市场营销人员使用细分和聚类已经有一段时间了。这两者都是观察和预测消费者行为的重要方面，但是对于它们如何不同以及它们如何影响你的营销仍然存在困惑。

我们将很快进入讨论，但首先让我们一般性地讨论这两个问题: 集群和细分都涉及基于相似性对人们进行分组。在数字体验的土地上，他们是预测营销的动态二人组。两者的主要区别在于聚类一般是由机器学习驱动的，而分割是由人类驱动的。这种差异已经导致不少人厌恶集群，并坚持他们自己的客户知识。

这种不情愿触及了人类与机器之间熟悉的战争。但是，这些策略可以一起使用，而不是将分割视为人类版本的数据分组与机器版本的相同行为。二分法是没有必要的。事实上，正如你将看到的，它们可以非常有效地一起使用。

这两种策略都可以帮助您更好地了解客户和潜在客户，并且您对人们如何与您的组织进行互动了解得越多，您就能够更好地满足他们的需求。这就是银行存款，良好的客户体验和精明的生意。

什么是用户聚类？

聚类使用机器学习(ML)算法来识别客户数据中的相似性。简单地说，算法检查您的客户数据，捕捉人们可能忽略的相似性，并根据客户行为模式将其放在集群中。

一些例子包括发现购物者倾向于购买视觉展示的全套服装，而不是自我协调和单独购买服装件。另一个例子是那些喜欢购买促销产品的维生素购物者和那些按照固定节奏进货的维生素购物者。那些“囤积”维生素、化妆品或其他物品的人可能在很长一段时间内都不会回到商店。它可能需要一些创造性的信息和提议，让他们购买以外的正常周期。

何时使用群集

机器学习是一种计算机化的超级力量，任你支配。因此，当您想要解析如此庞大的数据集时，最好使用集群，即使是一个人类数据科学家团队也会花费太多的时间。集群也很有帮助，因为尽管我不想这么说，但人是容易犯错的，机器可能会发现我们在数据集中遗漏了什么。这允许您潜在地在整个客户数据库中定位集群，允许您在更高的级别上进行个性化定制，并且比我们人类快得多。

如何将用户聚类应用到市场营销中

下面是机器学习聚类算法在大型数据集中发现相似数据组的一个简单示例。在这个例子中，客户购买的频率越高，他们花的钱就越少。相反，购买周期越长，支出越高。这是比较采购间隔天数和平均订单大小时的数据。在“囤积”买家的例子中，这就是我们可能看到的情况(购买次数减少，但美元价值大幅提高)。请记住，机器学习集群算法正在对几十个数据点进行比较，在某些情况下，数百个数据点在多变量水平上进行比较，以识别具有相似行为的客户集群。人类不可能完成这么大规模的任务。

主要的一点是，机器学习强大的集群和算法将找到相似之处; 营销人员不做任何工作，本身。相反，他们决定在机器学习完成最初的工作之后采取什么步骤。

例如，在上面的示例中，确定了需要60天以上才能下第二个订单的买家群。利用这些数据，营销人员可以开展有针对性的活动，以确定集群。因为如果在这个群体中“库存”购买者的购买模式有这样的相似性，那么他们可能在其他产品上有共同的模式行为。在这种情况下，市场营销人员可能会考虑发送这个集群的维生素或补充剂的折扣代码以外，这些购买者通常购买。

什么是用户细分segmentation?

当营销人员选择从大量数据中提取特定群体的标准时，这就是细分。换句话说，就是当你查看你的客户数据并挑选特定的标准来定位一个群体。

何时使用用户细分

这就是人类用他们的大脑，奇怪的是，数据通过心脏来输入特定的群体，并按照他们的需要进行深入研究。在集群通知的情况下，细分授权并允许营销人员选择并有目的地针对特定群体进行个性化消息传递。

如何将用户细分应用到你的市场营销中

通过分割，你(一个人)选择你的目标。

如果我在销售维生素，我可能希望针对消费者发送信息，说明他们过去购买的产品类型。我可能想细分消费者谁购买鱼油，叶酸和镁在过去与心脏健康的信息。我可能想通过选择性别、年龄或一生的时间来进一步细分这个群体。有意识地识别和分组具有相似购买习惯和倾向于某些类别的客户就是细分的一个例子。  

