市場(chǎng)細(xì)分如何幫助你構(gòu)建更好的預(yù)測(cè)模型？

但是，這真的有必要嗎？我們可不可以創(chuàng)建一個(gè)單獨(dú)的模型和使它含有區(qū)融變量作為模型的輸入。

這可能可以。特別是根據(jù)市場(chǎng)細(xì)分創(chuàng)建細(xì)分模型可能是一件吃力不討好的事情，不值得。但是創(chuàng)建市場(chǎng)細(xì)分的相關(guān)模型可能能提供更精準(zhǔn)的預(yù)測(cè)。

在本文，我不僅會(huì)針對(duì)上面的問題給出答案，而且會(huì)和大家分享有關(guān)模型的最佳市場(chǎng)細(xì)分指南。而且，本文也會(huì)探索利用復(fù)雜技術(shù)的市場(chǎng)細(xì)分模型方法，如在一個(gè)簡(jiǎn)單的邏輯或線性回歸框架中使用隨機(jī)梯度增加模型和隨機(jī)森林模型（雖然使用起來非常有限）。

通過本文，讓大家了解建模流程的相互作用的本質(zhì)和重復(fù)利用上述提到的復(fù)雜技術(shù)的優(yōu)勢(shì)。

什么是市場(chǎng)細(xì)分？

我可以從市場(chǎng)的深度給大家解釋這個(gè)概念，但是，市場(chǎng)細(xì)分為什么能夠令復(fù)雜的事情簡(jiǎn)單化呢？

因此，我將市場(chǎng)細(xì)分定義為：“在一些重要特性的基礎(chǔ)上劃分目標(biāo)市場(chǎng)和客戶，可以幫助企業(yè)用更少的市場(chǎng)成本銷售更多的產(chǎn)品?！?/span>

企業(yè)的預(yù)算是有限的。而且企業(yè)希望市場(chǎng)團(tuán)隊(duì)可以在這樣的情況下完成大量的銷售，確保收入利益不斷增加。在有限的預(yù)算中，如何實(shí)現(xiàn)利益增收？答案就是：使用市場(chǎng)細(xì)分。

讓我們回到前面，了解企業(yè)是如何創(chuàng)造出人們?cè)敢赓I的產(chǎn)品。

實(shí)際上，一個(gè)產(chǎn)品的創(chuàng)造有兩種方式：

1、經(jīng)過對(duì)目標(biāo)市場(chǎng)的需求進(jìn)行分析研究后創(chuàng)建產(chǎn)品。舉例：電腦。像戴爾，IBM和微軟都是在分析了大量市場(chǎng)并得出電腦市場(chǎng)值得發(fā)展的情況下，才進(jìn)入這個(gè)市場(chǎng)。

2、創(chuàng)建一個(gè)產(chǎn)品，能夠喚起目標(biāo)市場(chǎng)的需求和渴望。舉例：iphone。沒有人知道他們需要觸屏手機(jī)，知道喬布斯令他們意識(shí)到自己被剝奪了這個(gè)需求。

一旦產(chǎn)品被創(chuàng)建出來，市場(chǎng)團(tuán)隊(duì)離成功就更近了。上面提到的，他們利用了市場(chǎng)細(xì)分技術(shù)。這確保了產(chǎn)品定位在合適的客戶細(xì)分群體，可以實(shí)現(xiàn)更多的銷售。

市場(chǎng)細(xì)分技術(shù)

這兒有兩個(gè)廣義的市場(chǎng)細(xì)分方法：目標(biāo)（有人監(jiān)視的）和無目標(biāo)的（無人監(jiān)視的）市場(chǎng)細(xì)分方法。正如名稱所示，一個(gè)帶有監(jiān)視的方法要求目標(biāo)可作為市場(chǎng)細(xì)分來描述。

