”，尽量做大roi（投资回报率）；我们更想对客户进行点对点的“眷顾”，精细化的操作。数据库营销，为我们开启一扇无法回避的大门。

数据是基础

数据是数据库营销的基石。我们需要客户的基础数据，姓甚名谁，何处高就，如何联系；我们还需要客户的特征数据，这就更细了，包括这个人所属的行业、职责、职位、年龄、学历、房和车的拥有状况等等；我们更想了解客户的交易数据，比如，什么时候购买的产品或服务，花了多少钱，买了多少次，投诉了多少次，维修了多少次等；还有，市场营销的投放数据也很重要，什么时间在什么地点的什么媒体投放了一个多少钱的什么版式广告，至少也要试着测算一下roi，否则老板岂能答应。

通常，企业会把上述的数据放在数据库里边，可以是oracle、ibm db2或者sql server，当然现在国产品牌也不错；如果要涉及更复杂的管理职能，则需要crm或者销售管理系统；如果涉及到多种数据来源的海量数据，我们就必须利用数据仓库，按照既定的规则和模式，定期抽取、关联成有益的形式。

这里，我们会面临一个巨大的挑战，即企业信息化是永远无法与社会信息化相提并论的。企业的数据来源有限，更新被动，内容繁杂；渠道和分销商是不会轻易地将客户信息拱手奉送的，销售人员也不情愿把自己刚刚开发的客户资料贡献出来，被动的等待将毫无意义。于是第三方的数据提供机构应运而生，他们通过各种渠道整合散落在各类社会机构中的数据资源，通过不断的更新和加工，在法律和道德允许的范围内，提供可靠的数据资源。企业信息的社会化，以及社会信息的企业化，同样令人期待。

数据之门深似海，我们还会遇到更大的挑战：来自不同渠道、不同格式的数据，如何整合是一个大问题；随着时间的迁移，数据的准确率不断下降，如何鉴别不同批次数据的置信度；不同数据源的数据字段定义不同，如何进行规范化处理；不同数据针对同一主体，如何进行查找、合并和删除冗余数据；对于高危的企业数据（如破产、注销、吊销、低信用等级）如何进行识别等，这就是数据清理，建立“单一视角”的客户数据资源。数据管理正是此类业务的统称。

总之，只有建立了“多快好省”的数据资源体系，我们才能理直气壮地大干数据库营销。

商业目标为王

商业目标是企业生存的动力，它是需要去量化的，也是我们极尽所能要去量化的。追逐最大化（如市场占有率、客户忠诚度）或者最小化（如客户流失率、客户投诉率）是市场人永远的目标 。举个理想的例子：我们手里有20元钱，按整数分别投到广告、宣传和活动上，而销售额就是三者数字上的乘积，该如何确定最优方案？（见图二）

选择有几十种，最优答案只有一种，就是（6，7，7）。从数学上讲，这是一个线性规划问题（更准确地讲，是一个整数规划问题）；从战略上讲，这是一个组合配称的问题。定位学派大师迈克尔·波特讲过“战略就是一种配称（strategy fit），配称的最高层次便是各项因素相互组合、加强，直至达到投入最优化（optimization of effort）的境界”。

现实的情况总是复杂得多，商业目标的约定也千差万别，但是从客户价值的角度来讲，目标是惟一的：客户价值的最大化！贯穿客户全生命周期的价值分析和管理，可以被我们视为一种科学、周详的整体方法论。（见图三）

对处在不同价值阶段（或者可以理解成处在不同生命周期阶段）的客户进行研究，自然离不开分析的方法手段，甚至是模型。通常我们可以利用一些为世人所熟知的经典分析方法，或者根据营销理论、数理统计知识和企业的营销实践自创一些分析方法，如果企业的数据是海量的，则也可以利用数据挖掘的种种手段（如分类、预测、关联规则、聚类等）来搭建动态的模型。（见表一）

需要说明的几点是，不论什么样的分析方法都需要大量优质数据的支撑。在金融、电信等产品线较少且信息化程度非常高的行业，数据根本就不是问题；在it、传媒等行业，数据资源也是比较丰富的；在其他的行业，数据资源的积累相对就差得多，分析起来难度也就相应地增加。

同时，世界上没有完美的分析方法、模型，这需要我们客观地对待和认识。例如，以r(recency)f(frequency)m(monetary value)模型来讲，我们可以很快地建立一套打分体系，但是我们会发现，对于具有不同购买速率的产品或客户来讲，分析的结果会让人大跌眼镜，一个好的解决办法就是通过市场调研或统计的方法来获得更多的购买速率信息，并补充到模型中去。创造一个模型、调整或优化一个模型，需要我们结合实践经验、理论模型、市场调研、数据挖掘等多种手段来进行。

