一句话回答
客户细分是共享某个可定义特征(行为、地区、公司规模等)、并预期会和其他组反应不同的一组客户。只有你会对它采取不同动作,它才有用。
客户细分是什么
客户细分(customer segment,也叫客群)指有一个可以定义的共同特征、并且预期会和其他组反应不同的一组客户。特征可以是他们是谁(国家、公司规模),做了什么(90 天内买过两次),或想要什么(宁可便宜也不要快)。这个想法可以追溯到 Wendell Smith 1956 年发表在 Journal of Marketing 的观点:市场不是一整块,而是由需求不同的几组人构成,企业应当让自己的供给去适应他们(Smith 1956)。
「细分」这个组本身叫 segment,把客户切成这些组的动作叫 segmentation。两个词常被混用,过程方面见 受众细分。
检验一个细分,不是看它在数据里存不存在,而是看你会不会对它的成员区别对待。如果两个细分你会发同样的消息、给同样的优惠,它们就是同一个细分。
四种常见的划分依据
| 依据 | 按什么分组 | 规则示例 | 优点 | 缺点 |
|---|---|---|---|---|
| 人口或企业属性 | 他们是谁 | 公司规模 50–200 人 | 在 CRM 里很好找 | 预测不了他们接下来会做什么 |
| 地理 | 他们在哪 | 来自德国的访客 | 对语言、税务、配送很清楚 | 很少能说明意图 |
| 行为 | 他们做了什么 | 最近 90 天买过两次 | 对下一步动作的预测力更强 | 需要事件数据和时间窗口 |
| 需求或心理 | 他们想要什么、相信什么 | 「只挑价格低的」 | 能解释原因 | 需要调研,难以落到个人 |
多数实际用的细分会叠两种依据,比如「回头客(行为)且在欧盟(地理)」。叠得越多,每组越小,小到没法比较就该停。
判断细分有没有用的清单
保留一个细分之前,问五个问题。营销教材的说法各有不同,这里是一个实用版本。
- 能识别成员吗? 系统能判断的规则(「90 天内没买过」)胜过一种感觉(「爱比价的人」)。
- 这一组够大吗? 如果算不出稳定的转化率,它就指导不了决策:只有几十个人时,多一张订单就让比率晃好几个点。
- 能触达吗? 如果没有任何渠道只触达这些人,这个细分只是分析,不是行动。
- 它的反应不同吗? 这是真正的检验,下一节演示怎么做。
- 有不同的动作吗? 不同的消息、优惠、客服路径或产品改动。没有,就合并。
算例:这几个细分的行为真的不同吗?
示例数据:邮件列表里有 4,000 位客户,所有人都收到同一封 9 折邮件。细分用规则定义,不靠猜。
| 细分(规则) | 客户数 | 邮件带来的订单 | 响应率 |
|---|---|---|---|
| 回头客(90 天内 2 单以上) | 600 | 72 | 12.0% |
| 单次购买者(一共只买过 1 单) | 1,900 | 95 | 5.0% |
| 已流失(买过,但 90 天内没买) | 1,100 | 33 | 3.0% |
| 从未购买(只注册过) | 400 | 8 | 2.0% |
| 合计 | 4,000 | 208 | 5.2% |
复算:600 + 1,900 + 1,100 + 400 = 4,000,72 + 95 + 33 + 8 = 208,整体响应率 208 ÷ 4,000 = 5.2%。
再对比一种听上去合理、实际没有区别的切法。把同样的 4,000 人按国家分:美国 2,000 人,其他地区 2,000 人,各有 104 张订单,两边响应率都是 104 ÷ 2,000 = 5.2%。国家给了你两个标签,却没有带来这次优惠上的行为差异,所以对这次决策来说不是有用的细分。行为分法的响应率从 12.0% 到 2.0%,相差六倍。
判断规则:保留那些响应差异大到会改变动作的切法。这里回头客也许根本不需要折扣,已流失的客户可以收到召回消息,而不是同一张优惠券。
对上面的表要提醒一点:小分组给出的比率不稳。比率的 95% 误差范围可以粗略地按 1.96 × √(p × (1 − p) ÷ n) 来估,也就是 NIST 手册 里讲的正态近似。回头客:12.0% ± 2.6 个百分点。单次购买者:5.0% ± 1.0。已流失:3.0% ± 1.0。从未购买:2.0% ± 1.4。后两者的范围(2.0 到 4.0 和 0.6 到 3.4)有重叠,所以在这份样本上分不出它们的差别,也许可以一样对待。
客户细分、画像、同期群和聚类
| 术语 | 它是什么 | 怎么产生 |
|---|---|---|
| 细分 | 用规则对数据定义出的一组人 | 你写的规则,或你跑的模型 |
| 画像 | 代表某个细分的虚构人物档案 | 调研和写作 |
| 同期群 | 有共同起点事件的人,比如同一周注册 | 起始事件的时间 |
| 聚类 | 算法在没有标签的情况下找出的组 | 统计模型 |
| RFM 分组 | 按最近一次购买、频次、金额得到的细分 | 给近期购买打分 |
画像是你讲的关于某个细分的故事,它不是细分本身。同期群看的是人们什么时候开始,细分看的是人们现在是什么、做什么。
常见误区
- 细分太多。 十二组、每组 150 人,没法比较。先从三到五组开始。
- 有名字没有动作。「发烧友」没有对应的计划,只是一页幻灯片,不是细分。
- 给会变的客户贴静态标签。 行为会变,会重新计算的规则比一次性建好的名单更稳。
- 一个名字里混几种依据。「年轻、城市、爱占便宜的人」叠了三种依据,看不出到底哪一种在驱动行为。
- 只看细分的大小。 一小群回头客的价值,可能超过一大群只看不买的人。
- 把匿名访客当客户。 只有跨多次访问能认出来的人,才能被细分。
想看更长的做法,读博客 客户细分分析。
在 TapCub 里做客户细分
把上面的邮件例子放进 TapCub 里做一遍。
- 定义规则。 打开 全端分析 › 用户 › 分群与标签,新建一个规则分群,例如「90 天内至少做过两次购买」。条件可以用做过或没做过、用户属性、首次出现、活跃、属于另一个分群等。先预览人数再保存。
- 让它自动刷新。 规则分群每天刷新(也可手动刷新),每个分群保留 30 天的人数趋势,所以发了召回消息之后,能看到「已流失」这一群在变小。
- 有订单时用 RFM。 RFM 分群取一个交易事件和一个金额属性,把人分到 10 个桶里(冠军、忠诚、潜在忠诚、新客、有潜力、需关注、将沉睡、有风险、不能失去、沉睡),并记录桶之间的移动。
- 按分群分析。 用 分析 把分群作为群组带进漏斗和留存,对比不同分群的转化。
要知道的限制:匿名访客没有档案,永远不是分群成员,所以先用 tapcub.login 识别登录用户。TapCub 不发邮件、不做营销活动,分群要拿到你自己的发送工具里用;TapCub 只负责衡量结果。
资料来源
- Wendell R. Smith,Product Differentiation and Market Segmentation as Alternative Marketing Strategies,Journal of Marketing,1956。
- NIST/SEMATECH,e-Handbook of Statistical Methods:两个比例的比较,用于比较各组响应率。
这个解释清楚吗?
我们会根据反馈修改和补充这篇内容。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。
