企业客户价值评估是衡量和评价估计客户能够给企业带来的价值。当前，市场竞争日趋激烈，客户价值的评估对企业具有重要的意义。首先，企业可以通过对客户价值的评价能够更加有针对性地进行财务管理。其次，客户价值分析可以提高企业价值评价体系的效率。第三，客户价值评估能够充分识别和衡量顾客的贡献和相对重要性。帮助企业管理子类别的客户。同时，为客户提供精确的产品和服务,确保企业获得最大的价值。大数据时代来临，企业运用大数据技术掌握更加全面的客户信息，有效地提高了企业客户价值评估的效率，及时为企业提供管理决策信息。本文将从大数据的视角出发，采用大数据技术和定性与定量相结合的研究方法来构建理论模型，并设计评价指标，在实践中对制造业行业中的某企业的客户进行分级、分类，为该行业企业的运营管理、构建客户管理平台、提高客户满意度和忠诚度提供参考依据和决策建议。
赢利价值是指客户给企业带来利润的增加，这个利润不仅包括直接利润，还包括间接利润和潜在利润。企业是以盈利为目的的，只有盈利，企业才能生存、发展和壮大。因此，企业通过与客户的业务合作获得除去成本和费用之外的直接利润，同时，还可以获得降低业务操作成本的间接利润。此外，长期的业务联系和合作，企业可以获得更多的潜在利润，这种持续的合作保证了企业的发展和壮大。
成长价值是指能够提高企业的管理水平和知名度，使得企业不断扩大业务，并得到客户的推荐宣传，由此，保持企业的不断成长。企业只有通过为大客户提供高标准的量身定做的配套服务，才能提高自身的管理水平和知名度。由此，在行业内树立了品牌知名度和美誉度，客户就会向其他需求商介绍和推荐，这样企业就能获得巨大的无形资源，从而业务量得到迅速增加，维持一个良性的循环。
战略价值是指企业与客户之间维持长期稳定的战略合作伙伴关系，这给企业带来了持续的利润增长。企业为各类客户提供优质的服务，同时，企业与客户建立长期合作共赢的关系，由此降低市场搜寻成本、降低谈判成本和履约监督成本等，因而获得持续发展的战略价值。
感知价值是指企业的客户感知到的企业给客户带来的价值，包括优化运作模式、低成本高效率、降低风险和稳定合作这四个方面。
客户盈利指标是用于评价企业客户资产的一个定量指标。企业事先设定好评价标准，通过对客户数据就算得出确定的结果。企业的客户众多，但每个客户给企业带来的利润不同，有些客户不能给企业带来利润，甚至会增加企业的运营成本。因此，运用大数据技术，企业通过决策树法识别到最有价值的客户，并且，当市场竞争环境发生变化，企业还可以通过大数据挖掘技术预测客户获利能力的变化态势，为评估企业的客户价值提供依据。
客户的发掘成本是指企业维持老客户而投入的成本，以及为了开发新客户而投入的营销费用等。计算客户发掘的成本，不是简单的平均分摊，而是针对每位客户进行具体量化。为了逐个计算每位客户的成本，前期企业需要统计客户挖掘成本数据，分别计算每个客户的成本，从而计算出每个客户的真实含义，确定挖掘成本。通过大数据挖掘技术企业可以整理详实的客户资料，创建客户分析模型，单独计算每位客户的发掘成本，以获得更精准确的客户价值。
客户满意度指标是一个衡量客户对企业提供的产品或服务的满意程度的指标。
客户的满意度越高表明企业越有可能留住客户。客户的满意度越小，表明企业留住客户的可能性越小。企业可以通过大数据挖掘技术多维度分析客户的基本资料信息、客户价值大小的数据、客户对价格的期望等来预测客户的满意度。
客户忠诚是指客户长期以来所形成的对企业的产品或服务的一种偏好，这种偏好不受价格等其他因素的影响。研究表明，开发新客户的成本是留住老客户成本的五倍。由此可见，企业客户忠诚是企业的无形财富，企业应及时关注和研究顾客忠诚度。利用大数据技术挖掘客户的信息数据，企业可以深入分析顾客不确定购买产品或服务的特点。统计整理数据资料，统计指标体系设置不同客户忠诚程度值的大小，从而预测客户忠诚度的变化趋势，及时分析，寻求对策提升客户忠诚度。
企业通过搜集和统计数据以及运用数据挖掘技术研究客户的保留情况，构建客户预测保留模型来预测和辨别有可能流失的客户，这个指标就是客户保留率。企业不可能留住所有的客户，许可范围内的客户流失也属正常。因此，企业需要借助于大数据技术统计客户保留情况。这需要从两个方面统计，一方面，构建客户保留预测模型，来识别和预测有流失风险的客户，另一方，利用大型数据挖掘技术建立了一个已经流失客户的分析模型，找出导致客户转移流失的因素，辨别当前的客户中哪些有可能流失，由此测算出客户保留率。
通过经验评估和数据分析构建客户价值评估指标体系，采用大样本数据实证的方式，构建客户价值评价模型及顾客分类标准，通过嵌入支持系统的功能模块，最后，实现了客户分类和分类结果的自动生成。
采用聚类分析、相关分析和方差分析等方法对各种影响因素进行了分析，最后，选取3个维度和11个指标构成制造企业客户价值评价模型。在11个指标中，客户显性价值指标用因子X表示，客户隐性价值指标用因子Y表示，客户影响价值指标用因子Z表示。详细的客户价值评估指标体系如表1所示。
