顾客分群功能设计总结
顾客分群&顾客模型，能够按群体特征、使用偏好、活跃特征、留存特征等对顾客进行分类，是一项重要且基础的功能。笔者将结合自己的经验，为我们讲讲如何做出顾客分群功能。
导读
- 顾客模型与顾客分群
- 设计思路
- 设计细节如何落地
- 过程中的一些问题
一、顾客模型与顾客分群
顾客分群&顾客模型对于数据分析类产品都是重要且基础的功能，不仅在我们所面对“智慧商场”类的产品中有，在互联网数据分析产品中也十分常见，例如GrowingIO、神策等等，但各有各的特点。
建立顾客分群&顾客模型，是每一个以“人”为分析中的产品所必备的能力，“物以类聚、人以群分”，每一类用户群体都具有自己的特征。建立分群后，可以实现客群分析、客群的留存、客群偏好等等，而不是笼统的概览。
在AI快速发展的当下，我们可以通过AI的方式去智能地识别出一个客群，也可以通过自定义特征的方式来选定一个客群，本文要讲的就是这一部分。
那么，特征怎么确定，特征间怎么打通？
（建立分群原型）
（分群使用原型）
二、设计思路
在开始我们的设计之前，我们对许多的数据分析类产品进行分析，并得到了一个统一规范，这也符合我们在“灵魂设计”中提到的思考流。因此，我们的思路也沿用这个整体规范：
- 查询业务逻辑
- 顾客特征描述
- 语义表达式
但每一个方向都需要有我们自己的思考，产品设计过程就是将这个思路逐步细化的过程。
选择客群与分析客群是两个独立的过程。
正如上图所示当我们通过条件组合得到一个客群后，即得到了一个顾客ID组，在分析选项时，是分析这个ID组在分析选项组合中的数据。
1. 顾客模型
用户模型分为两个部分：属性、行为。
属性很好解释，我们的采集手段目前只有这些，至于其它的属性标签，只能说目前办不到。
那么行为呢，在我们的技术条件下，我们只能判断轨迹、驻留时长等，那就从我们的能力出发。在对用户调研中，我们得到用户十分关注顾客在场内的驻留、深逛的深度等，因此将用户关注与技术能力相结合，我们使用了游深、到访、驻留三个行为来刻画用户。
2. 查询语义表达式设计
一个完整表达式的自然语义：
用抽象的方式来表达：
前面两部分是对顾客模型与业务逻辑的分析，在具体客群定义的条件项中，我们需要去设计条件，也就是本段所描述的表达式语义。
属性表达式相对简单，由属性标签以及标签的值组成，行为表达式相对复杂一些，包含行为的对象，行为的属性值以及行为的发生时段。
三、设计细节如何落地
感谢我们的PM易无止境十分细致地完成了从思路到方案的梳理工作。
先上一张图看一下顾客分群与功能是如何结合的，在这个留存分析功能模块中，查询器的第一个条件就是选择我们建立的客群。从产品认知上，我们和起点就是选择一个客群，因此这个功能我们划分到“顾客洞察”板块中。
（一个功能原型案例）
（建立客群原型）
1. 构建语义表达式
客群 = 不同筛选条件（属性条件/事件条件）的组合，条件之间支持and和or的逻辑关系。在数学中，有一个运算优先级的概念，为了能够在表达式中兼容优先级，我们设计了外层表达式和内层子表达式，内层子表达式的优先级高于外层表达式。
2. 属性表达式
属性表达式包含：属性、运算符、结果值。
3. 行为表达式
事件条件包含：行为、时间、空间、统计、运算符、结果值。
4. 顾客属性
属性受数据来源的限制，可以通过自有的渠道彩集，也可以通过整合第三方（阿里、腾讯）的大数据标签系统。这由自己的业务规模所决定，需要PM根据实际情况进行判断。
5. 顾客行为
我们的顾客行为有：到访、驻留、游深三个。
6. 运算符
不同的判断内容类型，需要提供不同的操作符，这里需要注意如何去定义值的类型，是数值、数据范围、还是文本等等。
7. 时间范围
时间范围是行为发生的时间范围，可以有多种确定时间范围的方式，例如近30天、6.1号~6.4号等等，复杂在于近**天的时间范围，时间一直在改变因此客群也是动态变化的。
8. 空间范围
空间范围是指行为发生的空间范围。
9. 统计方式
有一段时间我们放弃了统计方式的选择，全部使用“累计”，但后来还是发现不够灵活，于是增加了一些其它的统计方式。
四、一些问题
1. 怎么想起来要做分群
现在看第一版的产品，就是一个数据可视化产品，谈不上分析。在完成后不久，我们通过分析相似行业——互联网产品数据产品的发展，得出一个结论：从UV/PV的数据统计升级到行为分析（GrowingIO等）。
于是我们也打算跟上这个步伐，怎么做呢？
向IO类产品以及其它数据分析产品学习，于是分群、顾客模型、指标体系等都成了摆在我们面前的工作。后来与潜在客户有了更多的交流，他们对于场内客流的经营都是以“家庭结构”进行的营销策划，这就是一种分群类型，而我们的“顾客分群”功能正好也能覆盖这个需求。
2. 客群与查询条件的两次运算
对这样的处理方式异议最大的来自内部，由开发团队提出，毕竟做两次运算的难度超过一次运算，但最后我们还是说服了内部团队。
为什么这样，源于我们对于线下商业体客群的理解——客群是一个相对静态的范围，线下商业体中的SKU类型、体量相对固定，顾客的消费习惯也是相对固定；所以我们建立一个相对固定的客群，来分析这群人在不同的时间、不同的空间中有什么样的表现。
3. 如何理解用户的行为
过去一段时间，我们对于用户行为的定义是：进入、离开、就餐、娱乐等，这确实与线下消费场景十分的符合。但是问题也来了：
- 实现起来十分的复杂，各种行为的判定条件很难精准；
- 用户的信息化水平低，脱离了实际的使用需求；
经过取舍，为了让产品与用户的实际水平相符合，我们决定重新定义行为。
我们来看看用户关心什么：人从哪里来、人是什么样、来了待多久、去了几家店等等。所此，我们重新定义行为有：到访行为（频次）、驻留行为（时长）……以达到既能描述顾客，又与用户实际的使用水平达到平稀。
总结
本文介绍了我们如何一步一步的完成顾客分群的设计以及过程中遇到的问题，虽然每个产品面对的问题不一样，但思路有许多的相似性，希望能对你有所帮助。
相关阅读
查询器设计：《从0到1，快速实现用户群定义与查询器设计》
作者：张牧师说，微信公众号：D哥产品说。
本文由@张牧师说 原创发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash, 基于CC0协议
作者暂无likerid, 赞赏暂由本网站代持，当作者有likerid后会全部转账给作者（我们会尽力而为）。Tips: Until now, everytime you want to store your article, we will help you store it in Filecoin network. In the future, you can store it in Filecoin network using your own filecoin.
Support author:
Author's Filecoin address:
Or you can use Likecoin to support author: