何謂客戶分羣
將現有的消費羣體按照一定規則分成若干個小羣組,使得不同組客戶之間特徵差異明顯,同一羣組內客戶特徵相似。
爲什麼進行客戶分羣
目前,大衆化營銷已經失去了優勢,精準化的營銷策略逐漸被認可,客戶分羣可以深入瞭解客戶,提升消費者對於品牌的滿意程度,提升銷售效率與業績,對於預算有限的項目,客戶分羣可以更好的定位高質客羣,達到精準化營銷的目的。
不同領域的客戶分羣
- 品牌
品牌領域的消費者市場分羣場景下,可側重於分析不同消費羣體背後的驅動因素及其市場競爭情況,關注最具代表性、最具商機且能夠帶來更高利益的羣體;
- 媒體
媒體領域中,可側重於分析目標羣體的特徵,關注針對不同媒體何種方式傳播信息最爲有效,預算有限時應該保證何種媒體的信息從而有效的傳達到目標消費羣,並針對需求分羣結果去進行產品定位與用戶觸達;
-
渠道
渠道領域中,可側重於分析不同羣體的渠道偏好,關注如何在每個影響點提供個性化的消費者體驗、運用何種手段獲取潛在客戶名單,從而精準營銷並提高客戶保留率,並依據客戶價值的分羣去預算不同客戶的營銷經費;
-
產品與服務
產品與服務領域,可側重分析如何依據不同消費羣體的需求提供不同的產品與服務、產品捆綁銷售對不同羣體的效果如何、品牌定位如何以及哪些消費者具有最有價值需優先提供服務。
分羣維度需詳盡
客戶分羣時,維度需要考慮全面,以保險行業爲例,進行客戶分羣時,可參考如下的數據維度:
-
客戶基本特徵
年齡、性別、地址、職業、教育程度
-
家庭信息
婚姻狀況、是否有子女當前地址居住時長
-
線上行爲習慣
在線購買保單次數、在線諮詢類型次數、在線產品評論或評分、在線或電話中心投訴建議或表揚次數、電話中心溝通次數或時長
-
收入狀況
年收入、投資情況
-
住房狀況
自有或租賃、自有房屋市場價值、放貸總額
-
消費狀況
月均信用卡消費金額、月均信用卡使用次數、月均線上消費金額、月均線上消費次數
-
投資偏好
繳費偏好、渠道偏好、繳費形式
-
出險/退保
出險次數、退保率、拒保次數
-
投保對象
爲自身投保、爲配偶投保、爲子女投保、爲父母投保
-
產品類型
消費型保單佔比、分紅型保單佔比、長險保單佔比
-
保單情況
保單總數、件均保額、件均年繳費保費、第一次購買保單距今時長
客戶分層的技術實現
通常,使用聚類算法進行客戶分羣,例如層次聚類算法與K-means聚類算法。
分層聚類也稱系統聚類法,是根據個體間距離將個體兩兩聚合,再將聚合的小羣體兩兩聚合直至聚爲一個整體,最終依據實際需要選定聚合的層級從而確定聚類個數,計算量較大。
K-means聚類目前比較流行,通常五個步驟即可實現:
-
設定分羣組數K
-
隨機指定每組的中心
-
將離中心最近的個體歸到對應羣組
-
重新計算羣組的中心點
-
用新的中心點重新對個體進行歸組
層次聚類與K-means聚類哪種好?
層次聚類算法與K-means聚類算法各有千秋。
從優點角度來說,層次聚類算法不需要事前確定聚類的數量,後期可以依據業務和對數據的瞭解程度確定類的個數;K-means聚類是一種快速的聚類算法,得到的結果簡單易懂,對計算機性能的要求也並不是很高,應用較多。
從缺點角度來說,層次聚類算法需要計算出樣本間的距離,並且還需要在聚類的每一步都計算出類間距離,當樣本容量較大時,需要佔據較大的計算機內存空間,會爲應用帶來一定的困難;K-means聚類算法需要事前就確定出類的個數K,所以需要對K值有一個事先的認識,這一點,是對分析師經驗與數據感覺很大的考驗。
項目中的客戶分羣
實際項目中,如何依據客戶分羣制定營銷策略呢?到底怎麼做?下面是我在實際項目中,從拿到數據到最終落地營銷策略的具體實現步驟:
-
數據整合與清洗
1 客戶基本屬性信息等表單數的整理與彙總
2 甄別有價值的三方數據
3 理解表間關聯規則,整合出可供分析使用的數據寬表
4 反覆查看數據準確性
5 整理出數據維表
6 初步選擇變量
-
數據探索
1 探索數據基本信息,定性變量數字化,分析並處理缺失值與異常值
2 理解變量實際含義並生成衍生變量
3 數據標準化
4 變量相關性分析,依據相關性篩選變量
5 判斷是否需要抽樣,如需要,則進行抽樣
-
客戶分羣
1 假定分羣數K=6,在K=4-8間均建立客戶分羣
2 確定合理的分羣數量
3 認識組內特徵,對比組間差異,從業務角度證明分羣結果的合理性
4 與業務人員溝通,對分羣變量組合、羣組樣本數量進行調優
-
客戶畫像
1 對各個羣組客戶進行全方面全維度的畫像
2 畫像包含人羣屬性、行爲特徵、消費傾向、投保偏好等等
3 識別高價值客戶
-
制定營銷策略
1 基於畫像結果深刻認識各羣體客戶的特徵與差異
2 針對特徵產出差異化的營銷策略
我的公衆號:Data Analyst