Python数据科学：全栈技术详解2-客户分群
作者：Ben，多本数据科学畅销书作家，先后在亚信、德勤、百度等企业从事电信、金融行业数据挖掘工作。
配套学习教程：数据科学实战：Python篇 https://edu.hellobi.com/course/270
前文传送门：
客户分群的目的是利用客户（这里我们用客户泛指观测对象）特征属性将客户总体分成若干顾客群组，使得组内客户特征相似，同时不同组的客户之间的特征差异较为明显。理论上相似性仅用于建立分群的属性。这可能包括消费者行为习惯数据、对产品的态度、消费者自身的人口统计学特征和客户消费行为的度量，如RFM模型（Recency，指最近一次消费；Frequency，指消费频率；Manetary，指消费金额）等数据。对客户进行科学分群之后，往往会挖掘出更为丰富的应用场景，如对顾客群体制定差异化的管理、市场营销策略等，从而显著地提高管理和营销的效果。
2.1 客户分群的意义
客户细分在市场开发和产品设计中占有重要地位。对客户进行分群，能够深入地洞察客户具体信息、提升业务运营的效率和效益、降低运营风险、保持业务持续增长。
中国移动的品牌划分是大家耳熟能详的案例。中国移动在通过分析客户长途和短途通话行为、短信和上网流量情况后，发现可以将客户分为3类，分别是长途和漫游通话占比高的客户、本地通话占比高的客户，以及数据业务使用量较高的客户。对应这3类客户，中国移动开发了3个品牌，分别是全球通、神州行和动感地带。其实客户分群远没有这么简单，各地方的中国移动公司，在三大品牌内部还制定了不同类型的套餐来满足更小的分群市场。
客户分群是一个动态过程，一个客户如果从一个细分群体转到另一个群体，那这既是客户流失的风险点，又是客户营销与价值深挖的时机。比如，一个长期短途市话占比较高的客户，其长途电话突然增加，这是客户离网的一个预警信息。因为适合短途市话的套餐，其长途电话费往往是较贵的，客户如果对其他套餐不了解，只是道听途说某品牌的长途套餐很便宜，这样该客户很可能就会更换套餐。此时客户经理应该根据客户的通话特征提供更适合的套餐信息。比如，发现该客户的长途通话其实是固定的一个地区，这就完全可以推荐“两城一家”业务，即每月只要多花1元钱，就可以继续享受本地通话的费率，从而保留这个客户。
对客户分群的检测也是了解市场、预测未来变化趋势的主要方式。比如在近几年，手机用户的消费行为产生了明显变化。单纯的长途漫游用户已经很少，而很多客户长途漫游和数据业务使用量都较高，具体还可以将他们细分为商务办公型、时尚娱乐型、广泛社交型等不同子类型。这种消费行为的转变就对业务发展指明了方向，只单纯提高通话质量，显然不会对这些细分人群提供很好的服务。
客户分群不仅可以指导新产品开发和了解市场，而且有利于提高现有利润。以往的粗放式营销，更多的是关注客户数量，而轻视服务质量。比如前几年，各银行信用卡业务“跑马圈地”的现象，其关注的重点是开卡人数，而缺乏对现有客户需求的深挖。而在近两年，各银行信用卡业务将部分注意力转移到了现有客户的维护与价值深挖工作上，提高单个客户的价值已经成为业界的共识，而客户分群在这方面便有着重要的运用。只有了解自身客户的基本情况，进行全角度、全方面地分析和展示，才能深挖客户需求，提供更有针对性的服务。
如表14-3所示，表中列出了一些实际的商业目标和解决方法。可以看到，无论是客户价值深挖、客户保留、渠道优化和降低成本、对分群客户的解决方法分析都是不可忽略的。
客户分群是数据挖掘的基础，也是描述性数据挖掘的一个重要方面。数据挖掘运用场景是以客户生命周期为基础。在客户不同的生命周期，需要运用不同的数据分析方法对客户的价值，以及特征予以把握，便于企业做出适当的业务角色。
客户分群的依据是非常丰富的，根据分群的目标不同而采用不同的指标或指标组合进行细分。可以根据个人或公司的状态特征、生命历程阶段、产品使用阶段、客户交易/消费行为、客户的产品偏好或者客户的多维属性进行划分。
2.2 客户分群的发展和应用
首先我们了解一下客户分群的发展历史（见图14-26）：
图14-26
