‘数据分析实战’——STP分析案例（甲保险公司客户分类分析）

第6章 STP分析案例解析——甲保险公司客户分类分析
6.1 研究目的：精准营销
对车险客户分类调研分析，开展精准营销，以期建立起自身的相对优势

6.2 研究内容：客户分类维度
客户分类的5种维度
 自然属性因素
 社会特征因素
 行为特征因素
 态度偏好因素
 生活状态与个性因素
前三类属于事前分类维度；后两类属于事后分类维度

6.2.1 事前分类维度
事前分类维度：当接触客户时，很容易判断出客户性别，谈吐和行为，故这些维度是表露在外的，因此叫做事前分类维度，如自然属性，社会特征和行为特征等

6.2.2 事后分类维度
事后分类维度：在尚未开展客户分类项目前，企业很难快速判断出客户的类别，常需要依赖于客户分类项目（事后）来认知客户的类别，因此叫做事后分类维度，如态度偏好，生活状态与个性因素等。

利用事后分类维度做客户分类，可保证分类的深入性，利用事前分类维度做细分客户的描述和检验，可保证细分客户的可接触性和差异性

6.4 数据分析架构
STP分析法：
 客户细分
 目标客户选择
 目标客户定位

6.4.1 客户细分

1. 明确从哪个维度对客户进行分类
2. 选择合适的细分方法
3. 用选定的细分方法对客户进行聚类
    客户要聚成几类
    每个客户具体属于哪一类
    聚类结果是否有效
    聚类出的各类客户各自有什么特征

6.4.2 目标客户选择

1. 明确按什么标准选择目标客户
2. 根据各细分客户在指标上表现，计算客户吸引力和企业竞争力得分
3. 采用矩阵分析，找出吸引力和竞争力较好的细分客户作为目标客户

6.4.3 目标客户定位
 目标客户有哪些特征
 目标客户有哪些偏好

6.5 数据分析与输出结果
6.5.1 确定分类维度
事后分类维度优于事前分类维度

6.5.2 分类维度的数据消减
相关性会造成重叠信息的扩大化，增加分类偏差，因此需要剔除语句间的相关性；剔除方式是因子分析。

因子分析：数据消减的常用方法，通过数据聚合，用少数不相关的因子反映多个具有相关性的原始信息，起到剔除相关性和降维的作用。

1. 适用性检验
   因子分析前提是原始维度具有相关性，故适用性检验是检验原始维度间是否存在相关性，若无相关性，则不适合做因子分析。
   适用性检验方法:
    KMO检验
    Bartlett球形度检验
   

2. 因子提取
   上述检验过程还可得到公因子方差和解释的总方差，用于因子提取。
   
   首先，由公因子方差可知，提取的因子对上述9个语句解释力度均超过60%，说明提取因子对原始维度具有一定的解释力。
   

其次，从解释的总方差可知，按特征值>1标准，应提取前4个因子，可看出前4个因子的累积方差贡献率为69.712%，表明前4个因子可以解释总体信息量的69.712%

3. 因子旋转
   成分矩阵：用于判断是否需要因子旋转
   
   上表中的数值称为因子载荷，表示因子对维度信息的解释程度。
   如前所述，因子分析目的是剔除相关性，使各个因子具有差异化特征，而目前成分矩阵没有达到既定效果，故需要进行因子旋转。

因子旋转方法：最大方差法

由上图可知4个因子在9个维度上特征被明显区隔开，4个因子具有差异化特征。

？注意：需要仔细研究下因子分析的原理

4. 因子命名
   旋转后的成分矩阵有效区隔了4个因子的维度特征，为直观呈现各因子维度特征，可整理表
   
   因子1可命名为享受型因子
   因子2可命名为居家型因子
   因子3可命名为外向型因子
   因子4可命名为自信型因子

5. 计算因子得分
   因子得分指每条记录在所提取因子上的得分，得分越高，说明该记录越具有该因子特征。
   
   

再用每个客户在不同特征的分值，乘以对应的成分得分矩阵，得到每个客户在四个因子上的总得分

6. 设置因子变量
   由图可知，每个客户都有4个因子的得分，根据得分大小，可判断出这些客户的因子类型。
   Ex：第一个客户在因子2上有最高分为1.616，故为“居家型客户”

