What is customer segmentation?

什么是客户细分？| Databricks 博客

跳至主要内容

数据 + AI 基础

什么是客户细分？

了解客户细分、常用方法、现实世界中的示例以及由 AI 驱动的策略

作者：Databricks 团队

摘要

• 有效的客户细分结合了多种类型（人口统计、行为、价值导向、企业特征等）和方法，从基于规则和 RFM 的方法到由 AI/ML 驱动的持续更新模型。

• 大多数客户细分失败可以追溯到客户数据碎片化；将数据统一到一个受控的客户 360 视图中，是使客户细分真正有效的基础。

• CustomerLake，Databricks 的智能 CDP，直接在受控数据上构建客户细分，使用由 AI 驱动的身份识别和自然语言受众创建，无需数据复制或额外供应商。

客户细分是指根据客户共享的特征（包括人口统计、行为、地理位置或经济价值等）将现有客户群划分为更小、更明确的组，以便为每个组量身定制营销、产品和服务。与关注潜在买家更广泛宇宙的市场细分不同，客户细分专注于你已经建立关系的人和账户，使用你已经拥有的第一方数据。

一个客户可以同时属于多个细分群体。一个订阅者可能同时是“高价值”和“续订风险”，这两个标签会驱动不同的行动。本指南涵盖了客户细分的主要类型、常用方法、实际案例、有效细分的标准以及 AI 如何改变团队处理客户数据的方式，包括实现大规模个性化细分。

为什么客户细分很重要

客户细分使你摆脱“一刀切”的营销方式，转向与每位客户相关的互动。当客户细分有效时，客户会获得与其旅程阶段相匹配的优惠和内容，你的团队将预算用于最有可能响应的受众，产品决策则基于实际行为，而不是广泛假设。

这种相关性体现在结果中。有效的客户细分通过在客户流失前识别高风险客户来提高客户留存率，通过在合适的时间提供合适的升级销售来提高客户终身价值，并通过将获取重点放在高匹配度的受众上，减少广告浪费。客户细分还影响营销以外的决策：产品路线图、定价层级、服务级别差异化和进入市场的定位在你真正了解客户是谁时会更加清晰。这就是为什么它越来越成为跨职能的关注点，而不仅仅是营销部门的问题。

客户细分的类型

传统的框架确定了四种细分类型：人口统计、地理、心理和行为。现代实践增加了两种类型：企业特征和价值导向，因为 B2B 定向和以收入为导向的优先级在大多数行业中已成为标准。这些类别并不是互斥的；大多数细分策略结合了多种类型。

类型

按什么对客户进行分组

示例属性

最佳使用场景

人口统计

个人特征

年龄、性别、收入、教育、婚姻状况

面向消费品的广泛定位

地理

位置

国家、地区、城市、气候、城市与农村

本地化活动、门店级决策

心理

态度和生活方式

价值观、兴趣、个性、生活方式

品牌定位、信息语气

行为特征

客户采取的行动

购买历史、使用频率、网站活动、参与度

生命周期营销、客户保留、流失预防

企业属性（B2B）

公司属性

行业、公司规模、收入、地理位置、技术栈

B2B销售目标定位和基于账户的营销

价值导向

对业务的经济价值

客户终身价值、平均订单价值、盈利能力

优先考虑高价值账户、忠诚度计划

B2B团队通常依赖企业属性和行为数据。B2C团队则倾向于结合人口统计、行为和价值导向的方法。（了解更多关于商业分析如何将客户细分与更广泛的决策制定联系起来的内容）。

客户细分与市场细分

这两个术语经常被互换使用，但它们描述的是不同的内容。客户细分关注的是已经是你客户的人员。它利用通过交易、产品使用和直接互动收集的第一方数据。市场细分关注的是企业可能服务的更广泛人群，包括非客户，通常依赖外部研究、调查和第三方数据。

换句话说，客户细分使用你已经拥有并可以立即采取行动的数据。市场细分通常涉及对尚未获取的人员的假设。

| 客户细分 | 市场细分 | |--------|--------| | 涵盖对象 | 现有客户 | 更广泛的潜在市场（包括非客户） | | 主要数据来源 | 第一方数据（CRM、交易、行为） | 市场研究、第三方数据、调查 | | 典型用途 | 保留、个性化、交叉销售、向上销售 | 市场进入、产品发布、品牌定位 | | 时间范围 | 持续更新 | 通常定期刷新 |

