如果你曾经花一个周末，一口气在流媒体视频平台上追完《绝命毒师》或其他剧集的一季，那么可以放心，你绝不是孤例。各类人群正以一种“成簇”的模式消费数字产品和服务：长时间不活动，其间穿插着短暂而密集的购买突发期。
沃顿商学院市场营销学教授埃里克·布拉德洛表示，一旦营销人员意识到这一点——而且他们已经掌握了追踪这种行为的数据——就能挖掘出一条丰富的新型数字行为脉络。他指出，几十年来，一项基本的客户价值衡量方法一直是RFM细分（最近一次消费时间、消费频率和消费金额）。“我的研究……认为，这并不能完整刻画客户……，”他补充道。还需要再加一个字母：“我把它称为‘C’，代表成簇性。”布拉德洛在这篇Knowledge@Wharton访谈中解释了这一概念。访谈基于一篇题为《发生数据成簇性的新衡量方法》的研究论文；他与瑞士信贷的助理姚张以及沃顿商学院统计学教授迪伦·斯莫尔共同撰写了该论文。
什么是客户数据中的“成簇性”，以及它为何重要：
市场营销和客户价值评估领域最成熟的做法之一，是用所谓的RFM细分来概括客户——最近一次消费时间、消费频率、消费金额。这意味着，我把对客户所知的一切归纳起来，只计算三个简单数字：他们最近一次购买是什么时候？购买频率如何？每次购买时花多少钱？……大多数公司正是据此判断哪些客户有价值，哪些没有价值。
我的研究……认为，这并不能完整刻画客户。RFM还需要再加一个字母，我把它称为“C”，代表成簇性 Twitter，也就是说，有些客户确实按规律购买。过去，如果你买橙汁、买尿布，买东西都是有规律的。但成簇性指的是，人们会集中突发式购买。这些突发期表明客户的情况截然不同，也意味着这些客户可能极具价值。
主要启示：
我的研究有几个非常简单的主要启示。假设你想……预测未来哪些客户会有价值。你有四项指标可以用于预测。正如我所说：最近一次消费时间、消费频率、消费金额，以及比如说面向客户的营销支出。这些是公司构建所谓评分模型时的经典方法。我认为还需要增加一个数字，即C——客户的行为有多成簇。这一指标的计算并不比R、F和M更难。用Excel就能算，速度很快。甚至可以在一秒钟内为整整1亿名客户计算出来。
突发期表明客户的情况截然不同，也意味着这些客户可能极具价值。
我的研究结果还表明，成簇性较高的客户在样本外更有价值，也就是说，他们未来的价值更高；即使控制了RFM和营销支出，这一结论依然成立。这意味着我们发现了另一个企业应当追踪的客户变量，并应将其用于预测客户未来的价值。
最令人意外的结论：
我的结论有两点让我感到意外。第一，我原以为这种RFM细分已经存在很久，也被许多公司采用，早已得到验证；换言之，外面没有其他简单的方法可以帮助解释客户价值。你可以进行各种复杂的网络抓取，也可以构建各种其他变量，但成簇性非常简单。
首先，令我惊讶的是，这一点竟然一直被忽略——换句话说，活跃期和沉寂期能够说明客户的一些情况。第二点令我意外的是，至少在我分析过的数据集中，这种现象确实存在于数字和在线消费品中，却不存在于常规消费包装商品中。换言之，历史模型之所以拟合得不错，我可以理解，因为人们会有规律地购买卫生纸和橙汁。但人们不会有规律地消费Hulu，也不会有规律地在eBay上竞拍，更不会有规律地在亚马逊上买书。
如果观察历史上购买的商品，确实看不到成簇性。但如果观察新一波、新经济中的消费，在我分析过的每个数据集中，成簇性都普遍存在。
实际意义：
在我……20年的职业生涯中，我认为这是我做过的最具实践意义的研究。我做的工作往往是我所谓的复杂、高深的统计建模，而这项研究并非关于统计建模，而是关于一个数字——成簇性——企业今天就能实际计算出来。他们不需要收集任何额外数据，使用的就是计算R、F、M和客户终身价值时用的同一批数据。他们还可以判断，这个指标能为客户价值预测增加多少帮助。客户的排序会改变。关于哪些客户值得重新激活的决策也会改变——假设客户已经流失，那么哪些客户值得重新激活？
我的主张是，成簇性高的客户，即使已经流失……仍然是值得重新激活的对象。如果重新激活他们，他们会回来，再次表现出成簇行为，并在未来做很多事情。因此，我认为它具有巨大的实践价值。它的妙处在于，如果你访问我的网站，那里有一份包含已完成示例的Excel表格。你可以直接下载这份表格，今天就开始使用成簇性指标。
根据你的研究，你会建议采取哪些新规则、程序变更或策略？
如今很多人谈论大数据。我喜欢大数据，但我告诉你，我更喜欢的是数据压缩。我所说的数据压缩是指：现在你可以收集人们成千上万的变量，可以追踪他们身在何处、买了什么、看过哪些网页。但那不是科学，那是数据收集。现在的问题是，这些信息中哪些对当前的业务问题真正有用？这就是我所说的数据压缩。
所以，我把成簇性视为对RFM、营销活动等传统变量的补充——我把它看作一种……可以称为加强数据压缩的形式。我只是告诉你，需要多保留一点数据。你不能把所有信息压缩成三个数字，而要压缩成四个。
我在成簇性方面做了很多研究，知道它存在于各个行业，也知道它具有预测价值。但有一点我不知道：是什么导致了它……我研究过营销活动与成簇性的关系。企业可以尝试通过给你发电子邮件、寄目录、定向营销等方式，让你的行为变得成簇。
