4、客群细分方法：地理细分、人口细分、心理细分、行为细分与综合细分模型

康养项目的客群并非铁板一块。一位65岁、患有慢性病、居住在市中心的高知退休干部，与一位45岁、注重亚健康调理、生活在郊区的企业高管，虽然都可能成为康养客户，但其决策逻辑、服务诉求、价格敏感度和触媒渠道截然不同。客群细分（Market Segmentation）正是将异质性市场切分为同质性子市场的过程，其核心价值在于：让有限的营销预算与运营资源精准投向“最可能买单且最能创造价值”的人群。本章将系统拆解五大细分维度，并重点讲解如何构建适用于康养项目的综合细分模型。

上述模型揭示了康养客群细分的核心逻辑：单一维度只能提供“轮廓”，唯有将地理、人口、心理、行为四个维度交叉验证，才能得到“有血有肉”的立体画像。下面逐一拆解每个维度的操作要点与实战价值。

4.1 地理细分：选址与辐射半径的底层逻辑

核心原理

地理细分依据客户所在的地理位置、气候条件、城市规模、人口密度及医养资源分布来划分市场。对于康养项目而言，地理细分的特殊性在于：它同时影响“存量客群”（周边3-5公里常住居民）与“增量客群”（候鸟式旅居人群）。一个位于海南的康养社区，其地理细分必须同时考虑“冬季避寒旅居者”和“本地养老刚需者”两类截然不同的地理属性。

判断方法

• 核心辐射圈（1-3公里）：步行可达，适合日间照料、社区嵌入式康养，重点关注社区密度与老龄化率。
• 次级辐射圈（5-10公里）：车程15-30分钟，适合定期理疗、短期托养，需评估交通便利性与竞争项目分布。
• 旅居拓展圈（跨省/跨气候带）：季节性流动客群，关注气候差异、交通枢纽距离、旅游配套成熟度。

案例拆解：长三角某CCRC社区的“双圈层”定位

苏州某养老社区在筹备期发现，若仅按行政区域划分客群，周边3公里内老龄化率仅14%，低于苏州市平均的18%。但进一步做地理交叉分析后发现：项目位于地铁终点站旁，且紧邻上海虹桥枢纽45分钟通勤圈。于是他们将地理细分调整为“本地刚需圈+上海疏解圈”双结构。运营数据显示，开业两年后，实际入住客户中42%来自上海，其中76%是子女在上海工作、老人原籍苏州或无锡的“返乡养老”群体。这一案例说明，地理细分不能只看静态地图，还要看“人口流动方向”与“交通时间成本”。

4.2 人口细分：最基础但最容易被误用的维度

核心原理

人口细分基于年龄、收入、教育程度、职业、家庭生命周期等可量化指标。在康养领域，“年龄”与“支付能力”是最常用的两个变量，但也是最容易被误用的——60岁与80岁的健康状态、消费习惯差异巨大；月入8000元的退休教师与月入3万的退休企业主，对房型、服务内容的需求完全不同。

关键变量与康养含义

常见误区

4.3 心理细分：洞察“为什么买”的深层动机

核心原理

心理细分关注客户的生活方式、价值观、性格特征与健康信念。在康养消费中，心理因素往往比人口因素更具决定性。同样是80岁的老人，有人视“入住养老院”为子女不孝，有人则视其为“解放子女、享受专业服务”的明智选择。这种差异源于心理层面的“健康控制点”（内控型vs外控型）与“衰老态度”。

康养客群典型心理类型

• 积极享乐型：认为退休是人生第二春，愿意为兴趣课程、旅游、社交付费。对应产品：活力社区、旅居基地。
• 健康焦虑型：对身体信号过度敏感，频繁体检、寻求专家咨询。对应服务：私人健康管家、三甲绿通。
• 家庭奉献型：一切以子女/孙辈为中心，自身消费克制，但愿意为“不给子女添麻烦”买单。沟通策略：强调“减轻子女负担”。
• 尊严守护型：极度在意自主权与隐私，排斥“被照顾”的感觉。服务设计：弱化“护理”标签，强调“生活支持”。

判断方法：VALS框架在康养中的简化应用

可借鉴VALS（价值观与生活方式）模型，通过访谈或问卷识别客户在“原则导向、地位导向、行动导向”三个维度的倾向。例如，原则导向者关注康养机构的服务理念与专业资质；地位导向者关注社区档次、邻居身份、品牌背书；行动导向者关注活动丰富度、运动设施、社交机会。

4.4 行为细分：用“过去的行为”预测“未来的选择”

核心原理

行为细分基于客户的实际行为数据，包括购买频次、信息搜索渠道、决策参与角色、入住时机、价格敏感度、品牌忠诚度等。这是最“硬核”的细分维度，因为它基于事实而非态度。在康养项目中，行为数据主要来源于：来电/来访记录、官网/小程序浏览轨迹、活动报名记录、试住申请、以及老客户转介绍行为。

关键行为变量与洞察

案例拆解：从“参观行为”识别意向强度

某高端康养社区统计了200组到访客户的行为数据，发现以下三个行为指标与最终签约率高度相关：①是否主动询问房型价格细节；②是否在样板间停留超过15分钟；③是否在3天内二次到访或致电。据此，他们将客户分为A（高意向）、B（中意向）、C（低意向）三级。针对A类客户，销售顾问在24小时内提供定制化预算方案；针对B类客户，推送成功案例与住户证言；针对C类客户，仅发送月度活动邀请，避免过度打扰。实施一个季度后，整体转化率从11%提升至17.5%。

4.5 综合细分模型：从“单一标签”到“立体画像”

核心原理

综合细分并非将四个维度简单相加，而是通过交叉分析找到具有高商业价值的“细分单元格”。例如：地理维度中的“上海籍”、人口维度中的“70-75岁、高收入”、心理维度中的“健康焦虑型”、行为维度中的“子女主导决策”——这四个标签交叉后，就形成了一个极其具体的客群画像，其需求痛点、沟通渠道、产品偏好都变得清晰可操作。

构建综合模型的五步法

1. 确定细分目标：是为了新项目定位、存量去化，还是服务升级？目标不同，变量权重不同。
2. 选择核心变量：从四个维度中各选2-3个关键变量，避免变量过多导致单元格碎片化。
3. 数据采集：通过问卷、访谈、CRM历史数据、第三方数据（如卫健委老龄数据）获取样本。
4. 交叉聚类：使用RFM模型或K-means聚类算法，将相似特征的客户归并为3-5个主力客群。
5. 画像描述与验证：为每个客群撰写“人物小传”（如“张教授”），并抽取真实客户进行验证访谈。

综合细分模型示例（某城郊康养小镇）

常见误区与复盘