我們諮詢界的前輩傑弗裡摩爾在上世紀就說過：“離開大數據分析的企業又聾又瞎，就像誤入高速的麋鹿，在發展路上迷失了方向”。早在2005年,《市場研究雜誌》（Journal of Marketing Research）就提出了RFM和CLV模型，其中RFM所代表的Recency（最近一次消費）、Frequency（消費頻率）和Monetary（消費金額）至今仍被廣泛認為是客戶數據分析最好的指標。
在這之前，市場分析人員總是拍腦袋來創建客戶分類，比如根據消費偏好，購買力等，但這會帶來兩個問題，首先是時效性問題，我們不清楚什麼時候之前的分類結果需要刷新；其次是完整性問題，如果客戶無法落入之前的任何一個分類中需要如何處理，重構數據模型的代價是巨大的。
儘管市場法則遵循二八定律，20%的核心客戶可以不問緣由地為你的商品買單，但是對於RFM分類後的其他客戶，就算他們目前沒有貢獻多大利潤，為了避免他們快速成為競爭對手的核心客戶，任何企業都會想辦法爭取一下。
根據RFM分類，針對不同的客群需要匹配不同的營銷策略，譬如價格敏感用戶，他們對商品打折更感興趣，可以通過提高訂單淨值（AOV），例如買二送一來獲取更大利益；再譬如潛在忠實用戶，可以對其擴大品牌宣傳，施以影響力來打動用戶。
咱們既然是個技術公眾號，那就必須要聊點乾貨，我們知道數據科學家60%-90%的時間在做數據清洗工作，因此在對於客戶數據的學習建模也可以大致分為以下五個步驟：
- 發現客戶相關數據：包括行為數據和統計數據，有時候我們單看行為數據往往不能洞察客戶的真實購買力（需要結合統計數據中的收入），融合這兩類數據才能更好地分析出客戶的特徵。
- 關聯、過濾、轉置並清洗數據：這就是前面說的數據科學家最頭痛的一步，在一堆海量數據中提取特徵，然後歸一化以便之後的算法模型可以運算分析。
- 數據彙總：將特種工程、歸一化後的數據導入到數據開發環境。
- 分析數據：建立匹配業務場景的數據模型，對歷史數據進行學習，調整模型參數。
- 行為觀測：在現實環境中對模型持續優化。
完成上述五項工程後，我們最終獲得了客戶畫像，這是一幅沒有“畫像”的畫像，包括個人消費傾向、性格特點、興趣愛好等等。這類評價大多是可量化的，例如外向型、消費衝動型都會用相應的分值表示。
以人們喜歡的借閱DVD為例，舉這個例子是因為Github上有現成的樣例數據庫（https://github.com/priyank-purohit/PostGUI），樣例包含了不同人群的類型偏好、單次借閱量和開銷等信息。以下是這個樣例數據庫的ER圖。
在配置環境變量階段，我們加載兩個通用的評分模型：CH評分和Silhouette評分。兩者都是基於K鄰域算法
然後針對上面所提到的歸一化，我們需要將所有字符串類型的轉換為數值型，例如區域需要將原來的主數據轉換成元數據，比如將原先的居住城市（北京、上海、東京、倫敦等）轉換為新的屬性字段（“是否居住在北京？”，“是否居住在上海？”，“是否居住在東京？”，“是否居住在倫敦？”等），而用1和0表示目標用戶是否住在此。
憑藉對不同維度數據的加總統計，我們可以獲得每個用戶借閱量的信息。
以及每個用戶最愛的DVD名和分類
結合單片的價格，以及對群體樣本的統計分析，可以得出客戶消費週期的價值總覽。
紅框圈出的部分就是為公司創造80%價值的核心/VIP客戶，如何服務好這個人群，使其價值最大化無疑需要繼續深度個性化，回到他們每個人的樣本進行研究分析，而其他用戶可能並不值得公司進行1對1服務，群組定製化就足夠了。
群體統計有好多種分類算法，除了上面說到的K鄰域算法外，還有聚合分群（Agglomerative Clustering）和聚類分群（Birch Clustering）。
基於上述分類，當有新樣本入庫時，我們可以為新樣本分群的置信度進行打分，以Silhouette評分為例，我們可以看到這個分類算法對於新樣本的類別劃分的可行度並不高（Silhouette分數越高越可信），可能都處在現有群族的交界位置，因此我們可能需要重新考慮適用的分類算法。
最後，從實際操作上來講，任何一個標籤都需要賦予一個業務加權值。例如我們可能認為用戶是否是本國居民對於他喜歡哪類DVD沒有太大影響，相反用戶有多少空閒時間會影響他對DVD的偏好。
最後的最後，客戶對於營銷方式可能也是有偏好的，比如有些客戶喜歡圖文推送，有些客戶喜歡電話交流，這也是在後期具體操作的時候需要考量的因素。