用大數據怎麼做客戶細分

㈠ 如何進行客戶細分以及目標客戶選擇

網路上常有人開玩笑說：小孩子才做選擇，大人們全都要。但是，在市場營銷中，不可能全都要，沒人能夠完全通吃全局。

面對競爭，只有讓自己具備差異化，才能有一線生機。服務對象越廣，市場競爭壓力的壓力越大，所爛虛以，我們需要進行「客戶細分」，選擇目標客戶，聚焦資源，讓投入產出最大化。

「只服務於誰」，才是市場的「後來者」、「弱小者」較為合適的競爭方式。

譬如，電商平台實現「千人千面」後，每一個用戶打開平台首頁，所看到的內容和推薦是不一樣的，都是通過大數據為其量身定製的，這樣的首頁，更適合每一個人自己，每一個首頁都只服務於一個個體，這是大大提升了流量的精準度，間接提升了成交概率。

客戶細分，就是用一個或者同時用幾個維度來將客戶分群。

客戶分群的維度可以是多樣的，如地域、年齡、可支配收入、性別、家庭角色、對某個產品的關注度等等。切分的維度越多，客戶就能夠被分得越細致。但並不意味著需要分得太小，還需要注意市場量級的問題。

目標客戶選擇，是從所有的子客群中，只選擇部分作為主攻目標。通過單點突破的思路，提升自身相對於同行的差異化和競爭力。

例如：長城汽車，只服務於越野車客戶。

背後一般都有客戶細分和目標客戶選擇這兩步。

客戶細分上，把客戶從車型偏好、價格區間進行細分。

目標用戶選擇上，越野車、15萬以下，則是在多個客戶分群中進行取捨而鎖定的目標客戶群體。這個過程需要充分考慮自身的優劣勢、外部的競爭情況等等，避開強大的直接競爭者，另嘩慎辟蹊徑。所以，決定「只服務於誰」這個過程，需要企業領導者有極強的能力和膽識，取捨不易，但選對了，後續的工作開展都將事半功倍。

藉助——網格模型

網格模型是客戶細分亂歷敬和目標客戶選擇的工具。

進行客戶細分的時候，很可能可以把所有客戶細分成幾個到幾十個不等的客戶群，然後從這些客戶群中進行篩選，確定自己的目標客戶，這個過程最大的難度在於要將數據「結構化」、「可視化」，提升決策的效率。

實際應用場景中，不會只有單一的維度把客戶細分出來，而更可能是多維度交錯的。

常規的二維網格，橫縱軸如果都已經滿了，可以通過給切分維度拆分並添加編碼的方法，把其中一軸的維度，進行更細的劃分，如此便能增加維度。例如：

A大類與B大類，B大類下有4小類，如此便突破了二維的限制。

小結：正常來說，客戶細分、目標客戶選擇，是兩個有先後順序的步驟，是兩件事情，前者相當於切蛋糕，採用什麼切法的問題；後者相當於分蛋糕，採用什麼標准去派給不同的人的問題。

核心觀點來自《極簡市場營銷》

㈡ 為什麼大數據」是否可以幫助企業認識客戶、區分客戶呢

因為大數據的系統中可能有類似客戶的行為數據，因此在新客戶進來後，會先在大數據里匹配。如果匹配度高就，就能了解新客戶端需求和行為。

㈢ 如何做客戶細分

根據不同維森蔽散度，對客戶分類，然後找出各類客戶的特徵（如年齡在20-25歲女性客戶都有了解接收品牌化妝品打折信息的需求），然後根據特徵加以利用（對這里客戶推送品牌化妝品打折券）。 客戶細分的思路大概有以此氏下幾類 如果是個人客戶， 1）生理信息（性別、年齡、民族） 2）家庭信息（婚姻狀況、生育狀況、家庭人數） 3）社會信息（職業/行業、職位、收入、教育、宗教、置業情況、價值取向……） 4）消費信息（喜愛品並鏈牌、消費頻率、消費額度、消費結構……） 如果是法人客戶 1）企業規模 2）企業年齡 3）企業性質（股份制 or 私有制、公有制 /家族 or 職業經理人） 4）行業、競爭對手、行業影響力5）地域6）上市情況 7）收入情況、盈利情況８）對本公司忠誠度（續單情況）、收入貢獻情況、推薦成交量、

