編輯導(dǎo)讀：客戶細(xì)分的核心目的是精細(xì)化運(yùn)營，對不同的用戶分別制定運(yùn)營策略，期望實(shí)現(xiàn)利益最大化。那么，如何進(jìn)行客戶細(xì)分呢？本文作者將從四個方面對此進(jìn)行分析，希望對你有幫助。

今天的問題來自于上海的李總，他在做行業(yè)客戶細(xì)分。想要一些客戶分級分群的相關(guān)策略和資料。我資料倒是有很多，但是不知道能不能給他一些好的建議啊。

說實(shí)話，雖然我之前做過很多客戶分級分群，但是總感覺做的不太行。網(wǎng)上類似的文章也很多，看來看去無非也就這么些東西。我就給大家分享一下我的理解吧。

一、至簡式客戶細(xì)分

客戶細(xì)分的核心目的是精細(xì)化運(yùn)營。其實(shí)就是對不同的用戶分別制定運(yùn)營策略，期望實(shí)現(xiàn)利益最大化。

所以客戶細(xì)分最樸素的思想，就是切分。大家應(yīng)該聽過一個詞“高凈值人群”，這是傳統(tǒng)營銷時代流傳最廣的客戶分群產(chǎn)物。

一般來說，用戶細(xì)分得遵守MECE原則，上面所有的方法其實(shí)都已經(jīng)是MECE了。但是也不是絕對的，后面就有特例。

受限于當(dāng)時的數(shù)據(jù)和技術(shù)，客戶細(xì)分大多都還是在CRM中進(jìn)行因?yàn)橹挥性贑RM中才能獲取用戶的各種信息。細(xì)分的邏輯也就非常簡單了，大多是從某一個單一維度進(jìn)行切分。

比如“按客戶凈值分、按客戶數(shù)據(jù)來源分、按消費(fèi)頻次分、按年齡段分、按當(dāng)月累計消費(fèi)金額段分”等。這種客戶切分方式比較原始和粗糙，遠(yuǎn)遠(yuǎn)稱不上“客戶細(xì)分”。但是這種切分方式是所有人最容易想到，也是最容易理解的方式。

所以在早期的數(shù)據(jù)交易中，賣家會標(biāo)注上數(shù)據(jù)來源，企圖在名稱上體現(xiàn)客戶數(shù)據(jù)的價值。當(dāng)然現(xiàn)在買賣個人隱私數(shù)據(jù)已經(jīng)入刑法了，大家千萬別碰哈。

二、業(yè)務(wù)分析式客戶細(xì)分

再進(jìn)一步，就有人從各個角度總結(jié)提煉客戶細(xì)分的邏輯，比如從用戶生命周期上細(xì)分，我們對不同處在生命周期的客戶用不同的策略，期望拉長用戶在成熟期的時間，創(chuàng)造更多的價值。

比如：

按用戶生命周期分，如“潛在用戶、新用戶、付費(fèi)用戶、復(fù)購用戶、流失用戶”等，不同行業(yè)的生命周期不完全一樣；

按用戶運(yùn)營流程分，如AARRR、RARRA、“新用戶、使用用戶、興趣用戶、意向用戶、付費(fèi)用戶”等；

按用戶積分等級分（忠誠度），如傳統(tǒng)的會員卡級別、淘寶的“皇冠、鉆石”等；

按用戶的各種標(biāo)簽切分，這個自由度就非常大了，信息非常豐富。

這些方法都非常直觀，業(yè)務(wù)部門最喜歡了。而且對應(yīng)的策略也非常清晰，基本上顧名就能思義。

這些看上去還是從某一個固定的維度對客戶進(jìn)行切分，但是一般來說這些維度都是經(jīng)過業(yè)務(wù)理解、加工之后的。

舉個簡單的例子：信用卡的不同級別就是一個附帶非常復(fù)雜規(guī)則的客戶細(xì)分模型。只有達(dá)到了某幾個條件，才能升級卡片的等級。當(dāng)然，享受到的權(quán)益也是不一樣的。市場上甚至有專門研究信用卡養(yǎng)卡規(guī)則的人和公司。