经过行业专家头脑风暴，运用层次分析法量化客户价值评估指标体系中的各级指标的权重，如表2所示。从表2可以看出，开票销售收入(X1)、销售回款收入(X3)、合作稳定状况(Y2)、产品需求量(Y3)四个指标对企业客户价值的分类的影响比较大。
对11个评估客户价值的指标设置值的范围，同时，设置不同的取值范围内的相应分值，通过函数映象法确定不同的客户在每个指标中的取值大小来计算企业客户的价值。具体指标维度、名称及评判标准如表3所示。
依据客户价值评估标准得分，可将企业客户从不重要到非常重要分为以下五类：低价值客户、普通客户、重要挽留客户、重要发展客户和重要保持客户。
重要的是维护客户，重要的是发展客户，重要的留住客户，普通客户和低价值客户。
重要的保持客户是经过企业客户价值评估模型计算得分为8分及以上的客户。这类客户对企业的贡献率高，需求量大，有稳定的销售回款收入，因此，这类客户是企业需要重点关注的。在客户管理中可以提供专门的定制化的服务。
通过企业客户价值评估模型计算得分在6-8之间的客户定位为重要发展客户，这类客户企业规模中等，处在成长发展阶段，客户显性价值和隐性价值均较好，在行业内影响逐步提升，因此，未来成长空间较大，是企业需要重要发展的客户，在客户管理中可以通过规范化的服务流程和标准来节省管理成本。
通过企业客户价值评估模型计算得分在4-6的客户定位为重要挽留客户，该类客户规模小，业务需求量一般，显性价值、隐性价值和影响价值都不高。但是这类客户对产品或服务的需求没有特殊要求，并且合作稳定，客户数量多，因此，企业可以把这类客户作为挽留对象，与其保持正常的业务联系。在客户管理中，对此类客户无需提供特殊的服务，定期联系即可保持合作共赢的状态。
通过企业客户价值评估模型计算得分在2-4之间的客户。该类客户虽然群体较大，但显性价值和隐性价值最低，几乎没有影响价值，这类客户需求量小，因此，在企业在客户管理中满足该客户基本需求即可。
经过企业客户价值评估模型计算得分在2分以下，这类客户数量不多，且显性价值和隐性价值最低，几乎没有影响价值，对企业的利润点几乎没有影响，因此，在客户管理中可以顺其自然。
为了进一步验证客户价值评估模型的实用性和科学性，本研究进行实证分析，具体步骤如下：
第一步，根据客户价值评价因子，运用大数据技术采集、筛选某制造业企业现有客户M的基本数据信息资料。
第二步，在客户M的原始数据的基础上，通过统计数据分析和处理技术，得到客户M的评价指标值，并根据指标的得分间隔得到各指标的得分，具体评分情况如表4所示。
第三步，采用综合评价法计算评价指标的得分和各评价因子的权重。最后，得到了客户M的综合评分，并根据模型标准对客户进行了分类，具体情况如表4所示。调查现实情况得知，M客户是一家上市公司，在制造业中享有一定的声誉。因此，用构建的客户价值评估模型对客户M的实证分析结果与客户M实际特征吻合度较高。可见客户价值评估模型在制造业企业中应用是可行的。
综上所述，本文通过企业的客户价值评估模型对制造行业的企业的客户价值进行评估和分级分类，可以给企业客户关系管理提供决策建议。通过建立价值评估模型、挖掘客户价值和保留客户等举措能够为企业创造各种经营利润，同时，为企业的精准营销、资源配置、业务推广和客户管理平台构建提供参考依据。
摘要：客户价值是指企业站在客户的角度上看待产品和服务的价值，包括战略价值、盈利价值、成长价值和感知价值。本文从运用大数据分析客户价值的视角出发，建立了客户价值评价模型，对企业客户进行分级、分类管理，企业依据客户类别和需求特点进行精准营销，这些举措不仅可以提高客户的满意度和忠诚度，同时，可以为企业推广业务、配置资源、构建客户管理平台提供参考和决策建议。
关键词：大数据,企业客户价值,评估研究
[1] 黎超.基于大数据的电商个性化推荐系统分析[J].商业经济研究,2019(2):69-72.
[2] 曹基梅.客户关系管理[M].长沙:湖南师范大学出版社,2017.
[3] 张丽.大数据时代企业客户资产价值评估研究[J].会计之友,2018(17):133-135.
[4] 康榕.基于客户价值评估对云产品客户需求特征研究[J].价值工程,2016(9):17-19.
[5] 李文欣.企业客户价值评估和管理体系探讨[J].现代工业经济和信息化,2016(21):114-115.
[6] 赵睿.工业4.0时代商业大数据技术智能供应链的模式研究[J].商业经济研究,2018(6):30-33.
推荐阅读：
大数据时代背景下05-30
大数据背景下的大学英语写作教学改革探索05-29
工业企业大数据案例09-24
新课程改革背景下如何做好教育科学研究工作06-11
微课研究背景09-06
新高考背景下物理05-26
大数据环境论文06-09
大数据失败案例09-11
中国自贸区背景下05-23
互联网背景下环境06-27