㈣ 如何利用大數據來深度挖掘互聯網里的潛在用戶

大數據即巨量數據的集合，互聯網、物聯網、穿戴設備等等，在這個互聯網時代，人們留下的行為數據無時無刻不被記錄，造就了巨量的數據，進而出現了大數據分析挖掘等崗位的出現。通過對大數據的分析挖掘，可以發現歷史規律以及對未來的預測，這也是大數據分析的核心目標。

那麼如果利用大數據來深度挖掘互聯網里的潛在用戶呢？下面從業務邏輯流程上來介紹。

1、潛在目標用戶畫像

首先你需要對你的潛在用戶群進行特徵分析，包含：用戶群主要在哪些渠道活躍、共同特徵（喜好、職業、收入、消費力等）有哪些等，通過對用戶畫像，能夠清晰的了解你所要挖掘的潛在用戶群的一些特徵及活動規律，從而為挖掘模型提供數據來源及條件支撐。

例如需要挖掘裝修的潛在用戶，他們的活躍渠道主要在各大家裝網站、家居網、裝修設計網等與房子有關的網站或app，一般這類用戶都會提前在這些網站/app瀏覽做准備。

2、數據採集

在明確了潛在用戶活躍渠道後，可以針對性的採集數據，數據採集後需要對數據做清洗、轉換、載入，將一些無用的數據提前篩選，保證數據的質量。

3、數據建模

這個階段是非常重要的，通過數據的建模去分析出潛在目標用戶，建模是一件非常復雜的工作，需要將用戶的行為數據、畫像數據進行拆分、合並、關聯，從而建立一套或多套數據模型。

還以裝修為例：

（1）消費能力模型，我們可以根據用戶瀏覽傢具的價格、以往消費歷史紀錄、收入等對用戶進行消費能力分析；

（2）優質客戶分析模型，可以根據用戶瀏覽次數、停留時長、購買記錄、信譽度等數據進行分析，從而得出用戶裝修的迫切程度，可以分為高、中、低三個等級。

同時還可以加入用戶的所在區域、小區等維度進行分析（根據具體需要），將模型細分，最後可以通過各個模型關聯碰撞，組合成多種模型，如消費能力強且馬上要裝修的潛在用戶、消費能力強不太迫切要求裝修的潛在用戶等等，這樣可以實現差異化、精準化的運營。（例子舉的很簡單，事實上真正做起來還是很復雜的，各方面因素都要考慮到）

4、開發驗證

數據建模完成後，就需要研發完成並運用到實戰當中，去檢驗數據模型的准確性到底如何，根凳遲山據結果去對模型做調整。

大數據分析本來就是一項對未來將要發生棗中什麼事做的預測的工作，這種不確定性的預測隨著社會發展、時間、地點、旦枯環境、政策等變化而不斷變化，所以我們在做分析挖掘時，需要快速不斷地試錯去調整，從而達到一個比較准確的分析結果。

