chinesefreesexvideos高潮,欧美极品少妇性运交,久久久国产一区二区三区,99久久婷婷国产综合精品,成人国产一区二区三区

今天是大年初一，我給您拜年了！祝我的好朋友：

顯神功牛刀小試，

勤學習汗牛充棟；

進財源多如牛毛，

漲運勢牛氣沖天！

今天的問題來自于上海的李總，他在做行業(yè)客戶細分。想要一些客戶分級分群的相關策略和資料。我資料倒是有很多，但是不知道能不能給他一些好的建議啊。

說實話，雖然我之前做過很多客戶分級分群，但是總感覺做的不太行。網(wǎng)上類似的文章也很多，看來看去無非也就這么些東西。我就給大家分享一下我的理解吧。

另外，我在挑戰(zhàn)春節(jié)不打烊，每天都分享原創(chuàng)文章，歡迎加我個人微信：shirenpengwh，加入催更群，小鞭子催我快快寫稿

客戶細分的核心目的是精細化運營。其實就是對不同的用戶分別制定運營策略，期望實現(xiàn)利益最大化。

所以客戶細分最樸素的思想，就是切分。大家應該聽過一個詞“高凈值人群”，這是傳統(tǒng)營銷時代流傳最廣的客戶分群產(chǎn)物。

一般來說，用戶細分得遵守MECE原則，上面所有的方法其實都已經(jīng)是MECE了。但是也不是絕對的，后面就有特例。

受限于當時的數(shù)據(jù)和技術，客戶細分大多都還是在CRM中進行因為只有在CRM中才能獲取用戶的各種信息。細分的邏輯也就非常簡單了，大多是從某一個單一維度進行切分。

比如“按客戶凈值分、按**來源分、按消費頻次分、按年齡段分、按當月累計消費金額段分”等。這種客戶切分方式比較原始和粗糙，遠遠稱不上“客戶細分”。但是這種切分方式是所有人最容易想到，也是最容易理解的方式。

所以在早期的數(shù)據(jù)交易中，賣家會標注上數(shù)據(jù)來源，企圖在名稱上體現(xiàn)**的價值。當然現(xiàn)在買賣個人隱私數(shù)據(jù)已經(jīng)入刑法了，大家千萬別碰哈。

再進一步，就有人從各個角度總結(jié)提煉客戶細分的邏輯，比如從用戶生命周期上細分，我們對不同處在生命周期的客戶用不同的策略，期望拉長用戶在成熟期的時間，創(chuàng)造更多的價值。

比如：

按用戶生命周期分，如“潛在用戶、新用戶、付費用戶、復購用戶、流失用戶”等，不同行業(yè)的生命周期不完全一樣；

按用戶運營流程分，如AARRR、RARRA、“新用戶、使用用戶、興趣用戶、意向用戶、付費用戶”等；

按用戶積分等級分（忠誠度），如傳統(tǒng)的會員卡級別、淘寶的“皇冠、鉆石”等；

按用戶的各種標簽切分，這個自由度就非常大了，信息非常豐富。

這些方法都非常直觀，業(yè)務部門最喜歡了。而且對應的策略也非常清晰，基本上顧名就能思義。

這些看上去還是從某一個固定的維度對客戶進行切分，但是一般來說這些維度都是經(jīng)過業(yè)務理解、加工之后的。

舉個簡單的例子：信用卡的不同級別就是一個附帶非常復雜規(guī)則的客戶細分模型。只有達到了某幾個條件，才能升級卡片的等級。當然，享受到的權益也是不一樣的。市場上甚至有專門研究信用卡養(yǎng)卡規(guī)則的人和公司。

前面說的都是從單一維度對客戶進行群體切分的方法，這種單一維度我們可以相處很多很多。

那如果再往前進一步，我們還能怎么細分呢？答對了！那就可以對各單屬性進行組合后細分，RFM就是典型的一種。

這個模型非常好用，流傳很廣，認同度高，可解釋強，對應的策略也很清楚。

RFM模型，就是用戶細分的經(jīng)典模型。它就是用“最近一次消費 (Recency)”、”消費頻率 (Frequency)”、”消費金額 (Monetary)”，對用戶切三刀，劃分成為8個群體，然后來區(qū)別對待。

其實RFM本質(zhì)上是一種象限模型，只不過不是4象限，而是3個指標，每個指標離散為0和1，總共分為8個象限。而且我們在用RFM的時候，也可以進行各種變種，比如改掉一個指標、把“高、低”區(qū)分為“高、中、低”等等。但是不管咋變，本質(zhì)還是一樣。

RFM的變種之一就是替換RFM中的M，比如RF+年齡段。當然，只要你能想出來，可以任意組合，比如當月消費等級+用戶年齡段+地區(qū)等。之前我做過汽車行業(yè)的用戶細分，就做過客戶偏好+投訴頻次+活動參與的組合維度，可以分辨出忠誠客戶還是難纏客戶。

