市场细分：如何度量细分市场格局的变化？

2011年秋季，我们帮一家国际知名的美国鞋履服饰品牌在中国开展了一项客户调研，以了解中国中高端消费者的时尚生活方式，以及与此相关的对鞋履等时尚产品的消费者态度和需求等。期间，基于生活方式的细分研究(Lifestyle-based segmentation)是项目交付的主要成果之一。

Fig1. Lifestyle-based segmentation about fashion

​回顾2011年细分分析，其基本的数据分析过程如下图概括： 

Fig2. 客户细分的主要数据分析过程(2011年方案)

显然，这是一个典型的多维度细分(Multi-domain segmentation，即MDS)，覆盖多个细分维度、总共包含68个变量。最终，得到一个6分类的细分方案。

五年过去。该品牌想要重新再做这个项目，尤其针对客户细分，想要通过重启项目解答的主要问题是：与2011年细分方案对比，如今细分市场格局发生了怎样的变化？这一问题可分解为以下的具体描述：

1) 原有的几个细分群体依然存在或已不复存在？细分群体规模是否有变化？

2) 其中，是否哪一个​细分群体宜拆分为两个或多个？或者，某两个细分群体宜合并？

3) 是否有新的细分群体出现？

​能够单纯地从数据分析的技术层面回答以上问题吗？恐怕很难。如前面关于市场细分的几篇博文提及，细分分析是从多维度理解消费者的一种分析思路/框架，不是一个简单的、标准化的作业过程，不属于精确分析、也没有固定算法。

尽管如此，我们需要响应客户的需求，从数据分析的实践给出尽可能多地证据去支持上述问题的解答。

作为对2011年项目的重复(或细分方案的验证)，2016年项目采用相同方式测量了当初产生细分方案的那些问题(即维度和变量)，仅有3个态度语句的增加。在这种情况下，解答上述问题的可能分析思路包括：

思路1. 重历产生2011年细分方案的数据分析过程，对2016年数据进行细分；

思路2. 基于2011年细分方案构建分类算法，将细分分析实际上转化为一个分类过程

哪一个思路(更)可行呢？

​思路1. 重历产生2011年细分方案的数据分析过程，对2016年数据进行细分——不可行！

其实，这相当于确认：对具有相同结构(变量及其测量尺度)的两个数据集，分别进行细分分析，过程中采用相同的数据处理方式和分析方法，最终，势必会产生两个“相同”的细分方案？这里的“相同”，是指两个细分方案中对应的细分群体具有相同趋势的数据表现，而群体规模可能不同。

这几乎没有实现的可能！原因仍然在于细分分析不是有固定算法的精确分析，而是一个多步骤的复杂过程，分析结果依赖于变量间取值的相互联系的强弱程度。就这里可利用的两个数据集，即便只是想要分别从中得到相同结构的因子分析结果可能都非常困难，更遑论得到相同的细分方案。

“探索性”细分，也称为后验细分、或在机器学习中称为非监督的，比较耗时、效率不高，过程中存在很多变数。只有当对市场“无知/缺少认知”时，我们才会进行必要的“探索”——即便如此，我们也强烈建议要首先有“想法”，即先验信息/知识——来自定性研究的发现或研究人员对市场的认知和理解。

思路2. 基于2011年细分方案构建分类算法，将细分分析实际上转化为一个分类过程——大体可行！但并不是那样地直接

根据贝叶斯统计理论，我们看待事物的“无知/缺少认知”状态将随着与事物相关的信息的不断获取而持续得到改善，这构成了贝叶斯决策论的基础。

对于我们的项目，在2011年刚一启动时，我们对目标市场的理解可以认为处在“无知/缺少认知”状态。项目完成、得到一个6分类的细分方案之后，我们对市场就有了较为良好的认知。启动2016年项目，一个目的就是度量细分市场格局发生的变化，为此我们需要首先产生一个与2011年方案接近的、可对比的细分方案。那么，2011年方案此时就成为了非常有价值的先验知识，可用于指导2016年方案的生成，不应被无视。