实战 | 客户细分：如何找到最有价值的TA？
实战 | 客户细分：如何找到最有价值的TA？
本文由CDA作者库成员麻赛原创，并授权发布 原文来自公众号麻大湿讲数据（ID：madashi_data）。
客户是最宝贵的资源，没有客户资源就没有生存和发展的土壤，面对海量客户，我们只能将有限的资源用于最有价值或最需投入的客户身上，因此，首先要进行客户细分。
关于客户分类的内容早就想写却不知道怎么动笔，因为客户分类没有统一方法和规则，行业之间分类的方法、角度完全不同，今天可能犯神经病了，突然想清楚该怎么写啦~~
上一篇文章介绍了用定位理论打造公众号（http://t.cn/RtS7OPY），其中简单说明了定位理论的核心——打入客户的心智，客户有千千万万，要打入顾客的心智，不能所有的顾客都用同一种方法吧？
以下是我所理解的客户分类方法框架
- 业务角度
不同行业之间没有固定的标准和规则，并且都要和业务高度相关，同一种方法在不同的业务情景要进行相应的调整，RFM模型和2X2矩阵是最好用也最容易复制的方法。
- 数据角度
有分类方法和聚类方法两种。
那区别可大了去了！
举个栗子，新学期分班，一大坨陌生的尼玛们坐在教室里，老师进来后说：“女生坐在第一排，男生坐在第二排，人妖坐在第三排”，人为的通过某种方式或角度，这就叫分类方法，具体有决策树、神经网络等。
尼玛们过了几天，互相熟悉之后自发的分为了很多小群体，比如李雷、韩梅梅、吉姆格林他们三个就喜欢天天腻在一起玩，因为他们的性格、爱好都比较相近。没有人为给定规则、完全由数据本身属性自发的分类，这就叫聚类方法，具体有层次分析、K均值等。
等真正开始动笔，才发现把一个方法真正说清楚都要很大的篇幅，公众号图文太长的话，你们没看完就关掉了....我也不容易啊....所以....
- 第1季讲2X2矩阵（容易理解和应用）
- 第2季讲RFM模型及改进（需要一点智商）
- 第3季讲分类和聚类（需要两斤智商）
第一季
东半球第二好用的分类模型 ，没有之一
为什么说2X2矩阵是东半球第二好用的分类模型？原因是简单直观、易于理解和解释、操作简便、适用范围广，但效力强大、几乎可以做任何事情（没有夸张）。
平时或多或少都听过，思路和用法各位大爷们都清楚，主要在于使用2X2矩阵的意识，它可以让你遇见问题时脑子变得非常清晰，而且能做的事情远远超过你的想象，能做的事情远远超过你的想象，能做的事情远远超过你的想象。下面是一大波栗子。
栗子1：客户价值分类
用数据分别对两个维度分类，可以使用分位数或者固定数据范围
第1象限：高价值客户，注重维护关系
第2象限：重点客户，为什么合作次数少？跟竞争对手合作多吗？怎么提升合作频率？
第3象限：为什么客单价低？是客户业务性质导致还是？怎么提升客单价？
第4象限：没空搭理...自生自灭吧...
