什麼是行為細分?場地行銷人員指南
什麼是行為細分?了解實體場地如何根據造訪次數、消費金額及問卷回饋對顧客進行分群,以發送高度相關的優惠內容並衡量成效。
行為細分受眾群會根據您可以觀察到的行為對顧客進行分組,例如他們的造訪頻率、消費金額以及對問卷調查的回覆。根據 CITE Research 為 Attentive 進行的調查,2025 年一項針對 3,300 名消費者的調查發現,71% 的受訪者表示希望品牌能隨時間推移深入了解他們的購物習慣。
許多場地管理者擁有滿是名單的資料庫,並向所有人發送電子報,卻幾乎不知道哪些賓客閱讀了電子報或再次光臨。他們可能在吧台一眼就能認出常客,卻難以在行銷記錄中識別他們的身分。
問題往往出在破碎的資訊。收銀機記錄消費、訂位系統記錄預訂,而 WiFi 入口網站記錄到訪。當這些訊號分散各處時,就更難看出賓客的行為模式,或決定要測試哪些行銷行動。
目錄
- 行為區隔對場域的意義
- 每個受眾區隔背後的顧客訊號
- 如何建立、重新整理與測試區隔
- 餐廳、飯店與零售業的區隔範例
- 在顧客旅程中運用受眾區隔
- 行為數據何時會產生誤導以及如何驗證
- 本月就從一個經過衡量的區隔開始
行為區隔對場域的意義
行為細分受眾群是指依據您記錄中明確可見的具體行為所定義的顧客群體。維基百科上的市場細分參考資料 將此做法描述為:根據觀察到的行為或反應對客戶進行分組,而非依據年齡、收入、地理位置或其他描述性特徵;常見的變數包括購買頻率、消費水準、品牌忠誠度、互動近期性以及對促銷活動的反應。
這個概念比許多人想像的還要早。Wendell R. Smith 於 1956 年在《Journal of Marketing》上發表了《產品差異化與市場區隔作為替代行銷策略》(Product Differentiation and Market Segmentation as Alternative Marketing Strategies),主張可以將異質市場視為具有不同偏好、相對同質的較小群體。這標誌著與大眾行銷的分道揚鑣。自此之後的一切討論,都是在爭論哪些差異才真正重要。
想像一位酒吧經理,她能透過常點的飲品認出週二的光顧顧客。她不需要他們的郵遞區號。她知道坐在角落的那位男士喝健力士黑啤酒,並會在九點前離開;她也認得那群在七點抵達並點餐的四人團體。她能提供更好的服務,因為她解讀的是行為,而非人口統計資料。
人口統計學客群劃分會依年齡、收入或郵遞區號對顧客進行分類,然後假設同一分類中的每個人都有相同的需求。住在同一條街上的兩位 34 歲顧客,一位可能是每兩週消費一次的大客戶,另一位則可能是一年才造訪一次的訪客。這種粗略的分類方式無法為您提供任何有用的資訊,讓您知道週四該向他們發送什麼內容。
以行為為基礎的版本具備人口統計資料鮮少具備的可操作性。因為每個受眾群體都與記錄的事件(造訪、預訂、兌換優惠、填寫問卷)緊密相連,所以區隔可以觸發訊息、優惠或後續追蹤,無需人員逐一評估決策。近期訪客、高頻消費者、流失的熟客、預訂客戶以及對優惠做出回應的賓客,都是您今天就可以根據手頭已有的資料進行定義的群體。

| 基準 | 人口統計特徵區隔 | 行為區隔 |
|---|---|---|
| 使用的資料 | 年齡、收入、郵遞區號 | 造訪、消費、預訂、問卷回答 |
| 範例客群 | 居住在方圓三英里內、年齡介於 25 至 34 歲的顧客 | 過去 30 天內造訪三次的顧客 |
| 變動時機 | 顧客搬家或年齡增長 | 顧客造訪、消費或停止造訪 |
