关系营销中客户回报计划对客户品牌选择行为的影响研究，本文主要内容关键词为：客户论文,关系论文,计划论文,品牌论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
1 引言
客户回报计划(Reward programs)(以下简称回报计划)，也叫客户忠诚计划(Loyalty programs)，其被认为是通过发展和培养长期客户，并最终从关系中获利的有代表性的关系营销手段[1]。在美国，近一半的家庭至少参加一个回报计划；在我国，回报计划也越来越被人们所熟知，在航空业、电信业、金融业及零售业都有广泛的使用，其常以俱乐部、会员积分制等形式出现[2]。
在已有关于回报计划的相关研究中，大多数学者认为回报计划会对客户行为产生积极影响。有学者认为回报计划的成功是由于增加了转移成本而减少了价格竞争或者是由于集中关注最忠诚的客户，从而促进了客户的重复购买行为[3]。也有实证研究表明，回报计划对重复购买产生了直接的激励作用，并且在计划实行期内，客户数量、销售额和客流量都将增加[4]。国内学者马宝龙等(2006，2007)[2，5]，李纯青等(2007)[6]也从不同的角度证实了回报计划对客户行为及客户忠诚的积极影响。但是，Sharp和Sharp(1997)却认为从客户整体层面而言回报计划对客户行为的改变并不明显[7]，Partch(1994)认为如果所有的企业都实施了像价格促销活动一样的回报计划，那么回报计划并不能使企业获得竞争优势[8]。Dowling和Uncles(1997)认为回报计划不可能从根本上改变客户的行为，尤其是在强竞争性市场上[9]。O'Brien和Jones(1995)指出，回报计划在实践中失败的原因是由于太多的企业将之作为短期促销的工具，而并未真正了解客户是如何对回报计划做出反应的[10]。
由此可见，回报计划是如何影响客户行为以及其影响作用如何在理论界并没有达成一致观点，特别是回报计划对客户个体层面品牌选择行为的影响还不明确，因此对其进行深入的研究十分必要。此外，从企业界对回报计划的实际应用来看，尽管其得到了广泛实施，但现实情况中，很多企业实施回报计划的原因就是竞争对手实施了回报计划[11]，很多公司在热衷于实施回报计划的同时，并不清楚回报计划会对客户购买选择过程产生什么样的影响，多数企业只得盲目模仿竞争对手的回报计划，造成回报计划实施的效果并不理想。因此，我们有必要在考虑竞争环境的情形下深入研究回报计划对客户品牌选择行为的影响。
此外，在研究方法上，已有研究多是利用横截面数据(Cross-Sectional Data)(多为问卷调查数据)建立结构方程模型，从客户感知的角度来探究回报计划对客户行为的影响。尽管这些研究就客户对回报计划的反应机制及反应过程提供了不少有意义的发现，但由于横截面数据本身的局限性使得这些研究无法考虑到客户间的异质偏好性及决策动态性，因此利用客户的纵贯交易数据(longitudinal Data)，通过建立数学分析模型来进行相关研究显得十分必要，且已成为研究热点[12]。基于此，本研究将在考虑客户间异质偏好性的基础上，利用一组客户的纵贯交易数据建立消费者离散选择模型来研究回报计划对客户个体层面品牌选择行为的影响，并利用策略实验(Policy Experiments)及潜分层技术(Latent Class Approach)对相关问题进行系统分析。
2 理论基础
2.1 回报计划对客户品牌选择行为的影响过程
