一次客户细分的实践

这是傅一平的第288篇原创

作者：傅一平

个人微信：fuyipingmnb

存量维系系统，是十年前打造的一个集客户细分、产品策略、政策匹配、渠道执行及效果评估等众多功能的系统。

虽然这个系统早已化为历史的尘埃，但其阐述的理念，即使现在看来，也毫不过时，甚至是非常先进的，以下是总体框架，笔者重点来谈一谈，再过几年估计笔者也会忘记了。 

一、三种细分方法

存量客户维系的本质是通过改善产品和服务来提升客户和企业之间的双赢关系，增加客户的满意度和忠诚度，从而达到客户维系的效果，主要体现在三个方面：客户保有、话务激发及新业务提升。

1、打造三大指数，精准定位保有客户

价值指数:   客户价值评估的目的是准确衡量客户对公司的贡献大小，从而识别存量客户的重要性，最终实现公司资源与客户之间的良好匹配，提升公司的综合价值。

这里的价值指数改变传统的以单一维度来衡量客户价值的模式，从收入、成本、忠诚度和影响力等几个角度综合考虑，采取AHP专家打分法，全面、系统、综合地对客户的价值进行评估，最终将客户分成高价值、中高价值、中价值和低价值四类。

比如某一客户平均ARPU不到83元，按照传统评估方式不会被定义为中高端客户，但该客户贡献高达100%、交往圈达到50以上，且交往客户的平均贡献高，应该作为重点维系的对象。

粘性指数：客户粘性指数的目的是衡量公司对客户创造的价值，从而识别存量客户的稳定程度。

利用决策树数据挖掘模型，从客户基本粘性、虚拟网粘性、新业务粘性、捆绑粘性和交往圈粘性等五大类共计50多项粘性指标来综合评估客户的粘性，并根据粘性指数将客户分成高粘性、中粘性和低粘性三大类，从客户粘性模型的评估来看，粘性指数模型能够比较准确地反应客户的稳定程度。

异动指数：客户异动指数评估的目的是衡量客户的异动情况，从而识别存量客户维系的紧急性程度，产生异动的客户的维系紧急程度高，无异动客户的维系紧急程度低。

利用决策树数据挖掘模型，从客户状态异动、费用异动、消费行为异动和异网异动等四大类共计30项指标来综合评估客户的异动情况，并形成客户异动指数，最终将客户分成有异动和无异动两类，当客户出现异动时，可以较传统模式更高效及时地开展相应的维系工作。

通过三大指数组合得到24类特征客户，依据价值、粘性及异动特征选出14类该保有的目标用户，如高价值高粘性有异动客户、中高价值低粘性有异动客户等。通过关联客户统一视图得到保有客户的特征视图，包括年龄、在网时长、终端偏好等等，为后续保有政策精确制定奠定基础。

2、聚类语音消费，精细划分话务市场

以各种话务类指标为基础，具体分析客户的语音消费行为习惯，采用聚类模型对存量客户进行聚类，细分为省内长漫组、外地务工组等多个群体，为后续话务激发营销打下基础。

3、挖掘新业务行为，精确洞察潜在客户

采取数据挖掘建模和业务经验建模两种方式，根据存量用户各新业务的使用情况，实现客户细分，飞信的逻辑回归模型是我自己做的第一个挖掘模型。

二、三套产品体系      

有了客户细分，我们还需有足够丰富的适配产品，否则你这个客户细分是没有抓手的。10年前运营商的资费产品还是以语音为主，这里根据营销需要分成三类：保有产品、话务产品、新业务产品。

三、三个匹配矩阵

1、打造保有矩阵，实现客户与维系产品匹配

基于客户细分和产品体系，采取矩阵的方式设计保有客户群与保有产品政策的匹配关系。如下图所示，矩阵中的每一行都是针对某一细分群体的一个维系活动，通过对细分群体特征的设定和维系政策的设定，实现细分群体和政策之间的1对1匹配。

保有矩阵，仅是示意

比如对高价值中粘性有异动客户，且有智能机偏好，在网2年以上客户，主动推荐X价位的智能机捆绑政策；对中高价值低粘性客户，推荐充XX返YY预缴捆绑策略。

2、构建话务矩阵，实现客户与话务产品的匹配

基于语音消费行为聚类的结果，结合客户的特征，如长途通话情况、漫游通话情况、忙/闲时通话情况等，对客户进行组合细分，采取矩阵的方式设计存量客户与话务产品体系的匹配关系。