㈤ 互聯網時代的客戶數據分析與精準營銷

互聯網時代的客戶數據分析與精準營銷
隨著互聯網金融和大數據時代的到來，銀行在IT建設、數據採集方面都投入了大量的人力、物力和財力，CRM系統已普遍建立，基礎建設初步完成。然而從整體來說，中國銀行業由於在數據分析（analytics）領域經驗的缺乏，戰略上誤將此項工作狹義化為IT工作，數據與客戶仍然是隔離的，數據應用主要集中在後端，數據文化尚未形成，數據分析手段仍然比較原始，實際投入產出比不高。
單從客戶細分而言，幾乎所有銀行都在做客戶群分層工作，有的銀行只是粗略分層，有的銀行根據風險與客戶生命周期進行客戶分層，但幾乎很少有銀行能夠從數據挖掘與分析角度精細化地進行客戶細分與決策，而真正懂得如何科學運用數據與模型進行客戶行為分析預判，特別對流失客戶的分析與預判，實施精準營銷的更是寥寥無幾，這必然導致銀行在以客戶為中心的轉型發展過程中，會遇到一系列與客戶發展目標相關的瓶頸，諸如我們常常聽到的如下頭疼問題：
不知道哪些客群應該重視、哪些應該放棄；
客戶流失率很高卻不知其原因，不知道如何進行客戶流失分析與預判；
不知道如何進行客戶預見性營銷與精準營銷；
不知道如何通過數據分析與模型工具促發客戶；
……
那麼，如何解決以上問題呢？我們認為，銀行首先必須要在客戶數據分析這項重要工作里投入必要的資源、人力和物力，並願意採用專業科學的管理方法與指導，從而使數據分析能夠為銀行帶來實質性的效益。本文我們將通過兩個案例的分享助您領悟這項工作的實施要領。
［案例一］客戶數據清理分析與分類
首先，將客戶數據按照邏輯關系、層層深入劃分、清理與分析。先運用數據分析方法將無效客戶界定與排除，隨後開展有效客戶與潛在客戶分析、有效客戶精細化細分、潛在客戶中分離出休眠客戶分析等，通過層層分析與剝離，結合銀行實際情況，得出對銀行有終身價值的客戶群。客戶數據細分示例如下圖：
其次，為了能真正理解客戶，需要挖掘更多目標客戶的內心深處的需求和行為特徵。必須在超越客戶身份、年齡類別、資產數字、交易數據等表象洞察客戶的需求動因和價值觀念，許多洞察客戶對於產品的偏好、支付的偏好、渠道的偏好、交易時間的偏好等等。為此，要對分層後的客戶進行深入的人文洞察與分析，分析結果用於輔助客戶營銷策略制定。
那麼，什麼才是無效客戶呢？例如，某零售銀行帳戶多達350萬，暫無精確的客戶數，賬戶金額0-100元達250萬（占總賬戶的71％，可能為無效客戶），100-1000元達40多萬戶，擁有龐大的代發賬戶。在項目實施之前，該行並沒有認識到，中低端賬戶金額並不等於中低端客戶。銀行也不知代發客戶如何使用其賬戶資金，不知為什麼代發客戶資金流出銀行。
界定無效客戶，需要將數據分析方法與銀行實際情況相結合考慮。
在本項目中，由於考慮到零售業務團隊、IT團隊與財務部門對無效客戶定義不一致，首道資深顧問在數據清理之前,與銀行相關團隊共同協商與定義「什麼樣的客戶在該行算無效客戶」。根據第一輪協商，確定以行內資產(AUM)100元(包括100元)以下，並且過去12個月所有賬戶沒有任何動作（如:存儲提取和匯入）的客戶為無效客戶。後又採用統計分析方法與實戰經驗結合，得出銀行各部門均可接受之分類切點。按此方法切除無效客戶之後，便獲得有效客戶數據。
