關於客戶細分那些事，看這一文章就夠了

最新 07-04

本文重點探討客戶細分的基本過程，注意要點與常見的問題。

何為客戶細分？是技術，更是藝術

客戶細分是20世紀50年代中期由美國學者溫德爾史密斯提出的,其理論依據在於顧客需求的異質性和企業需要在有限資源的基礎上進行有效地市場競爭．是指企業在明確的戰略業務模式和特定的市場中，根據客戶的屬性，行為，需求，偏好以及價值等因素對客戶進行分類，並提供有針對性的產品，服務和銷售模式．按照客戶的外在屬性分層，通常這種分層最簡單直觀，數據也很容易得到．

其實各個行業、各個角色都在不同的時期來劃分不同的人群，有的性別劃分（男and女），有的根據用戶的粘性劃分（活躍and沉默），但遇到多個維度考慮客戶的時候，就不知道從何做起了？遇到思路的瓶頸我建議利用「互聯網」這個介於牛A與牛C之間人物來幫你尋找答案；

我們在進行內部數據進行客戶細分模型的時候，常常會遇到這個模型的結果我無法解釋？是不是模型有問題？這時我提議大家可以針對部分客戶做一下調研，或許會有更大的收穫，數據背後都是有故事的！結合細分模型與客戶調研就可對細分的客戶進行客戶畫像，這樣從理論和營銷操作的角度來講都是比較科學、可信的！

客戶細分站在數據挖掘從業角度來講分為事前與事後，事前數據挖掘預測目標值根據歷史數據而事後數據挖掘發現未知領域或不確定目標，說到這裡大家自然會想到事前的演算法-決策樹、Logit回歸，事後 -聚類分析、對應分析等；

事前細分技術思路圖（常用在客戶流失模型、營銷響應模型中，其實就是跟歷史數據定義好客戶類型，再對未發生的進行預測，打上預測客戶標籤）：

事後細分就是不知道如何分，只知道要重點考慮細分的多個維度，那麼在應用事後細分模型之後，模型會對每個樣本or客戶（case），打上類別標籤，這樣就可以通過這個標籤來看客戶的性別差異、年齡差異、收入差異等，迅速找到目標客戶；

客戶細分應該注意的7點

1、每個客戶只能歸入一個類別。否則，客戶可能因此陷入多種相互矛盾的產品信息而無所適從。

2、不要有渠道差異。客戶從不同渠道獲得的產品信息都應該是相同的。每個直接接觸客戶的員工都能夠隨時知道產品推薦信息並傳遞給客戶。

3、提供直接接觸客戶的員工有針對性的、可執行的對策。不要把仍需解釋的信息提供給他們。應準確地告訴他們對客戶來說哪種產品是最適合的。

4、在客戶細分之初，應給銷售人員提供最佳名單，確保高成功率。不斷抓住機會擴大消費者名單，並給出每個消費者的"購買可能性"評分，以幫助銷售人員了解客戶可能接受的程度。

5、每一細分類別由一位高級經理負責盈虧平衡。這樣做的目的是確保細分戰略的最大收益。

6、由高級管理人員負責推動客戶細分。若公司僅僅在一個產品線推行細分，公司就有可能忽略部分客戶的感受;若由總公司而不是某一部門負責，客戶細分就有可能不太受預算的制約。

7、自小處著手，再不斷擴大。開始把客戶粗略地分成幾個大類，然後再逐漸進行更細緻、更準確地劃分。但是不要等到一切都盡善盡美了再去做，要先邁出第一步。

客戶細分的五個過程

第一步，客戶特徵細分。一般客戶的需求主要是由其社會和經濟背景決定的，因此對客戶的特徵細分，也即是對其社會和經濟背景所關聯的要素進行細分。這些要素包括地理（如居住地、行政區、區域規模等）、社會（如年齡範圍、性別、經濟收入、工作行業、職位、受教育程度、宗教信仰、家庭成員數量等）、心理（如個性、生活型態等）和消費行為（如置業情況、購買動機類型、品牌忠誠度、對產品的態度等）等要素。