在具有高重复购买特征的行业中(如零售业)，已有实证研究表明大多数消费者是多品牌忠诚的，完全忠诚于某一品牌的消费者很少[13]。客户根据自己的偏好在多个品牌中进行选择，往往可能会购买某一品牌的概率稍高而购买其他品牌的概率相对较低，而对品牌的偏好在客户之间又是存在差异的。但在稳定的市场结构下，即各个品牌没有对客户进行特殊购买刺激(如大幅降价促销)也不存在个别品牌断货等特殊情形的市场环境下，对于客户个人而言其总是以固定的选择概率偏好在不同的品牌间进行重复购买的决策[13]。
就客户回报计划而言，其主要目的往往是通过为已有客户提供基于累计购买量的回报刺激来建立更高水平的客户保持状态。为此，基于累计购买量的回报刺激应会通过影响客户在品牌选择过程中的选择概率来使稳定的市场结构发生改变，并通过一定时间的积累后形成新的稳定市场结构[5]。对于一个具有战略意义和应用价值的客户回报计划而言，它必须能够提高客户每次的购买选择概率，从而实现持续的重复购买[5]。基于此我们可以通过测量回报计划是否可以有效提升客户在购买决策过程中的选择概率来研究回报计划对客户品牌选择行为的影响过程，并分析其对企业营销管理的价值。
2.2 客户对回报计划的异质偏好
已有研究证实客户间是存在异质偏好性的[14]，所谓“客户异质偏好”是指在企业为客户提供产品或服务的过程中，客户偏爱并愿意为此付出溢价的、对客户决策产生影响的那些重要需求属性。比如，有的零售客户喜欢超市或百货店所提供的一站式的服务，有的客户喜欢天天低价的超市策略，还有的客户对企业促销十分敏感等等。如果我们可以证实客户存在该异质偏好，并且据此进行客户分层(segment)，那么企业就可以针对具有回报计划偏好的客户群进行相应的回报计划的管理和营销。这样不仅有利于企业节约有限资源，而且可以更有针对性的影响客户的购买决策，同时还有可能获取该群客户的相应溢价。
对客户购买选择行为的研究，离散选择模型(discrete choice model)是一个有效的研究工具[12]。同时基于离散选择模型的潜分层技术是基于客户效用对客户进行分层的有效工具，因此我们可以通过建立相应的消费者离散选择模型对上述问题进行实证。
2.3 竞争环境下回报计划对客户品牌选择行为的影响
现实情况中，已有越来越多的企业实施了类似的回报计划[11]，在这种有竞争因素影响的情形下，回报计划的有效性受到了越来越多的质疑，很多企业实施回报计划的原因就是由于竞争对手实施了回报计划，并且很多企业只是盲目模仿竞争对手的回报计划。在竞争环境下一个品牌企业在考虑实施回报计划时往往会面临如下两个决策环境：(1)所有企业均未实施回报计划；(2)已有竞争对手实施了回报计划。在这样两个决策环境下，本企业是否应该实施回报计划呢？这对许多企业而言是一个十分现实而又重要的问题。虽然Singh等(2008)利用博弈论的方法从企业营销策略层面证实了两家企业竞争的情形下，如果一家企业实施了回报计划另一家企业除了同样实施回报计划外还可以通过低价策略来实现均衡[15]，但该研究并没有从两个决策环境分别进行分析，同时该研究是利用解析模型(analytical model)进行的推导，其结论还需要进一步的实证模型检验。此外，在考虑竞争的环境下，从客户个体层面了解回报计划对客户购买决策行为的影响，也是我们值得关注的问题。在已有文献中，很少研究从客户个体层面考虑了竞争环境下回报计划对客户行为的影响，仅有Magi(2003)以及Meyer-Waarden(2007)的研究发现如果客户同样参与了竞争对手的回报计划，那么其客户份额及客户生命周期都将降低[16，17]。
