本文重点探讨客户细分的基本过程，注意要点与常见的问题。
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．
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；
我们在进行内部数据进行客户细分模型的时候，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？这时我提议大家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！
客户细分站在数据挖掘从业角度来讲分为事前与事后，事前数据挖掘预测目标值根据历史数据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；
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。
客户细分常见的十大错误
错误一、为细分而细分，细分客户群后没有具体的行动方案
有些企业细分客户群体后，没有采取差异化的措施，针对具体的客户细分群体制定对应的经营活动方案，客户细分报告被束之高阁。这样的细分是无用的细分。企业做客户细分是为了营销、为了管理、为了研发产品、为了策划活动、为了投资项目，为了…，最终是为了发展和盈利。在细分客户的时候，需要考虑具体的目的，并在客户细分后制定相对应的行动举措，才能将客户细分的威力发挥出来。
错误二、不考虑客户行为因素
客户的行为因素在客户细分时，作为非常重要的指标之一，必须考量进去，否则，细分的客户群只有理论价值，而没有实际的行动价值。客户的行为的研究，能够告诉我们客户在哪里？如何找到他们？如何更有效地服务他们？如何提升他们的消费体验？等等。
错误三、一成不变，不跟踪客户变化
市场是在不断变化的，而客户的需求也会在不断地发生变化。十年前智能手机的需求和现在的需求以及十年后的需求是完全不同的。如果不考虑客户的变化，抱着一个细分方案不变地实施，那就会让自己在市场上逐渐失去竞争力。
错误四、盲目复制他人细分
每个公司都有其独特的经营模式和经营思路，实现客户价值的能力和效率也会不同。如果盲目地照搬别人的客户细分方案，虽然看上去可能很美，但是实践起来会发现，根本不合适，实施后，可能会比别人花费更高昂的成本去服务客户。这也告诉我们，在为客户提供细分研究的时候，必须考量客户的具体情况、细分客户群服务能力等指标，审慎地提交客户细分方案。
错误五、按照客户的资产进行细分
这种细分方法基本就是“势利眼”，有钱的就是优质客户，没钱的就不是优质客户。殊不知，不同的产品和服务，其优质客户不见得都非得是“大款”。银行系统、电信系统经常是这种态度。看看银行给予资产高的客户、公务员以及所谓的名人以更高的信用额度，这种细分方案是典型的势利眼方法。客户在购买产品和服务的时候，不仅仅有支付能力，还需要有支付意愿。如果仅仅考虑支付能力，忽略了支付意愿，最终的方案还是行不通的。
错误六、按照客户的大小分
这种分析方法按照客户的购买多少细分客户，对购买量大的客户就是大客户，购买量小的就是小客户，不考虑客户的成长性、风险因素，以及客户的需求因素等等。一个挑剔的客户，可以让整个公司的服务成本大大提高，而最终导致在该客户身上不能实现盈利。
错误七、按照销售的产品细分
购买我们什么产品就是什么产品的客户，不考虑Upsell和Crosssell的可能性。这样的事后细分方法，也不具有客户细分所能够给企业在市场竞争中的“主动性”。
错误八、按照自然时间细分
老客户不见得是好客户，而新客户不一定不给他们优惠。所谓的老客户关怀计划都是骗人的，其目的在于“激活”沉睡客户群。但很多企业在照搬这种营销模式的时候，忽略了客户“开源”的重要性，让新客户进入门槛提高了，觉得被歧视了。殊不知，新客户更有可能是近期“活跃”客户，而老客户有更大的流失风险。“蜜月期”的客户往往有更大的消费意愿。
错误九、按照自然属性细分
如果仅仅按照客户的自然属性细分，不考虑客户的具体的个性化需求，往往不能带来更好的细分效果，是非常粗暴、简单直接的细分方式。只按照地域来细分客户，跟没有分一样。
错误十、根本不细分
在供不应求的市场或者计划经济时代，不细分客户还能生存的话，在市场经济时代，不进行客户细分，必然会走不下去。当然，处于完全垄断和自然垄断的市场，不进行细分，大不了会导致管理成本上升而已。如自来水、电力、天然气等公司，有理由不细分客户，毕竟只提供单一产品。可客户的细分，能够优化其服务，提升管理效率。
案例：RFM模型分析与客户细分
手机充值业务是一项主要电信业务形式，客户的充值行为记录正好满足RFM模型的交易数据要求。 根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。
RFM模型：R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。一般原始数据为3个字段：客户ID、购买时间（日期格式）、购买金额，用数据挖掘软件处理，加权（考虑权重）得到RFM得分，进而可以进行客户细分，客户等级分类，Customer Level Value得分排序等，实现数据库营销！
本次分析用的的软件工具：IBM SPSS Statistics 19，IBM SPSS Modeler14.1，Tableau7.0，EXCEL和PPT
因为RFM分析仅是项目的一个小部分分析，但也面临海量数据的处理能力，这一点对计算机的内存和硬盘容量都有要求。
