金融论坛
2012年第3期（总第195期）
可获取的数据对模型进行扩充和改进，本文形成适用于零售商业银行的个人客户忠诚度评估指标和模型。基于改进的个人客户忠诚度评估模型，本文利用商业银行数据仓库抽样数据进行实证研究，并进行客户忠诚度与收入贡献的综合分析，以期有效区分不同客户的忠诚度，揭示出客户忠诚度的分布规律。
一、客户忠诚度相关研究
对于客户忠诚的界定问题，不同学者对此有不同的阐释，总体来看在客户忠诚维度结构的认识上主要存在以下三种观点：一是客户忠诚行为论，定义客户忠诚为重复购买同一品牌或产品的行为。二是客户忠诚意愿论，认为客户忠诚是某个企业的客户愿意继续购买该企业产品或服务的意愿、态度和倾向。三是客户忠诚综合论，即衡量客户忠诚既要考虑客户的再次购买行为，也要考虑客户对企业及员工的情感态度（马力行、蒋馥，）。2004具体到商业银行的客户忠诚就是，客户对特定的银行某种产品或服务产生较深厚的情感，长期惠顾这家银行，而对竞争银行及其产品或服务的营销活动具有免疫能力（胡瑜惠，）。2006
对于忠诚度的衡量，最初衡量的是再购行为，但营销研究已经证实忠诚度与再购行为无法完全画等号。（1991）提出忠诚度的衡量包括行为与态度两方面，其中，行为忠诚偏向顾客实际购买的行Blackman和Crompton
为层面，态度忠诚则属于顾客心理层面。随着不同学者对忠诚度衡量指标的研究，该指标进一步细化：态度方面的忠诚，主要表现为情感的倾向、对所使用产品的推荐和对竞争产品的免疫力；而行为方面的忠诚，主要表现为重复购买、购买频率与数量等。在实际应用中后者较前者相对容易采集和量化。
为了能够更为直观、快速地判断客户忠诚度的高低，往往要基于相关的衡量指标来得到对客户忠诚度客户忠诚度综合评价多是通过评分方式获得，通常采用的方法包括专家经验评分法、权重评分的综合评价。
法和RFM模型评分法。这三种方法各有其特点，专家经验评分法是专家根据经验建立客户级指标体系和设定评分规则，对每个客户按周期给出一个评分结果，其特点是综合度高，评分结果方便使用，但不同指标的评分方法不同，数据加工方法较为复杂，且一般不针对产品特性设计，难以进行产品级别的评分；权重评分法是基于已建立的忠诚度衡量指标层次结果，邀请熟悉银行业务和客户关系管理的专家进行打分，将专家的打分结果进行汇总计算，形成指标的权重，构建过程相对比较复杂，其特点类似于专家经验评分法，也是基于客户层级的评分，一般不针对产品级别评分，所有指标采用统一分制，比如5分制、10分制或100分制等进行评分。
流失倾向和衡量客户生命RFM模型评分方法是客户关系管理领域广泛应用的一种用于评价客户忠诚度、
周期价值的计算方法，通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三类指标来动态展示一个客户的整体轮廓，即距离上一次交易的时间（简称“近度”，）、最近N个月的交易次数（简称“频度”，Recency）和最近N个月的交易金额（简称“额度”，）的综合分析，简称RFM分析（StoneandBob，FrequencyMonetary
）。RFM分析的基础是三类重要的客户行为指标：一是距离上一次交易的时间R（Recency），即从上次购买1994
到当前的时间间隔，该值越小意味着客户再次购买的可能性越大。确定计算周期，将周期内的客户距离上一次二是最近N个月的交易次数F（Frequency），即客户在某一时间段内总的购买交易的时间进行五等分进行评分。
次数，购买频率越高表示客户越忠诚。确定计算周期，将周期内客户的交易次数进行五等分评分。三是最近N个月的交易金额M（MonetaryValue），即某一时间段内客户的消费总额，该值越大意味着客户对银行的利润贡献越大，越应关注该客户。确定计算周期，将周期内客户的交易金额进行五等评分。
可利用下面两种方式对三类指标进行综合形成客户忠诚度最终评分：算法1：产生125种客户细分RFM=R×F×M，算法2：产生15种客户细分RFM=R+F+M，
由于算法1得到客户分类较多，更有利于客户差异化营销和服务。RFM评分法强调以客户过去的交易数据来区分客户的行为特征，其特点是所用到的数据易于获得，且计算逻辑简单易懂，非常适用于有众多客户的零售银行客户的忠诚度评价。但RFM模型通用指标相对简单，难以完全涵盖零售银行复杂的产品条线，因此本文将基于RFM模型，根据零售银行产品的不同特征对模型进行扩充和改进，形成适用于零售商业银行的个人客户忠诚度评估模型。76