【数说·大数据圈】当我们谈论“细分”(segmentation)的时候我们在谈论什么

我们经常听到一些创业者说,“我做的这个产品主要面向XX客户”,有人服务于高净值人群、有人专门面向女性客户群,也有人专注于老年市场......,不同的客户群之间存在很大差异。一个“细分”,决定了公司的战略和发展方向。

而这个客户的细分问题,就是我们数据科学家们索要解决的问题之一。

这篇文章深入的剖析了什么是细分、为什么要做细分、具体的细分方法,以及涉及到的相关数据模型。


当我们谈论“细分”(segmentation)的时候我们在谈论什么

关键词(Key words):

细分 (segmentation),客户细分 (customer segmentation),市场细分 (market segmentation),客户肖像 (persona),市场定位 (Market proposition),STP(市场目标定位),精准营销,客户行为。

首先,这是篇专栏,但我希望它不仅限于专栏。希望通过这个平台分享我所见到过,验证过,做过的项目经验,确保里面的案例分享都是有实际参考价值。而其中方法论的部分,相信大家一定会有更好的做法和看法。我会把意见收集起来,更新,加注,让文章变得更好。

好,进入正题。

1. What and why

无论是做生意还是听到好的商业模式的时候,常常会伴随一个简单的问题:这个商业模式/生意的客户群是哪些?(例如:uber的主要用户是哪些?)好的回答会给你说,我的商业模式主要分B2C,C2C;再好一点的回答会给你说,“我做B2C,主要针对高端xx客户”。再再好一点的答案会给你说,“根据我对市场的研究,我主要做B2C的市场,我的客户主要会集中在群体A以及群体B,我的商业模式会对不同的群体有不同的运作方式”。(例如:Uber的主要市场是在一线城市,主要细分市场集中在中高端出租车(出行服务),主要客户细分为服务提供方:私家车拥有者;服务受众:需要更便捷的出行服务人群。)

也就是说,从受众的角度来看,把市场一层层剥开为:(欢迎介绍简单的图例工具

市场 (Market) -> 市场细分 (market segmentation) -> 客户细分 (customer segmentation) -> 客户 (individual customer)

从运营角度来说,如果做的粗糙一些,就是要先了解市场细分,而做的细致,则是对每一个顾客有定制化营销。而对于任何一家公司来说,如何将这个认知的过程做好,则是这个生意/商业模式的关键。而“细分“(segmentation)很好地从一个相对可控的维度,给予我们决策者/执行者足够的”认知“去进行商业决策。这里需要强调的是,公司是用“细分”还是客户定制化营销,并不是对立的关系,完全是根据公司发展的进度和客户的需求来的。(例如:知乎现在从战略上来,用客户细分解决那些“大”问题,类似这段时间的版权改版 - 针对大V/内容贡献者这个segment的加强;类似知乎日报升级 - 针对普通用户/非用户segment的改进;)

2. How

说了那么多假大空的东西,现在开始说如何进行客户细分。

从统计学的角度来说,这是个分类问题(classification)。而从分析的角度来说,涉及两个方面:定量分析(Quantitative Analysis),定性分析 (Qualitative Analysis)。在我们迫不及待跳到用什么各类高端模型之前,先来确定我们的目标(problem statement), 其实说白了是对两类客户认知的判断:

  • 现存客户 (Existing Customer) - 我的现存客户是怎么样,喜欢什么,什么消费习惯,哪些客户最值钱等等
  • 潜在客户 (Prospect Customer) - 我的潜在客户在哪,他们喜欢什么,通过什么渠道获取,获客成本是多少等等

这个问题看上去很简单,但是实际上,建立这样的用户肖像需要很系统的定量分析和定性分析,且缺一不可。而其实根据你对客户的了解而提供对应的服务即是一种:产品经理的思维,产品开发的过程。很多大型公司都是由数据分析部门,产品开发部门,市场部门一起去指定新产品的定位(proposition)和战略的,从而进行精准营销。 对于现存客户和潜在客户的了解,我们可以通过以下工具来实现:

