客户细分的途径有哪些(客户细分精准营销)

今天的问题来自于上海的李总，他在做行业客户细分。想要一些客户分级分群的相关策略和资料。我资料倒是有很多，但是不知道能不能给他一些好的建议啊。

说实话，虽然我之前做过很多客户分级分群，但是总感觉做的不太行。网上类似的文章也很多，看来看去无非也就这么些东西。我就给大家分享一下我的理解吧。

客户细分的核心目的是精细化运营。其实就是对不同的用户分别制定运营策略，期望实现利益最大化。

所以客户细分最朴素的思想，就是切分。大家应该听过一个词“高净值人群”，这是传统营销时代流传最广的客户分群产物。

一般来说，用户细分得遵守MECE原则，上面所有的方法其实都已经是MECE了。但是也不是绝对的，后面就有特例。

受限于当时的数据和技术，客户细分大多都还是在CRM中进行因为只有在CRM中才能获取用户的各种信息。细分的逻辑也就非常简单了，大多是从某一个单一维度进行切分。

再进一步，就有人从各个角度总结提炼客户细分的逻辑，比如从用户生命周期上细分，我们对不同处在生命周期的客户用不同的策略，期望拉长用户在成熟期的时间，创造更多的价值。

比如：

按用户生命周期分，如“潜在用户、新用户、付费用户、复购用户、流失用户”等，不同行业的生命周期不完全一样；

按用户运营流程分，如AARRR、RARRA、“新用户、使用用户、兴趣用户、意向用户、付费用户”等；

按用户积分等级分（忠诚度），如传统的会员卡级别、淘宝的“皇冠、钻石”等；

按用户的各种标签切分，这个自由度就非常大了，信息非常丰富。

这些方法都非常直观，业务部门最喜欢了。而且对应的策略也非常清晰，基本上顾名就能思义。

这些看上去还是从某一个固定的维度对客户进行切分，但是一般来说这些维度都是经过业务理解、加工之后的。

举个简单的例子：信用卡的不同级别就是一个附带非常复杂规则的客户细分模型。只有达到了某几个条件，才能升级卡片的等级。当然，享受到的权益也是不一样的。市场上甚至有专门研究信用卡养卡规则的人和公司。

前面说的都是从单一维度对客户进行群体切分的方法，这种单一维度我们可以相处很多很多。

那如果再往前进一步，我们还能怎么细分呢？答对了！那就可以对各单属性进行组合后细分，RFM就是典型的一种。

这个模型非常好用，流传很广，认同度高，可解释强，对应的策略也很清楚。

RFM模型，就是用户细分的经典模型。它就是用“最近一次消费 (Recency)”、”消费频率 (Frequency)”、”消费金额 (Monetary)”，对用户切三刀，划分成为8个群体，然后来区别对待。

其实RFM本质上是一种象限模型，只不过不是4象限，而是3个指标，每个指标离散为0和1，总共分为8个象限。而且我们在用RFM的时候，也可以进行各种变种，比如改掉一个指标、把“高、低”区分为“高、中、低”等等。但是不管咋变，本质还是一样。

RFM的变种之一就是替换RFM中的M，比如RF+年龄段。当然，只要你能想出来，可以任意组合，比如当月消费等级+用户年龄段+地区等。之前我做过汽车行业的用户细分，就做过客户偏好+投诉频次+活动参与的组合维度，可以分辨出忠诚客户还是难缠客户。

一样啊，这种方式几乎可以无限组合，只要你能想出来，随便拿两个以上的关键业务指标一组合，立刻可以把客户切分成任意群体。

移动通信领域对客户群体的细分也是做到了机制，各种乱七八糟的套餐可不是运营人员瞎想出来的，而是使用不同组的数据，通过各种各种算法算出来的。

提到算法，我们还可以用各种聚类算法实现客户细分。但是这些算法计算的结果，业务可解释性就比前面所有的细分方法差多了。而且有些算法存在随机种子等因素，每次执行的结果不一样。比如K-means的聚类，这个K值要么人为设定，要么随机。这随机就随出事情了。同样一份数据，很可能就出现下面这种截然不同的情况。

这种情况让我们给业务解释的时候非常困难，全都得靠编。有一次更搞笑，我们某甲方要“大数据”+“算法”，而且必须要保证执行幂等，就是每次执行的结果必须一样，要不没法给别人解释。遇到聚类这种含有随机数的情况，那可不行了。最后我们给把算法给改了，只要是一个结果集进去，不管怎么执行，都是一个结果。唉，我们太难了。

当然，除了K-Means之外，我们还能用KNN、层次聚类等等各种聚类算法。除了层次聚类稍微好解释一些之外，其他算法计算结果都得靠编。更不用提对应的运营策略了。

那有没有更好的客户分群方法呢？当然有的。

可能有哥们说了，你说的这些我都知道，用处说实话也不大。

这话得分怎么说了，如果说只是客户细分，咱就这些招。但是如果说指导运营，那得具体分析各层用户的问题，后面还得带上恰当的运营建议。得跟运营同学一起定好策略，制定执行计划，跟进，调整，优化。

不过，咱说回来，除了这些招之外，咱还有更经典的用户细分方法吗？

答案是“有”！

但是再往前一步就不能是通用的方法了，最少得细分到行业和具体场景了。比如快消行业就有非常经典的“阿里八类人群”：

所有快消行业都可以参照这八大类进行客户细分。这里你可能就会注意到，这明显就不符合MECE的原则嘛！是的，但是这八大类已经涵盖绝大部分人群了，剩下那一星半点的也不影响全局。

那这八大类是怎么来的呢？业务洞察！没别的招。

也有很多业务洞察会与社会现状进行结合，也就是传说中的PEST模型(政治politics，经济economy，社会society，技术technology)。比如：

你看上面细分的，从数学角度上根本没啥逻辑么。也完全不符合MECE原则，各部分之间还有交差，但是丝毫不影响其业务解释力。因为里面夹杂着对当今社会各种现象的洞察。

京东和尼尔森对用户生命周期也做了非常深入的研究，他们的洞察也很有意思。他们提出的口号是“实现品牌用户资产波浪式增长”：

用户细分是精细化运营的重要手段。

最朴素的思想，就是从某个固定的属性对用户进行切分，比如按客户净值；

再进一步，是从业务分析的角度进行切分，比如按用户生命周期；

再进一步，是将多个维度组合之后进行切分，比如流传很广的RFM模型，或者使用KNN、K-Means、层次聚类等各种聚类算法。

往前一步就是行业特殊洞察了，甚至是垂直领域的特殊洞见，这就得有很深的行业用户洞察能力，比如阿里提出的快消领域“八大类人群”。

至于技术实现，其实数据量不大的话，用excel就能搞定；数据量多一些就用关系型数据库，写SQL搞定；再多的话就用大数据平台，用分布式计算处理了。

用算法进行客户分群的技术实现，在传统营销时代，更多的人用的是SPSS、SAS等数据挖掘软件；之前有一阵子还流行过R语言；现在Python当道，如日中天。用起来非常简单，基本上就是组织数据结构，然后调个包就可以了。

今天的分享就是这样。

题图来自Unsplash，基于 CC0 协议