客户分段模型(Customer Segmentation Models)

Customer Segmentation Models

客户分段模型

一. 定义

​     客户分段(Customer Segementation)，是指把客户分到不同的组中，每组的客户具备一些类似的属性。这些属性可以基于人口统计学属性，例如年龄、性别、受教育程度等。企业可以通过这种方法来针对性的对特定的组中的客户采取不同的服务策略和营销手段。

​     宽泛而言，客户分段可以使用多种方法，例如，可以采用单一客户属性；也可采用多个客户属性；当然直观上还可以采用非监督学习中的聚类算法来完成。

​     客户分段有多种用途，举例来说，可用来调整定价策略或者基于用户分组的情况来改良产品等。

二. 原则

1. 很明显，客户分段是一个数据驱动型应用，需要多种数据源，诸如社交属性、偏好属性、行为属性和金融属性等等。所以数据的获取是第一个我们需要重视的因素，包括数据如何产生和数据如何获取，例如 CRM数据或者社交媒体数据等。
2. 我们可以把客户分段理解为从客户数据中读出隐含信息，目的是更好地了解客户。
3. 我们需要基于应用仔细考虑分段的原则。
4. 常用的分段准则：
   • 客户价值 (Customer Value)：过去、现在和未来，客户为金融机构所带来的收益。
   • 人口统计学 (Demographics)：年龄、地理位置、性别等
   • 生命阶段 (Life Stage)：诸如大学毕业、成立家庭等
   • 态度 (Attitude)：客户对金融机构的主观态度，例如经济环境，线上/线下，满意度等
   • 行为 (Behavior)：客户与金融机构的交易行为，例如频率、所购买的金融产品等

三. 推荐方法论

​     十几年来，金融行业都依赖于传统基于人口统计学的客户分段方法；现在看来，这种简单的方法（使用年龄、收入、受教育程度等指标）的效果差强人意。金融机构应该使用客户的数字属性和金融属性来进行客户分段，从而使其产品、服务和营销渠道更加有效，当然传统方法可以作为一个起点。

​     下面介绍Ernst & Young (EY) 所推荐的客户分段构建方法，EY在其报告中称：

"Basic segmentation models do not provide sufficient insight into customer needs, channel preferences or desire for receiving advice from banks ",

“Marketing strategies based on standardized assumptions — rather than deeper insights about life stages, behaviors, attitudes, interests, lifestyles and other psychographic factors — are destined to fall short."

​     EY推荐把客户分入如上图所示的四个象限中来评价其数字属性和金融属性，金融机构可以结合传统模型一起使用。

PROS

​     Pros客户喜欢使用数字化通道，他们了解银行的产品和服务，他们自信可以自己管理金融事务，会主动管理其投资组合；顺理成章，Pros在社交媒体上较为活跃，而且经常使用移动银行业务。

• 85% 感觉可以管理其金融财务相关事务
• 57% 曾经使用其他金融科技服务
• 66% 通过手机来办理银行业务
• 62% 主动管理其投资组合
• 38% 声称并不信任没有分店的机构

​     Pros对新金融机构所提供的新的金融服务持开放的态度。如果传统银行业并不能满足他们，他们很有可能会倒向非银行业务竞争者，特别是在移动支付、投资，保险和预付领域。

关键点：一个比较强的数字银行工具和解决方案提供商很有机会从传统机构抢走这些客户。

Digital Stars

​     和Pros一样，Digital Stars也习惯于使用数字渠道，但他们并不习惯于自己管理金融事务。Digit Stars同时希望保持数字通道的同时享用人工服务。

• 63% 认为银行的7/24人工服务是有价值的
• 52% 曾经使用其他金融科技服务
• 60% 曾经通过移动电话来办理业务
• 52% 可以自己管理其投资组合