直复式营销为手段

就目前的发展水平来讲，数据库营销仍主要以直复式营销（direct marketing）作为策划和执行部分，包括了我们常见的一些点对点的营销手段：tm（电话营销）、dm（直邮营销）、edm（电子直邮）、fax（传真营销）等，以及目前颇为流行、前景无限的e-marketing（互联网营销）。

应该说明的是，离开了我们前边提到的优质数据源，离开了明确的商业目标和有效的分析/挖掘方法和工具，简单地依靠直复式手段来进行市场营销，收效不会很大。

直复式营销需要我们的策划和创意作为支持，更需要一些常规市场营销手段的支援。举个策划的例子，如果你是美国一家冷饮厂商的营销负责人，希望通过一定的手段提升销售业绩，希望更多的人浏览公司的网站并注册，同时通过网络调研他们的生活形态和偏好。现在正好赶上一个好机会：2008年总统大选在即，奥巴马和希拉里是民主党候选人群中最耀眼的2颗明星，一黑一白，占据所有人的视线。于是你灵机一动，策划了2款新的冰淇淋产品，一个巧克力的一个奶油的，一黑一白，一个“o”系列，一个“h”系列；你可以通过各种直效的手段来进行推广这些产品，同时向消费真暗示产品的寓意；你甚至可以在网站上打出动态的冰淇淋产品销量pk图，暗示一些支持率之类的意思，结果可能是：销售的大幅增长，海量的网站浏览、注册和反馈，甚至还可能有一些社会的效应。不管怎么样，一个好的策划，就从源头帮了你很多的忙。

好的策划，更需要好的实施过程。精准的实施，不但需要规范统一、逻辑严谨的实施方法论，也需要在不断的实施中总结成败。再举个发送edm的例子，现代人生活节奏那么紧张，工作那么繁忙，垃圾邮件那么多，星期几发送的效果最好呢？星期六、日休息就不算了，一周中的发信成功率基本上是在不断下降的，到星期五达到最低点；而邮件打开率则正好相反，是在不断上升的。数据显示星期三正好是个平衡点，发送成功率和邮件打开率的乘积最大，那好，我们就定星期三发送了！

但是即使我们是在星期三发送了，客户也打开邮件看了，也许大部分人只浏览了几秒钟，能记住多少内容呢？根据艾宾浩斯遗忘曲线我们知道，人的记忆在短期内是急速下降的，20分钟后大概会遗忘42%的内容，一个工作日后，66%的内容已经想不起来了。人的遗忘规律对市场营销是可怕的，我们必须有补救的措施：对edm的发送进行追踪，一旦客户打开并浏览了相关的页面，说明他对相关的产品服务是感兴趣的；那么在20分钟内，我们可以再给他发一个edm，内容和美工都做重新的设计，防止客户产生疲劳感，只要传达相同的营销信息即可；或者也可以直接给客户打个电话。不管怎么样，通过科学的营销组合方式，一定会大大增强客户对公司的印象，预算可能会增加1倍，但是效果可能会增加10倍。

数据库营销全过程

首先， 企业需要建立完整的客户信息数据库。

通过数据搜集渠道，积累各种业务和客户数据，如可以通过不同渠道的客户接触点来收集客户的基本信息；当客户发生购买行为时，记录客户每次的购买行为；通过设立企业对外咨询电话，登记顾客的反馈信息；企业可以在举办促销活动中，有针对性的收集顾客对产品的认知度和相关信息；通过研讨会、产品讲座、科普报告会等公关活动来整理收集，等等。

完整的客户信息数据库实际上就是企业整个市场的缩影。数据库建立以后，企业的产品开发方向、行销产品开发方向都可基于这个数据库作为决策基础。

第二步，构建客户消费行为特征变量集。

根据企业客户消费特征，构建消费行为特征变量集，跟踪客户行为模式形成客户特征快照。特征快照每周或每月更新，以反映客户最新消费模式。这样，既实现客户深入而全面的市场细分，又为数据挖掘模型的构建提供坚实的基础。

