中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導讀：客戶細分的核心目的是精細化運營，對不同的用戶分別制定運營策略，期望實現利益最大化。那么，如何進行客戶細分呢？本文作者將從四個方面對此進行分析，希望對你有幫助。

今天的問題來自于上海的李總，他在做行業客戶細分。想要一些客戶分級分群的相關策略和資料。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、至簡式客戶細分

客戶細分的核心目的是精細化運營。其實就是對不同的用戶分別制定運營策略，期望實現利益最大化。

所以客戶細分最樸素的思想，就是切分。大家應該聽過一個詞“高凈值人群”，這是傳統營銷時代流傳最廣的客戶分群產物。

一般來說，用戶細分得遵守MECE原則，上面所有的方法其實都已經是MECE了。但是也不是絕對的，后面就有特例。

受限于當時的數據和技術，客戶細分大多都還是在CRM中進行因為只有在CRM中才能獲取用戶的各種信息。細分的邏輯也就非常簡單了，大多是從某一個單一維度進行切分。

比如“按客戶凈值分、按客戶數據來源分、按消費頻次分、按年齡段分、按當月累計消費金額段分”等。這種客戶切分方式比較原始和粗糙，遠遠稱不上“客戶細分”。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。

所以在早期的數據交易中，賣家會標注上數據來源，企圖在名稱上體現客戶數據的價值。當然現在買賣個人隱私數據已經入刑法了，大家千萬別碰哈。

二、業務分析式客戶細分

再進一步，就有人從各個角度總結提煉客戶細分的邏輯，比如從用戶生命周期上細分，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、付費用戶、復購用戶、流失用戶”等，不同行業的生命周期不完全一樣；

按用戶運營流程分，如AARRR、RARRA、“新用戶、使用用戶、興趣用戶、意向用戶、付費用戶”等；

按用戶積分等級分（忠誠度），如傳統的會員卡級別、淘寶的“皇冠、鉆石”等；

按用戶的各種標簽切分，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，業務部門最喜歡了。而且對應的策略也非常清晰，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行切分，但是一般來說這些維度都是經過業務理解、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雜規則的客戶細分模型。只有達到了某幾個條件，才能升級卡片的等級。當然，享受到的權益也是不一樣的。市場上甚至有專門研究信用卡養卡規則的人和公司。

三、組合式客戶細分套路

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

那如果再往前進一步，我們還能怎么細分呢？答對了！那就可以對各單屬性進行組合后細分，RFM就是典型的一種。

這個模型非常好用，流傳很廣，認同度高，可解釋強，對應的策略也很清楚。

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

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

RFM的變種之一就是替換RFM中的M，比如RF+年齡段。當然，只要你能想出來，可以任意組合，比如當月消費等級+用戶年齡段+地區等。之前我做過汽車行業的用戶細分，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鍵業務指標一組合，立刻可以把客戶切分成任意群體。

移動通信領域對客戶群體的細分也是做到了機制，各種亂七八糟的套餐可不是運營人員瞎想出來的，而是使用不同組的數據，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現客戶細分。但是這些算法計算的結果，業務可解釋性就比前面所有的細分方法差多了。而且有些算法存在隨機種子等因素，每次執行的結果不一樣。比如K-means的聚類，這個K值要么人為設定，要么隨機。這隨機就隨出事情了。同樣一份數據，很可能就出現下面這種截然不同的情況。

這種情況讓我們給業務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“大數據”+“算法”，而且必須要保證執行冪等，就是每次執行的結果必須一樣，要不沒法給別人解釋。遇到聚類這種含有隨機數的情況，那可不行了。最后我們給把算法給改了，只要是一個結果集進去，不管怎么執行，都是一個結果。唉，我們太難了。

當然，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，其他算法計算結果都得靠編。更不用提對應的運營策略了。

那有沒有更好的客戶分群方法呢？當然有的。

四、業務洞察式客戶細分

可能有哥們說了，你說的這些我都知道，用處說實話也不大。

這話得分怎么說了，如果說只是客戶細分，咱就這些招。但是如果說指導運營，那得具體分析各層用戶的問題，后面還得帶上恰當的運營建議。得跟運營同學一起定好策略，制定執行計劃，跟進，調整，優化。

不過，咱說回來，除了這些招之外，咱還有更經典的用戶細分方法嗎？

答案是“有”！

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

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

那這八大類是怎么來的呢？業務洞察！沒別的招。

當然有些洞察也很有意思，還會從用戶的“星座”角度上進行分析，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論：

也有很多業務洞察會與社會現狀進行結合，也就是傳說中的PEST模型(政治politics，經濟economy，社會society，技術technology)。比如：

你看上面細分的，從數學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務解釋力。因為里面夾雜著對當今社會各種現象的洞察。

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“實現品牌用戶資產波浪式增長”：

五、總結

用戶細分是精細化運營的重要手段。

最樸素的思想，就是從某個固定的屬性對用戶進行切分，比如按客戶凈值；

再進一步，是從業務分析的角度進行切分，比如按用戶生命周期；

再進一步，是將多個維度組合之后進行切分，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。

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

至于技術實現，其實數據量不大的話，用excel就能搞定；數據量多一些就用關系型數據庫，寫SQL搞定；再多的話就用大數據平臺，用分布式計算處理了。

用算法進行客戶分群的技術實現，在傳統營銷時代，更多的人用的是SPSS、SAS等數據挖掘軟件；之前有一陣子還流行過R語言；現在Python當道，如日中天。用起來非常簡單，基本上就是組織數據結構，然后調個包就可以了。

今天的分享就是這樣。

作者：大數據架構師，公眾號：大數據架構師，國藥國華大數據總監，擅長BI、數倉、數據中臺產品規劃領域

本文由 @大數據架構師 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于 CC0 協議