An Analytical Multiple Criteria Framework for Temporal and Dynamic Business-to-Business Customer Segmentation in Manufacturing
本文提出并验证了一种动态多准则决策框架，该框架在传统RFM模型基础上拓展了稳定性与增长维度，并融合了自适应分析流程与基于图的共识模型，以实现制造业中稳健且对时间敏感的B2B客户细分。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你是一家为成千上万家工厂供应零部件的巨大仓库的经理。你拥有一本巨大的账本，记录了这些工厂曾经下达的每一笔订单。
问题：“快照”式误区
大多数公司看待这本账本的方式，就像摄影师拍摄单张快照。他们会问：“谁买得最多？谁最近刚买过？谁花的钱最多？”这被称为RFM 模型（最近一次消费 Recency、消费频率 Frequency、消费金额 Monetary）。
在面向普通消费者的简单零售店（B2C）中，这种方法行之有效。但在商业世界（B2B）中，这就像只盯着马拉松选手此刻的位置来评判他们一样，忽略了整个故事。一家工厂今天可能只买了一点东西，但已签约明年采购数百万；另一家工厂今天可能采购量巨大，却即将破产。“快照”忽略了稳定性和增长潜力。
解决方案：用“电影”代替“照片”
本文作者提出了一种对这些客户进行分类的新方法。他们不想只看一张照片，而是想观看客户随时间推移的关系电影。
他们构建了一个框架，主要完成三件事：
扩展镜头（标准）：
他们不仅关注金额和日期，还增加了两个新的“镜头”：- 增长： 客户随时间推移是否购买了更多产品？他们是否在扩大订单量？
- 稳定性： 客户是否可靠？他们是持续购买，还是消失数月后又回归？
- 类比： 这就像谈恋爱。你不仅仅看某人昨晚在晚餐上花了多少钱（金额）。你看他们打电话的频率有多高（频率）、你们在一起多久了（最近一次），以及他们是否随着时间推移变得更加投入（增长/稳定性）。
“专家小组”（权重）：
并非所有工厂都一样。对一家公司而言，“增长”可能是最重要的；对另一家公司而言，“稳定性”才是关键。
作者使用了一种称为**AHP（层次分析法）*的方法。想象一群资深销售经理围坐在桌旁。他们争论并投票决定什么最重要。“好吧，针对这项*战略，我们 40% 关注增长，仅 20% 关注稳定性。”系统随后调整计算，以符合他们的具体目标。“双重检查”（共识）：
系统运行两种不同类型的分析：- 时间序列聚类： 它查看数据的电影，观察客户随时间的变化轨迹。
- 稳定性建模： 它检查客户的“摇摆”程度。他们是在不同群体间跳跃，还是保持稳定？
随后，它使用基于图的共识模型。想象两名不同的侦探调查同一案件。一名说：“这家伙属于 A 组。”另一名说：“不，他属于 B 组。”系统查看他们的笔记，权衡他们的意见，并找出能同时满足双方的“真相”。这确保了最终分组是稳固的，而不仅仅是某种特定数学公式的偶然结果。
结果：仓库分类
他们在一家拥有3,458 名客户的真实制造公司测试了该方法。
- 旧方法（标准 RFM）： 基于简单的数学对客户进行分组。
- 新方法（他们的框架）： 基于客户行为的“电影”和专家小组的优先级对客户进行分组。
新方法发现旧方法忽略了细微差别。它成功地将客户分为四种截然不同的“人设”：
- 高频战略家： 他们购买频繁但金额较小。他们很活跃，但忠诚度不高。
- 高消费巨头： 他们购买频率较低，但一旦购买，金额巨大。他们非常忠诚且利润丰厚。
- 浅尝者： 他们偶尔购买各种少量产品。他们难以捉摸。
- 批量工： 他们购买量巨大，但并未给公司带来太多利润。他们很可靠，但利润率低。
为何重要
该论文声称，这种方法赋予了商业领袖一种“超能力”。他们不再需要猜测哪些客户应被视为 VIP，而是可以利用这种基于时间的动态地图，看清谁真正在增长，谁保持稳定。这有助于他们决定谁应配备专属客户经理，谁应获得折扣，以及谁需要被推动以购买更多。
简而言之，他们从拍摄客户的静态照片转变为观看其关系的完整电影，从而使企业能够做出更明智、更稳定的决策。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。