下面是一些有目標(biāo)和無目標(biāo)的方法案例。

目標(biāo)市場(chǎng)細(xì)分：

市場(chǎng)細(xì)分確認(rèn)客戶類型，哪些客戶對(duì)特別提供的產(chǎn)品感興趣。

市場(chǎng)細(xì)分確定客戶群眾中的高消費(fèi)人群，誰可以使用電子商務(wù)進(jìn)行刺激消費(fèi)。

市場(chǎng)細(xì)分確定哪些客戶違反了貸款或者信用卡的信貸責(zé)任。

無目標(biāo)的市場(chǎng)細(xì)分

客戶基礎(chǔ)的市場(chǎng)細(xì)分了解特定畫像，這些畫像存在于客戶基礎(chǔ)之中，因此多樣化的市場(chǎng)行為可以根據(jù)細(xì)分情況定制。

基于不同地域的人們的富裕程度和生活水平的地理市場(chǎng)細(xì)分，形成特定的銷售和配送策略。

基于瀏覽行為的網(wǎng)絡(luò)位置參觀者的市場(chǎng)細(xì)分，了解品牌的興起和受歡迎程度。

因此，創(chuàng)建基于目標(biāo)市場(chǎng)細(xì)分的方法必須要從不同的方面入手 ，這是很關(guān)鍵的。（eg：響應(yīng)要約）

但是，關(guān)于無目標(biāo)的方法，根據(jù)各方面得出的市場(chǎng)細(xì)分和觀察結(jié)果得到的“通用畫像”不同，但是和 任何特定的追求目標(biāo)沒關(guān)系。

最常用的目標(biāo)市場(chǎng)細(xì)分方法是CHIAD和CRT。這些技術(shù)嘗試將已描述的目標(biāo)的細(xì)分之間的差異最大化。（這些目標(biāo)有時(shí)候是所謂市場(chǎng)細(xì)分的參考目標(biāo)）。CHIAD使用X平方分布統(tǒng)計(jì)，而CRT使用不純基尼度算法。

創(chuàng)建無目標(biāo)市場(chǎng)細(xì)分的常用技術(shù)是聚類分析法和K最近鄰技術(shù)（K nearest neighbor techniques）等。

這些技術(shù)使用了距離測(cè)試方法（如：歐式距離，曼哈頓距離，馬氏距離等）這些測(cè)試能把兩個(gè)細(xì)分之間差異最大化。這意味著市場(chǎng)細(xì)分之間的最大區(qū)別是和所有變量（或因素）的結(jié)合有關(guān)。

如何創(chuàng)建發(fā)展中模型的市場(chǎng)細(xì)分

1、通常采用的方法

如果你一直在看這篇文章，那么我們已經(jīng)準(zhǔn)備好去深入研究這些創(chuàng)建市場(chǎng)細(xì)分的方法。當(dāng)然，考慮為每個(gè)市場(chǎng)細(xì)分創(chuàng)建單獨(dú)模型作為唯一目標(biāo)。

讓我們思考下面這個(gè)例子：

在這里，我們將創(chuàng)建一個(gè)邏輯回歸模型來預(yù)測(cè)客戶對(duì)供給的產(chǎn)品的可能（接受）性。當(dāng)然也可以使用線性回歸模型。我將在下一節(jié)進(jìn)行討論。

邏輯回歸：

該模型在歷史運(yùn)動(dòng)數(shù)據(jù)中使用1或0指示，指明客戶對(duì)提供的產(chǎn)品是否做出反應(yīng)。

通常，使用已經(jīng)被確定了模型發(fā)展的目標(biāo)（或者已知的“Y”作為獨(dú)立變量）來進(jìn)行市場(chǎng)細(xì)分。記住，每個(gè)細(xì)分將建立單獨(dú)的模型。一個(gè)市場(chǎng)細(xì)分計(jì)劃可實(shí)現(xiàn)和通常選擇的目標(biāo)有關(guān)的不同市場(chǎng)細(xì)分的最大差異。下面是該方法的舉例：

圖1：建立一個(gè)邏輯回歸模型的市場(chǎng)細(xì)分案例—普遍采用的方法

此圖譯為：

以上市場(chǎng)細(xì)分方法是最好的可能用來發(fā)展目標(biāo)市場(chǎng)細(xì)分的方法，因?yàn)檫@些細(xì)分演示了跟目標(biāo)有關(guān)的最大區(qū)別。（如：反應(yīng)率）。

