想把客户追到手到底有多难？
“在下手之前，先想一想你要追的人是谁？”
▼
“我们的目标客户是哪些人”？听起来平常无奇的问题，却是任何一类商业模式的根基。在日常的营销工作中，“客户细分（customer segmentation）” 可以说是一种通用的法则，而明白我们的客户是谁、他们都有哪些特征，将帮助公司进一步明确自身的市场定位和战略方向，精准发力。
过去，在没有充分的数据支撑之前，有限的行业经验、甚至营销专家的直觉都能够成为“客户细分”的参考依据。然而，大数据时代的来临让“客户细分（customer segmentation）”变成了一项更为复杂，同时也更为细致的技术活。当数据复杂性和丰富程度不断提升，传统“客户细分”的方法逐渐显现出了一定的弊端——因为在一段时间内，客户的需求特征已经发生了巨大的变化，而用于分析的客户数据可能仍是陈旧的。
如何才能及时捕捉到客户在不同阶段的行为或偏好变化？基于人工智能（Artificial Intelligence）和机器学习(Machine Learning)，欧唯特CRM解决方案团队和德国明斯特大学信息安全研究中心“全域实验室”（RCIS Omni-Channel Lab of the University of Münster）的专家联合研发了一种基于“数据流聚类”（stream clustering）的创新算法，它不仅能针对较长一段时间内的数据流（如交易数据）进行数据识别和监测，更能自主地逐步更新字段——即实时标明新兴字段，淘汰老旧字段，在持续输入新数据的同时完成“聚类”，而最终生成的数据结果也可直接应用，无需重新计算。
▼
实际案例
在某家居零售品牌的170万交易数据分析过程中，这种创新方法已经得到了真实的应用和认可。首先，现有的客户群体以“退货率”和“购买次数”这两个维度进行分类——结果显示，大部分人群购买量少且退货率低，但也有一些人群不仅购买频率高，退货率也高。
这一方面说明，那些购买上百件家居物品的人有可能是经销商；另一方面，显然仍有一些人对产品或服务很不满意——因为他们几乎每次都退回了自己所购买的产品。
接下来，相关数据分析进一步扩展到对消费者线上购物频次、客单件和最后一次消费时间的评估上。通过这种方式，更细致的群体将被逐一划分出来。为了使区分维度更精确，欧唯特CRM团队着重研究某一个特定时间点和总体平均值相比的数据偏差，并据此展开思考：这组人群和大部分普通客群的区别特征是什么？
▼
五大客户类型
从数据出发，欧唯特CRM团队根据最主要的消费特征划分出不同客群对于品牌的价值，并据此调整了相应的沟通策略。然而，不难发现，真正需要品牌对其沟通策略做出调整的对象并非是占比最大的群体，而是一小部分在当下的消费背景中特征最为突出、且能为公司带来利润的“有购买力的”群体——在该案例中，该公司在当下的阶段，最需要跟进的是热衷于在线上频频购买家具的人群，而非线下路过门店走走逛逛的“看客”。
实际上，做好“客户细分”的根本目的就是“将正确的信息通过正确的渠道传递给正确的人”，而基于“数据流聚类”的创新处理方式，“客户细分”的过程更像是一个对数据库进行实时更新的过程。通过分析最前沿的数据信息，该方法能够帮助品牌描绘出一幅持续变化的客户画像，从而得出一个特定时间段内最具时效性的客户洞察，找到最值得去进一步沟通的“有利润的客户”（profitable customers），助力品牌自如应对市场变化，建立最有效的营销发力点，顺水推舟，快步“追”上自己的目标客户。
评论
评论
推荐评论
暂无评论哦，快来评论一下吧！
全部评论（0条）