| 能否觸發訊息 | 極少,因為它描述的是顧客的身分特徵 | 可以,因為它與記錄的事件直接相關 |
每個區隔都在回答一個問題:這位賓客做了什麼,我們下一步該怎麼做?如果您無法同時回答這兩部分,那麼您建立的只不過是一個名稱花哨的郵寄清單。擅長營造優質實體體驗的場所憑直覺就能明白這一點,這就是為什麼一家優秀的 精釀啤酒吧 懂得察言觀色、掌握現場氛圍,而不是只看試算表。
每個區隔背後的訪客訊號
受眾區隔的品質完全取決於為其提供依據的信號。機器學習中的動態區隔研究 清楚闡明了因果邏輯:過去的行為是當前意圖的明證。近因性(Recency)掌握參與度下降的情況,頻率(Frequency)反映習慣養成強度,而消費金額(Monetary value)則顯示經濟潛力。
這三項構成了核心骨幹。其餘的一切皆為背景資訊。
45 天未光顧的顧客所傳遞的訊號,與上個月來了 3 次的顧客截然不同。平均消費排名前 10% 的顧客,其商業價值也與買了杯咖啡就離開的顧客完全不同。單一事實並無法告訴您該說些什麼;但兩者結合,就能告訴您該對誰發聲。
| 信號 | 衡量項目 | 場地範例 | 重要性原因 |
|---|---|---|---|
| 最近造訪時間(Recency) | 自上次造訪或消費以來的重設天數 | 顧客在設定的天數內未曾造訪 | 顯示顧客互動度是否正在下滑 |
| 頻率(Frequency) | 在特定期間內的造訪或點餐次數 | 在過去 90 天內造訪三次以上 | 顯示習慣的黏著度 |
| 消費金額(Monetary value) | 總消費額或平均消費額 | 平均消費高於設定的門檻 | 顯示經濟潛力 |
| 標籤 | 員工或規則新增至記錄中的標籤 | VIP、過敏備註、對包廂用餐感興趣 | 補充收銀機未記錄的背景資訊 |
| 問卷回覆 | 顧客陳述的偏好與意見回饋 | 偏好素食菜單 | 支援符合個人喜好的內容 |
| 訂位與住宿記錄 | 預訂、登記入住、住宿夜數 | 預訂了六人座位但未到場 | 顯示單次交易以外的意圖 |
| WiFi 造訪 | 在場地網路上的登入記錄 | 僅於平日回訪 | 記錄未消費顧客的人流 |
固定門檻可能出錯之處
設定好規則後,它很快就會開始誤導您。季節性因素、促銷活動和新菜單都會改變「常態」的面貌。聖誕節的消費熱潮看似突如其來的忠誠度,而冷清的八月則看似大規模的顧客流失。賓客與您的關係並沒有改變,改變的是行事曆。
解決方法是在每次重新整理時重新檢查規則,而非將其視為永久有效。Purple Engage 根據造訪次數、消費金額、標籤和問卷回覆建立客群,並在大約一分鐘內重新整理,因此今天下午預約的顧客在下次發送之前,就不再符合挽回規則的資格。
實用法則:如果您無法具體說出是哪個事件將訪客歸入某個區隔,該訊號就過於模糊,無法據此採取行動。
將信號與目標相匹配。近因性有助於重新贏回客戶。頻率推動忠誠度回饋。消費金額帶動尊榮體驗邀請。問卷調查答案則促成反映賓客真正想閱讀內容的行銷素材。若一個受眾區隔試圖同時達成這四項任務,那麼哪一項都做不好。將這些資料整合至單一位置的操作機制,已在《實體場所第一方資料指南》中詳細說明。
如何建立、更新與測試受眾區隔
這篇 資訊系統研究中的區隔方法綜述 指出,區隔只有在與目標鎖定相結合並以反事實(counterfactual)進行衡量時,才具有分析價值。這個詞扮演了關鍵角色。反事實指的是特徵與目標受眾完全相同,但未收到任何訊息的人。
以下是建立站得住腳的區隔之流程順序。
收集與比對。從收銀機、預訂、WiFi 登入、表單和住宿中提取事件記錄,然後透過電子郵件將其比對至單一顧客。重複的記錄會破壞所有下游流程,因此在編寫規則之前務必先解析身分。