第二步，客戶價值區間細分。不同客戶給企業帶來的價值並不相同，有的客戶可以連續不斷地為企業創造價值和利益，因此企業需要為不同客戶規定不同的價值。在經過基本特徵的細分之後，需要對客戶進行高價值到低價值的區間分隔（例如大客戶、重要客戶、普通客戶、小客戶等），以便根據20%的客戶為項目帶來80%的利潤的原理重點鎖定高價值客戶。客戶價值區間的變數包括：客戶響應力、客戶銷售收入、客戶利潤貢獻、忠誠度、推薦成交量等等。

第三步，客戶共同需求細分。圍繞客戶細分和客戶價值區隔，選定最有價值的客戶細分作為目標客戶細分，提煉它們的共同需求，以客戶需求為導向精確定義企業的業務流程，為每個細分的客戶市場提供差異化的營銷組合。

第四步，選擇細分的聚類技術。目前多採用聚類技術來進行客戶細分。常用的聚類方法有K-means、神經網路等，企業可以根據不同的數據情況和需要，選擇不同聚類演算法來進行客戶細分。同時將收集到的原始數據，轉換成相應的數據模型所支持的格式，這個過程稱為數據初始化和預處理。

第五步，評估細分結果。在對客戶群進行細分之後，會得到多個細分的客戶群體，但是，並不是得到的每個細分都是有效的。細分的結果應該通過下面幾條規則來測試:與業務目標相關的程度;可理解性和是否容易特徵化;基數是否足夠大，以便保證一個特別的宣傳活動;是否容易開發獨特的宣傳活動等。

客戶細分常見的十大錯誤

錯誤一、為細分而細分，細分客戶群後沒有具體的行動方案

有些企業細分客戶群體後，沒有採取差異化的措施，針對具體的客戶細分群體制定對應的經營活動方案，客戶細分報告被束之高閣。這樣的細分是無用的細分。企業做客戶細分是為了營銷、為了管理、為了研發產品、為了策劃活動、為了投資項目，為了…，最終是為了發展和盈利。在細分客戶的時候，需要考慮具體的目的，並在客戶細分後制定相對應的行動舉措，才能將客戶細分的威力發揮出來。

錯誤二、不考慮客戶行為因素

客戶的行為因素在客戶細分時，作為非常重要的指標之一，必須考量進去，否則，細分的客戶群只有理論價值，而沒有實際的行動價值。客戶的行為的研究，能夠告訴我們客戶在哪裡？如何找到他們？如何更有效地服務他們？如何提升他們的消費體驗？等等。

錯誤三、一成不變，不跟蹤客戶變化

市場是在不斷變化的，而客戶的需求也會在不斷地發生變化。十年前智能手機的需求和現在的需求以及十年後的需求是完全不同的。如果不考慮客戶的變化，抱著一個細分方案不變地實施，那就會讓自己在市場上逐漸失去競爭力。

錯誤四、盲目複製他人細分

每個公司都有其獨特的經營模式和經營思路，實現客戶價值的能力和效率也會不同。如果盲目地照搬別人的客戶細分方案，雖然看上去可能很美，但是實踐起來會發現，根本不合適，實施後，可能會比別人花費更高昂的成本去服務客戶。這也告訴我們，在為客戶提供細分研究的時候，必須考量客戶的具體情況、細分客戶群服務能力等指標，審慎地提交客戶細分方案。

錯誤五、按照客戶的資產進行細分

這種細分方法基本就是「勢利眼」，有錢的就是優質客戶，沒錢的就不是優質客戶。殊不知，不同的產品和服務，其優質客戶不見得都非得是「大款」。銀行系統、電信系統經常是這種態度。看看銀行給予資產高的客戶、公務員以及所謂的名人以更高的信用額度，這種細分方案是典型的勢利眼方法。客戶在購買產品和服務的時候，不僅僅有支付能力，還需要有支付意願。如果僅僅考慮支付能力，忽略了支付意願，最終的方案還是行不通的。

錯誤六、按照客戶的大小分

這種分析方法按照客戶的購買多少細分客戶，對購買量大的客戶就是大客戶，購買量小的就是小客戶，不考慮客戶的成長性、風險因素，以及客戶的需求因素等等。一個挑剔的客戶，可以讓整個公司的服務成本大大提高，而最終導致在該客戶身上不能實現盈利。