关键点：对于传统银行来说，Digital Stars客户具有较大的流失风险。

Traditionalists

​     对于传统银行来说，这些客户是忠诚的了；但服务这些客户盈利空间较小，因为他们总是需要7/24人工服务。

• 49% 认为7/24人工服务非常重要
• 52% 不信任没有分店的银行
• 30% 自己管理其投资组合
• 59% 认为i可以控制其自身金融事务
• 38% 使用移动电话办理其银行业务

关键点：Traditionalists并不会离开你的机构…，但也许你会希望他们离开。

Financial Stars

​     Financial Stars并不象Pros那样对其金融能力非常自信，但约3/4的客户依然说他们可以控制自身金融且主动管理其投资组合。Financial Stars接受数字通道，但他们并不像Digital Stars和Pros那样重度使用线上购物和社交媒体，可能是基于安全性的考虑。

• 38% 不信任没有分店的金融机构
• 78% 感觉可以控制自身金融事务
• 60% 使用手机办理银行业务
• 74% 主动管理其自身投资组合
• 56% 活跃于社交媒体

关键点： Financial Stars很关心安全问题，他们不太容易离开你的机构而转向一个非银行业务竞争者。

​     我们可以观察到这四个分段肯定会存在重叠，但这种重叠可能会是最有价值的信息。

四. 增加对客户的理解

1. 在组织内构建数字客户优先的思维观念和文化

   客户在移动通道上的体验需要是无缺陷的，例如快速的用户验证、简单的流程、交流方式适用于小屏幕，且提供个性化服务等。移动服务需要遵循功能设计原则，为新的功能和用户期望预留空间，提供交互式和实时助理服务。管理层需要建立客户体检为核心的文化，克服内部和外部的一切困难，把客户服务放到第一优先级。

2. 解决潜在的"事实瞬间"和为动态的客户反馈大开方便之门

   客户路径映射是有效建立与用户交互和获知用户偏好的全景视图的第一步，银行业服务提供者需要在集中挖掘用户的情绪成分，使每一个使用者感到舒适和有价值。特定场景下的关键交互可以认为是一种“事实瞬间”，因为这些将会产生强烈和持久的影响。

3. 采用敏捷的大数据分析技术来强化客户需要做的事情且提升客户价值

   优先数据管理和分析工具，金融机构不但可以方便地了解数据质量和变化，而且可以以最快的速度利用数据分析技术手段使数据中所蕴涵的信息价值最大化。辅助于基于传统人口统计学客户分段，例如增加金融和数字属性、或者利用生命阶段、忠诚度和风险画像；策略指标诸如促销潜力、厌恶风险、产品使用率等，综合这些信息进行细粒度化的分类。

   金融机构应该深入研究其已经存在的客户，分析其交易数据和行为数据来对每一个分段提供恰当的个性化产品和服务。

   整体过程可能需要引入外部数据，例如社交网络的心里描绘数据来帮助构建客户画像，描述其价值、态度、兴趣、个性化特征和生活方式选择等。

五. 总结

​     金融科技和非银行竞争者在服务于客户上已经做的越来越好了，因为他们在理解客户的工作上做的很出色。例如Betterment 和 Wealthfront 已经发现了服务于Digital Stars的蜜罐：为那些习惯于数字通道但不愿意自己处理金融投资业务的客户提供自动化的方案—智能投顾。

​     当前的年青人非常喜欢使用数字渠道来办理其自身业务，所以从长远上来看，金融机构布局数字化支撑技术和数据分析技术至关重要。

​     多数银行和信用机构已经有了创建新的客户分段模型的数据，而新模型可以更加准确地反映客户价值，高级数据分析技术、机器学习和人工智能作为数据消费者是解决这一问题强有力的手段和工具。观察客户信息数据后建立模型，最后测试产品、服务和忠诚度程序是否匹配这四个分段的客户的需求。

​     总而言之，对于客户一个更细粒度的理解已经成为金融机构必须具备的战略性和竞争性且迫在眉睫的任务。

“Customer understanding should be a living, breathing part of everyday business, with insights underpinning the full range of banking operations.”

            – EY

​

​