將歷史記錄轉化為特徵。將每位顧客的記錄轉換為可衡量的數值:自上次造訪以來的起算天數、特定期間內的造訪次數、平均消費金額、造訪間隔時間。這些應是可以進行比較的數字,而不是備註欄位中的文字敘述。
依據資料型態挑選方法。針對 105 篇客群劃分文獻的審查發現,k-means 是各種使用情境中最常用的方法,但它假設的是相當緊湊且基於距離的分群,並需要您自行選擇分組數量。這使得它在面對稀疏、偏斜、具季節性或持續變動的顧客行為時難以適用。規則型門檻(例如 90 天內造訪 3 次)很容易向主管解釋。高斯混合模型(Gaussian-mixture models)適合介於兩組之間的顧客。基於密度或階層式的方法則能處理不規則、變動的邊界。
將消費金額標準化並設定上限。一次大型派對預訂可能會嚴重扭曲平均值,進而影響整個分群的準確度。分群前請先將金額變數標準化,並對極端值設定上限。
編寫運作規則。每個客群都需要具備對應動作、資格規則、重新整理間隔以及排除邏輯。針對流失的高價值顧客設計的挽回流程應排除本週已消費的任何人,否則您會讓最好的顧客養成等待折扣的習慣。
保留對照組。從每個客群中隨機保留部分符合資格的顧客,不向他們發送任何訊息。這是得知您的訊息是否確實發揮作用的唯一方法。
進行比較並附帶範圍報告。衡量受接觸組與保留對照組在造訪次數或消費金額上的差異,並附上不確定性範圍。

選擇受眾區隔方法
| 方法 | 顧客分組方式 | 最佳適用情境 |
|---|---|---|
| 規則型門檻 | 明確規則(例如 90 天內造訪 3 次) | 易於解釋,但在季節性改變行為時容易失效 |
| K-means 分群 | 依距離將顧客分入指定數量的群集 | 最常見於已發表的文獻,僅適用於緊湊的群集 |
| 高斯混合模型 | 為每個群組指派機率歸屬度 | 處理介於兩個客群之間的顧客 |
| 基於密度或階層式的方法 | 尋找不規則群組與變動邊界 | 適用於稀疏、偏斜或具季節性的行為 |
開啟率和點擊率只能說明互動程度,並不能證明該受眾分群帶來了額外的到訪次數。45% 的開啟率卻沒有帶來可衡量的客流量,代表該行銷活動只是觸及了本來就會來的顧客。
當接觸組的成效超出對照組(保留組)且差距大於不確定性區間時,即表示該區隔策略奏效。
餐廳、飯店與零售業的受眾區隔範例
以一家擁有 3,000 筆顧客記錄、卻不知道在陰雨綿綿的週二該給誰發電子郵件的餐廳為例。將流失常客定義為在 90 天內造訪 3 次或以上,且過去 45 天內沒有造訪者。排除本週已預約的任何人,這樣挽回優惠就不會發送給本來就要回訪的顧客。隨機保留符合條件群組中的十分之一,不向他們發送任何內容。
現在這項優惠有了明確的結論。如果接收訊息的群組回訪率顯著高於對照組(未接觸群組),那麼這項規則就證明了自己的價值。如果沒有,您就為自己省下了一筆原本不需要提供的折扣成本。
酒吧運用相同邏輯的方式有所不同。其模式在於習慣,而非消費金額:60 天內於平日造訪四次以上即可獲得活動的優先入場資格,且每週更新名單。零售商店對其最佳顧客的需求則與折扣恰恰相反。過去六個月消費排名前 20% 的顧客可獲邀搶先預覽新品系列,因為對消費力最強的顧客給予折扣,只會養成他們等待降價的習慣。
飯店需要額外注意一項原則:按個別據點劃分客群,讓入住曼徹斯特飯店的顧客不會收到倫敦飯店的宣傳資訊。這正是 Purple Engage 建議的架構規劃方式,這不僅關乎關聯性,更決定了您是否會讓顧客覺得您根本搞不清他們人在哪間館別。
