9.1成人免费看片,av草草久久久久久久久久久

99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

客戶細分：如何找到最有價值的TA？

2016-08-08

關于客戶分類的內容早就想寫卻不知道怎么動筆，因為客戶分類沒有統(tǒng)一方法和規(guī)則，行業(yè)之間分類的方法、角度完全不同，今天可能犯神經病了，突然想清楚該怎么寫啦~~

上一篇文章介紹了用定位理論打造公眾號（http://t.cn/RtS7OPY），其中簡單說明了定位理論的核心——打入客戶的心智，客戶有千千萬萬，要打入顧客的心智，不能所有的顧客都用同一種方法吧？

以下是我所理解的客戶分類方法框架

業(yè)務角度

不同行業(yè)之間沒有固定的標準和規(guī)則，并且都要和業(yè)務高度相關，同一種方法在不同的業(yè)務情景要進行相應的調整，RFM模型和2X2矩陣是最好用也最容易復制的方法。

數據角度

有分類方法和聚類方法兩種。

那區(qū)別可大了去了！

舉個栗子，新學期分班，一大坨陌生的尼瑪們坐在教室里，老師進來后說：“女生坐在第一排，男生坐在第二排，人妖坐在第三排”，人為的通過某種方式或角度，這就叫分類方法，具體有決策樹、神經網絡等。

尼瑪們過了幾天，互相熟悉之后自發(fā)的分為了很多小群體，比如李雷、韓梅梅、吉姆格林他們三個就喜歡天天膩在一起玩，因為他們的性格、愛好都比較相近。沒有人為給定規(guī)則、完全由數據本身屬性自發(fā)的分類，這就叫聚類方法，具體有層次分析、K均值等。

等真正開始動筆，才發(fā)現(xiàn)把一個方法真正說清楚都要很大的篇幅，公眾號圖文太長的話，你們沒看完就關掉了....我也不容易啊....所以....

第1季講2X2矩陣（容易理解和應用）

第2季講RFM模型及改進（需要一點智商）

第3季講分類和聚類（需要兩斤智商）

丨第一季

東半球第二好用的分類模型，沒有之一

為什么說2X2矩陣是東半球第二好用的分類模型？原因是簡單直觀、易于理解和解釋、操作簡便、適用范圍廣，但效力強大、幾乎可以做任何事情（沒有夸張）。

平時或多或少都聽過，思路和用法各位大爺們都清楚，主要在于使用2X2矩陣的意識，它可以讓你遇見問題時腦子變得非常清晰，而且能做的事情遠遠超過你的想象，能做的事情遠遠超過你的想象，能做的事情遠遠超過你的想象。下面是一大波栗子。

栗子1：客戶價值分類

用數據分別對兩個維度分類，可以使用分位數或者固定數據范圍

第1象限：高價值客戶，注重維護關系

第2象限：重點客戶，為什么合作次數少？跟競爭對手合作多嗎？怎么提升合作頻率？

第3象限：為什么客單價低？是客戶業(yè)務性質導致還是？怎么提升客單價？

第4象限：沒空搭理...自生自滅吧...

