编辑导语：客群的重要性我们不言而喻，公司制定新策略、推出新产品、调整运营策略、进行战略升级、举办一些活动，都需要在了解客群的基础上进行。本文作者针对客群，谈了谈自己的一些想法，希望有其他想法的小伙伴可以在评论区积极讨论，在讨论中逐渐完善大家的客群观。

这一文章保留了很久，终于还是发出来了：一方面觉得自己这方面并不精通；另一方面感觉还有需要调整的地方，所以迟迟未发。

今天还是想发出来吧，听听大家的意见，总比自己想要全面一些。在数据或者说更广阔的的领域，客群可以说是重中之重，没有什么商业可以跳开客群不讲。

公司的战略方向、产品、运营等往往都需要充分分析客群的特性，于是我们看到一个个的分析狮们抓耳挠腮的想着各种维度，探索客群的规律和特性，希望能找到新的盈利增长点，找到新的活跃客户和高转化客户。

纷繁复杂的算法逻辑飞来飞去，最终确定出了各自认为合理的客群观念，形成自己的客群观。

不仅客群，我想学习的逻辑也无非如此了吧，近几天看到朋友圈疯传的一幅图片，感觉有些意思。

对于一个公司或者一个角色来讲，经验套路可以轻轻松松的勾画出数据之间的联系，完成公司的作业，但是，做完之后呢？

真正有价值的是用现在的数据，讲述出你心里的故事，勾画出你心中的猫。

笔者整理了自己对客群的一些浅显理解，算是抛砖引玉吧。也希望大家不吝赐教，一起玩一把客群观念，构建一个较为全面的客群地图。笔者把客群总结为几个阶段：

一、维度探索

客户与公司交互产生的数据总体上讲可以分为三类：基本属性信息、行为信息和交易信息。

所谓的基本属性即为客户的年龄、性别、学历、出生地、常驻地、手机号、职业、是否有车、是否有房等，这一属性信息除了构建出对用户的基本认知外，还可以作为细分维度，支持探索这个来到我们公司的客户在社会上应该是一个什么样子。

客户的公司画像和客户的社会画像往往能比较出一些较为完整的用户诉求，但是社会画像往往不是一个简单的话题，多数人也只能望而却步。

stephens在《人人都在说谎》一书中便详细的描述了他是怎么用谷歌的数据逐步的探索到人的社会属性，也是基于一个公司的数据解答了社会性问题。

有人会去讲：谷歌有他的特殊性，因为这一公司几乎无处不在，可以说是涵盖了人的大部分需求，所以能较为全面的还原人的社会性，这一特性几乎是不可复制的。

或许这一说法有他的道理，一个公司的数据是无法还原出人原有的样子的。

但是，如果还原一个方面呢？我们身处金融体系，从客户对我们公司的产品反应是否能够还原出客户在社会上的经济能力、金融喜好？

我想这是可以进行深度探索的：

• A、B、C三个产品放在客户首页，A是高收益高风险；B是中收益中风险；C是低收益低风险，客户的选择反映出了什么问题呢？
• 如果增加刚才所讲的客户的基本属性信息呢？现在告诉你，客户是35岁，硕士，男性，常驻地是上海，出生地是山东，工作7年，你会有什么样不一样的思考呢？

我们假设每个阶层的人在社会上会有一个较为普遍的生活轨迹，事实上这样的轨迹也确实存在，梁晓声老师在《中国社会各阶层分析》中或许会给出一些启示，毕竟读来还是有些道理。

我们姑且把这样的轨迹看做是社会人的生命周期吧，或许生命周期理论会是一个较为靠谱的思考方向，上述的客户在社会上会是一个什么形象呢？

工作7年的35岁男性硕士，大概率已经小有成就，在一个领域中成为精英了吧？这样的年龄背景会不会已经成家立业，有妻有女呢？身在异乡的家庭会有怎样的抗风险能力呢？或许他还没有为子女的上学问题烦忧吧？

公司的数据+社会人的认知，我们是否可以思考一些比较有意思的话题？如果我们再深度的追加维度呢？

要知道，金融体系下是会拥有客户较为精准全面的信息的，种种的思考会让我们觉得：面向客群，大有作为。

毕业工作一年的时候曾接到招行的一个电话，是销售在推销信用卡。

我当时是有些诧异的，当时的我与招行几乎没有交集，只有一张招行的借记卡作为工资卡，而且几乎是转进即转出的状态，他们通过什么样的信息定位到我并推销出他们的高额信用卡？或许他们的定位规则中有社会因素吧？

具体的逻辑不得而知，不过有趣的是卡片寄送的第二年笔者便成了他们的客户，因为给出的额度刚好可以解决生活所需，或许是个巧合，但是却很成功。

单个维度的探索可以对客群做一个类似于切面的划分，比如：职业、年龄、资产层级等，或许在这个世界上有许多的真实，也或许如stephens所讲：人人都在说谎。

但是，不管怎样，消费应该是算作众多层面当中较为真实的一个了吧，每个月消费一千的人和每个月消费一千万的人对金融态度的差异几乎可以在消费记录里面毫无保留的表现出来。

也正因为如此，公司才会直观的探索单个维度下客群的差异，以此来了解客户的诉求，比如：

此处数据经过变形处理，只为表示单个维度下客户表现的差异，横轴即为各个客群，直观考虑这确实也是存在差异的，毕竟这一维度在客户行为上非常有代表性。

对于这一点，大家翻看一下各自公司的报表便有所知晓吧。

单个维度的优势在于简单直观，获取数据后，或许EXCEL便可清晰可见，人人都会成为优秀的数据解读人员，讲出来的故事也会非常生动。但是这样的维度毕竟有限，面对上述所描述的三类数据。