排除無效客戶之後，重點對有效客戶和潛在客戶進行深入挖掘與分析。
在潛在客戶中，一部分為有效客戶，一部分為休眠客戶。對休眠客戶，採用相關策略進行營銷，觀測效果，根據效果為改進銀行產品提供相關建議。對於有效客戶細分，則可按客戶的消費行為、按客戶在銀行資產額、按客戶與銀行關系長短、按銀行收入貢獻度等進行細分，尤其是對於在本行有低資產額的有效客戶，需估測客戶行外資產，協助進行交叉銷售，對本行客戶產品擁有情況做精細化分析，將零售客戶總客戶數，按照產品條線進行細分。通過數據分析，確定客戶價值。
［案例二］代發客戶流失率分析、客戶維護與精準營銷
客戶流失嚴重是某銀行非常頭痛的難題，如何對銀行的客戶做好維護是該行重點關心的話題。仍然回到之前的問題，該行擁有大量的代發客戶，但不知為何代發客戶資金流出銀行金額較大？針對這個問題，我們的解決方案是：首先對該行代發流失客戶進行相關數據細分與分析，確定流失客戶特徵和屬性，同時分析影響客戶流失的各因素及各因素之間的相互關系。在此基礎上，對流失客戶在流失過程中所處時間段，進行數據分析，確定流失客戶時空特徵，並對流失客戶資產特徵進行深入分析與判斷，進而幫助銀行對已經流失或者有流失預警的客戶，提供相關流失客戶挽留策略。
在項目中我們幫助該行建立了客戶維護率模型，以此做好客戶流失預判和保留，大幅降低了該行的客戶維護成本。通過開發和不斷調試，該模型能夠幫助該行確定客戶流失預期（如預計客戶將在3個月或者5個月流失）與營銷客戶群（如年齡在20-30歲的女性客戶群），並給該行提供與設計相關客戶維護與吸引策略。例如：若要維護這些客戶，避免在預計內流失到他行，則需要配備哪些產品進行營銷？需要採取哪些營銷活動？通過哪些渠道接觸客戶？在什麼時間段最為適合進行客戶挽留？決定哪些客戶值得該行團隊花費成本進行維護挽留？……為該行大幅降低了客戶維護成本，提升了維護效率。客戶維護率模型原理示意如下圖所示。
除了做好客戶流失預判和保留，為了提升該行客戶精準營銷之預見性,並將精準營銷與該行產品(如信用卡)相掛鉤，我們在項目中對該行營銷數據進行收集與分析，並建立客戶反應率模型。首先對該行現有全員營銷數據進行收集，按照不同產品條線細分營銷數據。與此同時，收集營銷客戶屬性數據，將產品營銷數據與客戶屬性數據相匹配，開發與調試反應率模型。反應率模型用以為營銷目標客戶群進行系統評分，並根據實際情況設定界定臨界分值，剔除分值低於該臨界分值的目標客戶群，對符合分值之目標客戶群提供相關營銷策略與產品建議，由此致該行銷售成本大幅下降，客戶對產品反映率明顯提高。客戶反應率模型原理示意如下圖所示。
總之，大數據時代，「一切從數據出發」應該演變為零售銀行日常工作的思維和工作文化。銀行需要努力將大數據推向前台，要以客戶為中心，深刻洞察客戶需求，從而打造個性化的客戶體驗。因此，應該採用傳統數據分析，結合客戶需求深入洞察，找出客戶行為背後的規律。同時運用大數據技術，得出細分群體的行為特徵，從而有目的、有計劃地開展精準營銷和服務。