| 場域類型 | 受眾區隔 | 規則 | 動作 | 更新頻率 |
|---|---|---|---|---|
| 餐廳 | 流失常客 | 90 天內造訪 3 次以上,但過去 45 天內未曾造訪 | 挽回優惠(設有對照組) | 每日 |
| 酒吧 | 平日熟客 | 60 天內於平日晚間造訪 4 次以上 | 活動優先預約權 | 每週 |
| 咖啡廳 | 首次造訪顧客 | 過去 14 天內首次造訪 | 迎賓優惠與簡短問卷 | 每日 |
| 飯店 | 回訪旅客 | 24 個月內入住 2 次以上 | 直接預訂專屬禮遇 | 每月 |
| 飯店 | 已預訂未入住 | 今年已建立預訂但尚未辦理入住 | 入住提醒 | 每日 |
| 零售 | 高消費顧客 | 過去六個月內消費排名前 20% | 新品搶先預覽 | 每週 |
2025 年 CITE Research 的數據在此具有重要意義,絕非單純的恭維。71% 的消費者希望品牌能隨時間推移,深入了解他們的購物習慣。若細分受眾群建立在顧客本身就能察覺的習慣上(例如他們知道自己通常在週四光顧),顧客會感受到貼心的服務;若細分受眾群建立在人口統計特徵的猜測上,顧客則會感到被監視。洗車業者在顧客權衡單次消費與定期方案時也進行著同樣的評估,而結果通常取決於企業能多準確地解讀他們的行為模式;這份 單次洗車與會員制 的比較正是從這些角度來剖析該決策。
在任何客群上線之前,請先執行三項檢查:規則(您能用一句話說清楚嗎?)、動作(顧客具體會收到什麼?)以及重新整理間隔(該群組能多快自我修正?)。
在訪客旅程中運用受眾區隔
僅觸發一次的區隔屬於行銷活動。能引導訪客完成一連串流程的區隔則是旅程,兩者的差異在於退出規則。
迎賓。 在過去 14 天內首次造訪的咖啡廳顧客,會收到迎賓優惠與簡短問卷。顧客填寫問卷或滿 14 天後,就會立即離開該旅程。超過此期限仍將他們留在旅程中,就意味著將迎賓訊息發送給了熟客。
忠誠度。 凡在 60 天內於平日晚間造訪達 4 次的酒吧平日熟客,將加入每週更新的優先預約名單。觸發條件與定義受眾區隔的規則相同,這可避免兩者產生脫節。
挽回。 90 天內造訪 3 次但在過去 45 天內未曾造訪的餐廳顧客,將進入流失常客旅程。保留的對照組不會收到任何優惠,以確保評估結果真實客觀。
預訂提醒。 今年有預訂但尚未辦理入住的飯店旅客,在抵達前只會收到一次提醒。僅限一次。發送第二次提醒就是打擾,而打擾會讓您失去下一次預訂的機會。
離開。 顧客一旦完成預訂、購買或選擇退訂,就會立即離開所有進行中的旅程。絕無例外,也不存在「僅此一次」的破例發送。
為每位顧客設定每週訊息上限。當有人同時符合兩個客群的資格時,請在發送前確定優先順序,而不是在發送過程中才決定。同時符合平日長客與流失常客身分的顧客屬於資料衝突,若當下才匆促處理,將會導致傳達的訊息前後不一。
旅程在訪客達成您預期目標的那一天便已結束。在此之後的所有互動都只是雜訊。
將每個旅程的重新整理頻率與其觸發條件相連結。每日重新整理的區隔會在顧客再次造訪的一天內結束旅程;每月重新整理的區隔則會讓顧客在第二次造訪後的三週內仍處於歡迎序列中。若想進一步了解規劃這些進出點的完整架構,請參閱這篇關於 顧客旅程地圖定義 的說明。同樣的習慣邏輯也可擴展至活動規劃:追蹤誰出席了 The Ten District 每月活動 的酒吧,可以優先邀請回訪者,並查明該邀請是否確實促成了造訪。
行為指標何時會產生誤導以及如何查驗