栗子2：时间管理已经见的太多了
栗子3：员工的分类
第1象限，能力强又忠诚，重点培养对象，优先考虑升职加薪，多给培训机会，培养成左右手
第2象限，能力弱但忠诚，企业中更多的是平凡的事情，需要平凡的人去做，要多给培训机会，提升能力和素质，小幅度加薪
第3象限，能力强但不忠诚，又爱又恨啊，了解忠诚度低的原因，待遇？环境？
第4象限，能力弱还不忠诚，让他滚粗
栗子4：波士顿矩阵（产品规划）
第1象限，明星产品，加大投入支持发展，适合的管理者应为对产品和销售都很内行的专家
第3象限，现金牛产品，处于成熟期，压缩投入、榨取产出，为其他产品发展提供资金，但要在维持市场地位的基础上，其管理者最好为市场营销型人物。
第2象限，问题产品，前景好但由于各种原因未打开市场（新产品），适合交给有规划能力，敢冒风险的人才。
第4象限，瘦狗产品，淘汰或合并
栗子5：女神挑汉子
第1象限，俗称高富帅
第2象限，俗称钻石王老五
第3象限，俗称小白脸
第4现象，俗称屌丝
2X2矩阵的原理和方法都很简单，不只有客户分类，它绝大多数需要多维度考虑的事情上都适用，只要找到两个维度画出象限，你就可以看的更清、做到更多。
第二季
RFM模型在客户分类方面要比2X2矩阵细致的多。。。数据时代总得懂点数据，不然怎么装逼呢。
客户细分是用于比较的，比较是为了反映差异进而做出调整优化，所以细分的目的最终还是指导运营决策。
上一回书说到2X2矩阵，简便易行且适用范围非常广，但同时2X2矩阵的分类也有缺点，分类的维度只有2个，当业务指标大于2个时无能为力，总体而言2X2矩阵不失为一种快速有效的分类方法。
今天要介绍的RFM模型在客户分类方法中的地位举足轻重，是衡量客户价值和客户创利能力的重要工具和手段，本篇文章会详细讲解RFM模型及改进方法，主要内容包括RFM介绍和AHP层次分析法，各位看官您请看。
还记得2X2矩阵的第一个栗子么？
在矩阵基础上再增加一个维度R（Recently，意为最近一次消费时间），这就是我们今天要讲的RFM模型，上图给你看。
其中R近度(Recency） 代表最近购买时间，指上次购买至现在的时间间隔； F 频度(Frequency)代表购买频率，指的是某一期间内购买的次数；M额度(Monetary) 代表总购买金额，指的是某一期间内购买商品的金额。
美国数据库营销研究所Arthur Hughe研究表明
- R值越小，越可能再次购买
- F值越大，越可能再次购买
- M值越大，越可能再次购买
每个维度分为5个梯度，这就有5*5*5=125种客户类型，看图。
这就是典型的RFM模型，很简单吧，嘿嘿嘿
什么什么？你以为这就是全部？做梦！！典型的RFM有很多缺点，根本不能直接照搬使用！
- 创造RFM模型的Arthur Hughe认为三个指标的权重是一致的，但Stone Bob经过实证验证权重不一致，实际上由于业务的不同，各个行业之间的权重都是不一样的
- 典型的RFM把客户分为125类，尼玛啊，这么多类型在营销实战中根本做不到差异化的运营策略好嘛！！
- 典型的RFM只有分类，但却不知道各个类别之间的客户到底哪个更有忠诚度和价值
接下来用层次分析法确定权重
先请一大坨业务砖家来坐着
然后让他们填表，唉，有点枯燥，估计今天这篇文章发出去得掉粉啊...伤心...
填表的规则是这样，拿每一行两两对比每一列，如果砖家判断行比列的重要性由右上图，就填相应的数字，反过来就填相应数字的倒数，什么意思呢举个栗子
- 砖家认为F值比M值重要，在3行4列填5，那么4行3列填1/5
- 砖家认为M值比R值重要的多，在4行2列填7，那么2行4列填1/7
以此类推
砖家填完之后，我们就拿到了一份数据表格，命名为矩阵A
你以为这就完了？耐心点看完，上班了好装X
接下来就数据进行归一化处理，先对每一列求和，然后算出每一列各个元素的占比，得到矩阵B
再对每一行求和，就得到特征向量W
再对特征向量归一化处理，每个元素除以列之和（就是除以3嘛），就得到了各指标的权重！
真不好意思...还没完...耐心...
权重是不是对的呢？鬼知道砖家填表有没有逻辑错误，比如A>B，B>C，那么A肯定>C啊，但是砖家填C>A，很明显不符合逻辑，所以要做一致性验证
计算矩阵最大特征根
用矩阵A乘以权重列W%，得到一个列向量，然后用列向量中每一个元素除以矩阵阶数和相对应的权重乘积，公式如下
结果为
计算一致性指标C.I，n为矩阵阶数
C.I=(3.00182-3)/(3-1)=0.00062
计算随机一致性比率
R.I.是固定的，根据矩阵阶数查表为0.52
随机一致性比率C.R.=0.00062/0.52=0.001186<0.1，注意只有当随机一致性比率小于0.1时，才说明砖家填的表是没有逻辑错误...，
那么我们就可以确定，R\F\M指标的权重是
我知道你们都要晕了，说实话我也晕的不行...