第三步：数据挖掘模型构建。

为了实现全面的分析，要根据需要构建数据挖掘模型，提供分析结果。通常企业可以建立以下模型：

客户细分模型：基于客户基本特征和消费行为特征（最近购买时间、购买频率、消费金额等），将其划分成不同群组，从而实现客户分类管理和一对一营销；

价值评估模型：设定客户价值评分体系，对所有客户价值评分，合理评估其价值贡献，分辨出企业的最佳客户，并实现客户价值等级监控以反映客户状态迁移；

流失预测模型：对所有客户流失概率的评分和预警，自动生成流失客户清单，并分析流失原因；

交叉销售模型：分析客户对产品或者服务的偏好，为特定产品群寻找合适的客户群和为特定的客户群寻找合适的产品群。

第四步：根据模型分析的结果制定并实施营销方案。

根据模型分析的结果，配合相应的市场计划，针对不同的客户，制定不同的沟通策略和营销策略，并严格执行。执行过程当中，尽可能地收集客户的反馈信息，以便进行评估。

第五步：营销效果评估分析。

通过汇总客户的反馈，对单次营销效果进行分析，包括成本收益分析、市场活动产生的实时影响等，实现营销效果评估，以帮助营销人员改进营销目标和设计方案，为下一次的营销方案设计提供依据。如此，形成一个闭环营销体系。

第六步：模型效果监控和更新。

数据挖掘模型存在一定时效性，市场状况发生变化或者客户变迁等都可能导致模型的退化，因此模型效果监控是数据挖掘模型所必需重要部分。

文二数据来自哪里？

通过客户信息数据库的建立、管理、分析和挖掘，可以帮助企业选择最优质的目标客户群，采取针对性强的营销活动。在国内，大部分企业在数据库营销方法实践上处于刚刚起步的阶段，企业所关注的核心问题是：企业内部所积累的客户数据资源是非常有限的，如果企业要获取外部的客户数据资源来开展营销活动，那么企业应该如何获取相应的数据资源？不同渠道的数据有何差异？在通过各种渠道获取数据资源以后，在整合和利用上会面临何种挑战？

b2b客户信息外部资源情况

b2b客户信息外部资源的获取大致分为两个渠道：政府部门和商业机构。

1. 政府部门方面

政府部门统一收集信息相对于其他任何收集方式具有不可比拟的优势。主要有如下几种信息来源于政府渠道：

（1） 工商局的注册与年检信息。商业机构在工商局注册是企业成立的一个程序，年检也是工商局作为行业管理者的主要职责，每个商业机构都会在工商局存有注册信息和年检信息。现在工商部门的信息资源所存在的问题主要有：

第一， 信息分散，没有集中的数据库。县区级、省市级和国家工商局都有信息，这些信息相互之间是不重复的，但是所有这些信息没有集中管理。

第二， 联络信息的准确率低，注册和年检信息没有核查机制，特别是一些大的城市，工商注册年检的代办机构比较多，信息的准确率更低。

第三， 只有经营机构的信息，没有事业单位、党政机关等机构的信息，造成了工商局信息的不全面、不完整。

第四， 信息获取的成本非常高昂。 工商局的信息往往都是按条计算收费，一条信息以几元或者几十元的价格对外提供服务，获取成本非常高。

（2）质量技术监督局的组织机构代码相关信息。质量技术监督局系统有组织机构代码的相关资料，它集中了全国大部分区域的数据，而且还包括事业单位和党政机关。但是这个数据库存在的问题是只“生”不“死”，存在大量已经不再存在的企业和机构数据，还有就是质量技术监督局没有强制性的年检制度，它的联络信息和各项背景信息老旧。据统计，三年之内中国注销掉的企业就超过一百万，这种变化速度是非常之快的，如果只 “生”不“死”，那么利用这样的数据做营销，会浪费大量营销成本。此外，获取这些信息的成本高昂，甚至是不可能获得的。

（3）国家统计系统收集的企业信息。国家统计系统收集数据有两个途径：一方面是全国经济普查，另一方面是对工业企业信息的收集。这些数据信息在当时获取的时候准确率高、覆盖面广，但是都不能及时直接服务于社会。例如，2004年底的普查数据到目前为止还是只存在于政府部门的内部，没有用于社会服务。

（4）中国人民银行征信系统收集有大量企业的数据。内容非常丰富和全面，联络信息准确率很高。受国家法律限制，这一部分信息无法服务于社会且保密措施最为严密，目前社会上也没有任何人能够得到银行征信系统的数据。

2. 商业机构方面

商业机构存在一些可以用来做营销的数据资源，这些数据处于不断发展之中，随着国内商业信息服务业的发展，将有越来越多的营销数据为企业所用。

（1）媒体方面。媒体拥有订户和注册用户信息，但其问题是各项信息的填写不规范，用户特征信息或者空缺，或者真实性无法检验。企业无法利用这类数据有效区分目标客户、开展营销活动。此外，数据量比较少，一般都是几万条或者是十几万条，难以满足大量信息使用的需求。