分割容易出错的地方在于人的假设。我认为这部分人购买这些产品是因为他们对心脏健康感兴趣，而且由于他们的年龄或性别，可能更需要这些产品。另一方面，聚类可能会发现与我们考虑的属性无关的购买行为模式。有时候，我们的偏见会误导我们; 它们会迫使我们选择一部分我们认为应该瞄准的人。  

集群没有预先配置的偏差; 它只是为相似性搜索数据。

但是识别这个部分仍然很重要，因为我可以将其与集群结合使用来扩大我的读者群。通过定制我如何营销这个细分市场，我增加了他们购买的可能性，进而提高了转化率。

数据聚类中的机器学习通过不断分析行为和重新评估客户来帮助我们。通过这种每日迭代，数据聚类寻找包括网络行为和电子邮件参与行为在内的行为变化，而这些行为是人类无法在日常基础上监控的。总之，分割和集群是强有力的盟友。

客户数据平台: 分割和集群所需的技术

随着大数据的兴起，rise of big data, 营销人员现在有数百种特征可以研究: 品牌偏好、折扣偏好、花在网站上的时间、浏览行为等等。一些顾客特征与购买行为没有相关性; 另一些特征与购买行为有相关性，而且以不同的方式相互关联。

但是对于一个人(甚至是一个团队)来说，通过查看数百种数据类型来发现每种数据类型之间的关系是不可行的。如果没有一个专门的数据科学团队或其他技术来支持机器学习，这将是一个不可能的提升。客户数据平台中的机器学习模型(一分钟后会有更多关于 CDP 的内容)可以更深入地分析成千上万的数据集，通过集群模型预测买家可能性。

但是，基于人类行为的跨数字属性的跟踪和策略，以及识别重复数据、解析或合并数据点，可能会有很多问题。

身份解析技术提供了一种解决方案。例如，通过身份解析，您可以发现同一个人使用两个不同的电子邮件地址。尽管这是一个简单的示例，但是您可以想象，将这个问题乘以数千会导致数据混乱。

幸运的是，我们有解决这些问题的技术。我之前提到过，但是客户数据平台(CDP)是存放和整合所有客户数据的理想场所，因此您可以相应地进行集群和分类。CDP 可以确保不会在不同的系统之间传播各种类型的客户数据。相反，它作为一个单一的真相来源，拥有360度的客户档案ーー也就是能够提供最准确的行为快照的数据，你可以围绕这些数据建立个性化的体验。包含身份解析的 CDP 尤其有价值。

而具有机器学习特征的 CDP 使个性化努力具有动态性。因为人类不是一成不变的生物，他们的行为数据可能令人费解。例如，CDP 将破译用户浏览和实际购买的东西与用户“窗口购物”和在购物车中装满他们永远不会购买的东西之间的区别。了解了这一点，营销人员可以推荐他们可以购买的类似商品，而不是发送一个温和的提醒，告诉他们购物车已经满了，或者提供超过一定金额的订单优惠券。

因此，客户数据配置文件、集群和细分正在不断地被检查，以研究变化并相应地通知战略决策。机器学习不断地执行冗长的分析以产生集群，同时选择部分的参数。在这两种情况下，亲爱的人类，你决定的营销方法，你将使用的基础上的见解，每一个战术产生的。

接下来要采取的步骤

我们来回顾一下。

• Segmentation: 从大量数据中手动提取满足选定条件的特定组
• Clustering: 聚类: 使用机器学习识别客户数据中的相似性

两者相辅相成，主要区别在于分割涉及人类定义的分组，而聚类涉及机器学习驱动的分组。

现代企业处理的客户数据量惊人。将集群和细分成功地编织到您的营销策略中取决于您如何组织您的数据，这就是客户数据平台可以提供巨大帮助的地方。

要了解更多营销人员可以使用客户数据平台来组织和激活他们的数据的方法，请下载我们的免费电子书《全域数据驱动增长指南》

或者，如果你想看到它的实际运作，我们很乐意向你展示它在现实生活中是如何工作的。在这里安排一个演示。如果您希望获得一个详细的概述，深入了解 LinkFlow CDP 对贵公司全域客户运营的价值，您可以通过两种方式获得咨询：

1、点此完成CDP需求自评，不需要专家介入，可以能在3分钟左右快速确定是否需要CDP： http://ln8w.cn/51Kuqa

2、或直接申请1v1咨询通道，与咨询专家完成20分钟左右的需求评估，非常适合目前无法准确描述自身需求、无法确定是否需要一套什么样工具的用户： http://ln8w.cn/4108n5

以上咨询均免费。