1. 了解你的商业模式,是零售类的重复性销售,还是会员制度,还是保险/银行等金融产品类的少频价高。

2. 然后是了解你的商业目的:

  • 我是想定位我的产品和商业模式(Proposition)?
  • 还是指定不同的精准营销手段(personalised marketing campaign segmentation)?
  • 还是说提高用户活跃度?(请参考我之前的答案:除了积分、等级、身份标签等较为常见的用户行为激励措施,还有哪些新兴奇特的策略? - Terry Meng 的回答
  • (××××××× 知乎编辑序号,换行这个位置有bug ××××××××××)
  • 了解你的用户基本行为,这个往往会通过很多小的项目(帮助你的其他部门同事)来不断完善。基本上都是RFM分析(Recency,Frequency,Monetary)和一些市场营销活动(marketing campaign)的分析,来了解你的用户都是些什么人,有什么消费习惯,他们对营销活动的反应是怎么样,反应率(response rate)是多少。整合2&3点,指定出你的商业计划。利用数据模型,k-means cluster,CARTs,等等去分类你的已有客户,看看他们基于某一个指标(通常我会使用利润,当然,不同商业目的不同指标)来分类,因为我的商业目标是为高利润的客户提高更好的服务,降低这个客户群的流失率,增加交叉销售的成功率(cross-sell rate)。
  • 最后再用这个指标,去做为一个统一标准,衡量之后你指定的商业计划对客户的影响。比如客群A,B,C,D通过精准营销A1,B1,C1,D1 分别应该有 2%,3%,5%,10%的利润提升。如果降低原因是什么,升高的原因又是什么?

案例:

作为一家保险公司,我希望通过定量分析和定性分析了解我的现有客户的需求和行为习惯,也想了解我的潜在客户的需求以及如何我接近他们。

  • 根据我们的数据库,CRM,根据客户的基本信息(demographic information)和保单情况,做一系列分析(欢迎补充,根据实际情况删减):客户的价值 (customer value)
    • 客户的偏好分析
  • 根据这些前期的分析,你应该已经对客户的类型有了一定了解(什么样的客户更容易cross sell,什么样的客户更容易取消保单,什么样的客户在什么时间,年龄更容易再销售等等)
  • 根据你手上拥有的资源和分析成果,你可以大致画出一个叫所谓客户生命阶段(customer life stage)的框架。简而言之就是,人的生老病死都是阶段性的,而每个阶段对保险产品的需求都是不一样的。而这个框架本身就是一种“细分”,只是以人的相对年纪作为坐标来划分。

有的人会说,这个框架其实拍拍脑子就可以想出来了。粗放的角度来看,是的。但是,当你要再细化到:

1. 不同人群的生命阶段的需求都是一样的吗?

2. 具体代表不同人群进入这个阶段的事件是什么,标志是什么?(Event trigger)

3. 不同的人群,不同的阶段,我最好的获客战略是什么?

4. 如何量化我的客户体验,如何追踪,如何提升?

那这个时候,你的客户生命阶段和你产品的定位以及相应的转化率关系应该可以量化如上图所示(这里的图片我随便在网上找的,大家有什么好的画图工具,欢迎推荐)。

再回到如何用统计模型构造这样的“细分”,其实你现在手上的数据有:基本信息(demographic information,年龄,性别等等),也有消费行为的数据,或许你还有通过定性分析得来的数据。

对于使用什么统计手段,这里没有一个标准定论。如果数据都是静态的,例如身份数据,我会选择使用k-means cluster,或者是根据消费行为习惯,我可能更多要通过分析每个变量的scale,分布,每一年的变化,来确定是用cluster还是svm还是其它什么数据模型。而这里希望追求的是模型的稳定性和易用性。

当我们完成了对客户的细分,再加上你使用的变量,你可以获得4~6个大细分。由于你的听众不一定和你一样对数据那么敏感,加上数据本身就是难以消化的东西。用户肖像(persona)就很好的解决了这个问题,通过用户肖像,加上定性分析,你可以用人性化的语言描述出你的客户类型,让听众一目了然(如下图)。而定性分析则从更深层次的角度帮你剥析你们个细分的诉求。你在定性分析的过程中,会使用调查问卷,focus group,1 on 1 采访等等。