6.5.3 分类维度的数据转化
细分维度有两个
 因子类别：分类型数据
 保费金额：数值型数据
由于上述两个量纲不一致，故需进行标准化来统一量纲

注意：上面这些先通过将各客户问卷调查的评分转换为分类型变量，即确定要对客户如何进行划分及确定需要分成几类；
下面介绍的是基于上一步所得到的分类型数据（因子类别）和数值型数据（保费金额）在进行标准化后，对其进行聚类，从而进一步将客户划分到不同的类别中

6.5.4 细分方法的选择
在确定了分类维度后，可用这些维度对客户进行细分
单一维度细分方法：交叉分析方法，如用性别维度细分客户
多个维度细分方法：
 监督类细分：logistic回归，决策树，神经网络等
 非监督类细分：聚类分析方法

聚类分析：根据亲疏远近程度将相似客户聚在一起，使类内差异小，类间差异大
 层次聚类
 迭代聚类

1. 层次聚类
   逐层合并，根据样本距离，将距离最近的样本合为一类

2. 迭代聚类（K-means聚类）
   

3. 两种聚类比较
   
   6.5.5 聚类分析

4. 确定类别数
   因子类别和保费金额的量纲不同，故聚类分析需要这两个变量标准化后的结果

5. 保存聚类成员
   考虑到各类客户人数要相对均匀，故初步判断聚成5类

6. 聚类效果检验
   通过方差分析对聚类效果进行检验，表明聚类细分出来的客户在保费金额和生活状态方面均存在显著性差异，聚类效果良好。
   

7. 细分客户命名
   根据客户在因子类别（反映生活状态）和保费金额（反映消费档次）上的差异化表现，对各类细分客户进行命名。
   另外，由于‘因子类别’为分类型数据，故可使用交叉分析来刻画各类客户在生活状态上的差异。
   

由于‘保费金额’为数值型数据，故使用比较均值来刻画各类客户在消费档次上的差异。

6.5.6 目标客户选择
将客户划分类别后，需要选择目标客户
对于选择客户，需考虑两个问题
 客户吸引力
 企业竞争力
刻画客户吸引力指标有客户规模，增长率，利润空间，生命周期等
刻画企业竞争力指标有企业市场份额，品牌口碑，资源实力等

1. 确定衡量指标
   
   根据市场定位及战略目标确定，通过对这些指标加权平均，计算各类细分客户在客户吸引力与企业竞争力上的综合得分。

2. 计算客户吸引力
   通过频数统计，可得到各类细分客户规模
   
   各类细分客户平均保费金额
   
   由于甲公司坚持低成本策略，故更关注客户规模，赋予客户规模和保费金额权重分别为60%和40%
   
   注意：甲公司客户吸引力计算是通过对甲公司的客户规模的权重 * 市场客户规模标准化数据+甲公司客户消费金额权重*市场保费金额标准化数据

3. 计算企业竞争力
   对‘细分类别’和‘保险公司选择’进行交叉分析，可得到甲保险公司在细分客户的市场份额
   
   注意：这说明统计客户数据不单单只是甲公司，而是涵盖了市场上所有4家公司的样本数据

4. 绘制矩阵图
   
   
   由上图可看出甲公司目标客户主要为中端外向型客户

6.5.7 目标客户定位

1. 目标客户特征描述
   通过方差分析判断甲公司目标客户（中端外向型客户）与其他细分客户在哪些特征上存在显著性差异
   Ex；以性别为例
   

同理可知，甲公司目标客户与其他细分客户还在年龄，城市，家庭月收入，购买车险的汽车价格存在显著性差异。

注意：该案例里是先用所有客户对应的所有公司进行客户类别划分和聚类，之后在通过挑选出选择购买甲公司客户来研究购买甲公司客户存在哪些不同的特征

2. 目标客户需求定位
   对目标客户需求分析也是先做方差分析，再做交叉分析或比较均值。
   
   

交叉分析
Ex：


比值分析
Ex：

6.6.1 分析思路

6.6.2 分析主体

6.6.3 结论建议