在講究分眾行銷的時代，各行各業都想進行顧客研究與顧客分群(Segmentation)。但是分群的對象是誰? 要用什麼工具分群？分群後想得到什麼結果？該如何應用在後續的計畫中？卻仍有許多疑問。這次就讓我們來聊聊對於顧客分群的看法與案例吧！
一、RFM: 顧客分群的起始點
RFM可以說是顧客分群的基本方式。R、F、M分別代表Recency(上次購買的時間)、Frequency(購買頻率)以及Monetary(購買金額)。通常使用RFM分群時，我們會將顧客依照這三個指標，將顧客分成熟客/非熟客、高貢獻/低貢獻，並搭配上次客人消費的時間點，判定客人的回頭率。
RFM之所以會被多數企業採用，或是做為許多CDP、CRM內建的分群機制，就在於它需要的客戶資料只限於交易資料，而這是所有公司都一定有紀錄的數據，所以在不需額外收集其他資料的情況下，公司便可以做到顧客分群的效果。
當然，簡化的方法在效果上自然有它的極限，RFM較常見的應用是針對既有的顧客經營，這種方式最主要的兩個問題，一是無法將沒有消費紀錄的客人再細分(也就是潛在市場)，二是無法解釋各群人為甚麼是熟客或為甚麼願意花多一點錢。無法細分潛在的客人，公司便很難去加強新客戶的開發或是吸引過去沒有購買的客群。而沒有辦法回答熟客之所以為熟客的原因，公司就難以培養出新的一批忠實客人。
二、Demographic: 利用個人資料，進行更精細的分析
為了解決上述問題，許多公司便會導入會員系統，請客戶提供個人資料，例如年齡、性別跟地址、email等。這些資料可以用來進一步找出潛在客人底下的群體，以達到分而治之的效果。這也是很多公司已經在採用的分群方式，例如美妝產品通常會依造產品定位去主打特定年齡層、特定收入的女性消費者。
使用客戶的個人資料，無論是由客人提供或透過觀察猜測，大致上解決了RFM的第一個問題，也就是RFM無法對沒有消費的客人進行分群。同時，使用個人資料分群具有可操作性。例如公司將產品依照年齡跟性別去定位，實體通路人員就可以在不使用輔助器材(電腦資料庫、平板等)，快速的做出適當的顧客分群，並推薦適合的商品給客人。又或者在數位媒體科技的協助之下，運用常客的email list去擴大觸及類似的族群，像是Facebook的Lookalike功能。
然而使用個人資料並非沒有缺點，首先是目前的法規對於個資的收集跟使用只會更嚴格，而消費者目前對於個資保護的意識也在提升。可能多數人還會願意提供年齡、性別資料，但地址、婚姻、收入、聯絡方式等更敏感的資訊，提供的意願可能就會降低。另外，個人資料也不一定能解決RFM的第二個難題，解釋為甚麼有些顧客會更願意消費多一點，進而做出更精密的分群。
《實際案例》
通常飯店的PMS資料都會記錄顧客的交易紀錄以及基本的個人資料，有時候還會包含訂房管道等資訊，可以說是滿完整的資料庫了，具備了進行RFM跟個人分群的條件。
我們協助一家飯店業者梳理他的PMS紀錄，發現了他高度貢獻的顧客，主要是因為入住的頻率高，一年內平均住了5次，但房價並沒有明顯不同，年齡集中在35~45歲的男性。而另外一群25~35歲顧客，他們一年內只住了1.2次，主要是透過OTA來訂房。這對飯店業者來說，一來是發現年輕客群的忠誠度比較低，可能因為在網路上容易接觸到更多選擇，還有努力的空間。二來是第一線人員能利用年紀來推估客人是否為高度貢獻的客人，當接待到這類型客人時，需要特別注意服務細節，以免顧客流失。
年紀、性別可以直接觀察出來，不需要額外詢問顧客其他問題，因此可以做為第一層次的提醒。但是這些重要的高度貢獻客人，偏好什麼、不能忍受什麼等等，就不在PMS的範圍內，這就需要靠顧客訪談的方式來做補充了。
第三類型的分群方式是Behavioral(行為)：深入顧客歷程，找出影響決策因素