在上面的這棵樹中，每個(gè)分割模塊應(yīng)該代表一個(gè)統(tǒng)計(jì)學(xué)上跟目標(biāo)有關(guān)的不同節(jié)點(diǎn)之間的顯著差異。如果使用CHIAD算法開發(fā)市場(chǎng)細(xì)分這棵樹，那么每個(gè)分割（單獨(dú)）模塊的X平方值應(yīng)該是從0開始有顯著差異。（通過分割法的“P”值測(cè)試）

另外，這是普遍的“商業(yè)直覺”（不是通常都可以擁有完整的統(tǒng)計(jì)理由），為了發(fā)展單獨(dú)的模型，相鄰節(jié)點(diǎn)之間的反應(yīng)率應(yīng)該相差至少30%（如：如果指定節(jié)點(diǎn)的反應(yīng)率是0.7%，同樣的，它相鄰的節(jié)點(diǎn)是0.5%，那么它們反應(yīng)率應(yīng)相差30%）。

通常采用的方法建議應(yīng)該為每個(gè)終端節(jié)點(diǎn)或者結(jié)束節(jié)點(diǎn)建立一個(gè)單獨(dú)的模型，它已經(jīng)顯示為表中綠色部分。但是，這是從建模的角度得到的最好方法嗎？為了回答這個(gè)問題，我們需要找到一個(gè)測(cè)試方法，可以從建模的角度評(píng)價(jià)一個(gè)市場(chǎng)細(xì)分。

為了建立單獨(dú)的模型和評(píng)價(jià)一個(gè)市場(chǎng)細(xì)分計(jì)劃的最有效的方法是提升預(yù)測(cè)能力，它可以通過建立市場(chǎng)細(xì)分模型實(shí)現(xiàn)。將用下面的案例進(jìn)行描述。

讓我們假設(shè)一個(gè)邏輯模型，是建立在總?cè)丝谏系模脕眍A(yù)測(cè)反應(yīng)的可能性。

我們?cè)O(shè)計(jì)這個(gè)為模型-1（主要分析描述它作為母模型），該模型的基尼度為0.57。市場(chǎng)細(xì)分開發(fā)方法的一部分，建立5個(gè)單獨(dú)的模型，對(duì)應(yīng)每個(gè)結(jié)束節(jié)點(diǎn)（主要作為子節(jié)點(diǎn)進(jìn)行分析描述）。

邏輯模型2-1：市場(chǎng)細(xì)分“年齡小于30”的預(yù)測(cè)反應(yīng)

邏輯模型2-2：市場(chǎng)細(xì)分“年齡介于30-48之間，且收入少于800K盧布”的預(yù)測(cè)反應(yīng)

邏輯模型2-3：市場(chǎng)細(xì)分“年齡介于30-48之間，且收入大于等于800k盧布”的預(yù)測(cè)反應(yīng)

邏輯模型2-4：市場(chǎng)細(xì)分“年齡大于48，收入少于100萬盧布”的預(yù)測(cè)反應(yīng)

邏輯模型2-5：市場(chǎng)細(xì)分“年齡大于48，收入大于等于100萬”的預(yù)測(cè)反應(yīng)

在建立5個(gè)單獨(dú)模型之后，各自的觀察結(jié)果（或記錄）和5個(gè)數(shù)據(jù)集（針對(duì)每個(gè)結(jié)束節(jié)點(diǎn)）計(jì)算得分或者預(yù)測(cè)可能性是附加的操作。

結(jié)合數(shù)據(jù)集的基尼度將與模型-1的基尼度做對(duì)比。然后，兩個(gè)系數(shù)將被設(shè)計(jì)去提升預(yù)測(cè)力量。舉例：如果結(jié)合數(shù)據(jù)集的基尼度為0.6，那么提升后將是1.05。這可以通過圖表看出，雖然市場(chǎng)細(xì)分是最佳的可能目標(biāo)市場(chǎng)細(xì)分，但是它僅提供了5%的額外的預(yù)測(cè)能力的提升。