（2）电子商务网站。目前电子商务网站很多，但在网站注册的企业和机构数据比较少。即使最大的电子商务网站阿里巴巴，通过对它的数据进行分析，发现阿里巴巴实际拥有的数据也只有几十万到一百万之间。而根据第一次经济普查，截止到2004年底，全国有近1,200万家企业和机构。此外，电子商务的用户信息更新主要依赖用户自主更新，但真正能够自主更新的会员一般不超过总注册会员数量的三分之一。同时，用户在注册时填写的信息也往往不规范，造成难以与其它信息资源合并。

（3） 商业数据公司。目前商业数据公司普遍没有自身数据的自主采集渠道，主要是进行汇总整理政府和其他商业机构的信息。绝大部分数据公司缺乏对海量数据进行管理和整合的技术实力和相应的手段，也没有能力和资金支持对数据进行自我更新。

b2c客户信息外部资源情况

b2c的信息资源也可以分为两个方面：一方面是政府部门，另一方面是商业机构。有的信息是据明确的法律规定不可获得的，有的信息是在没有相应的规定下通过某种渠道或途径所获得的。

1. 政府部门方面

（1） 公安部户籍信息。目前根据法律法规，公安部可以对外提供基于特定用途的查询服务，例如，银行对于贷款买房、买车的个人可以到公安部去查询相关的信息，但是仅限于户籍信息。

（2） 公安部车辆登记信息。目前部分省市的车辆登记信息在市场上流通或者市场外部有人也在提供，内容是包括车辆本身和车主的身份证信息及联系电话。

（3） 中国人民银行征信系统。目前中国人民银行征信系统采集了3.4亿银行卡信息，但是这部分数据信息的使用仅限于银行系统内部的单个查询或者是经过被查询人的授权才可以去查询。

2. 商业机构方面

（1） 保险公司的投保户信息。这方面的内容是比较多的，信息量也比较大，但是保险公司自己本身没有直接对外提供信息的正常渠道，它的信息是通过各种各样的业务合作方式提供使用的。

（2） 电信用户信息。电信用户的信息包括身份证信息和电话号码，它的信息只适合用于电话营销和短信营销，对于其他的营销方式不适合，此外电话消费金额等方面的信息可以用来辅助评估个人的消费行为、收入水平和职业。电信部门自己本身没有直接对外正常的信息提供渠道。

（3）媒体订户信息。媒体的订户信息所存在的问题也是信息内容不规范，数据量比较少，媒体信息的使用成本也是非常高的，数据使用一次都花费几元甚至高达十几元。

文三客户价值分析以汽车产业为例

中国汽车行业经过2003年的井喷式发展后，去年在宏观经济向好的大背景下，继续呈现快速发展态势，产销量双双突破720万辆。随着汽车销售市场的蓬勃发展，汽车售后服务市场的巨大潜力也日益凸显出来。据有关统计数据显示，目前我国汽车售后服务市场规模大约是1100亿元人民币；新华信预计，到2010年，我国的售后服务市场规模将达到2000亿元人民币。

随着新车竞争的加剧，新车销售利润持续下降。如今中国汽车行业的新车销售平均利润和售后服务平均利润的比例已经达到3:7，售后市场的激烈角逐也已拉开序幕。厂商的售后服务部门、客户关系部门都将工作的重心转向如何延长4s店维修保养客户的生命周期。如何识别高价值的客户，如何通过合理的预警机制来降低客户流失率，如何制定有效的市场策略维系高价值客户关系甚至赢回部分已经流失的客户，如何在售后的各个环节通过优质的服务有效保留客户。这些问题已成为汽车厂商及其经销商所面临的亟待解决而又难于解决的问题了。

搭建模型

在解决客户细分的问题时，客户价值细分和客户流失预警是两个行之有效的有力武器。如何使这两个武器发挥出最大的威力，一个基础而必需的步骤是我们需要先把销售和售后的数据库做一个有序的清理和整合。有了一个整合清洁的关系型数据库，客户价值细分模型和客户流失预警模型才能够很好地发挥出“魔力”，帮助汽车厂商和经销商轻松应对客户细分和流失预测及预警的问题。