由此可见，我们有必要进一步的深入分析竞争环境下回报计划是如何影响客户品牌选择行为的？然而，针对这样的研究问题，现实中获取客户在多家企业的交易数据进行实证测量往往是较困难的，但由于离散选择模型是在决策者效用最大化行为的假设下推导出来的一种多元统计分析方法，其优点之一是模型参数一旦确定，该参数在不同的环境策略下是保持不变的[18]。因此离散选择模型不仅可以帮助我们研究回报计划是如何影响客户品牌选择行为的，还可以通过策略实验及计算机仿真帮助我们研究在竞争的环境下，回报计划是如何影响客户购买决策过程的。
3 模型方法
现代经济学选择理论有一个基本的假设，即具有同质性的消费者个体组成的总体，按照偏好最大化的要求实施市场行为。2000年诺贝尔经济学奖获得者Macfadden在以往研究的基础上提出了基于随机效用理论的离散选择模型——多项式logit 模型(Multinomial Logit Model，简称MNL模型)，这一模型在营销科学文献中也已得到了广泛的采用和借鉴[12]。
3.1 MNL模型假设
MNL模型主要包含三个假设，前两个假设是随机效用最大化理论(Random Utility Maximization，RUM)的推导所基于的假设，而后一个是MNL模型选择概率的推导所基于的假设。具体假设如下：
该表达式是封闭型(closed-form)的，即意味着存在确切的值，通过代数上的处理就可以直接获得该值，这也是MNL模型最大的优点和被广泛应用的原因。然而MNL模型具有“与无关项独立”(Independence of Irrelevant Alternatives，ⅡA)的特性，即要求两个选项被选中概率的比率不受其它选项的影响。
3.2 模型估计与检验
(1)模型估计
由于Logit模型具有封闭型的表达式，故可以用最大似然法进行参数估计。假设各个决策人间的选择是相互独立的，则每个人都选择实际观测中所选选项的概率是，即似然函数为：
概率函数的计算见公式(4)。参数的估计值便是使得该对数似然函数取最大时的最优解。当效用函数为线性时，一些统计软件包可以帮助实现这一评估过程，而当效用函数为非线性时，则需要通过自行编写评估程序进行评估，由于本文还将使用潜分层技术(Latent Class Approach)对样本进行客户细分来体现客户潜在的异质偏好性，因此本研究在进行参数评估时，通过MATLAB编写程序运用极大似然法来实现对参数的评估。
(2)模型拟合优度及似然比检验
离散选择模型常会用到似然比指数来表示拟合优度，似然比指数被定义为：
此外，本文还将采用Akaike信息标准(AIC)和贝叶斯信息标准(BIC)作为模型评价的指标，AIC的计算公式为-2×(LL-p)，BIC的计算公式为-2×LL+p×ln(N)，式中N代表观测样本的数量，p代表参数的个数。AIC和BIC标准的值越小，说明模型越好[19]。
4 实证分析
4.1 数据收集与样本特征
根据研究目的及先期的市场调研，选取了营销策略中回报计划普遍存在的超市零售业作为研究的实证对象，在不影响研究结论的基础上为了实现离散选择模型的建立及评估，并降低模型的评估难度和复杂程度我们决定选取3—4家实施回报计划的超市作为研究对象。数据的收集委托一家全国性的专业数据调查公司获得，首先通过对其拥有的固定调查样本会员的初步调查，我们选取了130个均是经常光顾北京“超市A”、“超市B”、“超市C”(由于下文的分析涉及到各超市品牌间的品牌比较，在未征得各超市同意的情况下为避免对各超市品牌形象造成影响，本研究略去各超市品牌真实名称)这三家超市的会员作为本研究的固定调查样本，这三家超市均实施了回报计划，且回报计划的内容与形式相似，即根据累积消费金额进行积分，达到一定积分或时限后换取相应回报；之后，对该130个固定调查样本进行了基本信息的问卷调查，主要包括人口统计变量、是否为上述三家超市的回报计划会员、到各超市的交通便利程度等；最后我们要求固定样本组成员采用记日记的方式记录其每次到超市进行消费的经历，收集的与本研究相关的数据信息主要包括：每次光顾的超市名称、每次光顾超市前是否收到过相关超市的商品信息或促销信息等，数据记录的时间跨度为16周。
