一些行业的保留率本身就比其他行业高。而在零售业中，保留率很低，一般严重低于30%。汽车业的保留率往往也只有40%左右。在客户与商家关系更复杂的行业中，比如企业软件或银行，保留率可能达到90%以上。      

所以，为了提高客户忠诚度和生命周期价值，零售业很早就开始启用预测营销技术。

下表勾勒出了不同商业模式下营销环境的不同。不同的环境对客户计划的要求也不同。例如，重复购买和再补充活动对于生命周期短和/或更新换代周期短的产品来说更重要。

行业模式

衡量保留率时，必须意识到客户流失的原因不尽相同。例如，新客户的流失率就比忠诚客户高。理解这些区别很重要。再看一个例子，假如你是一家名为GolfGear的高尔夫球场的营销主管，CEO看过一些行业报告，给你看了下列数据：GolfGear的客户流失率为15%，而竞争者仅为5%。他还说尽管客户增长率还算令人满意，但保留率却令人失望。

尽管这表面上看着合理，但现实却并且这么简单。原来，GolfGear的保留率和行业平均水平是一样的。但是因为客户增长率高，新客户比例较高，而新客户流失率本来就高，综合来看保留率就低了。

不能只看表面。失去客户时，你要知道他们都是谁。不是所有客户的流失原因都是相同的，每个品牌都有低价值客户。失去低价值客户绝对没有失去高价值客户损失大。我们来看看大型零售商的例子，该零售商正在经历活跃客户数和营收下降的不利局面。

为了真正探究数据下降的根源，该零售商决定调查流失客户属于哪个价值区间（如下图所示）。总的客户流失率为22%，但细看下来发现，流失的主要是低价值客户，也就是消费不足1000美元的那34%的客户。消费在1000~10000美元的客户流失率低很多，为15%。消费在10000~50000美元的更高端客户较为稳定，流失率仅为1%。但是，该公司又吸引了16%的高价值客户，消费额在50000美元以上，是消费最低客户的50倍。因此，尽管客户数和营收都有下降，该零售商的赢利能力肯定还会提高。

【文章来源】

本书提供了一套数据驱动的营销框架，讲解如何基于大数据定位客户角色、预测客户价值、量身推荐产品、保留客户群体等内容。

本书主要目的是希望读者能有效地利用数据的价值，在大数据时代找到传统营销方式的出路，同时在思想上得到以下几个有用的大数据营销观点。

【作者简介】

Ömer Artun

一位科班出身的科学家，内心其实是一位企业家，总有一种对知识的渴求和挑战现状的欲望。1999年博士毕业后加入麦肯锡，在几个项目中测试数据科学方法；2002年加入Micro Warehouse公司，担任营销副总裁，将数据科学引入日常经营中；2006年加入百思买公司，担任新组建的企业业务部门高级总裁。他坚信，数据驱动下的预测营销将成为未来十年的新潮流。创立了AgilOne公司，旨在通过一个易用、强劲的云平台，向每位营销人提供大数据和预测分析技术服务。

Dominique Levin

她修读了工程、设计和商业管理专业。过去20年，在大大小小的公司做市场营销，足迹遍布各大洲，客户既有企业也有个人，是客户数据重要性最早的推崇者之一。2000年经营了自己的第一家数据公司LogLogic，该公司随后被TIBCO软件公司收购。之后陆续在几家科技公司工作，包括Fundly和Totango，负责建立高度数据驱动的营销组织。