常见的客户细分方法

细分类型定义了你如何对客户进行分组；方法定义了你如何实现这一点。方法范围从简单的商业规则到基于人工智能的模型，大多数成熟的计划会使用混合方法。正确的选择取决于你的数据成熟度和你试图回答的业务问题。

| 方法 | 功能 | 使用时机 | |------|------|----------| | 基于规则的细分 | 使用企业定义的规则对客户进行分组（例如，“上季度消费超过500美元”） | 简单、透明的细分；快速设置 | | 基于调查的细分 | 根据对直接问题的回答对客户进行分组 | 捕获行为数据中不可见的态度、需求或偏好 | | RFM分析 | 根据购买的近期性、频率和金额对客户进行评分 | 保留、忠诚度和重新激活活动 | | K均值聚类 | 一种统计技术，根据数据中的模式对相似客户进行分组 | 发现没有预定义规则的自然细分 | | 决策树 | 根据一系列是/否条件将客户分成不同的细分 | 预测结果（例如，流失可能性）并解释“为什么” | | 基于AI/ML的细分 | 使用机器学习在多个变量中发现复杂模式并动态更新细分 | 大数据集、实时个性化、不断变化的客户行为 |

由于AI/ML方法可以同时对客户进行转化倾向、流失可能性、预测终身价值和对特定优惠的响应能力进行评分，而且在规模上远超基于规则的方法，因此它们正变得越来越普遍。（了解更多关于机器学习和K均值聚类的资源）。