通过对这130个被调查样本基本信息的描述性统计分析得到，130个被调查样本中男性72人，女性58人；19～34岁者109人，占样本的83.85％；月收入在2000元以下者(含2000元)69人，2001-5000元者47人，5000-10000元者12人，10000元以上者2人；大专及以下学历者83人，本科者38人，本科以上者9人。此外，130个被调查样本中有29人是“超市A”的回报计划会员，有50人是“超市B”的回报计划会员，有41人参加了“超市C”的客户回报计划；130个被调查样本中有13人同时参加了三家超市中两个以上超市的回报计划，有25人没有参加任何超市的回报计划。最终在16周的时间跨度内共收集到130个被调查样本的1773条购买记录。
4.2 模型的构建
本研究中，客户选择集中共有四个品牌：“超市A”、“超市B”、“超市C”及“其他”，可以简单认为四个超市中任何两个超市被选中概率的比率不受其它超市的影响(即符合ⅡA特性)，因此可以构建MNL模型。MNL模型中的效用和选择概率是无法直接观测的，实际上观测到的是被调查者每次光顾超市的品牌选择及相关营销变量，其中因变量是超市间的品牌选择。将因变量表示如下：
5 模型评估及结果
5.1 初始模型的评估及结果分析
利用数据通过编写的MATLAB程序对上述MNL模型进行了参数评估，评估结果见表1-表2中的模型1结果部分。
根据似然函数比检验(Log-Likelihood Ratio Test，简称LRT)和沃特检验(Wards test)，模型1比较好地拟合了数据(p-value<0.001)，解释了27.57％的变差。表2中模型1结果显示，除了β3以外，模型1所有的变量系数都是显著的(p-value <0.001)。
交通便利程度变量D的系数是负的，说明对超市消费者而言，前往超市的交通越不便利，消费者越不愿选择该超市，即对消费者超市品牌的选择有负影响；当期是否收到超市的商品信息或促销信息变量M的系数为正，表示它对消费者的超市品牌选择有正向影响；是否为超市积分会员变量R的系数同样为正，说明若消费者参加了超市的回报计划，则回报计划会有效刺激该消费者提升其购买概率。除去交通便利程度、商品或促销信息发送和回报计划的影响，各个超市品牌本身的特性因素也对于消费者的品牌选择有影响，超市A最高(0.5755)，其次是超市B(0.4195)，超市C(0)和其他(0)排在最后，需要强调的是此处表示品牌本身特性影响力的数值只具有相对意义，并没有绝对意义，也就是说虽然模型估计出的“超市C”品牌特性的影响系数为0，其并不代表“超市C”品牌特性因素不存在，只表示其相对于“其他”这个品牌的品牌特性因素影响的大小为零，即二者品牌特性因素的影响相同。
5.2 改进模型的评估及结果分析
由于本研究在调查样本选取的过程中考虑到降低研究模型的评估难度和复杂程度，有意选取了经常光顾北京“超市A”、“超市B”、“超市C”这三家超市的130个会员作为了本研究的固定调查样本。那么所选取的调查样本可能某种程度上本身已经是这几家超市的忠诚客户，由此上面模型各个参数的评估结果就有可能存在偏差，例如忠诚有可能降低客户对超市所发送商品及促销信息的敏感程度，从而造成模型中M变量的系数降低；此外忠诚的客户有更大的几率是参加回报计划的会员客户，那么不分离出忠诚因素的情况下，模型便会放大回报计划对客户选择概率的影响。因此，我们有必要考虑将忠诚因素引入模型中，以提升模型的解释能力。客户对于超市品牌的忠诚可以看作是客户的属性变量，每个客户对于每个超市品牌的忠诚程度都有一个不同的值。加入忠诚变量扩展后的MNL模型(模型2)可以表示如下(其中
