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。

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？

3. 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）。

4. 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”。

作者：Terry Meng

链接：https://zhuanlan.zhihu.com/p/20141824

本文由 @Terry Meng 授权发布于人人都是产品经理。未经许可，禁止转载。