目前客户关系管理层面仍存在以下不足：

1.  客户分群效果不佳，无法合理区分不同价值群体。

2.  无法针对客户定制个性化服务方案，难以提升服务品质，导致客户流失挽回困难。

3.  现有营销资源无法精准匹配高价值客户，严重阻碍企业利润的提升。

其实，这家服装公司一开始也做过客群分类，精准营销，采用“Excel工具+VBA语言编写RMF模型”的方式进行。这种方式缺乏完整的数据整合系统，各个系统相互独立，数据没有打通，形成了一个个数据孤岛，数据价值难以得到充分的发挥。同时，随着数据量的增长越来越快，现有的系统已经无法进行快速响应。

一、“S martbi Mining+LRFMC 模型”的解决方案

针对该公司客户关系管理的现状，Smartbi提出了新的解决方案：Smartbi Mining+LRFMC模型。

Smartbi Mining具备以下优势：

1、 具备专业算法能力，内置50+挖掘组件；

2、 产品简单易用，业务人员也能参与数据挖掘，分析全程可视化；

3、 产品分布式计算，能够满足大型企业数据挖掘的需求；

4、 能与BI平台无缝集成，将挖掘结果通过Smartbi丰富多样的可视化手段进行分析展现。

同时，在该公司原来的RMF模型 基础上增加了指标L和指标C， 统称为LRMFC模型：

l  指标L：成为会员的天数

l  指标R: 最近一次消费的时间间隔

l  指标F：消费频率

l  指标M：累计消费金额

l  指标C：购买商品的平均折扣

LRMFC模型是原来的模型上进行完善，该公司的接受度会比较高，贴合需求，验证模型的难度也会小很多。并且可以使客户的分群更加细粒度化，更有效地对客户价值进行分类。

二、解决方案的实施流程

1、挖掘建模流程

如图所示，整个项目的挖掘建模流程需要经过五个阶段： 数据源、数据抽取、数据探索与预处理、建模与应用、结果与反馈 。

（1）数据源

将用户需要采集的源数据，从CRM客户关系管理、IPOS门店管理系统、SAP等业务系统中的数据集成到数据源库，打通个系统的数据。

（2）数据抽取

将数据源库中的数据进行数据抽取，划分为历史数据和增量数据。

（3）数据探索与预处理

首先通过全表统计进行探索分析，对目标数据库中的数据首先进行缺失值与异常分析，通过丢弃、填充、替换、去重等操作，达到去除异常、纠正错误、补足缺失的目的。另外对数据进行数据清洗、属性规约、数据变换，实现数据的可用性。

（4）建模与应用

基于 LRFMC 模型对客户特征进行分解，再用K -means 算法对客户进行分群，最后利用分群结果进行验证。

（5）结果与反馈

根据模型的应用结果对模型进行优化，如此反复直到模型调整到最优状态。

2、打上客户标签

将会员分为6个类别：低价值会员、高价值会员、重要发展会员、重要挽留会员、重要保持会员、超高消费会员。

对不同的客户价值群体进行特征分析，将客户价值群体实现标签化管理。对于零售行业来说，有效的客户细分是深度分析客户需求、应对客户需求变化的重要手段。企业可以通过客户标签，针对不同类型的客户，结合过去历史数据形成的消费特征，进行精细化的营销动作。

3、进行BI可视化展示

将数据挖掘结果进行BI可视化展示，有效进行数据整合，辅助营销决策分析

（1）  会员价值分群看板

例如，从上图的“不同群体会员退换情况”柱图中可以看到低价值的退货单是高于换货单，重要发展会员的退货单跟换货单基本持平也很高，说明低价值会员和重要发展会员对产品的品质等要求更加苛刻，可以对退货单原因进行主题分析，找到引起客户退货的几个重要原因，并针对这些原因制定相应的策略来提升产品的服务和品质。

（2）会员价值统计看板

三、解决方案的优势

1、解放人力：将人员从重复复杂的Excel分析解放出来，提升工作效率，使人力投入到更高层次的层面

2、辅助营销决策：通过模型圈定高价值客群，为客户在双节营销活动中提供营销决策支撑。

3、沟通更顺畅，营销策略直接触达一线业务：数据开放给门店业务人员，降低各个门店与总部的沟通成本，提升了营销执行速度和效率；并且门店也能很好的验证和反馈营销策略的正确性，便于及时更改营销策略

4、营销响应率提升：对比客户原来使用RFM模型及时有效的营销策略，聚焦于核心问题，营销执行率有极大的提高。