三、組合式客戶細(xì)分套路

前面說的都是從單一維度對客戶進(jìn)行群體切分的方法，這種單一維度我們可以相處很多很多。

那如果再往前進(jìn)一步，我們還能怎么細(xì)分呢？答對了！那就可以對各單屬性進(jìn)行組合后細(xì)分，RFM就是典型的一種。

這個模型非常好用，流傳很廣，認(rèn)同度高，可解釋強(qiáng)，對應(yīng)的策略也很清楚。

RFM模型，就是用戶細(xì)分的經(jīng)典模型。它就是用“最近一次消費(fèi) (Recency)”、”消費(fèi)頻率 (Frequency)”、”消費(fèi)金額 (Monetary)”，對用戶切三刀，劃分成為8個群體，然后來區(qū)別對待。

其實(shí)RFM本質(zhì)上是一種象限模型，只不過不是4象限，而是3個指標(biāo)，每個指標(biāo)離散為0和1，總共分為8個象限。而且我們在用RFM的時候，也可以進(jìn)行各種變種，比如改掉一個指標(biāo)、把“高、低”區(qū)分為“高、中、低”等等。但是不管咋變，本質(zhì)還是一樣。

RFM的變種之一就是替換RFM中的M，比如RF+年齡段。當(dāng)然，只要你能想出來，可以任意組合，比如當(dāng)月消費(fèi)等級+用戶年齡段+地區(qū)等。之前我做過汽車行業(yè)的用戶細(xì)分，就做過客戶偏好+投訴頻次+活動參與的組合維度，可以分辨出忠誠客戶還是難纏客戶。

一樣啊，這種方式幾乎可以無限組合，只要你能想出來，隨便拿兩個以上的關(guān)鍵業(yè)務(wù)指標(biāo)一組合，立刻可以把客戶切分成任意群體。

移動通信領(lǐng)域?qū)蛻羧后w的細(xì)分也是做到了機(jī)制，各種亂七八糟的套餐可不是運(yùn)營人員瞎想出來的，而是使用不同組的數(shù)據(jù)，通過各種各種算法算出來的。

提到算法，我們還可以用各種聚類算法實(shí)現(xiàn)客戶細(xì)分。但是這些算法計算的結(jié)果，業(yè)務(wù)可解釋性就比前面所有的細(xì)分方法差多了。而且有些算法存在隨機(jī)種子等因素，每次執(zhí)行的結(jié)果不一樣。比如K-means的聚類，這個K值要么人為設(shè)定，要么隨機(jī)。這隨機(jī)就隨出事情了。同樣一份數(shù)據(jù)，很可能就出現(xiàn)下面這種截然不同的情況。

這種情況讓我們給業(yè)務(wù)解釋的時候非常困難，全都得靠編。有一次更搞笑，我們某甲方要“大數(shù)據(jù)”+“算法”，而且必須要保證執(zhí)行冪等，就是每次執(zhí)行的結(jié)果必須一樣，要不沒法給別人解釋。遇到聚類這種含有隨機(jī)數(shù)的情況，那可不行了。最后我們給把算法給改了，只要是一個結(jié)果集進(jìn)去，不管怎么執(zhí)行，都是一個結(jié)果。唉，我們太難了。

當(dāng)然，除了K-Means之外，我們還能用KNN、層次聚類等等各種聚類算法。除了層次聚類稍微好解釋一些之外，其他算法計算結(jié)果都得靠編。更不用提對應(yīng)的運(yùn)營策略了。

那有沒有更好的客戶分群方法呢？當(dāng)然有的。

四、業(yè)務(wù)洞察式客戶細(xì)分

可能有哥們說了，你說的這些我都知道，用處說實(shí)話也不大。

這話得分怎么說了，如果說只是客戶細(xì)分，咱就這些招。但是如果說指導(dǎo)運(yùn)營，那得具體分析各層用戶的問題，后面還得帶上恰當(dāng)?shù)倪\(yùn)營建議。得跟運(yùn)營同學(xué)一起定好策略，制定執(zhí)行計劃，跟進(jìn)，調(diào)整，優(yōu)化。