最有用的用户分群通常结合多个属性：行为加上价值，或人口统计信息加上生命周期阶段。以下是一些团队经常采取行动的分群示例：

• 高价值订阅用户：经常使用产品且生命周期价值高的客户。通过忠诚度奖励和新功能早期访问进行目标定位。

• 试用期前30天的用户：仍在评估产品的新人注册用户。通过引导内容和激活提示推动转化。

• 续费风险客户：即将续费但参与度下降的订阅用户。通过保留优惠和主动跟进进行目标定位。

• 高意向未转化用户：反复查看定价或产品页面但未购买的访客。通过销售外展或触发折扣进行目标定位。

• 沉默买家：过去购买过但现已不再活跃的客户。通过召回活动和更新的产品信息进行目标定位。

• 受监管行业中的企业账户：有特定合规要求的B2B客户。通过行业特定内容和专属支持进行目标定位。

• 价格敏感型购物者：经常在促销期间购买的客户。通过以折扣为主的活动和价值捆绑进行目标定位。

如何进行客户分群

有效的客户分群遵循一个清晰的流程。跳过步骤，特别是数据整合和验证，是分群无法产生效果的最常见原因。

• 定义业务目标。明确分群应帮助你实现什么：提高留存率、提升转化率、优先处理账户、个性化信息。目标决定了适合的类型和方法。

• 审计数据源。映射客户数据所在的位置，包括CRM、网页分析、交易系统和支持工单，并识别每个数据源的负责人。

• 整合并清理数据。将多个数据源整合为统一的客户视图，并解决重复问题，确保同一人在不同渠道中不会被重复计算。客户实体识别和身份识别是这里的核心操作。

• 选择分群类型和方法。选择适合目标和现有数据的分类（人口统计、行为、价值导向等）和方法（规则、RFM、聚类、机器学习）。

• 构建分群。将方法应用于数据，生成明确定义的群体，每个群体都应有对其成员和原因的描述。

• 验证分群。确认每个分群足够大，能够采取行动，与其他分群有显著区别，并与可衡量的业务结果相关联。

• 激活分群。将分群推送到需要它们的工具中：营销自动化、广告平台、销售CRM、产品系统。

• 测量和优化。跟踪每个分群在原始目标上的表现，并根据客户行为的变化更新分群。

报告

企业级智能体AI的实践指南

立即阅读

什么使一个分群有效

并非每个分组都是有用的分群。只有当你能够对它采取行动，并且它与其他分群的行为差异足够大，从而需要不同的策略时，分群才是有价值的。

在将分群视为生产就绪之前，有五个标准值得检查：

• 可衡量：你可以量化分群的规模和特征。

• 可接触：你可以通过营销、销售或产品渠道接触到它。

• 具有足够价值：它足够大或足够有价值，以证明投入的努力是值得的。

• 可区分：它与其他分群的行为或反应方式不同。

• 可操作性：你可以针对这个细分群体采取特定的行动，而这些行动你不会对所有人采取。

定期审查细分群体。客户行为会发生变化，市场会发生转变，产品供应也会不断演进。一年前建立的细分群体可能已经不再反映现实。

客户细分中的常见挑战

即使是有充足资源的团队也会遇到相同的障碍。以下是需要注意的问题。

数据质量差：细分的准确性取决于其背后的数据。缺失的字段、重复的记录和过时的属性会导致错误的分组和资源浪费。最常见的问题包括：过时的人口统计数据、系统之间格式不一致，以及来自网页或移动设备的不完整行为跟踪。

系统之间的客户数据碎片化：客户数据通常分布在多个系统中，包括CRM、网页分析、移动应用、支持工具和广告平台，当这些来源没有连接时，细分就会失效。将数据统一到一个客户视图中，通常是任何细分项目中最大的挑战。

传统的客户数据平台（CDPs）试图通过将客户数据复制到一个独立的专有存储中来解决碎片化问题。这会创建一个新的孤岛，需要进行治理、安全和维护，而这个孤岛会随着时间的推移逐渐偏离真实数据源。碎片化问题并没有被消除，只是被转移了。

静态的细分群体逐渐失效：客户行为会随着时间变化，因此一年前建立的细分可能已经不再准确描述其原本要描述的客户群体。应将细分视为需要定期审查和更新的动态定义，而不是一次性交付成果。

隐私、同意和法规：细分必须在GDPR和CCPA等法规的框架内进行，这些法规规定了如何收集、存储和使用个人数据进行定向。这正在推动团队转向第一方数据和基于模型的受众，因为基于第三方Cookie的定向变得越来越不可行。

将细分转化为行动

许多团队建立的细分从未被使用，因为他们无法轻松地将它们推送到激活活动或个性化体验的工具中。在设计细分时，应以激活为目标：以营销、销售和产品系统可以直接消费的格式定义细分。

最持久的解决方案是完全消除独立的激活供应商。在同一个受控数据基础之上建立并激活的细分可以直接同步到营销技术和广告技术工具中，无需自定义管道或额外的数据复制。

人工智能和机器学习如何改变客户细分

上述许多挑战，包括数据碎片化、过时的细分和缓慢的激活，正是人工智能和机器学习开始解决的问题。机器学习可以在远比任何基于规则的系统更多的变量中发现模式，并随着新数据的输入自动更新细分。当分析师可能只定义五到六条规则来识别有续订风险的客户时，机器学习模型可以同时考虑数十个行为信号，并揭示其他方法无法发现的细分群体。

由机器学习驱动的客户细分可以同时对每个客户进行评分，包括转化倾向、流失可能性、预测生命周期价值和对特定优惠的响应能力，并且这些评分会持续更新。像决策树和梯度提升这样的预测分析方法，使得这些评分不仅准确，而且具有可解释性。生成式人工智能则增加了另一层价值：用通俗语言生成细分描述，为每个受众群体生成个性化的创意内容，并支持无需SQL的自然语言查询。

更大的转变是从将客户细分视为一个周期性项目，转变为一个持续进行的过程。历史上，细分群体每季度由分析师或数据工程师更新一次。而通过智能代理进行的客户细分，代理可以根据自然语言指令构建、优化并持续更新受众定义，消除了每季度更新的周期和因IT交接而减缓激活速度的问题。一个营销人员可以描述他们想要触达的目标人群，例如“高价值但过去30天没有互动的可能流失订阅者”，代理将这一描述转化为一个精确且有数据支持的受众群体，无需SQL或分析师的中介。

大多数关于AI/ML客户细分内容忽略了底层的身份层。智能代理细分的准确性取决于其运行的客户身份数据的准确性。当同一客户由于未解决的记录在不同渠道上出现三次时，即使是一个复杂的模型也会产生错误的细分。准确的身份解析，结合确定性、概率性和AI驱动的匹配，构建了智能代理细分所依赖的值得信赖的360度客户视图。打好这个基础，细分、互动和广告都将显著变得更加精准和有针对性。