讓我們尋找為什么該案例會(huì)是這個(gè)樣子。它應(yīng)該被提到，當(dāng)發(fā)展線性模型的時(shí)候，應(yīng)該考慮調(diào)整判定系數(shù)的提升而不是 基尼系數(shù)的提升。

當(dāng)建立整體模型（模型1），可以使用合適的虛變量法來表示市場(chǎng)細(xì)分。比如，可以使用下面的虛系數(shù)（它應(yīng)該根據(jù)自由約束度被標(biāo)記，將有一個(gè)小于所有虛擬系數(shù)的數(shù)）

虛擬-1：年齡小于30，1或0

虛擬-2：年齡介于30-48，1或0

虛擬-3：收入800k盧布

虛擬-4：收入介于800k至100萬盧布

如果使用虛擬數(shù)據(jù)去重復(fù)市場(chǎng)細(xì)分樹，那么模型的預(yù)測(cè)能力將會(huì)更好。

虛擬-1：年齡小于30

虛擬-2:年齡介于30和48之間，和收入少于800k盧布

虛擬-3:年齡介于30和48之間，收入超過800K盧布

虛擬-4：年齡超過48且收入少于100萬盧布

這些虛擬變量可以提供反應(yīng)率相同的差異化，作為5個(gè)獨(dú)立的細(xì)分 。因此，可以通過市場(chǎng)細(xì)分看到反應(yīng)率的差異化，可以通過整個(gè)回歸模型的一系列虛擬變量輕易的重復(fù)。

但是，這不是預(yù)測(cè)能力的微提升背后的完整解釋。表二提供了子模型的變量列表。

這些模型的變量是根據(jù)它們的預(yù)測(cè)優(yōu)勢(shì)能力排序（通過卡方統(tǒng)計(jì)量和標(biāo)準(zhǔn)化測(cè)試版本進(jìn)行測(cè)試）。這些相同的顏色用來描述整個(gè)細(xì)分的特定變量，為了更加容易的進(jìn)行對(duì)比。

表2：貫穿5個(gè)子模型的變量

上圖對(duì)應(yīng)譯為：

可以觀察發(fā)現(xiàn)5個(gè)子模型的變量相當(dāng)相似，雖然變量的相關(guān)序列有些許不一樣。這意味著在整個(gè)細(xì)分里促使反應(yīng)的因素是相似的。另外，如果考慮整個(gè)市場(chǎng)細(xì)分的特定變量的預(yù)測(cè)模式，可以觀察一些更有趣的。

表3描述了變量“過去12個(gè)月的購買數(shù)目”的預(yù)測(cè)模型。對(duì)于描述這樣的模式，證據(jù)權(quán)重正在發(fā)揮作用。

證據(jù)權(quán)重是普遍的測(cè)試方法，這是對(duì)于一個(gè)變量來說，用來了解值的特定范圍是否有集中度較高或者較低的預(yù)期目標(biāo)。證據(jù)權(quán)重的正面值意味著有較高的集中度，反之亦然。

在這種情況下，對(duì)于購買次數(shù)相對(duì)高的值，將觀察到一個(gè)更高的證據(jù)權(quán)重。意味著受訪者有著相對(duì)更高的集中度。當(dāng)創(chuàng)建一個(gè)線性模型時(shí)，在每個(gè)變量里，目標(biāo)的平均值應(yīng)該用來了解預(yù)測(cè)模式。

表格的外在檢查揭示了雖然在市場(chǎng)細(xì)分里，證據(jù)權(quán)重是不同的，但是趨勢(shì)是非常相似的。這意味著變量的預(yù)測(cè)模式在市場(chǎng)細(xì)分里是相似的。因此，變量在整個(gè)模型的影響不是有那么大差異的，對(duì)比市場(chǎng)細(xì)分帶來的明智的影響。

換句話而言，這意味著市場(chǎng)細(xì)分變量（年齡和收入）和預(yù)測(cè)變量“過去12個(gè)月的購買次數(shù)”。因此，市場(chǎng)細(xì)分不能令人們的獲得任何利益，即使提升了預(yù)測(cè)能力。

