如何在电商数据分析中做Customer Segmentation客户细分？
世界无时无刻不在发生改变，依靠互联网技术迅速发展起来的电商行业更是如此。时至今日，电商已经发展了十余载，形成了完整的产业体系，渗透到了人们生活中的方方面面。伴随着互联网技术的不断提升，数据的应用也越来越纯熟，而客户的细分也成了电商行业分析的重要一环。
Amazon、eBay、Shopify这些北美的电商行业巨头，也纷纷运用了客户细分，让用户目标更加精准，更加有效。今天，我们将为大家介绍电商行业中，customer segmentation具体是怎么做的，有什么不同种类的分类，会带来什么不同的结果等等，带你全方位了解用户细分相关知识。如果你想了解更多数据分析相关内容，可以阅读以下这些文章：
4个电商常用Customer Segmentation的方法
Market Basket Analysis：把握电商求职核心的购物篮分析是什么？
数据求职常出现的RFM是什么？如何影响电商行业营销策略？
听电商大佬跟你聊聊E-Commerce的数据人生
1. 什么是顾客细分(Customer Segmentation)
简单来说，顾客细分是一个方法，把用户的数据总量来分配成几个细的分组，每个分组都有自己独特的特征。
例子：对用户使用互联网的数据进行分析。可以根据用户的使用互联网时长，使用时间，在早上或者晚上等。
2. 细分的目标
- 1） 用户越来越追求匹配自己的需求。可以把用户信息分成小组去满足不同用户的需求。
- 2） 在开发产品服务时，可以满足特别细分的特别需求，从而增进整体生意
- 3） 可以针对最需求顾客进行细分，追求最有效的投入来获得最大的回报
- 4） 建立估测模型
- 5） 增强模型的表现
既然说到用细分来帮助我们提升增长，那么久不得不提到一个叫做Segmentation, Targeting, and Positioning(STP).
STP主要分为以下三点：
- 1） 对市场或用户细分进行研究
- 2） 选择目标市场
- 3） 确认了目标市场后，需要确定自己在市场的定位
具体到E-commerce dataset是什么样的呢？
- 1） 需要确认用户在哪里
- 2） 用户购买了什么东西
- 3） 产品信息的推广
- 4） 用户付费的情况
- 5） 流量：顾客是如何在网站决策并购买的
细分主要的方法有下面四种：
- 1） 用户消费行为
- 2） 消费心理
- 3） 人文
- 4） 地理
3. 如何制定一个好的细分方案
首先需要关注策略
1） 商业活动
细分策略是否明确商务意义
2） 数据可用性，不同的集群
在有足够的数据后才可以针对数据给出的多样性进行细分
3） 统计分析
- 做市场细分时，变量是不是可以与商业活动产生影响
- 细分市场会不会在将来发生变化
- 把各种独立的模型总结到一起
下面来详细介绍下细分方法：
地理细分
主要根据下面几个点进行细分：
国家 地区 省市 县城 城市 街区 天气 以及密度
人文细分
主要分为以及几点：
- 年龄（使用产品年龄）
- 性别
- 家庭大小
- 收入
- 职业
- 教育
- 信仰
- 种族
- 几代人
- 国籍
很多行业里，人文细分是不被使用的。比如金融类行业是不允许基于种族进行细分
消费行为细分
标准的消费行为细分包含以下几点：
- 随机购买还是固定时间点购买
- 需求的利益
- 用户状态
- 使用率
- 忠诚度
用户行为细分较前面两个相比交复杂，需要持续追踪。
最后就是用户心理细分，与前面的地理细分，人文细分相比使用频率较小。
心理细分主要分为以下几点：
- 社会阶层
- 文化
- 生活方式
- 个人个性
Growth by segmentation
1） 设定增长目标
2） 鉴别用户细分
- 研究设计
- 数据采集
- 分析数据并确定细分市场
- 验证所有结果
3） 发展细分策略
- 选择目标顾客
4） 针对策略发展出执行策略
- 向合作伙伴解释决策过程
- 发展沟通&运营启动计划
- 执行并观察
4. Customer lifetime value（CLTV）
顾客终身价值主要有下面两点：
- 1.预测净利润于与客户的整个未来关系
- 2.评估每个客户的财务价值
如果想要计算CLTV，可以使用RFM
使用Recency (从最后一次购买到现在的时间间隔）乘以 frequency（频率）获得 monetary （总利润），如果大家感兴趣可以观看我们的相关视频。
基于RFM策略寻找目标顾客的话，可以关注以下几点来细分自己的顾客。并根据不同细分的顾客来执行不同的策略。
5. Cluster analysis
除了顾客终身价值以外，还有一个聚类分析(cluster analysis)也十分重要。
首先介绍下聚类分析的基本原理
上图中，X轴设定为学历，Y轴为收入。
在表格内放入三个中心点 1，2，3. 根据数据距离中心的距离从而把数据分为三个组。聚类分析就是不断重复以上分组的动作，直到整体数据逐渐趋于稳定。
聚类分析的长处：
- 易于实施和理解
- 快速迭代
- 聚类分析的短处：
- 硬分配
- 球面假设
- 会陷入局部最优
同学们可以根据自己的需求以及聚类分析的长处短处，从而选择如何使用聚类分析。
以上就是本次想要分享的全部内容了。感谢你的阅读！你还可以订阅我们的YouTube频道，观看大量数据科学相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/
作者：Peter Mei
美工编辑：过儿
校对审稿：佟佟
公开课回放链接：https://www.youtube.com/watch?v=o21DnaN3xiA