一樣啊，這種方式幾乎可以無限組合，只要你能想出來，隨便拿兩個以上的關鍵業(yè)務指標一組合，立刻可以把客戶切分成任意群體。

移動通信領域?qū)蛻羧后w的細分也是做到了機制，各種亂七八糟的套餐可不是運營人員瞎想出來的，而是使用不同組的數(shù)據(jù)，通過各種各種算法算出來的。

提到算法，我們還可以用各種聚類算法實現(xiàn)客戶細分。但是這些算法計算的結(jié)果，業(yè)務可解釋性就比前面所有的細分方法差多了。而且有些算法存在隨機種子等因素，每次執(zhí)行的結(jié)果不一樣。比如K-means的聚類，這個K值要么人為設定，要么隨機。這隨機就隨出事情了。同樣一份數(shù)據(jù)，很可能就出現(xiàn)下面這種截然不同的情況。

這種情況讓我們給業(yè)務解釋的時候非常困難，全都得靠編。有一次更搞笑，我們某甲方要“大數(shù)據(jù)”+“算法”，而且必須要保證執(zhí)行冪等，就是每次執(zhí)行的結(jié)果必須一樣，要不沒法給別人解釋。遇到聚類這種含有隨機數(shù)的情況，那可不行了。最后我們給把算法給改了，只要是一個結(jié)果集進去，不管怎么執(zhí)行，都是一個結(jié)果。唉，我們太難了。

當然，除了K-Means之外，我們還能用KNN、層次聚類等等各種聚類算法。除了層次聚類稍微好解釋一些之外，其他算法計算結(jié)果都得靠編。更不用提對應的運營策略了。

那有沒有更好的客戶分群方法呢？當然有的。

可能有哥們說了，你說的這些我都知道，用處說實話也不大。

這話得分怎么說了，如果說只是客戶細分，咱就這些招。但是如果說指導運營，那得具體分析各層用戶的問題，后面還得帶上恰當?shù)倪\營建議。得跟運營同學一起定好策略，制定執(zhí)行計劃，跟進，調(diào)整，優(yōu)化。

不過，咱說回來，除了這些招之外，咱還有更經(jīng)典的用戶細分方法嗎？

答案是“有”！

但是再往前一步就不能是通用的方法了，最少得細分到行業(yè)和具體場景了。比如快消行業(yè)就有非常經(jīng)典的“阿里八類人群”：

所有快消行業(yè)都可以參照這八大類進行客戶細分。這里你可能就會注意到，這明顯就不符合MECE的原則嘛！是的，但是這八大類已經(jīng)涵蓋絕大部分人群了，剩下那一星半點的也不影響全局。

那這八大類是怎么來的呢？業(yè)務洞察！沒別的招。

當然有些洞察也很有意思，還會從用戶的“星座”角度上進行分析，也不知道是不是故弄玄虛。比如騰訊幫喜茶做的用戶洞察就有這樣的結(jié)論：

也有很多業(yè)務洞察會與社會現(xiàn)狀進行結(jié)合，也就是傳說中的PEST模型(政治politics，經(jīng)濟economy，社會society，技術technology)。比如：

你看上面細分的，從數(shù)學角度上根本沒啥邏輯么。也完全不符合MECE原則，各部分之間還有交差，但是絲毫不影響其業(yè)務解釋力。因為里面夾雜著對當今社會各種現(xiàn)象的洞察。

京東和尼爾森對用戶生命周期也做了非常深入的研究，他們的洞察也很有意思。他們提出的口號是“實現(xiàn)品牌用戶資產(chǎn)波浪式增長”：

用戶細分是精細化運營的重要手段。

最樸素的思想，就是從某個固定的屬性對用戶進行切分，比如按客戶凈值；

再進一步，是從業(yè)務分析的角度進行切分，比如按用戶生命周期；

再進一步，是將多個維度組合之后進行切分，比如流傳很廣的RFM模型，或者使用KNN、K-Means、層次聚類等各種聚類算法。

往前一步就是行業(yè)特殊洞察了，甚至是垂直領域的特殊洞見，這就得有很深的行業(yè)用戶洞察能力，比如阿里提出的快消領域“八大類人群”。

我手上有幾十份不同行業(yè)的用戶細分洞察報告，各位可以下載下來參考一下。

至于技術實現(xiàn)，其實數(shù)據(jù)量不大的話，用excel就能搞定；數(shù)據(jù)量多一些就用關系型數(shù)據(jù)庫，寫SQL搞定；再多的話就用大數(shù)據(jù)平臺，用分布式計算處理了。

用算法進行客戶分群的技術實現(xiàn)，在傳統(tǒng)營銷時代，更多的人用的是SPSS、SAS等數(shù)據(jù)挖掘軟件；之前有一陣子還流行過R語言；現(xiàn)在Python當?shù)?，如日中天。用起來非常簡單，基本上就是組織數(shù)據(jù)結(jié)構，然后調(diào)個包就可以了。

今天的分享就是這樣。歡迎大家加我個人微信號：shirenpengwh ，一起探討大數(shù)據(jù)、數(shù)據(jù)分析相關知識。每天分享一篇原創(chuàng)內(nèi)容給大家，我們一起學習，共同進步。

擴展閱讀：幾十份行業(yè)用戶細分洞察報告，公眾號“大數(shù)據(jù)架構師”后臺回復“用戶細分”即可下載。

配合以下文章享受更佳