栗子2：時間管理已經見的太多了

栗子3：員工的分類

第1象限，能力強又忠誠，重點培養(yǎng)對象，優(yōu)先考慮升職加薪，多給培訓機會，培養(yǎng)成左右手

第2象限，能力弱但忠誠，企業(yè)中更多的是平凡的事情，需要平凡的人去做，要多給培訓機會，提升能力和素質，小幅度加薪

第3象限，能力強但不忠誠，又愛又恨啊，了解忠誠度低的原因，待遇？環(huán)境？

第4象限，能力弱還不忠誠，讓他滾粗

栗子4：波士頓矩陣（產品規(guī)劃）

第1象限，明星產品，加大投入支持發(fā)展，適合的管理者應為對產品和銷售都很內行的專家

第3象限，現(xiàn)金牛產品，處于成熟期，壓縮投入、榨取產出，為其他產品發(fā)展提供資金，但要在維持市場地位的基礎上，其管理者最好為市場營銷型人物。

第2象限，問題產品，前景好但由于各種原因未打開市場（新產品），適合交給有規(guī)劃能力，敢冒風險的人才。

第4象限，瘦狗產品，淘汰或合并

栗子5：女神挑漢子

第1象限，俗稱高富帥

第2象限，俗稱鉆石王老五

第3象限，俗稱小白臉

第4現(xiàn)象，俗稱屌絲

2X2矩陣的原理和方法都很簡單，不只有客戶分類，它絕大多數需要多維度考慮的事情上都適用，只要找到兩個維度畫出象限，你就可以看的更清、做到更多。

丨第二季

RFM模型在客戶分類方面要比2X2矩陣細致的多。。。數據時代總得懂點數據，不然怎么裝逼呢。

客戶細分是用于比較的，比較是為了反映差異進而做出調整優(yōu)化，所以細分的目的最終還是指導運營決策。

上一回書說到2X2矩陣，簡便易行且適用范圍非常廣，但同時2X2矩陣的分類也有缺點，分類的維度只有2個，當業(yè)務指標大于2個時無能為力，總體而言2X2矩陣不失為一種快速有效的分類方法。

今天要介紹的RFM模型在客戶分類方法中的地位舉足輕重，是衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段，本篇文章會詳細講解RFM模型及改進方法，主要內容包括RFM介紹和AHP層次分析法，各位看官您請看。

還記得2X2矩陣的第一個栗子么？

在矩陣基礎上再增加一個維度R（Recently，意為最近一次消費時間），這就是我們今天要講的RFM模型，上圖給你看。

其中R近度(Recency）代表最近購買時間，指上次購買至現(xiàn)在的時間間隔； F 頻度(Frequency)代表購買頻率，指的是某一期間內購買的次數；M額度(Monetary) 代表總購買金額，指的是某一期間內購買商品的金額。

美國數據庫營銷研究所Arthur Hughe研究表明

R值越小，越可能再次購買
F值越大，越可能再次購買
M值越大，越可能再次購買

每個維度分為5個梯度，這就有5*5*5=125種客戶類型，看圖。

這就是典型的RFM模型，很簡單吧，嘿嘿嘿

什么什么？你以為這就是全部？做夢??！典型的RFM有很多缺點，根本不能直接照搬使用！

創(chuàng)造RFM模型的Arthur Hughe認為三個指標的權重是一致的，但Stone Bob經過實證驗證權重不一致，實際上由于業(yè)務的不同，各個行業(yè)之間的權重都是不一樣的

典型的RFM把客戶分為125類，尼瑪啊，這么多類型在營銷實戰(zhàn)中根本做不到差異化的運營策略好嘛！！

典型的RFM只有分類，但卻不知道各個類別之間的客戶到底哪個更有忠誠度和價值

接下來用層次分析法確定權重

先請一大坨業(yè)務磚家來坐著

然后讓他們填表，唉，有點枯燥，估計今天這篇文章發(fā)出去得掉粉啊...傷心...

填表的規(guī)則是這樣，拿每一行兩兩對比每一列，如果磚家判斷行比列的重要性由右上圖，就填相應的數字，反過來就填相應數字的倒數，什么意思呢舉個栗子

磚家認為F值比M值重要，在3行4列填5，那么4行3列填1/5

磚家認為M值比R值重要的多，在4行2列填7，那么2行4列填1/7

以此類推

磚家填完之后，我們就拿到了一份數據表格，命名為矩陣A

你以為這就完了？耐心點看完，上班了好裝X

接下來就數據進行歸一化處理，先對每一列求和，然后算出每一列各個元素的占比，得到矩陣B

再對每一行求和，就得到特征向量W

再對特征向量歸一化處理，每個元素除以列之和（就是除以3嘛），就得到了各指標的權重！

真不好意思...還沒完...耐心...

權重是不是對的呢？鬼知道磚家填表有沒有邏輯錯誤，比如A>B，B>C，那么A肯定>C啊，但是磚家填C>A，很明顯不符合邏輯，所以要做一致性驗證

計算矩陣最大特征根

用矩陣A乘以權重列W%，得到一個列向量，然后用列向量中每一個元素除以矩陣階數和相對應的權重乘積，公式如下

結果為

計算一致性指標C.I，n為矩陣階數

C.I=(3.00182-3)/(3-1)=0.00062

計算隨機一致性比率

R.I.是固定的，根據矩陣階數查表為0.52

隨機一致性比率C.R.=0.00062/0.52=0.001186<0.1，注意只有當隨機一致性比率小于0.1時，才說明磚家填的表是沒有邏輯錯誤...，

那么我們就可以確定，R\F\M指標的權重是

我知道你們都要暈了，說實話我也暈的不行...

