这篇文章粗浅的回答两个大问题。
1. 为什么要做数据分析?
2. 如何做客户细分?
1. 为什么要做数据分析?
希腊有一个著名的谷堆悖论。“如果1粒谷子落地不能形成谷堆，2粒谷子落地不能形成谷堆，3粒谷子落地也不能形成谷堆，依此类推，无论多少粒谷子落地都不能形成谷堆。但是，事实并非如此。”
这个悖论说的，就是告诉我们量变产生质变，需要一个明显的分割线。如果说，量是一个量化的数据，质是一个结论的话。那么，数据分析做的，就是要分析量，从而引向“定性”、”定质"。定量的了解历史的规律(“质”)，从而预测未来。
关于了解历史规律，常见的数据分析思路，如上图，大概介绍四种。分组对比、趋势分析、异常分析、排名分析;目的主要是三个：
1.找到周期规律
2.找到各个分类的特征
3.找到异常、极值
了解历史，是为了更好的预测未来。
找到了周期规律，我们就可以知道哪些波动是正常的不用惊慌，哪些是需要注意的。
了解了特征，我们就可以总结一些相同分类的事务，可能也具备这一特征;
了解了异常和极值，我们就可以深入分析，找到解决它的原因去规避，或者采取措施去发扬极值。
2. 如何做客户细分?
客户细分，可以简单理解为数据分析中“分组对比”的一个应用。根据不同维度，对客户分类，然后找出各类客户的特征(如年龄在20-25岁女性客户都有了解接收品牌化妆品打折信息的需求)，然后根据特征加以利用(对这里客户推送品牌化妆品打折券)。
客户细分的思路大概有以下几类
如果是个人客户
1.生理信息(性别、年龄、民族)
2.家庭信息(婚姻状况、生育状况、家庭人数)
3.社会信息(职业/行业、职位、收入、教育、宗教、置业情况、价值取向……)
4.消费信息(喜爱品牌、消费频率、消费额度、消费结构……)
如果是法人客户
1.企业规模
2.企业年龄
3.企业性质(股份制 or 私有制、公有制 /家族 or 职业经理人)
4.行业、竞争对手、行业影响力
5.地域
6.上市情况
7.收入情况、盈利情况
8.对本公司忠诚度(续单情况)、收入贡献情况、推荐成交量、
9.客户服务对象
……
另外，如果你抽取不出分组维度的话，还有“聚类”算法来帮你“分组”。相关的聚类算法很多，比如K-means、神经网络什么的，大家可各自百度之。
转载请注明出处：唯众网络