45 天內未曾造訪的顧客可能正在流失。但他們也可能是在旅行、生病、換工作,或對上次不佳的體驗做出反應。科學領域中對行為細分盲點的探討 針砭了這個核心問題:行為究竟何時代表真實意圖,何時又僅是外在環境使然?若將不活動視為固定偏好,將會產生不相關的優惠推播、壓抑真實需求,並讓顧客感到被監視。

因此,請將「近期未到訪」視為進行測試的觸發條件,而非必須提供折扣的證明。這個轉變將改變您設計行銷活動的方式,因為您現在是在執行一項實驗,而非進行懲罰式的挽回。
值得指出的兩大限制
身分識別。同一個人可能會以三個電子郵件地址、兩台裝置、家庭成員的記錄以及特定據點的資料檔案形式出現。合併這些記錄會改變該客群的意義,有時還會改變您是否有權使用該記錄。在依此建立規則之前,請先確認比對結果無誤。
同意。 根據 WiFi、收銀系統(POS)與預訂數據建立的受眾區隔,需要取得具體目的的同意與持久有效的退訂機制。Oracle 與 Skift 的旅宿餐飲業研究 發現,約有四分之三的旅客對 AI 分析其數據以提供更個人化的優惠或服務感興趣,但其中約 45% 的意願取決於是否針對該目的取得明確同意。在每次發送前請立即檢查排除名單,並確保能夠說明顧客符合資格的原因。
應揚棄的三大迷思
受眾分群並非人格類型。它們是帶有時間戳記且具時效性的觀察結果。今天的「流失常客」就是下個月的「回流常客」。
分群並非越多越好。每一個分群都需要耗費對應的行銷動作、更新規則以及對照組。六個運作良好的分群,遠勝過四十個無人維護的分群。
龐大的名單並不等於定義明確的受眾分群。名單規模衡量的是觸及範圍,而非分群定義。如果您說不出每位賓客符合資格的原因,那麼您擁有的只是一群受眾,而非受眾分群。
評估這一切是否划算是一個衡量問題,相同的準則也適用於所有行銷支出;這份關於 什麼是行銷 ROI 的指南涵蓋了會計層面的考量。
本月先從一個具衡量指標的區隔開始
選擇能得出明確結果的最小可行版本。
在單一據點選擇一個問題。 例如:流失的常客在收到挽回優惠後是否會回訪?而不是無法解答的「行銷是否有效」。
確認信號存在。 您需要每位顧客的造訪日期、消費金額、標籤以及同意狀態。若有缺漏,請在編寫規則前修正資料收集機制。
設定歸因期。 Purple Engage 建議從餐廳的 14 天歸因期開始,隨後再根據顧客自然回訪的頻率進行調整。每月回訪的客群需要比每週回訪的客群更長的歸因期,否則您衡量的只是自己的急躁程度。
建立規則與對照組。 設定在 90 天內造訪三次以上、但在過去 45 天內未曾造訪。僅傳送給已表示同意的顧客。同時從相同客群中隨機保留一組對照組,不向他們提供任何優惠。
進行比較並做出決策。 當歸因期結束時,比較收到通知與被保留未接觸顧客的造訪情況。Purple Engage 會針對保留的對照組,以區間範圍來衡量額外造訪次數,因此呈現的差異會伴隨不確定性考量,而非僅提供單一百分比。
明確的成果如下:接收訊息群組的成效超出對照組,且差距大於不確定性邊際,同時每位收到訊息的賓客都已事先表示同意。
接著做出決定。擴大推行、調整規則或直接放棄。未能通過測試的分群仍然讓您學到了比盲目猜測一個月更有價值的洞察,而您現在也知道下一步該嘗試哪種訊號。
Purple Engage 將 WiFi 登入記錄、收銀機銷售數據、預約和問卷回覆整合至單一顧客檔案中,讓「上個月造訪三次但已 30 天未回訪」這類規則成為可實際執行發送的條件。細分受眾群約在一分鐘內完成更新,優惠方案可在單一同意紀錄下透過電子郵件、簡訊或 WhatsApp 發送,而且增加的造訪次數是與對照組進行比較衡量,而非僅憑開信率推斷。如果您想了解流失的常客具有多少價值,請 造訪 Purple Engage,並從建立第一個細分受眾群開始。