丨第三季

重點介紹下數據挖掘中的聚類，完成客戶分類的最后一步，并且對各個類別的客戶進行忠誠度和價值評分，這才是我們的最終目的。也是最重要的部分，之前的內容都在為本季做鋪墊，終于到出最終結果的時候，有一種蛋蛋的憂傷...

找到最有價值的TA（一）

介紹2X2矩陣的各種常見或不常見用法，幾乎能做任何事情

找到最有價值的TA（二）

客戶價值分類中使用最廣泛的RFM模型和改進、以及層次分析法確定權重

找到最有價值的TA（三）

用聚類（K-means）方法完成客戶分類并評估各類客戶價值

聚類到底是什么鬼

從數據層面劃分的方法有兩種：分類和聚類

舉個栗子，新學期分班，一大坨陌生的尼瑪們坐在教室里，老師進來后說：“女生坐在第一排，男生坐在第二排，人妖坐在第三排”，人為的通過某種方式劃分，這就叫分類方法，具體有決策樹、神經網絡等

尼瑪們過了幾天，互相熟悉之后自發(fā)的分為很多小群體，比如李雷、韓梅梅、吉姆格林他們三個就喜歡天天膩在一起玩，因為他們的性格、愛好都比較相近。沒有人為給定規(guī)則、完全由數據本身自發(fā)的分類，這就叫聚類方法，具體方法有層次聚類、K-means等

我們今天要做的，就是使用K-means聚類方法完成最終的客戶分類，各位大爺您請往下看

幫隔壁老王做客戶分類

隔壁老王有一家淘寶小店，一天他來找你幫忙

為了老王的家庭和諧，勉為其難的答應吧...

我們先來研究下老王的銷售數據，分為5個字段，正好滿足RFM模型的數據要求（R-最近一次購買時間，F(xiàn)-購買次數，M-購買金額）

先處理老王的基礎銷售數據，使其符合RFM模型的數據格式，變成下面這樣

接著對數據加權和標準化。

K-means聚類

K-means的聚類思想非常簡單

首先確定聚成n類

隨機指定n個初始點，計算所有點到這n個點的距離，距離最近的歸為一類

計算每一類的平均坐標，以此為新的初始點，循環(huán)以上過程直至中心點位置不再變化為止

看下面動態(tài)圖圖，很直觀的展示聚類的過程

圖片來源 www.digital-geography.com

現(xiàn)在回到老王的數據上，我們首先確定聚類的數量，通過每類顧客RFM平均值和總RFM平均值相比較，而單個指標比較只有兩種情況：>=平均值或者<平均值，這樣就有2*2*2=8種類別。

操作上用SAS或SPSS一分鐘搞定~~

聚類分析結果

通過RFM聚類，我們把客戶分為了重要保持、一般保持、一般發(fā)展、無價值四類，終于可以打發(fā)隔壁老王這個王八蛋，但是他又有意見了。

老王說的是個問題，所以我們要做顧客價值評分，聚類前做了數據標準化和加權，所以每類顧客的價值評分只需要把RFM三個指標的均值相加就可以啦~~~

對每一類做價值評分可以量化各類客戶的價值差別，彌補客戶分類的不足，由于受到成本制約，老王只能將資源集中在更高價值的客戶身上，有助于制定更為可行的決策。

公眾號內回復51，下載隔壁老王的銷售記錄來練手，一共26000+條記錄，夠你玩啦~~

后記 | RFM的缺陷

在實際的業(yè)務情景中，傳統(tǒng)RFM分類方法有很多的缺陷，例如分類較多、R權重太大、F和M強相關等等，以上的方法在改善了一些問題，但仍有不嚴謹的地方，例如F指標較大的客戶，M指標有很大程度也偏大；R指標較早時有可能是由于客戶本身業(yè)務性質的原因，并不代表價值小，此種分類方法可改進的地方仍然很多。