如果仅凭单个维度，估计一半的数据便可以扔掉了吧，因为单独读取，价值不大，甚至会出现错误数据。比如：

（数据经过深度加工，已经面目全非，只为说明问题）

我们的常识告诉我们，大部分人是：借贷不理财，理财不借贷，但是数据中的呈现会不会出现呢？

我们试想一个场景：有A、B、C三个客群，分别统计他们的理财频次和借贷频次：

带着这些疑问我们做了深度的挖掘，我们增加了一些维度：图中的结构是对三个客群进行比较，得出理财频次和贷款频次呈正相关。

这显然与我们的常识不相符，问题出在哪里了呢？

客群的粗粒度让我们对数据进行了错误的解读，仔细观察数据。我们会看的出，这一比较是有问题的，我们可以说客群A的理财频次和借贷频次都很低，却很难得出两者有什么相关性的结论。

数据的错误还有很多种，此处只是略知一二，有兴趣的大佬可以仔细研究一下，一定会有所收货。

问题的冰山冒出来了，理财的人是少年和中年，贷款的人是青年和老年（我们假设少、青、中、老是四个明确的年龄段），压根儿就不是一类人群，问题的根源在于错误的融合了两类人群。

单一维度的害处也就凸显出来了，为解决这一问题，很多人开始使用复合维度，并反复验证，以期趋向于准确数据。

复合维度的使用标识着对数据的探索进入了一个新的领域，即：数据挖掘。俗话说：挖掘一时爽，一直挖掘一直爽，准确性往往是从不停的挖掘迭代中成长起来的。

也正是这一方法，给分析师的生活带来了一定的色彩，维度的组合充满了个人英雄主义的认知，维度的选择不仅显示了这个分析狮对人的认知，也凸显了分析狮的技能高下。

用维度解构人群，融合一些复杂的维度运算规则，形成了复合维度客群挖掘的基本面。

维度、算法、客群，缺一不可。

正如我们上面工作了7年的35岁男性硕士，复合维度的整合加思考，可以得出较多的意想不到的信息。客户的基本属性信息加客户在APP的行为和交易信息，逐渐丰富了我们对客户的认知。

基本属性是人天生带有的标签组合，行为数据是客户来到APP留下的足迹，反映了客户的兴趣和意愿，交易信息最为直观的呈现了客户的访问目的。

上面描述的三个方面数据的叠加，逐渐丰满的维度，也就呼出了逐渐清晰的画像，一个个带有各种各样标签的人，经过对多个页面组合的访问，最终到达目的地，并汇聚于此，每个点都是一个带有各种标签的人，如下图：

客群细分模型

复合维度替代单一维度的思路转变，不仅提高了我们对客群认知的准确性，更有意思的是他使客群的演化和成长变的异常灵活，通过维度的增减和维度值的调整，我们看到了一个个“灵活的胖子”在成长。

这一“灵活的胖子”就是我们通过多个维度细分出来的客群，在这一客群的基础上，我们能够清晰的勾画出用户画像，并不断细化画像的轮廓。

技术方面：一些常见的小算法诸如：K-means、频繁项集、贝叶斯、高斯混合等被分析狮们拿出来来回翻腾，那些讲故事的人也可以口吐莲花，异常精彩。

二、客群生命周期

一个成型的客群不是一成不变的，他会像人一样成长、成熟、衰退，现在比较流行的推荐类软件“抖音”红极一时，它提供给我们的视频信息会随着我们的操作和时间的推移发生变化。

“在合适的时间，用合适的方式，向合适的客户，推荐合适的产品”应该是现阶段推荐问题的根本思路了。随着时间的推移，推荐的方式、推荐的客户、推荐的产品都是会变化的，这期间隐藏的就是生命周期的逻辑。

好的客群应用需要有他的系统面和社会面。

1. 社会层面上

客户在公司中的行为会经历成长、稳定和衰退，也就是我们常讲的客户生命周期，生命周期的理论不仅存在于公司内部，在社会上也是有一定的规律。

正如我们之前的讨论，我们对于35岁的异乡硕士是有一定的认知的，这一认知影响了我们对这个客户的运营方式，客户流失的原因或许是来自于公司内部的产品效果，也或许是市场中出现了更满足客户需求的新产品。

因此，客群的研究需要充分的考虑客户的两个生命周期，探索用户的深度需求：

2. 系统层面上

良好以及健全的数据存储、高效以及准确的数据查询、定时以及定量的数据更新，构建起了客群体系的基本结构。

当用户产生新的访问时，行为信息中就会增加一条访问记录，比如：用户A访问了余额和理财页面，并购买了一个理财产品。

这一行为会修改用户的行为表、购买记录表，触发画像系统中的触发器，将此用户下面的访问余额、理财页面的信息+1；同时将购买记录表中购买理财产品的记录+1，然后经过预处理来调整画像的动态信息。

同样的，我们也可以设置不同的触发器来面向不同的用户画像数据源和不同的应用场景。

另外，触发器的使用方式也是可以有新的思路的。比如，公司内部会有对客户的标签构建系统，一个个非常详尽的标签存在于大数据环境中，如果用户的一些行为命中某一标签呢？

这又是另一片天地了：

系统可以方便的将用户画像与现有的标签结合在一起，由此，实现了用户画像的实时更新，便可基于这些实时画像延伸有意义的场景。

作者：livandata；个人公众号：livandata，欢迎大家关注沟通~

本文由 @野水晶体 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。