何为客户细分？是技术，更是艺术

　　客户细分是20世纪50年代中期由美国学者温德尔史密斯提出的，其理论依据在于顾客需求的异质性和企业需要在有限资源的基础上进行有效地市场竞争．是指企业在明确的战略业务模式和特定的市场中，根据客户的属性，行为，需求，偏好以及价值等因素对客户进行分类，并提供有针对性的产品，服务和销售模式．按照客户的外在属性分层，通常这种分层最简单直观，数据也很容易得到。

　　客户细分概念本身相对简单，但却是对任何业务都很重要的。

　　其实各个行业、各个角色都在不同的时期来划分不同的人群，有的性别划分（男and女），有的根据用户的粘性划分（活跃and沉默），但遇到多个维度考虑客户的时候，就不知道从何做起了？遇到思路的瓶颈我建议利用“互联网”这个介于牛A与牛C之间人物来帮你寻找答案。

　　我们在利用内部数据进行客户细分的时候，常常会遇到这个模型的结果我无法解释？是不是模型有问题？这时可以针对部分客户做一下调研，或许会有更大的收获，数据背后都是有故事的！结合细分模型与客户调研就可对细分的客户进行客户画像，这样从理论和营销操作的角度来讲都是比较科学、可信的！（比如下一篇博客中我会利用航空公司的客户数据对我的客户进行分群，从而分析、比较不同客户群的客户价值，并且制定相应的营销策略或是定制化服务。我在对数据清洗完毕之后，利用Kmeans进行了客户分类，但是模型无法解释，也就是不同群的客户特征并不明显，这个时候我就需要进一步的调研。）

　　站在数据挖掘从业角度来讲，客户细分可分为事前与事后：事前是指根据历史数据预测目标值，而事后数据挖掘发现未知领域或不确定目标，说到这里大家自然会想到事前的算法-决策树、Logit回归；事后 -聚类分析、对应分析等；

　　事前细分技术思路图（常用在客户流失模型、营销响应模型中，其实就是跟历史数据定义好客户类型，再对未发生的进行预测，打上预测客户标签）：

　　事后细分就是不知道如何分，只知道要重点考虑细分的多个维度，那么在应用事后细分模型之后，模型会对每个样本or客户（case），打上类别标签，这样就可以通过这个标签来看客户的性别差异、年龄差异、收入差异等，迅速找到目标客户。

　　其实对于学习统计的同学很好理解，不管是事前细分还是事后分析都算是分类；但是区别是，事前细分就相当于监督学习中的预测，利用历史情况去预测未来；事后细分类似无监督学习中的“分类”，最常用的就是聚类分析，其中Kmeans聚类和系统聚类最为常用。

客户细分应该注意的7点

　　1、每个客户只能归入一个类别。否则，客户可能因此陷入多种相互矛盾的产品信息而无所适从。

　　2、不要有渠道差异。客户从不同渠道获得的产品信息都应该是相同的。每个直接接触客户的员工都能够随时知道产品推荐信息并传递给客户。

　　3、提供直接接触客户的员工有针对性的、可执行的对策。不要把仍需解释的信息提供给他们。应准确地告诉他们对客户来说哪种产品是最适合的。

　　4、在客户细分之初，应给销售人员提供最佳名单，确保高成功率。不断抓住机会扩大消费者名单，并给出每个消费者的"购买可能性"评分，以帮助销售人员了解客户可能接受的程度。

　　5、每一细分类别由一位高级经理负责盈亏平衡。这样做的目的是确保细分战略的最大收益。

　　6、由高级管理人员负责推动客户细分。若公司仅仅在一个产品线推行细分，公司就有可能忽略部分客户的感受;若由总公司而不是某一部门负责，客户细分就有可能不太受预算的制约。　

　　7、自小处着手，再不断扩大。开始把客户粗略地分成几个大类，然后再逐渐进行更细致、更准确地划分。但是不要等到一切都尽善尽美了再去做，要先迈出第一步。

客户细分的五个过程

　　第一步，客户特征细分。一般客户的需求主要是由其社会和经济背景决定的，因此对客户的特征细分，也即是对其社会和经济背景所关联的要素进行细分。这些要素包括地理（如居住地、行政区、区域规模等）、社会（如年龄范围、性别、经济收入、工作行业、职位、受教育程度、宗教信仰、家庭成员数量等）、心理（如个性、生活型态等）和消费行为（如置业情况、购买动机类型、品牌忠诚度、对产品的态度等）等要素。

　　第二步，客户价值区间细分。不同客户给企业带来的价值并不相同，有的客户可以连续不断地为企业创造价值和利益，因此企业需要为不同客户规定不同的价值。在经过基本特征的细分之后，需要对客户进行高价值到低价值的区间分隔（例如大客户、重要客户、普通客户、小客户等），以便根据20%的客户为项目带来80%的利润的原理重点锁定高价值客户。客户价值区间的变量包括：客户响应力、客户销售收入、客户利润贡献、忠诚度、推荐成交量等等。

　　第三步，客户共同需求细分。围绕客户细分和客户价值区隔，选定最有价值的客户细分作为目标客户细分，提炼它们的共同需求，以客户需求为导向精确定义企业的业务流程，为每个细分的客户市场提供差异化的营销组合。

　　第四步，选择细分的聚类技术。目前多采用聚类技术来进行客户细分。常用的聚类方法有K-means、神经网络等，企业可以根据不同的数据情况和需要，选择不同聚类算法来进行客户细分。同时将收集到的原始数据，转换成相应的数据模型所支持的格式，这个过程称为数据初始化和预处理。

　　第五步，评估细分结果。在对客户群进行细分之后，会得到多个细分的客户群体，但是，并不是得到的每个细分都是有效的。细分的结果应该通过下面几条规则来测试:与业务目标相关的程度;可理解性和是否容易特征化;基数是否足够大，以便保证一个特别的宣传活动;是否容易开发独特的宣传活动等。

　　总的来说，说简单点前三步可以归结为一步：第一步中谈到了基本的属性角度，第二步谈到要考虑能区分客户价值的变量，还有能说明客户共同需求的变量；就是提醒我们要从不同的角度、维度的数据去考察用户，根据实际情况选择我们的模型变量。第四步就是我们要利用什么模型的问题。第五步就是评价模型效果，解释模型的解释和模型的应用。

　　这一篇博客大部分参考自http://www.weidu8.net/wx/1005147341351165，下一篇博客中，我参考泰迪杯数据挖掘大赛中航空公司客户价值分析的案例，利用Kmeans聚类对客户进行细分，并且对客户价值进行分析。

关于K均值和客户细分更多文章请参考：

INSEAD Analytics Cluster Analysis and Segmentation Post
Customer Segmentation at Bain & Company
Customer Segmentation Wikipedia