㈥ 大數據精準營銷如何做

精準營銷的實質是根據目標客戶的個性化需求設計產品和服務，而大數據就是手段。大數據精準營銷做法如下：

1、以用戶為導向。

真正的營銷從來都是以用戶為中心的，而大數據把用戶實實在在「畫」在了眼前，營銷者可以根據資料庫內的數據構建用戶畫像，來了解用戶消費行為習慣、以及年齡、收入等各種情況，從而對產品、用戶定位、營銷做出指導性的調整。

2、一對一個性化營銷。

很多銷售在推銷產品時常常會遇到這樣的問題：產品是一樣的，但是用戶的需求是各不相同的，如何把相同的產品賣給不同的用戶？這就需要我們進行「一對一」個性化營銷。利用大數據分析，可以構建完善的用戶畫像，了解消費者，從而做出精準的個性化營銷。

3、深度洞察用戶。

深度洞察用戶，挖掘用戶潛在需求，是數據營銷的基礎。利用數據標簽，可以准確獲知用戶的潛在消費需求。

例如：我們得知一位用戶曾購買過奶粉，那麼我們可以得知，家裡有小孩，相應的可以向他推送早教課程等適合嬰幼兒的產品。洞察消費者需求後再進行投放，營銷的效果將比撒網式有效且更易成交。

4、營銷的科學性。

實踐證明，數據指導下的精準營銷相對於傳統營銷來說更具有科學性。向用戶「投其所好」，向意向客戶推薦他們感興趣的東西，遠遠要比毫無目標的被動式營銷更具成效。

大數據精準營銷包含方面

1、用戶畫像

用戶畫像是根據用戶社會屬性、生活習慣和消費行為等信息而抽象出的一個標簽化的用戶模型。具體包含以下幾個維度：

用戶固定特徵：性別，年齡，地域，教育水平，生辰八字，職業，星座。

用戶興趣特徵：興趣愛好，使用APP，網站，瀏覽/收藏/評論內容，品牌偏好，產品偏好。

用戶社會特徵：生活習慣，婚戀，社交/信息渠道偏好，宗教信仰，家庭成分。

用戶消費特徵：收入狀況，購買力水平，商品種類，購買渠道喜好，購買頻次。

用戶動態特徵：當下時間，需求，正在前往的地方，周邊的商戶，周圍人群，新聞事件如何生成用戶精準畫像大致分成三步。

2、數據細分受眾

在執行大數據分析的3小時內，就可以輕松完成以下的目標：精準挑選出1%的VIP顧客發送390份問卷，全部回收 問卷寄出3小時內回收35%的問卷 5天內就回收了超過目標數86%的問卷數所需時間和預算都在以往的10%以下。

3、預測

「預測」能夠讓你專注於一小群客戶，而這群客戶卻能代表特定產品的大多數潛在買家。當我們採集和分析用戶畫像時，可以實現精準營銷。這是最直接和最有價值的應用，廣告主可以通過用戶標簽來發布廣告給所要觸達的用戶。

這裡面又可以通過上圖提到的搜索廣告，展示社交廣告，移動廣告等多渠道的營銷策略，營銷分析，營銷優化以及後端CRM/供應鏈系統打通的一站式營銷優化，全面提升ROI。

4、精準推薦

大數據最大的價值不是事後分析，而是預測和推薦，我就拿電商舉例，"精準推薦"成為大數據改變零售業的核心功能。

數據整合改變了企業的營銷方式，現在經驗已經不是累積在人的身上，而是完全依賴消費者的行為數據去做推薦。未來，銷售人員不再只是銷售人員，而能以專業的數據預測，搭配人性的親切互動推薦商品，升級成為顧問型銷售。

㈦ 1大數據是如何助力文旅市場細分、目標市場選擇和市場定位的

大數據可以通過採集、分析和培岩挖掘旅遊行業相關數據，實現對文旅市場的細分灶中櫻和目標市場的選擇。同時，大數據還可以根據用戶的消費習慣、需求和行為等信息，對市場進行定位，並提供個性化的隱叢推薦服務和營銷策略，從而幫助企業更好地滿足消費者的需求，實現市場規模的擴大和效益的提升。

