1. 一句话解释
客户分群（Customer Segmentation）是指按行为、人口统计或价值特征，把整体客户拆分成若干“相似人群”的分析方法，让营销、产品和运营能对不同群体说不同的话、做不同的事。
2. 生活化类比
想象你是一家健身房老板。所有会员在你眼里如果只是“会员”，你只能群发同一条短信：“续费有优惠”。但如果你观察一下，会发现：
- 有人每周来 5 次，只上团课；
- 有人一年来 3 次，只在年卡快到期时出现；
- 有人从不来健身，但每次都买蛋白粉；
- 有人只带朋友来体验，自己从不办卡。
这四类人显然不能用同一套话术。客户分群就是把这群人按“来店频率、消费品类、互动行为”拆开，再分别设计续费提醒、私教推荐、电商优惠或转介绍奖励。
3. 核心概念/公式
客户分群没有唯一公式，但常用框架可以概括为：
分群 = 选择维度 × 切分规则 × 业务目标
常见维度包括：
- 人口统计：年龄、性别、国家、语言；
- 行为：浏览、加购、下单、复购、退货；
- 价值：RFM（最近购买时间 Recency、购买频率 Frequency、购买金额 Monetary）；
- 生命周期：新客、活跃客、沉睡客、流失客。
其中 RFM 是最经典的量化分群方法。例如：
- R：最近一次购买距今天数；
- F：过去 180 天购买次数；
- M：过去 180 天累计消费金额。
按 RFM 打分后，可以把客户分成 8 类，如“重要价值客户”“重要保持客户”“一般发展客户”“流失客户”。
一个简化分群规则示例：
| 客户群体 | 规则 | 运营目标 |
|---|---|---|
| 高价值活跃 | R≤30 天，F≥4，M≥$500 | 提升客单价、会员权益 |
| 高潜力新客 | R≤30 天，F=1，M≥$80 | 推动二次购买 |
| 沉睡高价值 | R>90 天，F≥3，M≥$500 | 召回、专属优惠 |
| 低价值流失 | R>180 天，F≤1，M<$50 | 低成本触达或放弃 |
4. 与相关术语对比
| 术语 | 核心含义 | 与客户分群的关系 |
|---|---|---|
| 客户分群 | 把客户按特征拆成不同群体 | 更偏分析框架和人群划分 |
| 用户画像 | 用标签描述单个用户或群体特征 | 分群后常用画像补充细节 |
| 聚类分析 | 用算法自动把相似用户归组 | 是实现分群的一种技术手段 |
| RFM 模型 | 按最近购买、频率、金额打分 | 是分群中最常用的量化方法之一 |
| 个性化推荐 | 对不同人推荐不同商品 | 分群后的应用场景之一 |
| 生命周期营销 | 按新客、活跃、沉睡等阶段运营 | 分群维度之一，强调时间阶段 |
简单说：客户分群是“把人群切开”，用户画像是“把人群描细”，聚类分析是“用算法切”，RFM 是“用交易数据切”，个性化推荐和生命周期营销是“切开之后怎么用”。
5. 应用场景
场景一：独立站新客二次转化
某独立站发现，新客首单后 30 天内二次购买率只有 12%。按行为分群后，把“首单后 7 天内有加购但未下单”的人单独拉出，发送免运费券。测试组二次购买率提升到 19%，客单价从 $42 提升到 $51。
场景二：跨境电商沉睡客户召回
某家居品类卖家按 RFM 分群，发现“R>120 天、F≥2、M≥$300”的沉睡高价值客户有 8,400 人。针对这群人发送“老客专属 15% 折扣 + 新品预览”，召回率 6.8%，带来约 $71,400 收入。
场景三：广告投放优化
某服饰独立站把 Facebook 广告受众按国家、购买频次、客单价分群。对“美国、复购≥2、客单价≥$80”的人群投放高客单新品；对“新客、只浏览未购买”的人群投放首单折扣。结果广告 ROAS 从 1.9 提升到 2.6，CPA 下降 18%。
场景四：会员体系设计
某美妆品牌按价值分群后，把 Top 10% 客户设为 VIP，提供生日礼、早鸟购、专属客服。VIP 群体年复购次数从 3.1 次提升到 4.4 次，贡献收入占比从 38% 提升到 47%。
6. 常见误区
误区一：分得越细越好。
分群太细会导致每个群体人数太少，无法统计显著，也无法规模化运营。通常一个可执行分群至少要有几百到几千人。
误区二：只看人口统计。
“25-34 岁女性”这种分群太宽泛，无法指导动作。行为和价值维度往往更有预测力。
误区三：分完不做差异化。
如果分群后所有人还是收到同一封邮件，那分群只是报表，不是策略。
误区四：忽略数据质量。
重复账号、未登录浏览、跨设备行为都会让分群失真。跨境电商还要注意不同国家、币种、时区对 RFM 的影响。
误区五：一次分群用一年。
客户会从新客变活跃，从活跃变沉睡。分群应定期更新，通常按月或按季度刷新。
7. 相关术语
- RFM 模型
- 用户画像
- 聚类分析
- 生命周期营销
- 个性化推荐
- 复购率
- 客户终身价值（CLV）
- 流失预测
- 营销自动化
- A/B 测试