手把手教你写《客群工作总结》,（精选5篇）

更新日期:2025-08-23 10:12

写作核心提示：

撰写一份关于客群工作的总结作文，需要系统性地梳理和呈现工作成果、分析问题并规划未来。以下是一些关键的注意事项，可以帮助你写出一篇高质量的工作总结：
"一、 明确总结的目的和受众 (Define Purpose and Audience)"
1. "目的清晰 (Clear Purpose):" 在动笔前，想清楚这份总结的主要目的是什么？是为了向上级汇报业绩、分析问题寻求支持、分享经验教训，还是为团队设定下一阶段目标？明确目的有助于你确定总结的重点和详略程度。 2. "受众导向 (Audience-Oriented):" 考虑你的读者是谁（如直属领导、部门同事、更高层管理者等）。不同的受众关注点不同，语言风格和侧重点也应有所调整。例如，对领导可能更侧重数据和战略意义，对同事可能更侧重具体做法和经验分享。
"二、 结构完整，逻辑清晰 (Complete Structure, Clear Logic)"
一份好的总结通常遵循标准结构：
1. "标题 (Title):" 简洁明了，直接点明主题，如“XX时间段客群工作总结”。 2. "引言/概述 (Introduction/Overview):" 简述总结的时间范围。 概括本阶段客群工作的主要目标、背景和整体情况。 可以简要提及主要成绩或面临的挑战，为下文

信贷产品年终总结之客群特征画像

临近年末，围绕信贷产品业务的年终总结，是各家金融机构或科技公司的必要工作内容之一。根据实际业务的数据表现进行汇总分析，不仅为回顾过去业务经营的全貌特点，提供了客观的数据分布描述，而且对后期业务开展的策略制定与实施，具有非常重要的信息参考价值。结合以上实际业务背景，番茄知识星球将为大家推出一套以信贷业务年终总结为主题的系列文章，分别为客户特征画像、贷前风控策略、贷中行为分析、贷后风险表现、风控模型应用。各主题文章均会围绕实际业务场景，来展开相关数据分析过程的描述，本篇将为大家介绍信贷业务年终总结之客群特征画像。

1、实例场景样本分析

为了便于大家对客户画像的全面理解，本文结合具体的实例样本数据来展开分析。本文选取的信贷样本数据包含5000条样本与8个字段，部分数据样例如图1所示。其中，apply_id、date_month、loan_amount、address_details字段为申请订单的基本信息，gender_type、marriage_type、birth_day、address_details字段为客户身份的部分属性信息，各特征的标签含义与取值类型具体如图2所示。

编辑

添加图片注释，不超过 140 字（可选）

图1 样本数据样例

​

编辑

添加图片注释，不超过 140 字（可选）

图2 样本特征字典

此样本数据的时间窗口date_month为202101~202112，假设代表某金融机构信贷产品1年的实际业务表现。为了便于数据分析，这里不区分新老用户，各样本均代表客户的唯一订单信息。现围绕以上样本数据，我们对此信贷场景的客群特征分布进行画像描述，具体特征分析将从单一维度、交叉维度两个方面来实现，从而通过数据来有效反映产品的业务规模，以及客群的分布特点。此外，对于重要维度的数据表现，我们采取可视化图表的形式来直观呈现。

对于年龄、地址等特征字段，作为用户的基本身份信息，是画像描述的重要维度，而原样本数据是以出生日期（birth_day）、户籍地址（address_details）来呈现信息的，显然不便于数据的统计描述，因此这里需要对这2个字段进行解析，以加工得到用户的年龄（age）、省市（province）。其中，年龄age以区间形式展开分析，更有利于客群特征分布的体现，在此我们将对样本用户的age以5岁为间隔进行分段表示，例如20~25、26~30等，具体实现过程如图3所示。