但我还没有真正研究过，既然成簇性存在，企业应当以什么方式进行最优定向营销。例如，如果内容是连续剧，你会不会消费得更成簇？想象一下看《绝命毒师》或《广告狂人》之类的剧。或者设想你是一家企业，试图销售一套产品，比如一条面部护理产品线、一条保湿产品线，以及其他产品。你们是否应该把它们打包在一起，让人觉得自己正朝着某个目标逐步前进？
如果观察历史上购买的商品，确实看不到成簇性。但如果观察新一波、新经济中的消费，在我分析过的每个数据集中，成簇性都普遍存在。
所以……我知道如何用数学方法计算它，也知道企业计算它轻而易举，还知道它具有预测性。但我尚不清楚的是背后的心理机制，也就是为什么会这样。因此，我目前正与许多更偏向消费者心理学的同事合作。我们将开始在实验室开展大量行为实验，试图探究人们为何会以成簇的方式行事这一问题背后的心理机制。
谈“成簇”与“一口气消费”
我喜欢“成簇性”这个词。其他人喜欢“一口气消费”这个说法。我喜欢“成簇性”，是因为它有相反的概念，即非成簇，也就是到达或购买的间隔大致相等。我想我还没见过专门谈成簇性的报道，但每当你看到有关人们一口气消费内容的报道，或人们集中消费某种东西的报道——“一名学生熬了18个小时看这个”——都与此相关。这个概念非常普遍：每当我向管理者、学生或学者谈起它，所有人都相信这种现象确实存在。
澄清误解：
我的研究澄清了这样一种看法：客户似乎只需用一组简单数字就能分类。实际上还需要更进一步，超越我所说的关于人们行为方式的简单理论。观察最近一次消费时间、消费频率和消费金额——这大致是消费者行为研究的传统基础——就会发现，它基本忽略了我所说的到达间隔。它基本上是在说，我可以把所有数据都拿来——比如间隔先是两天，再是四天、三天、六天——然后把这一切都丢掉；我只需要知道你上次何时到来，以及你来过多少次。”
这项研究所澄清的是，到达模式并非毫无信息。它非常有信息量。那些成批到来、随后离开、又成批回来、然后再次离开的人……本质上与众不同。我个人认为，有成簇型的人，也有非成簇型的人。
我们还表明，这种情况因产品类别而异。例如，我们发现女性的行为往往比男性更成簇；年轻人的消费往往比年长者更成簇。因此，我认为我们将要打破的误解之一是：不仅所有人并非都一样，而且也不存在简单的方法把所有人归为某一种类型。
这项研究的独特之处：
有一类数学模型近10年来广为人知——尽管它们已经存在50年——称为“隐马尔可夫模型”……假设世界有两种状态：你处于活跃状态或沉寂状态，并在两者之间来回切换。这种数学模型就是成簇性。你处于活跃状态，就会做很多事；处于沉寂状态，就不会。活跃、沉寂、活跃、沉寂……我想做的是向实践者提供一种计算简单数字的方法。这是一个统计量，但这不是一篇统计学论文，而是一篇关于一个数字、一种统计量的论文，正如我们所称的那样。
你只需计算出这个数字，然后按自己的需要使用。你可以尝试用它预测客户价值，也可以用它观察男性的行为是否比女性更成簇，还可以用它细分人群。这正是这项工作所体现并区别于其他工作的特点——它是一种基于简单指标的方法，实践者可以使用。它不是一种基于复杂建模的方法。但两者试图解决的是同一个问题。
我做的工作不是象牙塔里的数学，而是一个任何人都能计算的简单数字。
“成簇性”的一个应用示例：
迄今为止，我们研究的是，面向成簇型客户时，电子邮件、目录以及不同类型的营销渠道是否更有效。正如所料，我们发现电子邮件的短期效果更明显，而目录的长期效果更明显。
我们尚未真正弄清的是：电子邮件、目录或视频营销活动中，是否存在能吸引用户、或者说让人们的行为变得更成簇的特定措辞？是否有些主题更容易引发成簇行为？有些产品类别是否必然更容易出现成簇性？到目前为止，我们所做的只是确认这种现象确实存在。我知道它存在于许多行业，也知道某些类型的人往往更成簇。
我还没有做的部分——考虑到我是市场营销学教授，这令人惊讶——是探讨它对营销的影响。这需要规模更大、更新的数据集，使我能够把营销活动的信息与人们的成簇行为联系起来。我知道该怎么做，只是需要更丰富、更好的数据。
下一步是什么？
我在考虑大约三个后续研究方向。首先，如果能分析更多数据集，证明成簇性指标的普遍性，我会非常高兴。我分析过亚马逊、CDNow、eBay、Hulu、YouTube的数据集，也分析过一些传统消费包装商品公司的数据集。[现在，]我只想把它应用到新的数据集中。
第二，我想了解其心理过程：人们为何会以成簇的方式行事？第三，也是最后一点，我想把营销活动与成簇性联系起来。这不仅需要人们的行为数据——比如他们做了什么、访问了哪些网站、买了什么？[还需要]有关营销活动本身的信息，甚至可能包括营销活动的文案，以及活动通过哪些渠道发送——这些信息将使我能够提出优化方案，让企业优化营销活动以激发成簇行为。
经许可转载自 Knowledge@Wharton， 宾夕法尼亚大学沃顿商学院旗下的在线研究与商业分析期刊。”
关注Forum:Agenda， 订阅我们的每周通讯。
作者：埃里克·布拉德洛是沃顿商学院市场营销学教授。
图片：2013年11月27日，维也纳，一张放大的电脑显示器图像展示了一个为网上商店销售纽扣剪贴画的网站。路透社/海因茨-彼得·巴德。