在搭建这两个适用于汽车行业的模型时，应该综合考虑多种影响客户贡献率、客户价值的因素和指标。以客户价值细分模型为例，在搭建这个模型时应综合考虑以下四大类指标：和人相关的有两类，一类是车主自己的人口统计学特征和身份背景信息，一类是车主的满意度、忠诚度方面的指标；和车本身相关的也有两类：一类是车辆购买的信息，如车型、价格、颜色、购买方式等；另一类是车辆维修保养的具体记录，如行驶里程、保养间隔、（总）平均单次保养/维修金额、维修频率、保养频率等等。这四大类的指标为我们搭建整体的客户价值细分模型的指标体系奠定了坚实的基础。 客户价值细分模型在来自厂商的真实数据的检验中，准确度和精确度都得到了良好的验证。客户流失预警模型也是参照相同的工作顺序和思考逻辑而建立起来的，这个模型主要通过数据挖掘的方式去捕捉客户流失的特征，动态绘制客户流失的曲线，探索客户流失的规律。简单来讲，流失预警模型可以帮助厂商和经销商比较准确地预测出哪些客户即将流失、流失的概率有多高。（见图一）

制定策略

如图一所示，在有效地利用了以上两个模型工具的基础上，我们可以清晰地看到所有的客户从价值和预警两个维度进行了细分。那接下来最关键的一步，即如何定制行之有效的客户保留策略从而维系高价值客户，提升整体客户的忠诚度成为了解决一系列问题的关键所在。

我们需要在不同矩阵中进行抽样的客户流失和行为偏好研究，探索每一个细分矩阵的客户对各类营销活动和服务策略的接受度，发现影响客户流失的关键点。简而言之，客户流失研究帮助我们了解客户流失的原因、流失的走向和流失的内容以及影响他们流失的关键点等。

接下来将举例说明如何对不同细分矩阵里的客户制定行之有效的保留策略。（见图二）

以图二所示ad客户群为例。此类客户的特征是价值高，流失概率低（忠诚度高）。从客户生命周期的角度来看，他们将自己的当前售后维修保养业务几乎全部给了厂商和经销商，而且很可能持续自愿地为厂商做着推荐新客户的工作。目前这类客户是企业利润的基石，如果失去这类客户，对4s店售后服务利润的影响巨大。此外，他们目前的流失概率很低，也预示着他们未来更有可能继续像今天一样忠诚地使用4s店的维修保养服务，所以厂商应该积极和长期维护和这类客户的关系，在营销的手法上以客户交流和沟通为主，以扩大口碑传播为主，力争向他们提供特殊的或新型服务类型，力争使该类客户继续在售后甚至二次购车中始终选择自己的品牌，并继续向他的社交圈传播厂商的美誉和品牌。

再以bd客户群为例。此类客户的特征是价值高，流失概率高（忠诚度处于摇摆状态）。这类客户也拥有较高的客户价值，但是从流失概率来看他们比ad客户更有可能在未来的六个月内离开4s售后体系。从客户生命周期角度来看，他们和厂商/品牌之间处于稳定期后期，他们对厂商也很重要，因为在培育他们的过程中，汽车厂商已经进行了不少的投资，现在正是获取他们回报的时机，只是由于竞争和服务等种种因素使得他们的忠诚度悄悄发生了变化。我们建议厂商对这部分客户要加大力度投入，让他们体会到物超所值的服务，力求和竞争对手有所区别，如维修和保养的时间延长至晚间8点，事故出险时能上门服务，提供代步车等等。总之，厂商要投入足够的资源来确保这类高价值客户不转投竞争对手的“怀抱”。

综上所述，在竞争日益激烈的中国汽车市场，单纯汽车销售产生的利润逐渐降低，越来越多的汽车厂商及其经销商将把注意力投入到售后利润率上。因此，能否有效保留客户和提高客户忠诚度对于汽车厂商和经销商来说至关重要。从数据出发，汽车厂商需要将客户的销售数据和信息，和售后维修保养记录整合在一起，形成整合清洁的客户数据；再通过客户流失预警模型和客户价值细分模型等工具对整合后的数据进行分析，对不同客户从价值和忠诚度两个维度进行综合界定和排序。基于客户的价值分类，对不同价值、不同状态的客户制定差异化的保留和营销策略，汽车厂商及其各地的经销商可以实现精细化营销，提高营销资源效率和营销效果。

（本文作者均来自新华信国际信息咨询（北京）有限公司。其中陈殿左系新华信副总裁，王建斌系新华信数据库营销咨询总经理，王铮系新华信数据库营销汽车行业咨询总监，李维晗、程萍系新华信数据库营销高级咨询顾问）