同樣注意到，在這個(gè)案例里，市場(chǎng)細(xì)分的變量信息值是相似的。就線性模型而言，部分判定系數(shù)可以使用而不是使用信息值。如果這是高度預(yù)測(cè)變量的情況，那么市場(chǎng)細(xì)分應(yīng)該添加極限值去提高整個(gè)預(yù)測(cè)能力。

表3：在5個(gè)市場(chǎng)細(xì)分中，變量“過去12個(gè)月的購買次數(shù)”的預(yù)測(cè)模式

藍(lán)色：邏輯模型2-1：市場(chǎng)細(xì)分“年齡小于30”

紅色：邏輯模型2-2：市場(chǎng)細(xì)分“年齡介于30-48之間，且收入少于800K盧布”

綠色：邏輯模型2-3：市場(chǎng)細(xì)分“年齡介于30-48之間，且收入大于等于800k盧布”

紫色：邏輯模型2-4：市場(chǎng)細(xì)分“年齡大于48，收入少于100萬盧布”

藍(lán)色：邏輯模型2-5：市場(chǎng)細(xì)分“年齡大于48，收入大于等于100萬”

2、合適的方法

為了利用市場(chǎng)細(xì)分變量和預(yù)測(cè)變量之間的相互作用，設(shè)計(jì)市場(chǎng)細(xì)分的方案很重要，預(yù)測(cè)者和變量的預(yù)測(cè)模式在市場(chǎng)細(xì)分是不同的。

這將幫助人們創(chuàng)建方案，可以使市場(chǎng)細(xì)分的模型的預(yù)測(cè)能力高于整體模型的預(yù)測(cè)力量。

表4提高了一個(gè)可選的市場(chǎng)細(xì)分方案，來解決之前提到的問題。

表4：為創(chuàng)建邏輯模型進(jìn)行市場(chǎng)細(xì)分模型-可選的方法

這種情況下，應(yīng)該開發(fā)下面這些市場(chǎng)細(xì)分模型（子模型）

邏輯模型3-1：預(yù)測(cè)“過去12個(gè)月沒有購物”的市場(chǎng)細(xì)分反應(yīng)

邏輯模型3-2：預(yù)測(cè)“過去12個(gè)月至少購物兩次”的市場(chǎng)細(xì)分反應(yīng)

邏輯模型3-3：預(yù)測(cè)“過去12個(gè)月購物2次以上和沒有提交過產(chǎn)品評(píng)價(jià)”的市場(chǎng)細(xì)分反應(yīng)

邏輯模型3-4：預(yù)測(cè)“過去12個(gè)月購物至少2次以上以及提交產(chǎn)品評(píng)價(jià)至少一次以上”的市場(chǎng)細(xì)分反應(yīng)

子模型的變量已經(jīng)在表5描述。作為之前提到的情況，常用變量已經(jīng)用相同的顏色突出表示。可以觀察到在這樣的情況下，市場(chǎng)細(xì)分之間的變量重疊的范圍是非常有限的。因此，每個(gè)市場(chǎng)變量代表一個(gè)相同組的客戶，他們的反應(yīng)驅(qū)動(dòng)因素幾乎完全不同。

因此，在這樣情況下，模型的市場(chǎng)細(xì)分系統(tǒng)的基尼系數(shù)是明顯高于整體模型的基尼系數(shù)的。這個(gè)市場(chǎng)細(xì)分提供了具備明顯優(yōu)勢(shì)的預(yù)測(cè)力量，因?yàn)槭袌?chǎng)細(xì)分變量和預(yù)測(cè)變量的相互作為而產(chǎn)生。

表5:4個(gè)子模型的變量

表6：在5個(gè)市場(chǎng)細(xì)分里，變量“過去24個(gè)月購買次數(shù)”的預(yù)測(cè)模式

藍(lán)色：模型3-1過去12個(gè)月沒有購買記錄
紅色：模型3-2過去12個(gè)月至少兩次購買記錄
綠色：模型3-3過去12個(gè)月多于2次購買記錄，沒有提交產(chǎn)品評(píng)價(jià)
紫色：模型3-4過去12個(gè)月多于2次購買記錄，至少一次提交產(chǎn)品評(píng)價(jià)

