何谓客户分群
将现有的消费群体按照一定规则分成若干个小群组,使得不同组客户之间特征差异明显,同一群组内客户特征相似。
为什么进行客户分群
目前,大众化营销已经失去了优势,精准化的营销策略逐渐被认可,客户分群可以深入了解客户,提升消费者对于品牌的满意程度,提升销售效率与业绩,对于预算有限的项目,客户分群可以更好的定位高质客群,达到精准化营销的目的。
不同领域的客户分群
- 品牌
品牌领域的消费者市场分群场景下,可侧重于分析不同消费群体背后的驱动因素及其市场竞争情况,关注最具代表性、最具商机且能够带来更高利益的群体;
- 媒体
媒体领域中,可侧重于分析目标群体的特征,关注针对不同媒体何种方式传播信息最为有效,预算有限时应该保证何种媒体的信息从而有效的传达到目标消费群,并针对需求分群结果去进行产品定位与用户触达;
-
渠道
渠道领域中,可侧重于分析不同群体的渠道偏好,关注如何在每个影响点提供个性化的消费者体验、运用何种手段获取潜在客户名单,从而精准营销并提高客户保留率,并依据客户价值的分群去预算不同客户的营销经费;
-
产品与服务
产品与服务领域,可侧重分析如何依据不同消费群体的需求提供不同的产品与服务、产品捆绑销售对不同群体的效果如何、品牌定位如何以及哪些消费者具有最有价值需优先提供服务。
分群维度需详尽
客户分群时,维度需要考虑全面,以保险行业为例,进行客户分群时,可参考如下的数据维度:
-
客户基本特征
年龄、性别、地址、职业、教育程度
-
家庭信息
婚姻状况、是否有子女当前地址居住时长
-
线上行为习惯
在线购买保单次数、在线咨询类型次数、在线产品评论或评分、在线或电话中心投诉建议或表扬次数、电话中心沟通次数或时长
-
收入状况
年收入、投资情况
-
住房状况
自有或租赁、自有房屋市场价值、放贷总额
-
消费状况
月均信用卡消费金额、月均信用卡使用次数、月均线上消费金额、月均线上消费次数
-
投资偏好
缴费偏好、渠道偏好、缴费形式
-
出险/退保
出险次数、退保率、拒保次数
-
投保对象
为自身投保、为配偶投保、为子女投保、为父母投保
-
产品类型
消费型保单占比、分红型保单占比、长险保单占比
-
保单情况
保单总数、件均保额、件均年缴费保费、第一次购买保单距今时长
客户分层的技术实现
通常,使用聚类算法进行客户分群,例如层次聚类算法与K-means聚类算法。
分层聚类也称系统聚类法,是根据个体间距离将个体两两聚合,再将聚合的小群体两两聚合直至聚为一个整体,最终依据实际需要选定聚合的层级从而确定聚类个数,计算量较大。
K-means聚类目前比较流行,通常五个步骤即可实现:
-
设定分群组数K
-
随机指定每组的中心
-
将离中心最近的个体归到对应群组
-
重新计算群组的中心点
-
用新的中心点重新对个体进行归组
层次聚类与K-means聚类哪种好?
层次聚类算法与K-means聚类算法各有千秋。
从优点角度来说,层次聚类算法不需要事前确定聚类的数量,后期可以依据业务和对数据的了解程度确定类的个数;K-means聚类是一种快速的聚类算法,得到的结果简单易懂,对计算机性能的要求也并不是很高,应用较多。
从缺点角度来说,层次聚类算法需要计算出样本间的距离,并且还需要在聚类的每一步都计算出类间距离,当样本容量较大时,需要占据较大的计算机内存空间,会为应用带来一定的困难;K-means聚类算法需要事前就确定出类的个数K,所以需要对K值有一个事先的认识,这一点,是对分析师经验与数据感觉很大的考验。
项目中的客户分群
实际项目中,如何依据客户分群制定营销策略呢?到底怎么做?下面是我在实际项目中,从拿到数据到最终落地营销策略的具体实现步骤:
-
数据整合与清洗
1 客户基本属性信息等表单数的整理与汇总
2 甄别有价值的三方数据
3 理解表间关联规则,整合出可供分析使用的数据宽表
4 反复查看数据准确性
5 整理出数据维表
6 初步选择变量
-
数据探索
1 探索数据基本信息,定性变量数字化,分析并处理缺失值与异常值
2 理解变量实际含义并生成衍生变量
3 数据标准化
4 变量相关性分析,依据相关性筛选变量
5 判断是否需要抽样,如需要,则进行抽样
-
客户分群
1 假定分群数K=6,在K=4-8间均建立客户分群
2 确定合理的分群数量
3 认识组内特征,对比组间差异,从业务角度证明分群结果的合理性
4 与业务人员沟通,对分群变量组合、群组样本数量进行调优
-
客户画像
1 对各个群组客户进行全方面全维度的画像
2 画像包含人群属性、行为特征、消费倾向、投保偏好等等
3 识别高价值客户
-
制定营销策略
1 基于画像结果深刻认识各群体客户的特征与差异
2 针对特征产出差异化的营销策略
我的公众号:Data Analyst