摘要：银行要推行客户关系管理，就需要对其所拥有的客户进行细分，并通过细分建立起相应的客户服务体系，开展差异化营销，以保证银行营销目标的实现。

01 前言

客户细分是20世纪50年代中期由美国著名的学者温德尔·史密斯提出的，他在《市场营销策略中的产品差异化与市场细分》一文中指出，客户细分是从客户需求出发，根据客户不同的消费行为并遵照一定的规则和标准，把企业的客户划分为具有相似性客户群体的过程。正确的客户细分能够有效降低成本，提供具有针对性的产品、服务和营销模式，同时获得更好、更有价值的市场**，过去，银行主要根据经验对客户进行分类，如将信用卡客户分类标准设定为白金卡客户、黄金卡客户和普卡客户等。随着银行信息化建设的不断深入，银行已经积累了大量的个人历史交易数据和客户资料，未来也将会积累越来越多的客户数据，而对海量的客户数据，传统凭经验的客户分类标准不合理的一面将逐渐显现。

客户细分的基础是市场经济，它主要依据需求差异、消费层次、资源价值最大化以及客户价值的二八原则等方面来对客户加以细分。细分客户的主要目的包括客户识别与定位、客户忠诚度分析、指导新产品开发、发现新的市场机会、确定目标市场、提供信息支持等。

02 客户细分方法

一般来说，客户细分的特征维度主要包括基本信息特征和客户行为特征，客户基本信息特征又包含客户展现出来的外部特征，如人口统计学特征等。行为特征则表现为客户的具体消费行为。

（1）人口统计学细分，人口统计学特征作为一类较易获得的信息，其基本假设是：风俗习惯、文化程度、经济状况等方面的不同，会导致客户的消费心理、消费习惯有较大的新差异。

（2）行为细分，行为细分依据客户以往和现在的行为来预测将来的消费行为，是一种以客户行为模式为基础，以信息技术为支撑的细分方法，其基本假设是：行为相似的客户也有相似的爱好。

在实践中，银行应根据业务范围的不同，选取合适的细分指标，细分指标选取原则主要有以下几点：一是综合系统性原则，指标体系需要尽量满足综合评价的全面性和相关性要求，既要全面反映个人客户的全方位特征，又要尽量避免指标间的重叠；二是恰当性原则，一个合格的细分指标必须具备的第一项品质就是恰当性；三是量化原则，一项有用的细分指标应当是易于测量的，或者至少是可识别的；四是可操作性原则，细分指标还应当具备实际用途，能够引导营销目标做出合理定位，使之根据不同的细分市场，在产品、价格、分销、销售或广告等策略方法上做出多样化的努力。

03 客户细分技术

按照银行既定业务目标，数据挖掘技术能对大量的企业数据进行探索和分析，提示隐藏的、未知的规律，或验证已知的规律并进一步将其模型化，从而自动提取出用以辅助商业决策的相关商业模式。随着计算技术的快速发展，在客户细分领域已经有很多成熟的数据挖掘算法可供使用，客户细分的应用场景不同，算法的选择也会有所不同。

（1）分类算法，分类是指找出描述并区分数据类或概念的模型，使之能够使用模型预测对象的类别。分类模型主要有决策树、多元判断分析、逻辑回归模型、神经网络技术和支持向量机算法等，其中决策树算法比较适合应用于个人信息评级，而多元判断分析、逻辑回归模型、神经网络技术和支持向量机算法在研究公司信用评级及行业信用评级时效果更好，差别准确率也更高。

（2）聚类算法，聚类是根据“物以类聚”的原理，将本身没有类别的样本聚集成不同的簇，并对每个簇的特征进行描述的过程，与分类规则不同，在聚类前，并不确定应该将客户划分成几个簇，也不知道根据哪些规则来定义簇，因此聚类是一个对客户类别进行探索的过程，一般适用于从客户特点和需求出发，为其定制个性化产品的场景。

无论是分类还是聚类，都要针对具体业务来选取细分指标，这些指标包括客户的人口统计学特征和行为特征。需要注意的是，当某些指标与业务问题关联性较低时，可以考虑不放入或降低其权重；当细分指标较多时，可利用主成分分析进行筛选；当指标与指标之间存在高相关性时，可选取其中一个。