為了解釋消費者為何會成為忠實顧客，或一次性客人，有些公司開始使用客戶的行為資料，或人格特質來做分群。使用行為資料通常是以虛擬通路為主的企業愛用的方式，因為虛擬通路可以收集到消費者進到網站後，點了甚麼，看了甚麼，待了多久。甚至搭配一些第三方的數位足跡追蹤服務，還可以收集到消費者在進到網站之前的部分行為。像是Google和FB會從使用者的活動記錄幫使用者下標籤，推測使用者對於哪些主題有興趣，讓品牌商依此來投放廣告，但是線下的行為就不容易追蹤。
而人格特質與態度部分，通常會利用問卷調查或是focus group的方式收集，藉由收集不同人對自己人格特質的描述，再搭配其消費行為，企業便可以去推測什麼樣個性的人更偏好哪種訴求、更願意買單，進而針對這些個性去推出相應的行銷計畫。
由於行為或人格數據通常具有廣度跟深度，因此可以對顧客做出更精細以及多元的分群結果，甚至是對每一位客人提供獨一無二的定位。比方說客人A是屬於高單價熟客(RFM)、45歲男性(Demo)的分群之下，再加上特定運動喜好、特定音樂類型喜好、是否有特定政治偏好、人格特質偏向願意嘗試新科技、在網站上會花多點時間在規格與保固資料/產品外觀等標籤。
比較複雜的分群，需要仰賴完善的IT系統去收集跟整合資料，並搭配高階的統計模型來計算，例如Cluster的演算法。但是切記，分群最終的目的，是為了針對不同群體提供相應的品牌互動經驗，雖然行為特質的分群可以做到鉅細靡遺地描繪每一位客人，但企業的產品或服務不可能真正做到針對單一個人，因此會產生所謂的Persona(人物誌)來統整這些資訊，把顧客分成幾大類，來設計更能引起顧客共鳴的溝通、產品或服務。
例如一間家電的品牌，針對市場的消費者做了比較複雜的Persona分群，研究了他們對於居家生活的態度、生活習慣等行為。然後針對整體市場不同的Persona，去選擇要主打的產品。有的客群認為「家」就只是一個遮風擋雨、能睡覺洗澡的地方，對生活品質並不講究，對於這種客群，廠商主打的產品就以基本款、講究耐用。而另一個客群是喜歡嘗試新科技，希望在別人眼中是很流行時髦的形象，那麼就會主推有智慧連網操控功能的產品。再搭配各客群常用的資訊管道以及購買方式，去做特定的曝光。
當然，一家企業不見得可以涵蓋市場上所有人，所以透過顧客分群的應用，讓企業聚焦在其中一兩群人身上，也是非常重要且常見的應用。例如碳酸飲料的品牌，他就不會把目標訂在講究健康、養生、餐點都要自己煮的消費者身上。
四、顧客分群需要定期追蹤檢視，調整策略
看完以上的分析，你會發現沒有一個模型足以應付企業行銷的所有情況。一般來說，複雜的分群可以做到較精準的行銷，但需有成熟的IT系統來應付大量的資料收集跟串接。同時也需要嚴謹的數據分析，來確保顧客分群的準確度，更高度仰賴商業判斷來設計後續的應用，眾多特色標籤中哪些才是更具影響力的? 複雜的分群適合用於線上平台，原因不外乎容易收集資料、可以透過演算法即時並動態的調整行銷策略。搭配上A/B Testing，公司可以更有效的找出適合每一個標籤/小分群的廣告方式。
簡易的顧客分群可以透過現有的資料或簡單的顧客觀察達成，企業較容易執行，目前多數公司或多或少都有做一定程度的客戶分群，只是不能做到完全的個人化。但是簡易的分群對於實體通路而言，仍然很有幫助。因為分群的條件能夠用肉眼判斷，例如年齡、性別、人生階段(單身或有小孩)等等，第一線的服務人員容易辨識，然後根據事先設定好的商品定位去推薦，提高成交的機率，或者是特別留意提供的服務內容，提升滿意度。
但不論使用幾種，簡單或是複雜的模型，更重要的是「定期的評估現有分群」以及針對各分群的策略是否有效。定期的追蹤每個分群的組成和比例，並比較不同時期同一策略的效果，才能知道目前的客群的特徵或偏好有沒有出現變化。而對於萎縮幅度較大的分群，也要考慮是否要繼續保留，減少行銷活動的成本。能夠長期觀察市場與顧客的改變，並調整作法的品牌，更有機會培養出一群忠誠的顧客。