话务矩阵，仅是示意

比如对于在语音消费行为聚类结果中，用户属于外地务工组的，该类客户省外被叫话务量较高，且国内长途主叫话务量最高的对端为安徽的，则确定其推荐政策为安徽长途通。

3、构建新业务矩阵，实现客户与价值产品的匹配

以新业务潜力客户的细分为基础，结合客户的其它属性，如GPRS使用情况、终端情况、短信使用情况等，1对1精确匹配用户的新业务营销政策。

新业务矩阵，仅是示意

比如智能手机流量消耗较多，针对换机成IPHONE的用户，如果用户之前未订购GPRS套餐，则向客户推荐GPRS5元包，如果之前已订购了GPRS套餐，则向客户推荐含更多流量的套餐包。

四、三点感想

与传统的方法相比，上面这套客户细分方法有什么独到之处呢？

1、这是一次营销顶层设计的尝试

由于组织、机制和流程等各方面的原因，传统的一线营销有个大问题就是缺乏顶层设计，基本是KPI驱动、产品驱动或事务驱动，由于缺乏对于客户的整体细分和长远规划，无法形成较为稳定的客户关怀能力。

在资源驱动、粗放经营的战国时代，这种方式也许还可以运作的很好，但一旦进入以维系为核心的精耕细作阶段，则会显出弊端，存量维系体系是一次有益的顶层设计的尝试。

2、它在系统设计上进行了独特创新

存量保有系统不是想出来的，而是一线的实践总结，无论是三大指数、营销矩阵，“一人一个政策”在当时都是先进的理念，这其中业务人员花了巨大的代价去梳理政策，形成营销矩阵，而技术人员则为之攻关了很多模型，最终确保了体系的落地。

3、营销的经验沉淀在了这个平台

做模型的很大挑战就是能否将建模经验沉淀下来为下一次所用，中台战略解决的就是诸如此类的问题，其实大家现在提得更多的是技术类的中台。

但如果一个公司的营销工作做得好，肯定不是简单的技术原因，而是有业务上的独到之处，总结不出这个独到之处，就很难有的放矢的持续加强。

我觉得营销矩阵也许就是另一种意义上的业务中台，因为它沉淀了营销人员的知识，即使公司的人员发生了变动，但机制，流程和数据的文化可以传承。

比如营销矩阵的更新就是嵌入在每一次营销决策流程中的，每次营销活动都会在营销矩阵的基础上去进行更新改进，而不是从头再来。

当然营销体系的建立是非常复杂的，笔者给的仅是一个角度，很多也是纸上谈兵，实际上哪有那么理想的营销矩阵可以设计出来，运营的挑战更是天大了去了。

但在当前行业形式越发严峻、集中化趋势越加明显的情况下，我们还是能从当年的存量维系系统中发现一些理念上的价值，无论是自顶向下的设计，还是平台模型的建设，希望大家能从中获得一些启示。

完

作者：傅一平 （微信号：fuyipingmnb）

可能错过的近期精选文章（点击链接即可阅读）

从芝麻信用分透露的详细数据设计，我们能从中得到什么启示？

最新发布的《数据资产管理实践白皮书4.0》，是学习数据管理的最好框架指引

传统的数据从业者，并不会从大数据中获得多少红利

十年的标签库建设经历，我得到了什么启示？

艰难的旅程，你的数据中台到底能为一线提供多少火力？

PPT，考验你的格局、能力和思维的方式，你得学会驾驭它！

如何避免成为一台取数机器？

哪些广为人知的数据挖掘案例其实是一地鸡毛？

数据的价值到底如何评估？

为什么我提交的数据分析报告总是被领导K？

我如何用统计学指导自己的生活？

从吴军的“算法的油水就那么多”说起！

中国移动集中化大数据平台起航了，意义深远！

一起成长，让我们与数据同行

忙完工作，偷得浮生半日闲，讲述自己的数据人生

大叔/电信博士/500强央企/大数据/人工智能/统计取数/数据挖掘/数据产品/数据管理/数据仓库/数据变现