錯誤七、按照銷售的產品細分

購買我們什麼產品就是什麼產品的客戶，不考慮Upsell和Crosssell的可能性。這樣的事後細分方法，也不具有客戶細分所能夠給企業在市場競爭中的「主動性」。

錯誤八、按照自然時間細分

老客戶不見得是好客戶，而新客戶不一定不給他們優惠。所謂的老客戶關懷計劃都是騙人的，其目的在於「激活」沉睡客戶群。但很多企業在照搬這種營銷模式的時候，忽略了客戶「開源」的重要性，讓新客戶進入門檻提高了，覺得被歧視了。殊不知，新客戶更有可能是近期「活躍」客戶，而老客戶有更大的流失風險。「蜜月期」的客戶往往有更大的消費意願。

錯誤九、按照自然屬性細分

如果僅僅按照客戶的自然屬性細分，不考慮客戶的具體的個性化需求，往往不能帶來更好的細分效果，是非常粗暴、簡單直接的細分方式。只按照地域來細分客戶，跟沒有分一樣。

錯誤十、根本不細分

在供不應求的市場或者計劃經濟時代，不細分客戶還能生存的話，在市場經濟時代，不進行客戶細分，必然會走不下去。當然，處於完全壟斷和自然壟斷的市場，不進行細分，大不了會導致管理成本上升而已。如自來水、電力、天然氣等公司，有理由不細分客戶，畢竟只提供單一產品。可客戶的細分，能夠優化其服務，提升管理效率。

案例：RFM模型分析與客戶細分

手機充值業務是一項主要電信業務形式，客戶的充值行為記錄正好滿足RFM模型的交易數據要求。根據美國資料庫營銷研究所Arthur Hughes的研究，客戶資料庫中有三個神奇的要素，這三個要素構成了數據分析最好的指標：最近一次消費(Recency)、消費頻率(Frequency)、消費金額(Monetary)。

RFM模型：R(Recency)表示客戶最近一次購買的時間有多遠，F(Frequency)表示客戶在最近一段時間內購買的次數，M (Monetary)表示客戶在最近一段時間內購買的金額。一般原始數據為3個欄位：客戶ID、購買時間（日期格式）、購買金額，用數據挖掘軟體處理，加權（考慮權重）得到RFM得分，進而可以進行客戶細分，客戶等級分類，Customer Level Value得分排序等，實現資料庫營銷！

本次分析用的的軟體工具：IBM SPSS Statistics 19，IBM SPSS Modeler14.1，Tableau7.0，EXCEL和PPT

因為RFM分析僅是項目的一個小部分分析，但也面臨海量數據的處理能力，這一點對計算機的內存和硬碟容量都有要求。

先說說對海量數據挖掘和數據處理的一點體會：（僅指個人電腦操作平台而言）

一般我們拿到的數據都是壓縮格式的文本文件，需要解壓縮，都在G位元組以上存儲單位，一般最好在外置電源移動硬碟存儲；如果客戶不告知，你大概是不知道有多少記錄和欄位的；

Modeler挖掘軟體默認安裝一般都需要與C盤進行數據交換，至少需要100G空間預留，否則讀取數據過程中將造成空間不足

海量數據處理要有耐心，等待30分鐘以上運行出結果是常有的現象，特別是在進行抽樣、合并數據、數據重構、神經網路建模過程中，要有韌性，否則差一分鐘中斷就悲劇了，呵呵；

數據挖掘的準備階段和數據預處理時間占整個項目的70%，我這裡說如果是超大數據集可能時間要佔到90%以上。一方面是處理費時，一方面可能就只能這台電腦處理，不能幾台電腦同時操作；

多帶來不同，這是我一直強調的體驗。所以海量數據需要用到抽樣技術，用來查看數據和預操作，記住：有時候即使樣本數據正常，也可能全部數據有問題。建議數據分隔符採用「」存儲；