表示客户对超市k的忠诚程度)：
在没有各个客户过去历史购买记录的情况下，如何有效表示客户对每个超市品牌的忠诚值是我们需要进一步考虑的。如果我们将客户的忠诚看作是静态的，那么我们把现有收集的数据看作是客户的历史购买记录，用客户选择各个超市数量的百分比便能比较好地反映这种静态的忠诚。然而，客户的忠诚必然不会是完全静态的，随着各种营销变量的变化(如促销、广告、回报计划等)，忠诚也是随之动态变化的，这样的变化可以通过客户的再次购买来观察。因此本研究将现有观测数据中客户以往选择该超市的百分比作为当期其对该超市的忠诚值，这样既有效地利用了客户的历史购买记录，又考虑了客户每期的购买变化。在这种定义下，各期客户对各品牌忠诚值之和便为1。我们将原始数据进行相应处理计算出个客户各期购买时对各个超市的当期忠诚，从而形成新的模型评估数据，并通过MATLAB程序对引入“忠诚”变量的MNL模型(模型2)进行参数评估，评估结果见表1-表2中的模型2结果部分内容。
从表1模型2的评估结果可知，引入忠诚后的模型2同样通过了似然函数比检验和沃特检验。比较模型1和模型2评估结果的AIC、BIC和ρ(见表2)，可以发现：引入忠诚后，模型2得到了很明显的改进，拟合优度(似然比指数)从0.2757提升到了0.3814，AIC和BIC值都有所降低，同时忠诚变量L的系数通过了显著性检验，说明忠诚的确影响了客户的超市品牌选择。可见针对本研究在原有模型1的基础上加入忠诚变量进行模型改进是十分必要的。
比较两个模型的变量系数，其显著性和方向性均未发生变化，只是大小发生了改变。发现引入忠诚后，“超市A”超市本身的品牌特性因素的影响力被更清晰的表现出来(
有所提高)，而“超市B”和“超市C”本应由“忠诚”来解释的方差在没有引入忠诚的时候被不同程度地纳入到品牌本身的特性属性中去了(模型2中
有所降低，
虽然仍不显著但有降低的趋势)，由此可见“超市A”在客户心中其品牌特性还是占有一定的优势；交通便利程度变量D系数的绝对值变小了，这可能是由于交通便利程度越高的客户越容易是忠诚客户的原因造成的，因此没有引入忠诚时，交通便利程度的影响被放大了，这也说明超市可以通过培养客户忠诚来有效降低交通便利对客户光顾的影响；促销及商品信息变量M的系数引入忠诚后变大了，这是因为忠诚能够降低促销及商品信息对于消费者选择的影响，当把忠诚分离出来的时候，M对消费者的影响更清楚地表现出来了；同时，回报计划变量R的系数变小了，这可能是因为忠诚客户恰好是回报计划会员客户的几率较大，因此本身应由忠诚解释的部分方差，在没有引入忠诚时由回报计划变量来解释了，这也某种程度上说明了客户忠诚与回报计划之间是相辅相成的，即回报计划有助于提升客户的选择概率从而加强客户忠诚，而客户忠诚又更加巩固了客户涉入回报计划的程度。
6 策略实验
策略实验的目的是在考虑竞争环境时，比较客户是否是超市回报计划会员时，客户对超市品牌选择概率的变化情况。假定各超市之间交通便利程度、商品及促销信息和客户忠诚等其他因素对客户的影响在同一水平下(由于本研究我们对忠诚变量的定义要求客户对各品牌忠诚值之和为1，因此我们可以将其值均设置为0.25，其余交通便利程度和促销及商品信息等变量可以均设置为0或1，无论如何设置，只要保证各超市品牌相应因素对客户的影响在同一水平，则对策略分析的结果就没有影响)，我们首先设定客户没有参加任何其他超市的回报计划，通过策略分析来判断此时若成为某超市回报计划的会员，则该回报计划对客户品牌选择概率的影响；其次，我们假定客户参加了所有其他超市实施的回报计划，通过策略实验来分析若此时不参加该超市回报计划和参加该超市的回报计划对客户选择概率的影响变化。
