个性化时代的细分
个性化被认为是客户参与的黄金标准。组织的成功个性化他们的数字体验被引用为他们的营销支出带来5%到15%的高收入和10%到30%的高回报。现在，许多客户体验领导者也开始这么做了将个性化扩展到店内体验，彻底改变了消费者在现实世界中与品牌互动的方式，并进一步使自己在竞争中脱颖而出。
但真正的个性化并不是在客户参与的每个方面都可行。当一个零售商决定建造一家商店时，它这样做是考虑到它打算服务的人群的一般需求。这些同样的考虑也体现在商店库存产品的选择上。消费品制造商在决定推出新品牌或新产品时，也会考虑特定的、有针对性的消费群体的需求。即使在个性化最容易实现的数字世界，通过网站或应用程序提供的内容、产品和服务的组合也被设计成满足有针对性但仍然相当广泛的消费者群体的需求。
为什么不针对个人呢?
从根本上讲，它归结为提供商品或服务的成本与消费者愿意支付的成本之间的关系。在市场细分最早的应用中，制造商认识到，与目标消费群体的普遍需求和目标相一致的专门产品线可以用来将他们的产品与竞争对手的产品区分开来。通过更好地与这些消费者联系，这些产品变得更有吸引力，客户改变了他们的支出，消费者和制造商都获得了更大的价值。要了解这种思维方式的后果，只需在任何一家大型杂货店的食用油或乳制品货架上走一走，就会注意到，即使是最基本的商品，也有令人难以置信的多样性。
这种思维模式，即将客户视为具有相似需求和目标的广泛群体的成员(又名细分群体)，超越了产品开发，延伸到以客户为导向的每一个业务功能。客户细分使团队能够设计更有可能满足特定消费群体需求的产品、服务、信息传递和一般参与模型。但这样做是有代价的。
差异化的产品需要差异化的生产和交付方式。每一种产品、服务、广告等都针对特定的细分市场，需要专门的设计、工程、营销和支持工作。由于差异化产品提供了更大的价值，消费者可能愿意支付更多的钱，如果商品可以吸引客户远离竞争对手，扩大市场份额，规模经济可能会累积。但这是一场赌博。
我们怎么知道我们有正确的部分?
把它描述为一场赌博并不完全准确。现实情况是，大多数组织在推出专门的产品之前都会花费大量的时间和资源仔细审查客户并测试响应能力。这种分析在它发布并在市场上确立的过程中继续进行。如果成功的话，该公司可能会占据一个利基市场，从中获得利润。
但市场从来都不稳定。随着时间的推移，消费者需求和目标的变化、他们的支付意愿或能力、监管的变化和竞争对手的行动可能会使某个特定的利基市场变得或多或少可行。组织提供差异化产品的能力的变化也可能改变组织希望继续进入市场的方式。
因此，组织不断地重新审视他们的客户群体，寻找威胁和机会。随着数据科学作为许多营销组织的关键实践的出现，越来越多的数据科学家发现自己被邀请进入细分对话。
数据科学如何适用于细分市场?
市场细分经常被描述为现代营销的基础。拥有超过60年的历史，可用于进行细分练习的技术和方法的范围可能有点压倒性。那么，我们该如何应对呢?
首先，让我们承认片段并不作为现实世界的特征而存在。相反，它们是我们形成的概括，使我们能够总结出构成每个消费者的需求、偏好、目标、动机和反应的独特组合。片段的价值并不在于它的绝对真理(尽管它应该基于现实)，而是在于它在处理这种复杂性时的有用性。
接下来，我们的组织可能有多种查看消费者的方法，这些方法可能导致不同的细分定义。理想情况下，对于客户应该有一个共享的观点，允许组织以一致和内聚的方式参与，但是子细分定义甚至替代细分设计可能在特定业务功能的上下文中被证明是有用的。
最后，分段定义是有用的，因为它允许我们以一种可能提供良好的、可预测的回报的方式集中资源。但是，由于资源可能已经投入到特定的细分设计中，基于新的细分视角改变我们的客户参与模型需要仔细考虑组织变更关注点．
分段演练
为了说明数据科学家可能如何参与细分练习，让我们想象一个大型杂货连锁店的促销管理团队。这个团队负责开展一系列促销活动，每一项活动都旨在推动更大的整体销售。如今，这些营销活动包括向每个家庭邮寄传单和优惠券、制造商优惠券匹配、店内折扣以及为流行的国家品牌提供各种自有品牌替代品。
由于认识到不同家庭之间的反应率不均匀，该团队急于确定客户是否可以根据他们对这些促销活动的反应进行细分。预计这种细分可以使促销管理团队更好地针对单个家庭，从而推动每一美元促销支出的整体更高的回复率。
通过使用销售点系统的历史数据以及促销管理系统的活动信息，该团队得出了许多特征，这些特征可以捕捉到不同家庭在促销方面的行为。应用标准数据准备技术，组织数据进行分析，并使用各种聚类算法，如k-means和分层聚类，团队确定了两种潜在有用的聚类设计。
通过对这些群体进行分析，团队的营销人员可以发现，一般来说，客户家庭可以分为两类:一类是对优惠券和邮寄传单有反应的，另一类则不是。进一步划分显示不同程度的响应与其他促销优惠。
按发展集群本身未使用的人口因素对家庭进行比较，发现了一些按年龄和其他因素分隔集群成员的有趣模式。虽然这些信息可能不仅在预测集群成员和设计针对特定家庭群体的更有效的活动方面有用，但研究小组认识到，在过分强调这些结果之前，需要收集额外的人口统计数据。
分析结果现在推动数据科学家和促销管理团队之间的对话。根据最初的调查结果，将进行一项订正分析，重点是区分住户的最关键特征，作为简化群集设计和评估总体群集稳定性的手段。随后的分析还将研究不同家庭产生的收入，以了解促销参与度的变化如何影响客户支出。利用这些信息，团队相信他们将有能力改变高层管理。如果促销目标的改变得到批准，团队就会制定计划，使用本分析中使用的大部分相同数据来监控家庭支出、促销支出和活动响应率。这将允许团队评估这些努力的影响，并确定何时需要重新审视细分设计。
如果您想检查这里描述的工作流程的分析部分，请看看笔记本使用公共数据集和Databricks平台编写。bob体育客户端下载