市场细分：单维度vs.多维度

Fig1. 市场细分：单维度 vs. 多维度 

市场中的消费者，即“人”，总是具有多面性，很难准确地彼此界定和清晰描述。因理解市场的角度不同，研究人员执行市场细分所遵循的依据/标准也存在很大差异。通常，市场细分所采用的依据可归纳为以下几个维度：

a) 人口统计特征(Demographics)：例如性别、年龄、婚姻状况、教育程度、家庭/个人收入水平等；

b) 消费行为：例如消费场合(Occasions)、频率、花费等；

c) 需求态度：例如产品需求(Needs/ Need states)、态度(Attitudes)等；

d) 价值观：例如生活形态(Lifestyle)、价值观(List of value)等。​

​有时，研究人员基于某单一维度执行细分分析，我们称为单维度细分(One-domain segmentation)；有时，综合多个维度的数据进行细分，我们称为多维度细分(Multi-domain segmentation)。这里，单维度细分不应理解为单变量细分(其实，只是分类)，譬如一个基于价值观的细分分析(Value-based segmentation)，数据来源是包含35条价值观语句的1-5分评价(5-point scale)，即基于35个变量，但是我们仍然视其为单维度细分。

​一般，市场细分维度(以及所包含的变量)选取的多少与行业发展的成熟度相关。对于一个处于导入期或成长期的行业，消费者对产品多样性的需求较低，市场竞争不太激烈，市场细分程度不需要太高，单维度细分或只根据一个或几个关键变量分类即可能分出有效市场。相比较，随着行业发展步入成熟期，市场竞争激烈，消费者的市场知识积累较多、差别化的个性需求凸显，市场需要更高程度的细分，此时，更具针对性的多维度细分或许更适合。

传统地，单维度细分主要基于包含若干语句、由5/7/10分尺度测量的一列量表，这些语句可以是价值观、生活态度、需求态度等的描述；在数据结构上，此类测量的共同点是：不同语句(变量)具有相同的测量尺度，而且测量尺度具有类连续性变量的特点。在分析过程中，因子分析(Factor analysis，主要用于降维)、快速聚类(K-means clustering)等主要适用于连续性变量的多元统计分析方法往往被直接应用于此类数据。

多维度细分的兴起则受益于统计分析技术的发展，其中主要是对数据具有混合测量尺度(Hybrid measurement scale)的多变量的有效处理。如上述提及的经常用于细分的几个维度，用于描述人口统计特征、消费行为的变量往往是分类或属性数据(Categorical data)，而需求态度、生活形态和价值观的测量数据往往可视为(类)连续性变量，当将这些具有混合测量尺度的诸多变量混合在一起作为细分依据时，就会带来数据处理的难题——因为过往的、比较经典的降维、聚类方法大都是以处理连续性变量为基础的。最近十余年一些专门用于处理此类问题的分析技术的出现改变了这一局面，例如：

- 非线性典型相关分析(Nonlinear canonical correlation analysis)：可由SPSS的OVERALS过程实现，​能够对由分类数据、连续性数据构成的混合测量尺度的变量集进行数据降维处理；

- 两步法聚类(TwoStep clustering)：也是SPSS的一个分析过程，适用于对​数据具有混合测量尺度的多变量的一种聚类分析方法；

- 潜变量聚类(Latent variable clustering)：譬如LatentGold软件平台提供支持的潜类别模型(Latent Class Model)，是一种概率建模的聚类分析方法，​同样适用于具有混合测量尺度的多变量数据集。

突破技术障碍之后，多维度细分正受到越来越多的重视。相对于传统的单维度细分，人们概括多维度细分的优势包括：

Fig2. 多维度细分相对于单维度细分的优势 

​然而，实践中，多维度细分并未能够像上面总结的那样完成对单维度细分的“全面碾压”。究其原因，仍然需要返回到对市场细分本身的理解：市场细分不是特指某一种具体的分析方法或技术，而是人们用以理解市场的一种思维方式或分析框架。在这个意义上，细分分析过程中所采用的任何数据处理和统计技术、方法等都不过是工具，起决定作用的仍然是“有思维”的人。这就像人们常说的：“想做”、“能做”和“做好”是三件完全不同的事情——技术/算法/软件等只是在“能做”层面上为我们提供了可能性，​想要“做好”则离不开人类自身的创造力。