​

编辑

添加图片注释，不超过 140 字（可选）

图3 年龄加工过程

针对户籍地址（address_details）信息，以第1条样本数据为例“山东省招远市辛庄镇朱宋村365号”，若通过此类明细数据来分析客群特点是不符合业务需求的，而选择省市维度来分组汇总是通用的有效方式，因此我们对地址详细数据进行加工，提取出各样本用户对应的省市地址province，这里采用python环境中的cpca工具来实现，可自动解析出地址相应的省、市、区县、代码等信息，具体过程如图4所示，样本前10条数据的解析结果如图5所示。在后续对客群特征画像的实践中，我们仅需要提取出地址特征“省（province）”信息即可，可以便于了解各省市的订单数量、放款金额等情况。

​

编辑

添加图片注释，不超过 140 字（可选）

图4 地址解析过程

​

编辑

添加图片注释，不超过 140 字（可选）

图5 地址解析结果

此外，由于放款金额（loan_amount）的取值分布情况较多，其最小值为2000，最大值为15000，对此我们采用与特征年龄（age）同样的数据转换思路，将放款金额（loan_amount）转化为区间形式来进行分析，标签结果以字段amount_bin来表示，放款额度区间范围的间隔大小为1000，例如[2000,3000)、[3000,4000)等，具体实现过程如图6所示。

​

编辑

添加图片注释，不超过 140 字（可选）

图6 放款额度区间实现

2、整体业务情况预览

当样本数据经过适当处理后，接下来我们将对业务表现数据进行分析，首先来了解下产品整体的实际业务情况，常见的维度包括期数类型、额度范围、区域范围等产品基本属性，以及放款总额、用户数量、件均金额等业务运营特点。这里结合样本数据已有的特征情况，选取部分主要分析维度来进行介绍，包括放款总额、订单数量、件均金额、最大额度、最小额度、额度种类、期数类型、放款省份等，具体实现过程如图7所示，输出指标结果如图8所示。

​

编辑

添加图片注释，不超过 140 字（可选）

图7 产品整体情况分析

​

编辑

添加图片注释，不超过 140 字（可选）

图8 产品整体分布特点

由以上结果可知，可以大体了解当前产品的基本情况，产品的分期类型包含3种形式（6/9/12，后续有详细分析）；放款区域的省市数量达到30个，接近于全国范围；授信额度范围为2000~15000元，属于小额贷款范畴，具体额度有一定程度的差异，共有23种额度大小情况，放款额度件均5586元；在202101~202112全年经营中，业务放款订单数量为5000，放款总额规模为27932100元。

3、订单数量维度分析

在简单熟悉了业务的整体情况之后，接下来我们根据订单数量、放款总额、件均金额这3个业务分析维度来展开分析，具体将通过特征的单一维度进行描述，包括放款月份、性别类型、婚姻状况、产品期数、年龄区间、放款额度、省市地址共7个细化特征维度。

订单数量分布将选取以上7个特征维度来展开分析，对应样本数据的字段分别为date_month、gender_type、marriage_type、period_num、age_bin、amount_bin、province，可以全方位了解信贷交易数量的分布情况，通过自定义函数的实现过程如图9所示。

​

编辑

添加图片注释，不超过 140 字（可选）

图9 订单数量分布实现

根据以上订单数量分布的实现逻辑，各特征维度的分布结果输出，通过指定待分析特征var，直接调用函数analysis1(var)即可完成，例如特征维度“放款月份”的实现方法为analysis1('date_month') ，所有维度的具体分析过程如图10所示，相应输出各特征取值维度下的频数与占比。

​

编辑

添加图片注释，不超过 140 字（可选）

图10 订单数量分布输出

3.1 放款月份

放款月份（date_month）维度的订单数量明细结果如图11所示，对应可视化分布如图12所示，可以看出年末最后3个月（202110~202112）的订单数量偏高，约占全年订单总量的1/3以上，而202103月份的订单数量最低（4.6%），其余月份的订单数量占比均保持在总订单数量5%~10%的较稳定范围。

