如今所有人都在以一种“集中”的方式消费电子产品及服务，这种方式在长期内保持不变，消费者时不时地会在一个较短时期内集中购买产品。而一旦营销人员意识到这种现象，并且他们手中也握有跟进这一现象的数据，他们就能发现某种内容丰富的新型电子行为的发展脉络。
如果你曾经整个周末都在疯狂地看《绝命毒师》或其他系列视频，你大可以安然享受，因为不是你一个人如此。如今所有人都在以一种“集中”的方式消费电子产品及服务，这种方式在长期内保持不变，消费者时不时地会在一个较短时期内集中购买产品。
沃顿营销学教授埃里克·布莱特劳 (Eric Bradlow) 表示，一旦营销人员意识到这种现象，并且他们手中也握有跟进这一现象的数据，他们就能发现某种内容丰富的新型电子行为的发展脉络。他指出，几十年来衡量顾客价值的一个基本手段一直是RFM模型，即最近一次消费 (Recency)、消费频率 (Frequency) 和消费金额 (Monetary value)。“然而我的研究表明，这个体系并不全面，还应加上一个‘C’，代表集中度 (Clumpiness)，”他补充道。布莱特劳在接受沃顿知识在线的采访时阐释了这一概念，这个概念来自他与瑞士信贷集团合伙人张瑶以及沃顿学院数据学教授迪伦·斯莫 (Dylan Small)合著的研究论文《衡量影响力数据簇拥度的新标准》 (New Measures of Clumpiness for Incidence Data)。
以下为经过编辑的采访节录：
顾客数据中的“集中度”是什么，为什么很重要：
目前营销和顾客价值领域最通行的做法就是通过RFM模型，即最近一次消费、消费频率和消费金额来概括顾客的消费行为，也就是说利用手里所有关于顾客的信息，来计算顾客在以下三个方面的数据，即最近一次消费是什么时候、多久消费一次以及消费的金额……这是大多数公司用于衡量有价值顾客和其他顾客的基础指标。
我的研究发现，这不是顾客的全部特征，RFM模型还应加上字母“C”，代表集中度，表示有些顾客的购买行为具有一定规律。长期以来，顾客购买橙汁、尿布等物品时会遵循一定规律。但是集中度指的是人们一窝蜂地争相购买物品。这种集中购买的时期可以反映出顾客身上具有某种与众不同的特征，他们可能是极其有价值的顾客。
重要结论：
从我研究中得出的重要结论易于理解。想象一下，假设你想预测谁是未来有价值的顾客。你手里有四项可以用来预测的指标，也就是我前面提到过的：最近一次消费、消费频率、消费金额以及在顾客身上进行的营销。这是众多公司设计的评分模型。但我认为你还需要多加一项指标，那就是集中度——衡量顾客购买的集中程度有多高。这项指标和R、F和M指标一样易于计算，在Excel里就可以完成，并且计算迅速，可以在一秒内计算出一亿名顾客的数据。
我的研究还发现，在实验中集中购买程度较高的顾客在未来具有更高的价值，即使在运用RFM模型和营销费用分析之后，也会得出同样的结论。这说明我们发现了另一个关于顾客的变量，公司应该跟进这个变量，并利用它来预测顾客在未来的价值。
最令人惊讶的结论：
研究得出的结论中有两点让我惊讶不已。一是我才发现这个基于RFM的模型已经存在很多年，目前很多公司在使用，并且从这个意义上说已被确认为是帮助阐释顾客价值的最简单的手段。你可以进行各种各样的网站搜索，也可以设立多种其他变量，但集中度这个变量却是最简易的。
所以首先让我惊讶的是，集中度一直没人关注，换句话说热卖和遇冷期可以反映出顾客的一些特点。另一点让我吃惊的是从我分析的数据来看，这种集中度适用于电子和在线消费品，不适合常规的大众消费品。换句话说，我能明白为什么传统模型适合常规大众消费品，因为消费者购买厕纸、橙汁的消费行为有规律可循，但在网站Hulu上的消费却毫无规律。消费者在eBay上竞拍或在亚马逊上买书的行为也没有规律可循。
集中度对传统意义上的商品确实不适用，但对新兴产品、新兴经济来说，它是我分析过的所有数据集中很有说服力的一个数据。
实用价值：
我认为这也许是我20多年的职业生涯中做过的最实用的研究。我更倾向于把我从事的工作称为多样复杂的统计建模。这项工作不仅仅关于统计建模，还与数据——集中度有关，如今的公司都可以进行实际运算，不需要收集额外的数据，使用与计算R、F、M及顾客终身价值相同的数据就能计算出来。利用这种模型可以确定顾客的预测价值有多少，顾客的价值排序会发生变化，你对哪些顾客具有重新挽回的价值的认识也会发生变化。
我得出的结论是，尽管集中度高的顾客并不稳定，但他们依然是最值得挽回的。如果你重新赢得了这些顾客，他们又会变得具有很高的集中度，未来会进行很多消费。因此我认为这种模型具有很大的实用价值。这种模型的魅力从我的网站上就可以看到，上面有一张Excel表格，列出了一些成功案例。你可以下载这张表格，并从今天开始使用集中度来进行分析。
从你的研究中，你可以得出哪些新的规律、程序上的变革或者计策?