第三季
重点介绍下数据挖掘中的聚类，完成客户分类的最后一步，并且对各个类别的客户进行忠诚度和价值评分，这才是我们的最终目的。也是最重要的部分，之前的内容都在为本季做铺垫，终于到出最终结果的时候，有一种蛋蛋的忧伤...
- 找到最有价值的TA（一）
介绍2X2矩阵的各种常见或不常见用法，几乎能做任何事情
- 找到最有价值的TA（二）
客户价值分类中使用最广泛的RFM模型和改进、以及层次分析法确定权重
- 找到最有价值的TA（三）
用聚类（K-means）方法完成客户分类并评估各类客户价值
聚类到底是什么鬼
从数据层面划分的方法有两种：分类和聚类
举个栗子，新学期分班，一大坨陌生的尼玛们坐在教室里，老师进来后说：“女生坐在第一排，男生坐在第二排，人妖坐在第三排”，人为的通过某种方式划分，这就叫分类方法，具体有决策树、神经网络等
尼玛们过了几天，互相熟悉之后自发的分为很多小群体，比如李雷、韩梅梅、吉姆格林他们三个就喜欢天天腻在一起玩，因为他们的性格、爱好都比较相近。没有人为给定规则、完全由数据本身自发的分类，这就叫聚类方法，具体方法有层次聚类、K-means等
我们今天要做的，就是使用K-means聚类方法完成最终的客户分类，各位大爷您请往下看
帮隔壁老王做客户分类
隔壁老王有一家淘宝小店，一天他来找你帮忙
为了老王的家庭和谐，勉为其难的答应吧...
我们先来研究下老王的销售数据，分为5个字段，正好满足RFM模型的数据要求（R-最近一次购买时间，F-购买次数，M-购买金额）
先处理老王的基础销售数据，使其符合RFM模型的数据格式，变成下面这样
接着对数据加权和标准化。
K-means聚类
K-means的聚类思想非常简单
- 首先确定聚成n类
- 随机指定n个初始点，计算所有点到这n个点的距离，距离最近的归为一类
- 计算每一类的平均坐标，以此为新的初始点，循环以上过程直至中心点位置不再变化为止
看下面动态图图，很直观的展示聚类的过程
图片来源 www.digital-geography.com
现在回到老王的数据上，我们首先确定聚类的数量，通过每类顾客RFM平均值和总RFM平均值相比较，而单个指标比较只有两种情况：>=平均值或者<平均值，这样就有2*2*2=8种类别。
操作上用SAS或SPSS一分钟搞定~~
聚类分析结果
通过RFM聚类，我们把客户分为了重要保持、一般保持、一般发展、无价值四类，终于可以打发隔壁老王这个王八蛋，但是他又有意见了。
老王说的是个问题，所以我们要做顾客价值评分，聚类前做了数据标准化和加权，所以每类顾客的价值评分只需要把RFM三个指标的均值相加就可以啦~~~
对每一类做价值评分可以量化各类客户的价值差别，弥补客户分类的不足，由于受到成本制约，老王只能将资源集中在更高价值的客户身上，有助于制定更为可行的决策。
后记 | RFM的缺陷
在实际的业务情景中，传统RFM分类方法有很多的缺陷，例如分类较多、R权重太大、F和M强相关等等，以上的方法在改善了一些问题，但仍有不严谨的地方，例如F指标较大的客户，M指标有很大程度也偏大；R指标较早时有可能是由于客户本身业务性质的原因，并不代表价值小，此种分类方法可改进的地方仍然很多。
麻赛，不懂业务的设计师不是好的数据运营。
从事过手机厂商一线业务，后就职某一线互联网公司数据运营，当前专职写公众号，输出最接地气的数据应用方法。