在這樣的情況下，觀察到在市場(chǎng)細(xì)分中，特定變量的預(yù)測(cè)模式是具有明顯的不同的。表5的線更加分散，與表3相比看起來差別更加明顯，這意味著變量的預(yù)測(cè)模式在市場(chǎng)細(xì)分里是不同的。

因此，變量的影響在整個(gè)模型中，對(duì)比市場(chǎng)細(xì)分的明智的影響是相當(dāng)不一樣的。換句話來說，這意味著，在市場(chǎng)細(xì)分變量和預(yù)測(cè)變量“過去18個(gè)月沒有不同的購買項(xiàng)目”之間有著顯著的相互作用。

因此，市場(chǎng)細(xì)分期望在預(yù)測(cè)能力中產(chǎn)生最佳提升。在這種情況下，它應(yīng)該被標(biāo)記，變量的信息值在市場(chǎng)變量中是不同的。

使用機(jī)器學(xué)習(xí)進(jìn)行市場(chǎng)細(xì)分

這又是另外一個(gè)有趣的方面。對(duì)于市場(chǎng)細(xì)分，考慮基于多棵樹的機(jī)器學(xué)習(xí)算法是好的。多重累計(jì)回歸樹，自由森林樹和增加隨機(jī)梯度這些技術(shù)可以使用眾多的樹和相同的整體進(jìn)行預(yù)測(cè)。

如：如果考慮增加隨機(jī)梯度，在一個(gè)非常簡(jiǎn)單的情況下（可能業(yè)余水平的情況下），包括建立一棵完整的樹，令第一棵樹的殘差作為第二棵樹的目標(biāo)，依此計(jì)算下去直到發(fā)現(xiàn)預(yù)測(cè)能力得到進(jìn)一步的提高。

在這樣的情況下，樹組成一些節(jié)點(diǎn)，確保它不會(huì)過度擬合數(shù)據(jù)。現(xiàn)實(shí)中，這些樹希望能捕捉到相互之間的作用而不是和手頭的目標(biāo)靠的太近?？梢月?lián)想到為了發(fā)展模型而進(jìn)行的市場(chǎng)細(xì)分創(chuàng)建背后的哲理，其中市場(chǎng)細(xì)分的目標(biāo)不是去實(shí)現(xiàn)更加接近目標(biāo)的擬合，而是去確認(rèn)相互作用的效果。

事實(shí)上，為了發(fā)展單獨(dú)的模型，確認(rèn)市場(chǎng)細(xì)分的可能性方法包括考慮在樹的隨機(jī)梯度增加完整的情況下得到第一批樹的節(jié)點(diǎn)，考慮它們是否適合創(chuàng)建市場(chǎng)細(xì)分方法。

結(jié)束語

通過本文，我們學(xué)習(xí)了幾個(gè)方面：

1、當(dāng)為了模型發(fā)展而執(zhí)行市場(chǎng)細(xì)分時(shí)，應(yīng)該努力實(shí)現(xiàn)預(yù)測(cè)能力的提升，而不僅僅是為了追求目標(biāo)的差異性。

2、市場(chǎng)細(xì)分捕捉相互作用的效果，因此預(yù)測(cè)者和預(yù)測(cè)模式是有一定的重要性的，他們?cè)谑袌?chǎng)細(xì)分中發(fā)生改變。

3、創(chuàng)建市場(chǎng)細(xì)分的過程，包括發(fā)展每個(gè)市場(chǎng)細(xì)分的模型 ，以及投資已經(jīng)從各子模型中選出來的變量。

4、在市場(chǎng)細(xì)分中，高度的預(yù)測(cè)變量的圖形化測(cè)試可以獲得有價(jià)值的洞察來。因此，這個(gè)過程要求對(duì)子模型進(jìn)行迭代和詳細(xì)分析。只依賴CHAID或者CRT算法可能無法獲得合適的結(jié)果。必須記住，最初的目標(biāo)是提高市場(chǎng)細(xì)分系統(tǒng)的預(yù)測(cè)能力。