可以说,当你完成以上的几个步骤和分析之后:

1. 了解你的商业模式

2. 了解你的客户数据库,crm

3. 做一系列帮助你了解客户行为的基本分析(RFM)

4. 制定细分目标(如何衡量,如何追踪,如何提升)

5. 确定细分模型(根据你变量的特点,线性、非线性,scale如何,每年的变化如何等等去选择不同的模型)

6. 描绘用户肖像(persona),结合定性分析(qualitative analysis)更深层次的了解你的用户。并用人性化,通俗易懂的词汇描述出来。

你就实现了你对你现有客户以及潜在客户的一个了解和定位。当公司的数据驱动程度比较高的时候,可以通过很多自动化的机器学习方法实现你要求的精准营销。比如推荐系统,我这里的推荐系统不是只是给你推荐什么产品,而是根据不同的应用场景,设定不同的商业规则,真正的实现“在对的时间,向对的客户,通过对的渠道,推荐对的产品”。而如何和他们交互(engage)?如何量化你的策略?如何用机器学习的方法测试你的创意?如何用统计模型实现?且听下回分解。

原文发布于微信公众号 - 数说工作室(shushuojun)

原文发表时间:2015-08-05

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器之心

业界 | 作为百度AI技术的集大成者,最新升级的百度大脑3.0有何亮点?

大会现场,百度不仅分享了公司在 AI 技术、产品与平台等方面的研究成果与最新进展,还宣布了百度大脑的重磅升级,3.0 版本正式问世。

12220
来自专栏专知

构建AI知识体系-专知主题知识树简介

【导读】主题知识树是专知的核心结构之一,为构建结构化、体系化、链路化的知识内容库提供基础设施,以及进一步支持个性化主题定制、主题链路知识学习、智能搜索、探索发现...

51370
来自专栏华章科技

大数据入门,你需要懂这四个常识

大数据分析的使用者有大数据分析专家,同时还有普通用户,但是他们二者对于大数据分析最基本的要求就是可视化分析,因为可视化分析能够直观的呈现大数据特点,同时能够非常...

9530
来自专栏美团技术团队

外卖O2O的用户画像实践

美团外卖经过3年的飞速发展,品类已经从单一的外卖扩展到了美食、夜宵、鲜花、商超等多个品类。用户群体也从早期的学生为主扩展到学生、白领、社区以及商旅,甚至包括在K...

52160
来自专栏大数据文摘

关于数据分析,管理者的4个常规错误

15530
来自专栏XIEJUN

未来十种AI人工智能技术

AI人工智能说(或写)出正确的单词并且是连贯的顺序来传达一个明确且清晰的意思,而且还能很容易被听众(或读者)理解,对于一台以完全不同于人脑的方式处理信息的AI人...

14500
来自专栏后端技术探索

破解YouTube、Facebook推荐系统背后的那些算法

我之前翻译过一篇文章《破解 YouTube 的视频推荐算法》,得到了很多人的好评,在各个算法、大数据公号上纷纷转载。最初看到这篇文章是@fengyoung 在F...

49150
来自专栏AI科技大本营的专栏

谷歌收购Kaggle平台案背后精明的人工智能策略

上月初,谷歌宣布其正收购科学数据平台kaggle。其中,kaggle平台的许多评论家以及新闻报道者也以吸收人才的方式一并被收购。与此同时,kaggle平台目前也...

33740
来自专栏腾讯大数据可视化设计团队的专栏

遇见大数据可视化: 未来已来,变革中的数据可视化

今天,大数据已无所不在,并且正被越来越广泛的被应用到历史、政治、科学、经济、商业甚至渗透到我们生活的方方面面中,获取的渠道也越来越便利。

2.3K50
来自专栏华章科技

如何用大数据实现用户价值的最大化

首先,我们为什么要去做用户分析?面临繁琐的数据之中,需要做什么分析?怎么去提取数据?在建立用户画像模型的过程中,区分用户特征的关键点是什么?应该从哪些方面去寻找...

9730

扫码关注云+社区

领取腾讯云代金券