方法很多，不要拘泥定量数据

    费德尔说，问题归根到底在于：“有些销售策略不错，有些销售策略则效果不佳，但总的来说，很难从营销方面的投入所获得的回报当中，找出可以归功于持续实施的CLV管理措施的部分。公司为了吸引客户实施了各种各样的销售策略，无意中降低了CLV数据的有效性，更加难以据此确定未来哪些客户该取、哪些客户该舍。”

    在一份新的研究报告中，费德尔和布鲁斯·哈迪（Bruce Hardie）、黄俊尧（Chun-Yao Huang）和李嘉乐（Ka Lok Lee）分析了在经理人员广泛运用CLV法之前，以客户信息为出发点的营销人员如何根据不同客户组群过去的行为模式评估其价值。费德尔说：“最通行的做法是根据RFM（指交易的新近度、频率和货币价值）来对客户价值前景进行分类分析。”

    RFM实际上源自CLV概念应用得最广泛的直接营销业。费德尔及合著者希望了解相对简单的RFM测算值和更加复杂的CLV数值（很可能是预测消费者未来购买行为的“首要指标”）之间有什么关联。“如果一位客户在很久以前购买了许多商品，另一位则在最近购买了一件商品，从CLV的角度来看哪位客户的价值更高、更值得尽力保留？”费德尔又提到了本文开篇的案例，“交易的新近度和频率之间的重要性应如何平衡？”

    费德尔及合著者在报告中指出，实际上，诸如交易新近度和频率这样的简单统计法能够为未来的终身价值提供有效的估算数据。他说：“对于有限而精炼的交易信息，只要使用得当，完全可以和完整详细的交易信息一样，得出精确的CLV预测值。营销人员面临的挑战是判断应使用哪些归纳性统计数据，以及如何正确地使用。依靠以往普通的经验规则是很难做出非常有效的管理决策的。”

    费德尔还发现，在实践活动中，关键客户的确认在很大程度上还是要依靠直觉判断。换言之，尽管有了不少运用交易信息预测客户未来购买行为的模型工具，在确认推动未来销售额增长的最优客户和最差客户时，经理们还是要大量使用主观判断的方法。

    费德尔发现，经理们并不习惯于坚持使用像新近度、频率和货币价值这样的归纳性数据。他们对待这些数据的方式在很大程度上取决于所面临的任务性质（前面的例子，就是决定在邮寄名单中各增加和删除哪些客户的名字），以及向他们递交消费者购买信息的形式。“为了避免经理人不接受这些信息而陷入‘黑箱操作’，重要的是要了解外部因素将如何影响他们的决策。”费德尔说，“我们要在努力建立高科技的预测模型和更好地了解经理人在管理决策中的心理因素之间找准平衡点。”

    德雷兹和安德烈·邦夫雷（Andre Bonfre）提出了一种“评估客户价值的新方法”。“传统的CLV法测算一个客户所带来的所有收入的净现值。营销人员预测终身价值时的部分假设条件是，客户在某个时点上将流失，转而选择其他公司的产品。”德雷兹说。

    但在做出这种假设的时候，“你低估了数据库的价值。如果依据这种方式来优化营销措施，将得出错误的决策。因为，虽然每年你失去了一些客户，但也获取了新的客户。在评估数据库价值的时候，必须考虑到新客户的获取。”德雷兹补充道。“重要的是使数据库价值－－－而不是客户价值最大化。”

    而沃顿商学院运营和信息管理学教授诺亚·冈茨（Noah Gans）则从优化论的角度来分析CLV的问题：如果资源有限，应以哪一类客户为中心？

    冈茨建立了一个理论模型，研究服务质量的总体水平将如何影响顾客保持交易关系的平均时间长度。“如果你提高服务的平均质量，顾客将大大延长保持和你的交易关系的时间。”他说。但还有其他一些问题需要考虑：你的竞争对手在做什么？顾客转而接受其他供应商的服务要付出怎样的成本？技术的演进将对购买交易产生怎样的影响？

    有时，公司会推断它所面对的是什么类型的客户。“然后，公司再决定为该客户提供一定质量水平的服务。如在呼叫中心，就有可能是优先服务该客户。这是公司用于管理客户得到的服务质量和服务该客户的成本的运营控制措施。”冈茨承认，相互竞争的供应商会自然地认同一个服务水平“标准”。“在现实世界里，你经常听到的‘世界级服务水平’之类的口号，反映的就是这种标准。”他说，“以呼叫中心业务为例。80%的电话须在20秒左右的时间内应答完，这是一个大家普遍接受的标准。”

    在CLV最大化的问题上，冈茨认为，对于公司来说，比较有效的做法是记录每位客户的购买信息，并在此基础上把客户归类。“然后，根据你所了解的该客户组群的特征，决定应提供何种水平的服务，是采取交叉销售、向上销售还是你认为合适的其他营销策略。但决策时必须小心谨慎，因为任何时候当客户来消费，你并不真正了解他属于哪一组群。所以，最优的决策必须考虑到你对客户反应的不确定性。”