㈧ 如何利用大數據進行客戶關系管理

如何利用大數據進行客戶關系管理

近幾年「大數據」一直被炒得很火熱，如果你留心觀察，會發現我們身邊各行各業都在說「大數據」。大數據究竟是什麼？至今沒有一個被廣泛採納的明確定義。但 一般來說，大數據具備以下4個特點：第一，數據體量巨大，計算量大；第二，數據來源多樣，包含多種類型的數據；第三，數據價值密度低，整體價值卻彌足珍 貴；第四，數據收集、處理、分享、分析速度要求快。運用大數據進行客戶關系管理的企業有很多經典的例子，比如披薩店在客戶要求購買海鮮披薩時，根據客戶體檢記錄、借閱書 籍及家庭情況等等，向其建議更符合客戶的小一號蔬菜披薩；沃爾瑪根據數據挖掘發現，尿布和啤酒的聯系在於，太太讓先生買尿布時，先生會犒勞自己兩聽啤酒。 其中，我們不難發現運用大數據管理客戶關系，最重要的方面就是數據的統計分析。藉助客戶關系管理系統做數據分析，可以幫助你實時處理數據、預測分析、指導下一步行動，讓企業了解客戶需求、識別和利用商業機會、提高產品和服務質量，提高決策質量和速度，更快、更准地贏得客戶「芳心」。但要運用大數據進行客戶關系管理，必須做好以下幾個方面：1、建立全面、准確的海量數據。簡單了解客戶的姓名、聯系方式和住址是遠遠不夠的，那隻是了解客戶的基礎。如果企業自己都不了解哪些是新客戶、哪些是老客戶、客戶購買過什麼商品、參加過企業組織的什麼活動等等都一無所知，那麼客戶關系管理工作的實施註定會是失敗結尾。2、精細化管理。企業應該將經營管理中的每一個環節都精細化管理，比如藉助CRM將每一個任務都具體到事件，每一件工作都落實到底，每一個問題及時檢查，每一個數據都分析徹底，每一個客戶都服務到家，企業會在這樣的細節中成長。3、數據挖掘。分析數據是為了建立更有指導意義的戰略行動，挖掘更有價值的信息。通過CRM系統中挖掘的數據信息，企業可以用來提升產品質量、提高服務效率、開發符合市場需求的新產品、做更多符合地域、人群需求的營銷活動等等。

以上是小編為大家分享的關於如何利用大數據進行客戶關系管理的相關內容，更多信息可以關注環球青藤分享更多干貨

㈨ 精準大數據如何獲取精準客源

大數據獲客是近幾年興起的企業獲客方式，主要是針對2B企業的，幫助銷售挖掘精準企業客戶資源。

這類大數據獲客平台，爬取整理了全網的企業數據信息，並且自動進行數據清洗，每日動態更新，過濾掉無兄和效過期的信息，有效率比較高。

最重要的是可以根據局李不同行業的目標客戶畫像，設置篩選條件，精準篩選出企業的目標客戶名單，對於銷售型企業拓客來說是非常高效的，還可以降低整體獲客成本。

現在科技這么發達，獲取客戶信息的渠道也是多樣化桐塵遲的，只要在軟體上輸入你需要的客戶行業跟地區，精準的客戶手機號就能一鍵提取出來，並且一鍵導入通訊同步微信好友，客源的問題解決了剩下的就是跟客戶談生意了。

㈩ 大數據工程師如何進行數據精準分析

1、首先需要收集客戶的各種數據。比如客戶的交易時間、交易次數、消費金額、主要購買產品等等，數據一定要真實並且准確，否則就沒有任何意義。
2、將收集到的數據進行分析。通常是將客戶分為有效客戶和無效客戶，有效客戶通常指的是活躍和不活躍的客戶，然後再將不活躍的客戶進行下一步的細分，因為這一類的客戶是最有可能再轉化回活躍客戶的。
3、通過分析獲得了客戶的分類，然後就需要對客戶進行管理，建立有效的客戶管理制度，定期進行檢測，通過客戶分析會、例會等討論出客戶活動的方案，有的放矢針對客戶的情況進行下一步的營銷。
4、除了用有效無效來分析客戶，還需要通過客戶所帶來的價值來分析客戶。也就是說那些能夠為公司帶來大利潤的客戶就是高價值客戶，數量佔少數，但是重要程度高，這部分客戶通過分析應該是公司重點提供支持去維護的客戶。
5、需要注意的是客戶分析不是一成不變的，需要定期進行分析維護。因為隨著生意的變化和外界環境的變化，客戶本身就存在著變化，很有可能今天這個重點客戶由於公司業務調整變得不再重要，那麼這種情況就需要重新劃分客戶的等級。