不過，咱說回來，除了這些招之外，咱還有更經(jīng)典的用戶細(xì)分方法嗎？

答案是“有”！

但是再往前一步就不能是通用的方法了，最少得細(xì)分到行業(yè)和具體場景了。比如快消行業(yè)就有非常經(jīng)典的“阿里八類人群”：

所有快消行業(yè)都可以參照這八大類進(jìn)行客戶細(xì)分。這里你可能就會注意到，這明顯就不符合MECE的原則嘛！是的，但是這八大類已經(jīng)涵蓋絕大部分人群了，剩下那一星半點(diǎn)的也不影響全局。

那這八大類是怎么來的呢？業(yè)務(wù)洞察！沒別的招。

當(dāng)然有些洞察也很有意思，還會從用戶的“星座”角度上進(jìn)行分析，也不知道是不是故弄玄虛。比如騰訊幫喜茶做的用戶洞察就有這樣的結(jié)論：

也有很多業(yè)務(wù)洞察會與社會現(xiàn)狀進(jìn)行結(jié)合，也就是傳說中的PEST模型(政治politics，經(jīng)濟(jì)economy，社會society，技術(shù)technology)。比如：

你看上面細(xì)分的，從數(shù)學(xué)角度上根本沒啥邏輯么。也完全不符合MECE原則，各部分之間還有交差，但是絲毫不影響其業(yè)務(wù)解釋力。因?yàn)槔锩鎶A雜著對當(dāng)今社會各種現(xiàn)象的洞察。

京東和尼爾森對用戶生命周期也做了非常深入的研究，他們的洞察也很有意思。他們提出的口號是“實(shí)現(xiàn)品牌用戶資產(chǎn)波浪式增長”：

五、總結(jié)

用戶細(xì)分是精細(xì)化運(yùn)營的重要手段。

最樸素的思想，就是從某個固定的屬性對用戶進(jìn)行切分，比如按客戶凈值；

再進(jìn)一步，是從業(yè)務(wù)分析的角度進(jìn)行切分，比如按用戶生命周期；

再進(jìn)一步，是將多個維度組合之后進(jìn)行切分，比如流傳很廣的RFM模型，或者使用KNN、K-Means、層次聚類等各種聚類算法。

往前一步就是行業(yè)特殊洞察了，甚至是垂直領(lǐng)域的特殊洞見，這就得有很深的行業(yè)用戶洞察能力，比如阿里提出的快消領(lǐng)域“八大類人群”。

至于技術(shù)實(shí)現(xiàn)，其實(shí)數(shù)據(jù)量不大的話，用excel就能搞定；數(shù)據(jù)量多一些就用關(guān)系型數(shù)據(jù)庫，寫SQL搞定；再多的話就用大數(shù)據(jù)平臺，用分布式計算處理了。

用算法進(jìn)行客戶分群的技術(shù)實(shí)現(xiàn)，在傳統(tǒng)營銷時代，更多的人用的是SPSS、SAS等數(shù)據(jù)挖掘軟件；之前有一陣子還流行過R語言；現(xiàn)在Python當(dāng)?shù)溃缛罩刑?。用起來非常簡單，基本上就是組織數(shù)據(jù)結(jié)構(gòu)，然后調(diào)個包就可以了。

今天的分享就是這樣。

作者：大數(shù)據(jù)架構(gòu)師，公眾號：大數(shù)據(jù)架構(gòu)師，國藥國華大數(shù)據(jù)總監(jiān)，擅長BI、數(shù)倉、數(shù)據(jù)中臺產(chǎn)品規(guī)劃領(lǐng)域

本文由 @大數(shù)據(jù)架構(gòu)師 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于 CC0 協(xié)議