各策略实验情形下各超市品牌选择概率变化情况见表3。从表3及图1可以看出，对任何超市而言，客户在没有参加其他任何超市的回报计划的情形下，若成为该超市的回报计划会员将对该超市品牌的选择概率有较大正影响，可使客户购买概率提升10％左右。例如，在客户不是“超市B”、“超市C”及“其他”等超市回报计划会员的情形下，若其成为“超市A”回报计划的会员，则该客户选择“超市A”进行购买的概率将提升13.96％(0.5506-0.4113)。而从图2可以看出，在客户参加了所有其他竞争超市所实施的回报计划的情形下，成为该超市的回报计划成员同样将提升客户对该超市的购买概率，只是提升的幅度比图1情形下时的幅度有所降低。
图1 回报计划对品牌选择概率的贡献
(未参加各竞争超市回报计划的情形下)
图2 回报计划对品牌选择概率的贡献
(参加了各竞争超市回报计划的情形下)
从策略实验分析的结果可以看出，无论客户是否是竞争对手回报计划的成员，对超市自身而言其最优决策策略都应是努力争取客户成为自己回报计划的会员。从结果中还可以注意到，在其他因素保持不变的情形下，客户在没有参加任何回报计划前和参加了所有超市回报计划后，客户对同一超市品牌的选择概率前后是一致的。实质上在不考虑其他竞争因素的前提下，超市间对回报计划的实施其实是一个博弈过程，在大家均不实施回报计划的情形下，客户对各个超市品牌都有一个固定的选择概率，一旦其中一个超市实施了回报计划，并且该客户成为了该回报计划的会员，那么这种稳定的固定选择概率状态就将被打破，直到所有超市品牌均实施回报计划，并且均成功吸引该客户成为了其会员客户，此时才会恢复到原有的固定选择概率的稳定状态。以此推导，各超市间长期博弈的最终结果是所有超市最终均将实施回报计划，并且回报计划对客户的吸引是一致的(即客户要么不会成为任何一超市的会员客户，要么成为所有超市的回报计划会员)，才会使得状态达到平衡，当然这可能只是一种理想状态，因为超市间的回报计划对客户的吸引力会存在差异，即不同的回报计划给客户带来的感知价值是不一样的。
7 基于潜分层方法的客户细分
上述模型是将客户假定为对公司营销变量(促销及商品信息的发送、回报计划)具有相同偏好的一类群体，然而现实中客户应是具有异质偏好性的。如就回报计划而言，可能仅一部分客户会对回报计划十分敏感。因此，我们有必要进一步扩展模型以使其能够体现出客户潜在的异质偏好性。针对本文所建立的离散选择模型我们可以应用潜分层(Latent Class)方法[21]对模型进行扩展，我们称之为潜分层模型。潜分层方法假设客户群体细分
由于每个客户之间都存在异质偏好性，因此最优分类是将每个客户分为一类，其最优营销策略也将是针对每一个客户采取相应不同营销策略，即形成一对一营销。然而，从模型评估的角度而言，随着客户细分类别的上升，模型评估的计算负担呈几何级数增长。此外，本研究主要目的是判断回报计划对客户选择概率的影响，并区分出对回报计划存在偏好的客户群体，故我们将客户细分为有限类也是符合现实意义的。因此我们在评估潜分层模型的过程中首先将M值设为1，之后逐级上升设置为2，3，…，8，根据客户细分类别(segment)个数的不同，计算得到不同模型的评估结果，通过比较不同M取值时模型评估结果间AIC和BIC信息指标值得变化来判断最优的M取值。同样我们利用MATLAB编写程序通过极大似然评估法对各个M取值时的潜分层模型进行评估。各模型评估计算出的AIC和BIC值(从1到8)，见表4。
