浅谈零售业客群分类机制

在市场调研和用户研究中，企业通常会根据自己的定位和目标，选择适合于自己的客群分类模型，不同类型企业分类依据各有不同。

过去半年，腾讯CDC有幸与客群分类方法非常不同的零售企业A和企业B分别进行了合作研究，发现企业A的客群分类简单明了，企业B全面细致，那么应该怎样选择最优的客群分类方法？腾讯CDC研究员在此对比了企业A和企业B的分类机制，希望能给大家带来一些启发。

1企业A

分类关键变量：客单价

客单价是衡量购买力的重要指标。企业A根据用户过去一年的行为，计算出用户过去一年的平均客单价，以400元客单价为界，划分出客群，此后在高价值用户中根据过去一年的购买频次和注册时间又细分出三种客群类型。

企业A客群分类，来自腾讯智慧零售数据

这种以客单价为分界的分类机制简单明了，清楚的界定了高价值用户。但在调研中，CDC的研究员发现，低价值用户中存在消费频次高，客单价低的用户（由于消费频次高，客单价相对较低），他们的消费总额与高价值用户相似，甚至高于某些高价值的用户。

如果使用这种客单价一刀切的客群分类方式，这些低客单高频用户是否属于被遗漏的高价值用户？客单价高，但频率非常低的用户是否属于被高估的低价值用户？相比较，企业B的分类方式维度多，更为全面。

2企业B

分类关键变量：上一次购买时间，购买频次，订单贡献金额

企业B根据用户首单时间先划分大类，然后根据购买频次和订单金额综合再细分有效、活跃、忠诚等维度客群。

企业B客群分类，来自腾讯智慧零售数据

此后在忠客群体中根据人群特点，购买行为，订单金额等进一步细分为上班族女，上班族男，健身达人，宝妈，家庭主妇/夫和其他群体。

企业B客群分类，来自腾讯智慧零售数据

我们看到企业B的分类较企业A的分类维度多。在进行忠客的识别中，考虑了上一次购买时间，购买频次和订单贡献金额，较为全面，与客群分类的RFM模型相符合。

在RFM模型中，R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。根据RFM，可以分析对企业价值高的用户分别是哪些，例如：

重要价值客户：最近消费时间近，消费频次和消费金额都很高

重要保持客户：最近消费时间较远，但消费频次和金额都很高

重要发展客户：最近消费时间较近，消费金额高，但频次不高，忠诚度不高

重要挽留客户：最近消费时间较远，消费频次不高，但消费金额高的用户

RFM客群分类示意，原图片来自百度百科

基于RFM的用户分类，可以针对不同的用户群体制定相应的营销目标和营销方案，例如，对于重要的挽留客户（最近消费时间较远，消费频次不高，但消费金额高的用户），营销的重点可以是如何触发下一次购买，防止流失。同时，对于每一类用户群体，可以进一步细分（例如企业B对忠客进一步分为5组人群），理解各类用户群体深层的需求，企业最核心价值的用户是哪一群人，企业为他们提供了什么价值，以此可以协助企业发展状态的判断，企业发展目标战略的制定等。

相对比企业A的客单价分类法，企业B的RFM分类法优势突出，既识别了不同价值的用户群体，亦无遗漏。那么如何才能实现RFM模型分类呢？从数据来源来看， RFM分类需要更多的用户行为数据，也就是更多数据的触点；同时，RFM对用户的分类不是一成不变，静止不动的，高价值的忠实用户可能因为营销不当而流失，而流失用户也可能再度被召回变成忠实用户，需要对用户的动态进行实时监测和更新。

这对传统的，以线下业态为主的企业是一个巨大挑战：数据触点的不完善，难以对用户进行较好的分类和价值识别。为了帮助零售企业解决这个难题，腾讯智慧零售通过多元化的解决方案协助零售企业提升数字化的能力，帮助零售企业精准的服务客户。

除了RFM模型，还有其他许多帮助评估用户价值的方法，例如CLV模型（客户生命周期价值），因为客户生命周期的影响因素非常多，CLV模型的计算公式非常多，例如：

CLV（客户生命周期价值）=LTV（客户终身价值）-CAC（获客成本）-COC（客户运营成本）

CLV（客户生命周期价值）=P（客户年度贡献）/r（年度流失率）

其中每个变量如何计算也有不同的方法。还有根据会员最近一次访问时间R（Recency）、访问频率 F（Frequency）和页面互动度 E（Engagements）的RFE（用户活跃度）模型等。

客群分类方法多样，各有利弊，如何选择，腾讯CDC团队也在不断的积累研究和实践。