市场研究从业四年，到现在才开始正儿八经思考市场细分和用户角色的相似和差异。忙碌的时候一直在实践，不忙的时候看书和反思。在下一次的实践之前，解决这个问题。

一、定义

市场细分的概念最早于1956年，由美国营销学家Smith提出，“市场细分的基础是建立在市场需求面的发展上，并针对产品和营销活动做更合理和确实的调整，以使其适用于消费者或适用者的需要。”Alfred(1981)将市场细分定义为：“将市场区分成不同的顾客群，使得每一群体均可成为特定的营销组合所针对的目标市场。”《市场细分与定位》的作者James认为“目的在于识别子顾客群或潜在顾客，这些顾客对于既定的营销组合（产品／服务、价格、促销和分销）会产生类似的反应，或者反过来他们将对企业的营销规划产生有利的作用。换而言之，就是为了识别出对某一类产品或服务具有购买欲望的顾客，而这一类产品或服务与其他细分市场上的产品或服务又有显著的区别。”

二、目的

从不同年代学者的定义来看，市场细分均基于不同的用户需求，服务于企业的产品或营销组合。

三、细分市场是否有效的评估条件

从理论上而言，成功的细分市场必须满足三个条件：1、这些子群具有不同的需求、价值取向或欲望；2、对于某一营销活动的反应与其他子群有明显差别；3、这些子群对于企业实现营销计划目标具有一定作用。

衡量细分人群的标准：1、可衡量：人群可识别；2、可进入：营销可行性（包括营销的内容和渠道）；3、可盈利：具有一定规模；4、差异性；5、稳定性

四、用于细分的变量

一）Schiffman把目前西方学者所选用的细分标准与细分变量分为八种：地理细分、人口细分、心理细分、社会文化细分、使用细分、使用情境细分、利益细分及混合细分。

二）但事实上一般在市场研究中使用的细分变量主要有以下三种：

1、人口统计学变量：地理区域（地理方位、城市综合实力（城市线）、风俗习惯等）、年龄、性别、家庭人口和组成、教育程度、职业、住房类型等；

2、行为变量：品牌角色、购买考虑因素、使用情境、使用频率等

3、生活方式和消费心理（也包括价值观、需求和态度等；该变量的使用目前仍是市场细分的主流）

三）另外，Wind还提出了一个以管理任务为导向的细分标准选择模型：

1、了解市场整体情况：产品的购买和使用、需求、品牌忠诚度、品牌转换模式等；

2、定位研究：产品使用、产品偏好、寻求利益等；

3、新产品的引入：对新产品概念的反应、寻求利益；

4、定价决策：价格敏感性、降价偏好、不同使用购买方式的价格敏感度等；

5、广告决策：需求的利益、媒体使用、心理描述/生活形态；

6、分销决策：商店忠诚度，商店选择所寻求的利益。

刚刚开始入行的时候，曾被告知满意度、忠诚度等主观评分的因素不适合拿来做市场细分。现在看来并不是不可以，而是要根据行业的情况，研究的目标，以及后面可能采用的统计方法来决定使用哪些因素进行市场细分。

另外：也曾遇到迷恋于模型的客户与同事，认为不采用统计模型的细分结果粗糙而不具有代表性。事实上，市场细分确实随着统计学的发展不断引入新的统计方法。而这些方法不过是工具，如果前期没有通过定性提出一些想法和假设，再好的统计工具也难以获得有效的细分市场。因此如果在定性阶段就产生了清晰的有助于项目目的的洞察，在问卷里设置相关的题目验证即可，未必一定要采用大量的生活方式/价值观题目，也不一定要做复杂的统计分析模型。

五、市场细分的方法

市场细分的方法众多，例如细分因素划分法、因子聚类、典型相关聚类、潜类聚类（latent class model）、人工神经网络和联合分析等等。此处简单记录几种细分方法：

1、细分因素划分法：

营销人员直接选用细分因素，人为的将总体市场划分为细分市场。最常用的细分因素包括人口统计学因素和行为因素。优点是简单、区隔力强、容易识别和描述；使用人口统计学因素的缺点是没有考虑内在动机、预测行为的能力弱、没有想象中简单（许多人口统计变量其实是相关的）；使用行为因素还有一个优点就是与消费者的行为、选择、品牌使用相关联，可以识别新的市场机会，但是只看行为不看为什么，缺乏诊断性的价值

2、因子聚类：

使用的细分因素主要为需要、态度、生活方式、消费价值观等方面的评分题目。需要注意的问题是：1、问卷中的态度语句是否真正反映消费者的需要；2、由于因子聚类的过程中未考虑消费者人口统计特征及消费行为，因而分类结果往往存在细分市场间行为与背景的差别不明显，可识别性差的情况，较难提供可操作性的建议；3、内在逻辑的问题：实际上是假设态度不同的消费者，其购买行为也不同，然而事实情况却并非如此。

3、典型相关聚类

由于上述因子聚类存在的问题，可能需要将更多的变量引入模型，例如购买动机、品牌偏好、广告和促销的影响等。而这些变量通常并非连续变量，无法采用因子聚类，因此引入典型相关聚类。典型相关聚类其实是用典型相关代替因子分析。优点在于能同时考虑到产品需要、价值观、人口统计学特征及消费行为，使得最终的细分人群是内在的、有逻辑的、从定性上是可解释的；同时变量的选择更加灵活，定性变量和定量变量都能接受。

4、几种聚类方法的说明

1）层次聚类：既可处理分类变量，也可处理连续变量，但不能同时处理两类变量，不需要指定类别数。聚类结果间存在着嵌套，或者说层次的关系。

2）K-均值聚类法（K-Means Cluster），也叫快速聚类法。针对连续变量，也可处理有序分类变量，运算很快，但需要指定类别数。K-均值聚类法不会自动对数据进行标准化处理，需要先自己手动进行标准化分析。

3）两步聚类法（Two-Step Cluster）：可以同时处理分类变量和连续变量，能自动识别最佳的类别数，结果比较稳定。如果只对连续变量进行聚类，描述记录之间的距离性时可以使用欧氏（Euclidean）距离，也可以使用对数似然值（Log-likelihood），如果使用前者，则该方法和传统的聚类方法并无太大区别；但是若进行聚类的还有离散变量，那么就只能使用对数似然值来表述记录间的差异性。当聚类指标为有序类别变量时，Two-Step Cluster出来的分类结果没有K-means cluster的明晰，这是因为K-means算法假定聚类指标变量为连续变量。

4）聚类分析的几点注意事项：A、得到因子后要明确是基于量的聚类还是基于模式的聚类；B、聚类的数量，在3-7之间尝试，spss的话，事先保证样本是排序的；C、用F检验各类在聚类变量上是否存在显著差异；D、测试不同的聚类结果：例如3类和4类的结果进行交互分析，看看变化在哪儿，主要是什么变量影响的？E、针对可能稳定的聚类，测试每个变量（原始问卷）在各个类的F统计量情况；F、把最后确定的聚类结果写入原始数据集，命名；G、判别分析，判别类和聚类变量的可视化，画判别图，进一步识别类的特征；H、采用对应分析和多元对应分析，识别类的属性和关键类（细分）表述变量，例如性别、年龄、职业、收入等；I、采用CHAID分类决策树，自动侦测进一步识别类的特性。

参考：

《市场细分与定位》：詹姆斯.H.迈尔斯

《市场研究实务与方法》：郑宗成、陈进、张文双

《市场细分研究综述-回顾与展望》：罗纪宁

沈浩老师的博客