先说说对海量数据挖掘和数据处理的一点体会：（仅指个人电脑操作平台而言）
一般我们拿到的数据都是压缩格式的文本文件，需要解压缩，都在G字节以上存储单位，一般最好在外置电源移动硬盘存储；如果客户不告知，你大概是不知道有多少记录和字段的；
Modeler挖掘软件默认安装一般都需要与C盘进行数据交换，至少需要100G空间预留，否则读取数据过程中将造成空间不足
海量数据处理要有耐心，等待30分钟以上运行出结果是常有的现象，特别是在进行抽样、合并数据、数据重构、神经网络建模过程中，要有韧性，否则差一分钟中断就悲剧了，呵呵；
数据挖掘的准备阶段和数据预处理时间占整个项目的70%，我这里说如果是超大数据集可能时间要占到90%以上。一方面是处理费时，一方面可能就只能这台电脑处理，不能几台电脑同时操作；
多带来不同，这是我一直强调的体验。所以海量数据需要用到抽样技术，用来查看数据和预操作，记住：有时候即使样本数据正常，也可能全部数据有问题。建议数据分隔符采用“|”存储；
如何强调一个数据挖掘项目和挖掘工程师对行业的理解和业务的洞察都不为过，好的数据挖掘一定是市场导向的，当然也需要IT人员与市场人员有好的沟通机制；
数据挖掘会面临数据字典和语义层含义理解，在MetaData元数据管理和理解上下功夫会事半功倍，否则等数据重构完成发现问题又要推倒重来，悲剧；
每次海量大数据挖掘工作时都是我上微博最多的时侯，它真的没我算的快，只好上微博等它，哈哈！
传统RFM分析转换为电信业务RFM分析主要思考：
这里的RFM模型和进而细分客户仅是数据挖掘项目的一个小部分，假定我们拿到一个月的客户充值行为数据集（实际上有六个月的数据），我们们先用IBM Modeler软件构建一个分析流：
数据结构完全满足RFM分析要求，一个月的数据就有3千万条交易记录！
我们先用挖掘工具的RFM模型的RFM汇总节点和RFM分析节点产生R(Recency)、F(Frequency)、M (Monetary)；
接着我们采用RFM分析节点就完成了RFM模型基础数据重构和整理；
现在我们得到了RFM模型的Recency_Score、Frequency_Score、Monetary_Score和RFM_Score；这里对RFM得分进行了五等分切割，采用100、10、1加权得到RFM得分表明了125个RFM魔方块。
传统的RFM模型到此也就完成了，但125个细分市场太多啦无法针对性营销也需要识别客户特征和行为，有必要进一步细分客户群；
另外：RFM模型其实仅仅是一种数据处理方法，采用数据重构技术同样可以完成，只是这里固化了RFM模块更简单直接，但我们可以采用RFM构建数据的方式不为RFM也可用该模块进行数据重构。
我们可以将得到的数据导入到Tableau软件进行描述性分析：（数据挖掘软件在描述性和制表输出方面非常弱智，哈哈）
我们也可以进行不同块的对比分析：均值分析、块类别分析等等
这时候我们就可以看出Tableau可视化工具的方便性
接下来，我们继续采用挖掘工具对R、F、M三个字段进行聚类分析，聚类分析主要采用：Kohonen、K-means和Two-step算法：
这时候我们要考虑是直接用R(Recency)、F(Frequency)、M (Monetary)三个变量还是要进行变换，因为R、F、M三个字段的测量尺度不同最好对三个变量进行标准化，例如：Z得分（实际情况可以选择线性插值法，比较法，对标法等标准化）！另外一个考虑：就是R、F、M三个指标的权重该如何考虑，在现实营销中这三个指标重要性显然不同！
有资料研究表明：对RFM各变量的指标权重问题,Hughes,Arthur认为RFM在衡量一个问题上的权重是一致的,因而并没有给予不同的划分。而Stone,Bob通过对信用卡的实证分析,认为各个指标的权重并不相同,应该给予频度最高,近度次之,值度最低的权重；
这里我们采用加权方法：WR=2 WF=3 WM=5的简单加权法（实际情况需要专家或营销人员测定）；具体选择哪种聚类方法和聚类数需要反复测试和评估，同时也要比较三种方法哪种方式更理想！
下图是采用快速聚类的结果：
以及kohonen神经算法的聚类结果：
接下来我们要识别聚类结果的意义和类分析：这里我们可以采用C5.0规则来识别不同聚类的特征：
其中Two-step两阶段聚类特征图：
采用评估分析节点对C5.0规则的模型识别能力进行判断：
结果还不错，我们可以分别选择三种聚类方法，或者选择一种更易解释的聚类结果，这里选择Kohonen的聚类结果将聚类字段写入数据集后，为方便我们将数据导入SPSS软件进行均值分析和输出到Excel软件！
输出结果后将数据导入Excel，将R、F、M三个字段分类与该字段的均值进行比较，利用Excel软件的条件格式给出与均值比较的趋势！结合RFM模型魔方块的分类识别客户类型：通过RFM分析将客户群体划分成重要保持客户、重要发展客户、重要挽留客户、一般重要客户、一般客户、无价值客户等六个级别；（有可能某个级别不存在）；
另外一个考虑是针对R、F、M三个指标的标准化得分按聚类结果进行加权计算，然后进行综合得分排名，识别各个类别的客户价值水平；
至此如果我们通过对RFM模型分析和进行的客户细分满意的话，可能分析就此结束！如果我们还有客户背景资料信息库，可以将聚类结果和RFM得分作为自变量进行其他数据挖掘建模工作！
整理自：中国统计网 多篇文章，原文作者分别为：沈浩老师，数据挖掘与数据分析，数据海洋等人，感谢之！
版权声明：本号内容部分来自互联网，转载请注明原文链接和作者，如有侵权或出处有误请和我们联系。
活动推荐：2017全球机器学习技术大会