由此我们可以了解，客户分群的思想和理念一直都有广泛的应用场景。客户管理和市场营销的从业者们基于客户的个人，行为和交易等数据对客户和市场进行分群，然后深入了解和认识各个客户群体，制定更有效的客户管理策略和更具针对性的市场营销策略。具体来讲，客户分群可以帮助企业市场营销部门解决以下问题：
（1）更加深入细致地了解客户，有利于挖掘新的市场机会；
（2）设计全新的产品/服务，为各群组客户提供定制化的产品，而非一概而论；
（3）通过识别各群组客户的需求，为已有客户设计个性化的产品和接触策略；
（4）提供定制化的奖励及激励措施；
（5）选择恰当的广告内容和渠道；
（6）基于各群组客户的不同特征，确定推广的品牌形象和主打产品；
（7）根据各群组的重要性（客户价值）提供差异化的服务；
（8）预测投资回报率，合理有效地分配资源；
（9）根据各群组的价值和重要性，确定客户挽留、客户关系维护活动的优先级。
我们先来看一个的客户分群的案例：
某世界财富500强的保险公司在过去几年间通过数据系统的升级，实现了客户数据的积累和打通。最核心的数据信息包括投保人的相关信息数据、详细的保单数据和第三方数据提供商提供的信用评分数据等。由第三方专业数据咨询公司建立基于数据分析的聚类分群，并给出了量化的群体特征画像，大致的分群情况如图14-27所示。
图14-27
在客户分群的情况下，该保险公司和数据咨询公司紧密合作，并结合公司业务现状和发展方向，以及该公司在市场上现有产品的表现，制定了一套公司层面的、统一的营销指导策略。当然各执行部门也会相对应有非常详细的在不同渠道、不同时间点的营销活动计划去指导该保险公司直销保险业务。事实证明在基于多维度数据的科学客户分群基础上的营销策略比基于主观或者局部信息的营销策略能够更加准确地把握用户从而达到更加有效的营销。
2.3 目前商业界常用的客户分群方法
1．根据客户利润贡献进行划分
这可能是很多公司最早使用的客户分群方法，较为常见的是只根据客户对公司的利润贡献数额进行分群。比如，中国移动的VIP卡就是按照日平均话费来划分的。虽然全国各地的具体标准有所不同，但是分类方法基本一致。比如陕西部分城市，月平均话费在300元以上是银卡，700元以上是金卡，1700元以上是钻石卡。图14-28便是根据客户利润贡献进行划分的。
这种客户分群方法的好处就是简单明了，可以让业务人员快速识别客户的重要程度。但是这种分类方法在客户营销管理方面提供的信息量很少，即使客服人员知道客户的等级，也不清楚其需求是什么，因此需要其他客户细分的信息作为补充。
图1-28
2．根据个人或公司的生命历程进行分群
个人客户所处生命阶段的变化，会产生不同的金融服务需求。例如一个刚毕业并初入职场的年轻人，会有一定的储蓄。一般年轻人风险承担能力较高，可以适当地投资一些风险回报较高的资产，比如激进型基金理财产品。当到谈婚论嫁并购置房产时，这个年轻人开始首笔房屋贷款，进而其他大额消费贷款等业务需求比较旺盛。当他到中年时，财富积累已经达到了一定程度，虽然还有部分贷款，但是已经有了足够的资金用于投资，这时可以订制一些收益与风险适宜的结构化理财产品。最终孩子独立后，准备退休时，人生财富积累到顶点。由于风险承担能力在减弱，因此更适合投资风险较低的债券或无风险的国债理财产品。如果一个客户一生的资产波动较大，则代表其是一个高价值的客户。一个既不存款，也不贷款的客户就是一个价值较低的客户。根据个人的生命历程进行划分，如图14-29所示。
图14-29
同理，企业处于不同发展阶段也会有不同的投资、融资需求。初创期的企业虽然资金需求较大，但是很难获得银行的贷款，其融资渠道主要是内部融资和权益融资。因此，此时的企业主要是存款。当企业逐步成长，业务发展前景良好，需要扩大投资时，单纯的内部盈余的留存已经难以满足投资需求，企业会向银行提出贷款意向，经审批获取贷款。当企业由成长期逐渐步入成熟期时，产品利润丰厚，而且缺乏投资项目。此时的企业拥有较多的现金，金融机构可以为其订制金融产品，满足其资产保值、增值的需求。根据公司的生命历程进行划分，如图14-30所示。
图14-30
3．根据客户的产品偏好进行分群