Databricks如何支持客户细分

上述AI功能的效果取决于其底层数据质量，而对大多数企业来说，架构才是问题所在。尽管大多数企业比五年前拥有更好的细分工具，但仍然难以有效利用其客户数据。传统的CDP模型反而加剧了数据碎片化的问题。打包式CDP将客户数据复制到专有的数据孤岛中。可组合式CDP减少了数据移动，但又增加了一层供应商，并假设客户身份记录已经统一且干净。平台式CDP将数据锁定在封闭的花园中，采用独立的治理方式。这三种方式的结果是：更多的数据副本、更多的治理表面面积，以及建立在与事实真相逐渐偏离的基础之上的细分。

CustomerLake是Databricks的解决方案，是第一个原生嵌入在Databricks平台中的智能代理CDP，而不是叠加在其之上。您的细分群体基于已存在的客户数据和上下文的治理数据基础运行。安全性和数据血缘关系继承自Unity Catalog。无需复制数据。这种架构与上述所有CDP类别都不同，并消除了额外数据移动所引发的问题。

对客户细分最相关的CustomerLake功能包括：

• 原生Databricks 360度客户视图：通过第一方和第三方数据构建统一的客户档案，无需数据移动或复制

• 智能代理身份解析（AIR）：通过确定性、概率性和智能代理匹配相结合的自动化身份解析，生成细分所依赖的黄金客户档案

• 由Genie驱动的自然语言细分：营销人员可以用普通英语构建受众群体，无需SQL

• 代理式微目标定位和最佳下一步行动建议：代理持续地为每位客户呈现最合适的行动方案。

• 与数百种营销技术和广告技术工具的双向连接器：无需自定义管道即可激活客户群体。

惠普（HP）、桑坦德银行（Santander）、万事达卡（Mastercard）、T-Mobile 和通用汽车（General Motors）等品牌正在 Databricks 上构建营销数据和个性化服务。了解更多关于 CustomerLake、Databricks 上的客户实体解析和商业智能的信息。

常见问题

客户细分和市场细分有什么区别？客户细分专注于您现有的客户，使用您通过交易和产品使用收集的第一方数据。市场细分涵盖更广泛的市场，包括非客户，并通常依赖外部研究和第三方数据。客户细分是持续更新的；市场细分通常定期刷新。

为什么客户细分很重要？细分可以让您以与每个客户群体相关的方式进行互动，而不是向所有人发送相同的信息。结果：更高的客户留存率、更高效的广告支出、更好的转化率和更高的客户生命周期价值。它还可以在营销之外，使产品、定价和服务决策更加精准。

B2C 和 B2B 客户细分有什么区别？B2C 细分通常依赖于人口统计、行为和基于价值的属性来理解个人买家。B2B 细分则增加了企业属性数据（行业、公司规模、收入和技术栈）来理解组织买家。B2B 细分通常关注账户级别的行为和采购决策权，而不是个人客户旅程。

一个客户可以属于多个细分群体吗？是的。一个客户可以同时属于多个细分群体，例如“高价值订阅者”和“续订风险”同时存在。每个标签驱动不同的行动，而设计良好的细分系统可以处理重叠成员资格而不会产生冲突。

客户细分应该多久更新一次？没有统一的节奏，但大多数企业至少每季度应定期审查细分，而像电子商务或 SaaS 这样的高速领域则需要更频繁的更新。客户行为会变化，产品供应会演变，静态细分会随着时间推移失去准确性。由人工智能驱动的平台可以在新数据到达时持续更新细分。

在 Databricks 上开始客户细分

良好的细分始于良好的数据：统一、准确，并连接客户在所有出现的来源。那些正确建立这一基础，并结合基于规则和人工智能驱动方法的团队，可以从静态、手动刷新的细分转向实时更新的动态受众。

了解更多关于 Databricks 如何在 CustomerLake 上大规模支持客户细分和个性化的信息，或使用 Customer Entity Resolution 加速器开始。

在您的邮箱中获取最新文章

订阅我们的博客，获取最新文章发送到您的邮箱。

注册

查看所有博客

slice-start id="_gatsby-scripts-1"

slice-end id="_gatsby-scripts-1"