基于大数据背景下高端酒店客户关系管理分析

张玉锟 西北大学

引言：网络的发展也带动着酒店经营模式的转变，谁能掌握网络平台就能率先掌控大数据，谁能快速转变营销策略就能提高酒店的市场竞争力，让自身在激烈的市场竞争中站稳脚跟，获得一席之地。然而，我国酒店业的现状是多数的酒店只是在经济交流等方面使用大数据，还没有将其应用到客户数据分析方面。虽然有少部分的高端酒店使用人力资源管理系统将客户进行分类，但是也只是基于客户当前存在的价值进行分类的，忽略了客户的潜在价值。

一、理论基础

（一）高端酒店的定义

《中华人民共和国星级酒店评价标准》将酒店按照星级进行等级划分，共分为一到五星级。星级的标志是镀金的五角星，一颗五角星代表一星级，两颗五角星代表二星级，三颗五角星代表三星级，以此类推，四颗代表四星级，五颗代表五星级，一星级为最低等级，五星级为最高等级，星数越多，等级越高，也就表示酒店的等级越高。通常来讲，一星到三星级的酒店是有限服务酒店；四星级的酒店是高档酒店；五星级的酒店是豪华酒店。这种星级制的酒店评级标准在欧洲最为普遍，我国也跟随国际的脚步，使用此种方法。星级的划分与评定标准是十分严格的，酒店必须根据相应的标准提供设计的产品及服务才能达到标准，获得星级。

（二）客户关系管理

随着市场营销理论的逐渐深入，就出现了客户关系管理。Michael & Gordon C (1999)指出，进行客户关系管理的目的就是推进市场营销进程，同时实现产品质量保证及服务客户方面的自动化。Chris &Todman(2000)认为客户关系管理的核心应该是客户本身，通过提升产品质量和完善服务细节，充分满足客户的需求，让客户享受到更高水平的服务。从这方面来看的话，客户关系管理也就是营销价值，通过掌握顾客的需求，进行精准、个性的销售。

然而，网络技术的广泛使用将客户关系管理的本质变成了一种技术手段，凭借现代化信息技术把传统的管理理念和营销手法进行合理的融合，对客户信息进行更深层次的分析研究。IBM公司通过对客户关系管理理论的研究创建了系统完整的商业流程，其中包括识别客户、选取客户、获得客户、发展客户、维持客户的全部流程及步骤，通过将客户进行分类，进而对客户信息进行高效的管理。

二、高端酒店客户价值模型的实证研究

（一）模型建立

1.RFM模型

根据美国数据库营销研究所阿瑟休斯教授研究，客户数据库中最核心的三个要素就是最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)，这些指标是分析客户数据的最佳选择。

传统的RFM模型中，R值是指客户最后一次购买产品距离现在的时间间隔，间隔越短，则R值越大，客户越有可能再次购买企业的产品；F值是指在某一段期间内购买产品的次数F值越大，客户短期内也会有极大的可能再次购买企业的产品；M是指在某一段期间内购买的产品的价值，M值越大，同样可以更加容易接受企业的服务和产品。

（二）数据选择

S酒店是地处厦门市中心地带的一所五星级高端酒店，于2006年开业，客房总数300余间。S酒店拥有十多年的运营经验，管理体系较为完善，服务水平比较高，是高端酒店的典型代表，所以选取的样本数据具有行业代表性。

本研究选取了S酒店从2017-01-01到2018-01-01四个月的客户消费明细数据，总计12907条，包含客户9336名。

?

（三）实证分析

1.模型预测的准确率分析

?

Ps：AUC值代表了位于ROC曲线下方部分的面积大小。通常，AUC的值介于0.5到1.0之间，越高的AUC值表示越好的效果，低于0.5则表示不符合实际，模型预测没有准确度。

（1）基础模型MQFD(即平均消费金额、购买量、到店次数和住店天数)对客户价值评估的准确率达到74.21%，意味着根据这四项基本指标对客户等级分类的结果与酒店实际分类的情况之间一致性达到了74.21，平均绝对误差率0.1835，这表示本研究建构的高端酒店价值评估指标体系对于客户价值等级高低的预测具有较高的准确性和有效性。

(2)在基础模型MQFD之上我们依次分别加入了T,C,L,R四个指标，得到了结果2,3,4,5。纵向对比分析后可知，T代表的客户类型和C代表的订房渠道两项新指标对于酒店客户等级分类的效果并没有产生积极作用，反而使模型的准确度降低了约2个百分点。反观客户保有期L和最近一次消费时间，这两项新指标的加入不但使客户价值评估模型的准确度提升，并且伴随着误差率的降低和AUC值的提高，说明客户保有期和最近一次消费对有效评估客户价值具有显著作用。

（3）在了解保有期和最近一次消费时间的影响之后，我们将二者同时加入基础模型的体系，得到了实验结果6，此时模型评估的准确率达到了76.98%，提升近3%.同时误差率下降到。AUC值增加至0.751，这意味着本研究建构的客户价值评估基础模型得到了良好的优化，不仅具有较高的准确性，还具有较强的实用性和有效性。

2.模型分类结果

在这笔者以MQFD+L+F模型为示范，分类结果如下所示。

?

在了解保有期和最近一次消费时间的影响之后，我们将二者同时加入基础模型的体系，得到了实验结果6，此时模型评估的准确率达到了76.98%，提升近3%.同时误差率下降到。.1569 AUC值增加至0.751，这意味着本研究建构的客户价值评估基础模型得到了良好的优化，不仅具有较高的准确性，还具有较强的实用性和有效性。

从上表已知客户分类的真正元比率为0.964，参加本次活动的普通客户有583人，所以，本次系统分类的普通客户人数为583＊0.964，562人。具体分类情况如下图所示。

?

从混淆矩阵表明，参与测试集分类的普通客户样本有583人，其中562人分类正确，9人被分成初级客户，12人被分成中级客户，以此类推。所以斜对角线上的数值代表各等级分类正确的客户样本量，初级客户样本为181人中只有26人分类正确，中级客户31人，21人分类正确，高级客户9人，3人分类正确。从分类的情况来看，本模型对于中级和普通客户的分类效果最好，但是对于高级客户和初级客户的分类效果有待进一步的改进。

三、结论

本文研究建构了适用于高端酒店行业的客户价值评估模型，然后采用高端酒店S提供的795名客户消费数据作为实证研究的样本，将客户价值评估结果分为4个等级：普通、初级、中级和高级客户，与酒店提供的客户实际等级分类进行对比得到模型预测的准确率，证明模型的有效性和实用性。经研究我们发现，由MQFD+L+R组成的客户价值评估基础模型对客户分类的预测准确率达到76.98%，平均绝对误差率0.1569，AUC值0.751，具有较高的准确性和有效性，尤其是对普通客户和中级客户的识别度比较高。