个人客户投资倾向与客户的生命周期有一定的关联，但是并不完全一致的。同样是老年人，也会分化为“积极投资族”和“储蓄族”。个人投资倾向信息可以从客户资料中获取。比如，在开通证券交易账户时会询问投资倾向，也可以通过客户以往的投资行为对客户投资倾向进行划分，如图14-31所示。
处于同样发展阶段的企业，其运营模式不同，偏好的融资产品及贷款方式也会有所不同。比如，季节性波动较大的企业——农产品加工企业，其短期贷款的比例较大而且贷款和还款的时间规律性强。而受经济周期影响较强的企业，其短期贷款时间的规律性不强。根据贷款行为对企业信息进行划分，如图14-32所示。
根据客户交易/消费行为进行分群
根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有3个重要指标，分别如下。
（1）最近一次消费（Recency）
最近一次消费指的是客户上一次购买的时间。上一次消费时间越近的客户，对提供即时的商品或服务也最有可能有所反应。
（2）消费频率（Frequency）
消费频率是客户在限定的期间内所购买的次数。最常购买的客户，也是满意度最高的客户。这个指标是“忠诚度”很好的代理变量。
（3）消费金额（Monetary）
消费金额是最近消费的平均金额，是体现客户短期价值的重要变量。如果你的预算不多，而且只能提供服务信息给2000个顾客，那么你会将服务信息提供给对收入贡献10％的大顾客，还是那些对收入贡献不到1％的小顾客呢？数据库营销有时候就是这么简单，而且这样的营销所节省下来的成本会很可观。
如图14-33所示，RFM模型展现了客户按购买行为分组后的情况。比如左上前角类型的客户，其消费额度高、消费频繁，而且最后一次购买距离当前时间较短。这表明此类客户是一个持续消费的“高富帅”，是重要价值客户，需要悉心维护。而一般挽留客户由于购买频次和消费额度都较低，而且消费时间久远。这名客户对我们的产品兴趣和持续性都不大，不需要花过多的成本进行维护，所以只做简单的营销，甚至不营销都可以。
5．根据客户的多维行为属性分群
客户的多维属性是客户分群的一种重要方法，这种方法是RFM模型的自然延伸。RFM模型每次仅能进行一个维度的分析，也就是说只能分析客户在一个业务上的分类情况。如果希望进行多个业务消费行为的比较，就需要对每个业务使用情况通过RFM模型构造变量。如图14-34所示，使用传统通话业务及新数据业务的情况可以细分为双低客户、新业务发烧型、新业务尝试型以及传统高价值。这里需要注意的是，一般每个业务使用情况的变量都是同类指标，要么都是使用频次，要么都是消费额度。
6．展现客户/产品结构的战略分群
这类客户分群方法在技术上和上例完全一样，但是使用的变量不再是RFM模型指标，而是对业务战略发展有指导意义的指标。比如，在分析现有客户结构、指明未来重点发展方向时，使用了如图14-35所示的两个指标。其中人均资产代表客户的长期价值，资产数额越高，代表为公司带来未来高收益的可能性越大；人均贡献代表的是客户的当前价值。由图14-35中可以看出，中产阶级的用户基数较高，人均资产较高。但是人均贡献低，还没有达到房奴一族的人均贡献。这表明该群体的需求还没有得到激发，或者公司目前的产品没有提供令他们满意的服务，需要在今后进行改进。
7．客户细分：综合运用
在项目运用中，单个方面的客户分群很难满足需求。比如，生命周期处于同样阶段的客户会存在分化现象，这就要求将多种分类方法进行结合，从而得到客户更精细的画像，便于制定更有针对性的客户管理策略。如图14-36所示，案例中使用3个客户分类进行组合，得到细致的客户群信息。深度挖掘客户需求，预先制定好客户管理策略，其中主动型策略会与客户事件相结合。比如，高价值年轻夫妇客户的理财产品到期，需要主动对客户营销，特意为高风险偏好的年轻夫妇设计的理财产品。而有些策略不需要和客户事件结合。比如，低价值未婚客户的成长性培养方案，只是定期给客户发送理财指导即可。
可以看出客户细分的过程就像搭积木，首先对原始数据进行维度分析，根据细分目的选取相关的变量进行客户细分，得到的细分结果其实就是一个分类变量。再根据这些分类变量的取值进行组合，从而得到更细致的分类。
老师的文章配套免费课程
立刻扫码或点击阅读原文学习吧~