客户细分怎么做？5种模型的数据、用法与边界

客户细分是按与业务问题有关的特征，把客户分成需要不同产品、沟通或服务方式的群组。分组应能改变后续动作：如果每组收到的内容、服务和跟进方式完全一样，就要重新检查分组是否有用，而不是继续增加标签。

可以用 Boardmix 客户画像画布把分群规则、数据来源和拟采取的动作放在一起讨论。下面从目标客户、营销目标和客户需求出发，说明人口、地理、心理、行为与RFM五种模型怎样选择，以及怎样避免把分群结果误当成客户需求的原因。

1. 选择目标客户：先分群，再确定服务重点

客户细分与目标客户选择是前后相接的两个决定：先描述有哪些群体，再结合产品能力、服务成本和目标选择优先服务谁。不能先认定某类人“价值最高”，再挑几个特征证明这个结论；也不应把群组称作人的“阶级”。

网格模型适合讨论两个维度的组合。例如，汽车选购研究可以用“首选车型”和“预算区间”作行列，观察不同组合需要哪些产品信息。若记录首选车型，就按一次回答归入一个主选项；如果允许多选，应注明同一位客户可能出现在多个格子，不能直接把格子人数相加当作客户总数。

绘制网格时，不要把动力类型与车身类型混在同一轴上，也不要让“15万以下”和“15万—30万”同时包含15万元。可以把预算列明确写成“小于15万、15万至不足30万、30万至不足50万、50万及以上”，再为无法判断的回答保留“待确认”。这些是访谈分组口径，不是对当前车型价格的判断。

优先级还需要证据。对一个候选群体，至少问清需求是否真实、现有产品能否满足、能否通过合适渠道服务，以及团队有没有资源跟进。某组人数多，并不自动表示它最适合成为本次营销对象。

2. 定义营销目标：决定需要什么数据

同一批客户可以按不同目标分组。门店要安排本地活动，地理位置可能更重要；要判断首购客户何时需要进一步帮助，首次购买日期和使用反馈可能更有用。先确定要做的决定，再选择字段，避免把能收集到的数据都塞进模型。

以一家文具店为例，团队希望为已有购买记录的客户安排更合适的后续服务。可以先区分近期多次购买、较久未购买、刚完成首购等情况，再判断是提供补货信息、了解体验问题，还是发送使用说明。不能从“很久没买”直接推断客户已经不满意，也不能默认每个群体都需要优惠券。

实际比较时，记录触达人数、可联系人数、客户回应、后续购买及服务成本，并保留未采取该动作的可比较对象。仅看到活动后订单增加，还不足以证明增加来自分群；季节、促销和产品供应变化都可能同时影响结果。

3. 明确客户特征和需求：把事实与解释分开

客户年龄、地域和职业可以帮助描述群体，却不能单独解释需求。同龄客户可能有完全不同的购买目的；同一客户的使用情境也会改变。应把交易、使用行为、访谈与主动反馈对照，区分“记录里发生了什么”和“团队认为为什么发生”。

文具店的记录可以先保留客户编号、订单编号、有效交易日期、商品品类、退款后金额与反馈出处。用同一客户标识去重，明确取消、全部退款及异常订单是否排除；分析画布使用编号和汇总信息，不把姓名、电话或详细地址贴到公开共享区。

例如，“客户B在观察期购买5次，最近一次距统计日87天”是交易事实；“客户B已经流失”只是尚待核实的解释。可能是用品尚未耗尽、采购周期改变，或发生了服务问题。可以在群组卡上分列事实、待核问题与下一动作，避免给所有人套同一种原因。

Boardmix 中的表格适合展示分群条件与数据，便签适合整理访谈片段，画像模板则用于总结有依据的需求。模板里的字段可以删减，不必为了填满“个性”“照片”等栏目而编造人物背景。需要比较地理、人口、行为和心理的基础划分方式，可进一步查看市场细分的四类标准。

4. 选择细分模型：五种方式各自解决什么问题

（1）人口细分：用于描述群体，不代替需求研究

人口细分按年龄、职业、教育程度等人口统计特征分组，适合这些差异确实影响产品使用或服务安排的场景。应使用与任务相关、来源可靠的信息，不根据姓名、外貌或某次消费推测个人属性；也不要直接把年龄段等同于购买力、数字能力或某种喜好。

（2）地理细分：先确认位置代表什么

地理细分可按国家、城市、服务区域等分组，适用于门店覆盖、配送或区域活动。收货地址、常住地和最近访问位置不是同一概念。以配送为目标时看实际配送区域；以线下到店为目标时，还需要确认到店意愿和距离，不能仅凭一个地址判断。

（3）心理细分：需要能追溯的态度与动机证据

心理细分关注价值取向、兴趣、生活方式和选择动机，通常需要问卷、访谈或明确反馈支持。文具店可研究“重视耐用”“重视书写手感”等选择依据，但不能因为客户购买价格较高的商品，就给他贴上“追求地位”的标签。观点是否稳定、是否影响选择，需要结合实际行为再判断。

（4）行为细分：围绕一次具体业务动作定义

行为细分可以依据购买、使用、互动和反馈，例如已购买未咨询、重复购买、使用后主动求助。先写明统计窗口、行为定义和数据覆盖范围。浏览产品不等于购买意向已经确认；某渠道没有记录，也可能是客户在其他渠道完成了动作。

（5）RFM细分：把最近购买、频次和金额分开看

RFM是一种基于交易行为的细分方法。R是Recency，表示距离最近一次有效购买过去多久；F是Frequency，表示一定窗口内的购买频次；M是Monetary，表示按约定口径统计的购买金额。Adobe的RFM说明也将这三个维度分别定义为购买的新近程度、频率和金额。R不是“最近购买次数”，M也不是利润或客户终身价值。

以下文具店数据用于演算：统计日为2026年9月30日，交易窗口为7月1日至9月30日。F按有效订单编号计数，不按商品件数；M采用商品金额扣除退款后的合计，不含运费和税费；取消、全部退款的订单不计为有效交易。R按统计日与最近一次有效购买日期的日历日差计算。

A与B的频次接近，但距最近购买的天数明显不同；C购买金额高，却只有一次记录。三人不宜只按金额排成一个价值榜。若有人最近一次购买早于观察窗口，仍可按完整历史计算R，但应注明F和M只统计窗口内数据；没有完整历史时，将R记为未知，不能当成0天。

需要评分时，可以依据实际分布或业务规则设置分档，并记录阈值、统计日和版本。不要把某个行业的“30天未购买”直接当作所有业务的流失界线；低频耐用品、订阅服务和日常消耗品的购买周期不同。RFM描述过去的交易模式，不能单凭一个得分预测某位客户一定会再次购买。

最后在每组旁边补三项：当前证据、拟采取的服务动作、复查时间。先用少量可区分的群组开展验证，再决定是否继续细分。能帮助团队做出不同且有依据的选择，比做出一张颜色很多、标签很多的客户地图更重要。