如何強調一個數據挖掘項目和挖掘工程師對行業的理解和業務的洞察都不為過，好的數據挖掘一定是市場導向的，當然也需要IT人員與市場人員有好的溝通機制；

數據挖掘會面臨數據字典和語義層含義理解，在MetaData元數據管理和理解上下功夫會事半功倍，否則等數據重構完成發現問題又要推倒重來，悲劇；

每次海量大數據挖掘工作時都是我上微博最多的時侯，它真的沒我算的快，只好上微博等它，哈哈！

傳統RFM分析轉換為電信業務RFM分析主要思考：

這裡的RFM模型和進而細分客戶僅是數據挖掘項目的一個小部分，假定我們拿到一個月的客戶充值行為數據集（實際上有六個月的數據），我們們先用IBM Modeler軟體構建一個分析流：

數據結構完全滿足RFM分析要求，一個月的數據就有3千萬條交易記錄！

我們先用挖掘工具的RFM模型的RFM匯總節點和RFM分析節點產生R(Recency)、F(Frequency)、M (Monetary)；

接著我們採用RFM分析節點就完成了RFM模型基礎數據重構和整理；

現在我們得到了RFM模型的Recency_Score、Frequency_Score、Monetary_Score和RFM_Score；這裡對RFM得分進行了五等分切割，採用100、10、1加權得到RFM得分表明了125個RFM魔方塊。

傳統的RFM模型到此也就完成了，但125個細分市場太多啦無法針對性營銷也需要識別客戶特徵和行為，有必要進一步細分客戶群；

另外：RFM模型其實僅僅是一種數據處理方法，採用數據重構技術同樣可以完成，只是這裡固化了RFM模塊更簡單直接，但我們可以採用RFM構建數據的方式不為RFM也可用該模塊進行數據重構。

我們可以將得到的數據導入到Tableau軟體進行描述性分析：（數據挖掘軟體在描述性和製表輸出方面非常弱智，哈哈）

我們也可以進行不同塊的對比分析：均值分析、塊類別分析等等

這時候我們就可以看出Tableau可視化工具的方便性

接下來，我們繼續採用挖掘工具對R、F、M三個欄位進行聚類分析，聚類分析主要採用：Kohonen、K-means和Two-step演算法：

這時候我們要考慮是直接用R(Recency)、F(Frequency)、M (Monetary)三個變數還是要進行變換，因為R、F、M三個欄位的測量尺度不同最好對三個變數進行標準化，例如：Z得分（實際情況可以選擇線性插值法，比較法，對標法等標準化）！另外一個考慮：就是R、F、M三個指標的權重該如何考慮，在現實營銷中這三個指標重要性顯然不同！

有資料研究表明：對RFM各變數的指標權重問題,Hughes,Arthur認為RFM在衡量一個問題上的權重是一致的,因而並沒有給予不同的劃分。而Stone,Bob通過對信用卡的實證分析,認為各個指標的權重並不相同,應該給予頻度最高,近度次之,值度最低的權重；

這裡我們採用加權方法：WR=2 WF=3 WM=5的簡單加權法（實際情況需要專家或營銷人員測定）；具體選擇哪種聚類方法和聚類數需要反覆測試和評估，同時也要比較三種方法哪種方式更理想！

下圖是採用快速聚類的結果：

以及kohonen神經演算法的聚類結果：

接下來我們要識別聚類結果的意義和類分析：這裡我們可以採用C5.0規則來識別不同聚類的特徵：

其中Two-step兩階段聚類特徵圖：

採用評估分析節點對C5.0規則的模型識別能力進行判斷：

結果還不錯，我們可以分別選擇三種聚類方法，或者選擇一種更易解釋的聚類結果，這裡選擇Kohonen的聚類結果將聚類欄位寫入數據集後，為方便我們將數據導入SPSS軟體進行均值分析和輸出到Excel軟體！

輸出結果後將數據導入Excel，將R、F、M三個欄位分類與該欄位的均值進行比較，利用Excel軟體的條件格式給出與均值比較的趨勢！結合RFM模型魔方塊的分類識別客戶類型：通過RFM分析將客戶群體劃分成重要保持客戶、重要發展客戶、重要挽留客戶、一般重要客戶、一般客戶、無價值客戶等六個級別；（有可能某個級別不存在）；

另外一個考慮是針對R、F、M三個指標的標準化得分按聚類結果進行加權計算，然後進行綜合得分排名，識別各個類別的客戶價值水平；