先给你看一组网上找的超市购物的图片。
看了这些照片，你有什么感受？除了他们的共同特征（都是老外、表情都洋溢着宁静平和）之外，有没有什么不同的特点没有啊？如果你是他们其中的一员，你更接近哪张图的状态？
我曾经说过，绝大多数人都是等着被别人领导的，领导者总是少数。在消费领域，人们的从众心理尤其严重。之前我们分析过零售业的三个发展阶段，认为当今社会是消费者当家作主的年代。然而不幸的是，多数消费者都是懒人，他们不愿意动脑筋，使得主流消费者的行为都是由领导者带动的。消费领导者欣赏某些产品和服务，认为它们有价值，其行为和态度就会渗透到不同的细分人群，而同一细分群体之内的消费者就会继续传播产品和服务的类似行为与态度。
所以，顾客中有一些是消费领导者，他们是高价值客户；有一些是低价值群体，可以弃之不顾。将顾客群体尽可能细分为更小的群体，超市就能提供更好的顾客体验，创造更大的顾客价值。适当的客户细分及其与产品和服务的对应，是超市企业的关键成功因素。
超市顾客细分的过程，是将顾客划分为互斥的群体，使得：
- 同一群体内的顾客尽可能相似
- 不同群体的顾客则尽可能不同
通过区分客户需求和价值，能够帮助超市企业：
- 优先服务价值最大的客户，从中获得最大利益
- 基于顾客生活方式分群来定制公司的产品和服务，使之满足顾客的生活方式
- 通过精准客户分群，充分发挥一对一营销的威力和大众营销的覆盖面
单个顾客的行为充满偶然性，彼此之间也非常不同，是没有分析价值的。但作为顾客群体，不少消费者有着相似的特点。典型的顾客行为，可以通过一些关键因素来概括，例如居住的社会、家庭人口、职业、收入、文化、教育、汽车和置业的类型等。
客户细分通常采用聚类技术，数据基础则包括全面准确的人口统计信息、顾客基础数据及顾客支出、消费行为数据。只有这样，才能识别、保有和增加最有价值的客户群体。
顾客细分过程包括以下五个主要步骤：
- 清洗和整合顾客信息和交易数据；
- 导入相关6位邮编、地理人口数据及消费、生活方式与行为数据；
- 进行因子分析或多重对应分析（MCA ） ，以减少数据库大小、适应分析因素；
- 对数字数据使用自适应K均值算法、对分类数据使用层次算法，使顾客分群为不同簇类；
- 验证、完成和形成顾客簇类。
将这种系统、高效且有效分析方法应用到大型消费行为数据、消费趋向数据和交易数据库上，将能进行无参数、无预先假设的顾客分群分类。例如，假如有五位顾客：
顾客1 = {香蕉，牛奶，牙膏，电池}
顾客2 = {牛奶，可乐，咖啡}
顾客3 = {香蕉，纸巾，洗衣粉，谷物}
顾客4 = {香蕉，牛奶，餐巾纸}
顾客5 = {牛奶，餐巾纸，鸡蛋，小苏打}
由于顾客2和顾客3没有任何共同的货品，传统的聚类方法不会把它们组合在一个簇类。利用MCA的分析可以发现，香蕉、牛奶和餐巾是购物篮中的常见货品，这些顾客可以组合为同一簇类。这样就组合出通用的主流顾客购买行为，并引导更多业务机会。
常用的客户细分大体有：
- 地理细分：城市与农村，东部与西部，寒冷与温暖地区。送比萨的业务适合地理细分。
- 人口统计细分：性别、年龄、年代、民族、家庭和居住类型、收入与支出模式等。家用五金企业需要居住类型细分，而金融机构需要收入与支出模式细分。
- 心理细分：欲望、动机、认知、兴趣、态度和价值观等。公司可利用心理细分来预测客户的欲望和需求，并学会有效地达到这些目标。
- 产品用途细分：最新、最常用、20:80规则、忠诚度等。企业可以针对重度、中度或轻度用户使用不同的目标。
- 交易细分：日期、时间、频率、数量、时间间隔等。典型应用是风险分析，例如欺诈、违约、拖欠等。
顾客细分是科学，也是艺术，高度依赖于输入变量及预期目标。如果顾客数据库够大够完善，则往往有不同的适合模式，其中一部分才是满足业务需求。男顾客、女顾客是两个群体，但这解决不了什么业务目标；同样，城市顾客和农村顾客也是两个群体，但分群太大，业务可能无法确定出需求所在。
三个顾客细分的应用案例：
- 零售连锁门店选址：通过分析客户信息、人口统计学数据和消费者生活方式与行为数据，将单身和年轻夫妻作为高价值潜在客户，因为他们的特征是偏好用成品或半成品炒菜做饭。因此新店选址就可以在这类消费者相对集中的区域。
- 时尚个性化销售：基于百万级历史购买数据进行地理、人口、文化、偏好分析，将时尚顾客细分为趋势领导者、墨守成规者、逢低买入者、大手大脚者等群体，分别提供面向他们的个性化解决方案。
- 信用顾客群体定位：通过分析顾客数据和传统信用合作社的历史交易数据，找到这样一个大客户群：消费者的文化趋向与价值观，相当程度上也从信用合作的价值主张中反映出来。针对信用群体量身定制解决方案，可成功将信用转化为顾客。
（本文根据英文资料编译。）