将取不同M值时的AIC和BIC的结果绘成图3。从图中我们可以看出当M取值为2和3时模型信息标准AIC和BIC均较低，说明此时模型要优于其它M取值时的模型。然而，根据BIC最小的原则[17]，我们最终将细分客户类别定为2个。
图3 不同取值时所对应的AIC和BIC值
表5是将客户细分类别M设为2时，模型参数的具体评估结果。该潜分层模型同样通过了似然比检验(
=2111.3417，p<0.001)和沃特检验(=851.7645，p<0.001)。并且从表5可知，潜分层模型的AIC、BIC和0值较模型2又有了进一步的改善，拟合优度(似然比指数)从0.3814进一步提高到了0.4145，AIC和BIC值都有了进一步降低。可见，考虑客户的异质偏好性将客户细分是十分必要的。
以下我们对两个不同客户细分类别的特点进行进一步的分析：第一个客户细分类别(Segment 1)的
系数不显著，说明该类客户对商品信息或促销信息不敏感，但其对回报计划的敏感程度要远大于第二个客户细分类别(Segment 2)的客户(1.093>0.2592)；交通便利程度变量D和忠诚变量L对两个客户细分类别的影响基本一致(即
和
均显著并且两个细分类别之间大小相近)。就两个客户细分类别的品牌偏好而言，两个类别具有差异，第一个客户细分类别较偏好于“超市B”(显著)，而对其余几家超市的偏好没有明显的不同；而第二个客户细分类别特别偏好于“超市A”，其次是“超市B”，再次为“超市C”。
潜分层模型证实了如回报计划、发送促销或商品信息等营销手段仅会对一类客户具有明显的刺激作用，这也说明客户间对相同的营销策略会产生不一样的偏好，即存在异质偏好性。从潜分层模型结果来看，对促销或商品信息敏感的客户群体往往对回报计划不是十分敏感，也就是说一部分客户注重当期收益(当期的促销)而另一部分客户更加注重长期收益(长远的回报)。因此企业在实施相关营销策略的时候，有必要将客户细分对不同偏好的客户重点采用不一样的营销策略。
8 结语
本研究通过建立MNL模型，对客户回报计划是如何影响客户个体层面的选择行为进行了研究，研究结果发现：
第一，MNL模型是研究客户个体层面选择行为的有效工具，可以很好地反映出不同的市场营销策略对客户选择行为的影响，并可通过策略实验来分析改变营销策略的情况下，客户选择行为的变化情况。
第二，对零售业而言，回报计划可以有效地影响客户个体层面的选择行为，其通过回报刺激给客户提供正效用，从而提升客户的选择购买概率。同时研究证明对零售业而言，交通便利程度、是否收到商品信息或促销信息也是客户选择行为的影响因素。
第三，“忠诚”变量同样是影响客户选择的重要变量，企业应该重视对客户忠诚的培养，同时客户忠诚与回报计划之间是相辅相成的，即回报计划有助于提升客户的选择概率从而加强客户忠诚，而客户忠诚又更加巩固了客户涉入回报计划的程度。
第四，在存在竞争的环境下，无论客户是否是竞争对手回报计划的成员，对超市自身而言其最优策略都应是实施回报计划，并且努力争取客户成为自己回报计划的会员。
第五，客户间存在异质偏好性，即对相同的营销策略客户具有不一样的偏好。本研究中潜分层模型证实了有些客户注重当期收益(当期的促销)而有些客户更加注重长期收益(长远的回报)。更有助于企业提高营销资本利用率。
本研究的主要局限性在于离散选择模型构建时由于数据收集方面的限制，以及综合考虑模型评估难度和精简性原则，我们是在假定不同超市间所实施的回报计划对客户所产生的效用相同的基础上建立的MNL模型，而实际中不同企业间所实施的回报计划对客户产生的效用应该存在差异性；同时由于许多行业的回报计划是基于累计购买，并具有一定的回报时间限制，这类回报计划对于客户的吸引力可能会随着客户的决策而动态变化，研究中因为数据的限制并没有将回报计划的动态刺激的特征引入到所建立的离散选择模型中。