[转]电信行业关于“客户细分”主题

写在前头：
感谢版主支持。
我想通过这个帖子与大家交流一下自己对“客户细分”的看法，也希望自己这些“砖头”能引来大家的“美玉”。
国内数据挖掘刚刚起步，目前成熟的案例也不多，数据挖掘应该如何开展还有很多值得探讨的地方，当然这也是乐趣所在。
声名一下本人背景：计算机出身，搞数据挖掘应用有一年时间左右，目前从事于电信行业。这些可能使我对“客户细分”的理解有一些局限性。
一句话：希望大家能踊跃发表自己的观点，只要是你认为与“客户细分”相关的，包括但不限于：
1、客户细分的定义
2、客户细分在技术上的实现方法
3、客户细分在业务上的应用（各个行业）
4、客户细分项目的开展方法
5、客户细分项目成功的要素
6、如何处理客户细分项目中人的因素
7、企业的管理和技术现状对应用客户细分存在哪些影响
8、。。。。等等[@more@]

客户细分的定义
客户细分是一个来自管理和营销领域的概念（俺不是搞这个的，没说错吧，具体是哪位管理或营销大师的概念有没有知道的？）。基本的出发点是每个人作为消费者其对同一种产品的具体功能需求和关注点是不同的，因此作为为用户服务的企业，必须尽可能的考虑这些差异，发现这些存在于客户整体内部的具有不同特征或消费习惯的客户群体，然后再根据每个群体的特征执行针对性的管理或营销策略。这个把客户分成不同群体的过程称之为“客户细分”。
就营销的理论来说，营销的手段可以分成几个层次：首先是“Mass Marketing”大众营销，对所有用户进行不考虑用户个性的宣传；然后是基于细分市场的营销，把客户分成几个大的群体，然后针对每个群体进行有针对性的营销；客户细分的极至是把每个客户分成一个群体，也就是“1：1 Marketing”一对一营销。
客户细分的好处不言而喻，只有更深入的了解客户才能更好的服务客户嘛。
哎呀，这都不是我的专长，请管理和营销方面的大侠补充吧。

客户细分的方法
在我看来把“一大堆客户分成几小堆客户”这件事，总的看来有2大类方法，一种是“手工方法”，一种是“自动方法”。
所谓“手工方法”，就是说主要还是靠人来进行，业务人员依据其自己的业务知识，自己对客户的了解，或者为了某种营销或管理上的目的，就是要强行把用户按照某种标准来分类，也就是说只要事先划分的原则和标准是已知的，这时的客户细分就是手工的。比如按照客户价值的多少把用户分成“高价值”“中价值”“低价值”，把按用户数把客户分成“集团用户”和“个人用户”等，就是如此。当然虽然细分的原则已经确定，比如按照“价值”或“用户数”，但具体的标准还是需求通过分析来最终决定的，比如究竟价值多高算高价值客户，有多少用户的客户算集团用户等，当然这里面应用的业务领域的知识多一些，但仍然需要分析的支持。
“自动方法”就是咱数据挖掘的人干的活了，直接把用户的各种数据输入聚类算法，让计算机依据数据自身的特点来帮我们决定采用什么指标如何把用户分成哪些群体。
两种方法，各有个的用途，各有个的好处；当然就对咱们这些DataMiner来说，主要还是进行第2种方法的客户细分，下面具体的细分方法也主要是对此来说的。

楼上这位朋友看来也是此道中高人，确实如此，客户细分的关键是对分析维度的选择，
客户细分的维度都有哪些呢？
我们可以从一个“客户”所具有的特征来考虑，如果一个客户对应的是一个自然人（这是大多数的情况），可供考虑的维度包括：
1、人口统计特征：年龄（段）、性别、地理（省、市、县、城区/农村）等
2、社会特征：婚姻家庭状况（未婚、子女个数）、行业（政府、农民、IT）、职业（销售、开发）等
3、性格和心理特征：保守/时尚、价格敏感/功能敏感、等

当然最重要的还是客户的消费行为，就电信行业来说包括

4、通话行为：来去话、漫游、长途、短信、上网、增值业务等
5、缴费行为：是否欠费、个人付费/报销话费
6、。。。。

当然还有很多，就不一一列举了。
具体选择哪些维度关键是看由客户细分的目的和所能得到的数据等因素，前3种可能涉及市场调查多一些，主要是得到市场抽样数据用市场分析方法；后面的产生自业务IT系统的反映用户消费行为的数据我想才是我们数据挖掘者的工作重点，也符合数据挖掘所适应问题的特点：数据量大、角度复杂、人工难于理解。

从业务人员角度看，客户细分和客户分群有差别吗？转贴我的观点

客户分群是笼统的说法，我理解就是将客户按照不同的标准进行归类和分析，大家讨论的都对，但问题在提出这一分析主题的客户没说清楚按照什么标准进行分群。
在移动编制的经营分析规范中，定义了7大类客户属性，包括背景属性、联系属性、状态属性、行为属性、帐户属性、服务属性、扩展属性。其中前六个属性可以从客户的基本信息中直接获取，也称基本属性，而扩展属性则需要进行分析才能获得，比如消费层次、离网概率、成为大客户的概率、活跃程度、挽留价值等，客户价值也是其中之一。客户分群应该根据不同的需求，对属性或属性的组合将客户归类，就是我理解的客户分群。
基本属性可以直接获取，但扩展属性主要靠分析和挖掘获取，所以我们要做专题分析，要做数据挖掘。从上述讨论中可以看出，扩展属性对于市场营销和客户服务的指导性更强，所以数据挖掘也不单纯是技术问题，一定要和业务结合，将业务人员的思想与经验融合进技术中，数据挖掘才可能获得成功。
客户属性的使用者实际是业务人员，从他的角度来看，他并不完全在意这个属性经过几级处理，而只在乎结果。业务定义的问题是关键，从国外应用的模型来看，他会给你介绍“活跃程度”对企业运营产生多少多少影响，但问到具体活跃程度的定义，一般来说就没有声音了。这是因为这种定义必须由业务人员基于经验和本地的特点去考虑。和他类似的例子可能是“客户积分”，积分的算法拍脑袋也能出来，但如何使积分的算法趋于合理，能够用一个指标表现出更多的信息，可是需要反复探索、逐步修正的。所以许多很“虚”的属性需要通过时间的积累，慢慢地明确需求，最终达到可量化的程度。

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/640706/viewspace-1018454/，如需转载，请注明出处，否则将追究法律责任。

转载于:http://blog.itpub.net/640706/viewspace-1018454/