如今很多人都在谈论大数据。我喜欢大数据，但我想说还有比大数据更合我意的东西，那就是数据浓缩。数据浓缩是指现在你可以从人们身上搜集成千上万的变量，并查出这些变量的来源，他们购买什么物品，浏览什么网页。但这不能称之为科学，只不过是收集数据。问题在于哪些信息真正对解决眼前的商业问题有用?这就是我所说的数据浓缩。
因此，我把集中度看成是像RFM、营销活动及类似活动等传统变量的一个补充，是数据浓缩的一种形式。我要强调的就是你需要多掌握一些数据，不能仅仅把事物浓缩至三个变量，而要浓缩成四个。
我已经做了大量关于集中度的研究，也知道它存在于各个行业，具有预测价值。但我不知道是什么催生了集中度……我把营销活动与集中度联系起来。公司可以通过给你写邮件、寄画册、把你定为目标顾客等方式使你一股脑地进行消费。
尽管我知道集中度的存在，但尚未对公司定位目标顾客的最佳方式做过研究。比如，我从未关注过消费者是否会在购买系列产品时具有更高的集中度。试想如果是观看《绝命毒师》、《广告狂人》或类似的系列视频，又会是什么情形。又如，一家公司在试图出售面部护理系列、保湿系列等系列产品和其他类似产品时，是否会把所有产品包装成一个套装，使它看起来具有人们朝着一个目标在努力付出的寓意?
我知道如何对集中度进行数学运算，也知道这对公司来说微不足道，但它具有预见性。但我不知道从心理学上怎么解释，这也是目前我和其他研究消费心理学同事一起研究的领域。我们将在实验室里进行大量的行为实验，试图获得人们的集中行为背后的心理学。
“簇拥”vs.“疯狂”
我喜欢“集中”一词，其他人喜欢“疯狂”。我喜欢这个词的原因在于与它相对的是“非集中”，就像一种有规律地进入某种场所或有规律地购物。我们没有听说关于集中度的故事，但当你看到关于别人疯狂地做某事或消费某种东西的故事，比如“一名学生熬夜看了18小时的视频”，你就明白“疯狂”的意思。“疯狂”这一概念也很具有说服力：每次我和管理人员、学生或大学生谈到这个概念，大家都相信它的存在。
消除误解：
我的研究要消除这样的误解：从某种程度上说，顾客的分类依据仅仅是一系列数字。我们需要考虑更多因素，而不仅仅是我所说的简单的人类行为理论。如果我们研究最近一次消费、消费频率和消费金额这三个指标，会发现这种传统意义上的消费行为的基础忽略了我所提出的间隔时间。它表明，从根本上说，我可以收集所有数据，例如消费者在这个窗口的消费间隔是两天，然后是四天、三天或者六天，但我可以把这些通通忽略，只需记住消费者最后来消费的时间以及他们来消费的次数。
此外，还要消除一个误解：关于消费者到店规律的信息不足。其实消费者到店信息很详实。人们如潮水般涌入店里，离开，再涌入，再离开……这些人极其与众不同。我认为人可以分为集中型和非集中型两种类型。
我们的研究结果还表明，集中度因产品类型而异。比如，我们发现女性集中度高于男性，年轻人高于老年人。因此，我认为我们要澄清的是：人们不仅生而平等，而且有很多简单的方式将人们分成若干类型。
本项研究如何与众不同：
尽管有一系列数学模型已经存在了50年，但它们依然很受欢迎，在过去10中它们被称为“隐藏的马尔可夫模型”(hidden Markov model)。假设世界上有两个国家，一个炎热国家，一个寒冷国家。你轮流待在冷热两国。这个数学模型就是集中度，你在炎热国家，你会做很多事情，在寒冷国家情况截然相反，就这样在炎热与寒冷中交替……我要做的就是给专业人员提供一种计算简单数字的方法，即统计学。这不是统计学论文，而是我们所说的关于数字与统计的论文。
你只需计算数字，然后利用这些数字做自己的研究，可以用它来预测顾客价值，判断男性是否比女性更具集中度，也可以用它来将人们划分成不同类型。这就是这项研究的典型及与众不同之处，它是一种业内人士可以使用的基于度量的方式，而非基于多样模型的方式，不过这两种方式都是为了解决同样的问题。
证明“集中度”可能有用的例子：
我们针对集中型消费者进行了研究，以便证明电子邮件、宣传画册还是其他不同类型的营销渠道更有效。我们发现，电子邮件毫无意外地成为短期效果较好的一种宣传手段，而长期效果较好的是宣传画册。
有待我们研究的是：电子邮件、宣传画册或视频营销中的某些词是否与人们的集中度有关或使人们具有更高的集中度?一些话题是否具有集中度?一些产品类型是否一定和集中度有关?我们目前所做的就是证明这种现象的存在，并且我知道很多行业都存在这种现象，某些类型的人更容易变成集中型的人。
目前我尚未完成的任务是讨论集中度的营销含义，作为一个营销学教授却没有做到这一点，确实令人惊讶。我还需要更大以及更新的数据集来把关于营销活动的信息与人们的集中型消费行为联系起来。我知道该如何进行，只是我还需要更丰富、更优良的数据来进行。
后续工作?
我正在考虑跟进这项研究的三个不同方面。首次，要是能够分析更多数据集，并证明集中度的衡量标准是多么具有说服力会令我激动万分。我分析了来自亚马逊、CDNow、eBay、Hulu、YouTube和其他传统大众消费品公司的数据。目前我只需将这些数据运用到新的数据集中。
其次，我想了解人们的心理过程。为什么人们的消费呈现集中型?第三方面也是最后一方面，我想将营销活动与集中度联系起来。这不仅仅需要了解人们行为，如他们做什么，浏览什么网站、购买什么物品等，还需要了解关于营销活动本身的信息，或许是营销活动的宣传单、这些宣传单通过哪些渠道分发。这些都有助于我找出最佳方案——为公司提供优化营销活动从而激活人们消费集中性的方案。