​

编辑

添加图片注释，不超过 140 字（可选）

图11 放款月份的订单数量明细

​

编辑

添加图片注释，不超过 140 字（可选）

图12 放款月份的订单数量分布

3.2 性别类型

性别类型（gender_type）维度的订单数量明细结果如图13所示，对应可视化分布如图14所示，可以看出历史1年的信贷交易中，男性用户的借贷订单数量明显居多，约为女性用户订单数量的2倍。

​

编辑

添加图片注释，不超过 140 字（可选）

图13 性别类型的订单数量明细

​

编辑

添加图片注释，不超过 140 字（可选）

图14 性别类型的订单数量分布

3.3 婚姻状况

婚姻状况（marriage_type）维度的订单数量明细结果如图15所示，对应可视化分布如图16所示，可以看出用户已婚与未婚的订单数量情况较为接近，大体呈现4:6的分布比例，已婚用户的数量相对较多。

​

编辑

添加图片注释，不超过 140 字（可选）

图15 婚姻状况的订单数量明细

​

编辑

添加图片注释，不超过 140 字（可选）

图16 婚姻状况的订单数量分布

3.4 产品期数

产品期数（period_num）维度的订单数量明细结果如图17所示，对应可视化分布如图18所示，可以看出期数6、9、12这3种类型中，6期的订单数量最多，占比为63.3%，而9期的订单数量仅占11.6%，由此可便于了解用户对还款期限的选择偏向，有利于对不同期数用户群体的风控管理。

​

编辑

添加图片注释，不超过 140 字（可选）

图17 产品期数的订单数量明细

​

编辑

添加图片注释，不超过 140 字（可选）

图18 产品期数的订单数量分布

3.5 年龄区间

年龄区间（age_bin）维度的订单数量明细结果如图19所示，对应可视化分布如图20所示，可以看出随着用户年龄的增加，订单数量呈现出倒U型分布趋势，这与用户群体在不同年龄段的特征表现是相符的，即实际资金需求会有先上升后下降的趋势。其中，年龄区间段31~35对应用户群体的订单数量最多（占比36.7%），约占订单总量的1/3以上，年龄区间段26~30用户的订单占比次之（约占29.7%），因此年龄在区间26~35的用户，是当前信贷产品的主要群体。年龄区间段为51~55的用户群体最少，相应订单数量的占比仅有0.8%，从这里也可以看出此产品的年龄准入条件大概为20<=age<=55。

​

编辑

添加图片注释，不超过 140 字（可选）

图19 年龄区间的订单数量明细

​

编辑

添加图片注释，不超过 140 字（可选）

图20 年龄区间的订单数量分布

3.6 放款额度

放款额度（amount_bin）维度的订单数量明细结果如图21所示，对应可视化分布如图22所示，可以看出对于最小额度2000到最大额度15000的授信区间范围，额度为6000~7000的用户订单数量最多，占比约为31.1%；额度区间为3000~4000、4000~5000、8000~9000这3种情况的分布占比较为接近（18.5%、16.1%、20.0%）；额度区间为7000~8000、9000~10000、2000~3000等其他情况的订单数量占比相对较少。

​

编辑

添加图片注释，不超过 140 字（可选）

图21 放款额度的订单数量明细

​

编辑

添加图片注释，不超过 140 字（可选）

图22 放款额度的订单数量分布

3.7 放款省份额度

放款省份（province）维度的订单数量明细结果如图23所示，对应可视化分布如图24所示，可以看出放款订单数量占比占5%以上的共有8个省份，其中排名前3的省份名称分别为广东省、江苏省、四川省，三者占比和约为24.4%（9.5%+7.8%+7.1%），而对于宁夏、新疆、青海等地区的订单数量占比均不足1%。

​

编辑

添加图片注释，不超过 140 字（可选）

图23 放款省份的订单数量明细

​

编辑

添加图片注释，不超过 140 字（可选）

图24 放款省份的订单数量分布（前10）

4、放款总额维度分析

放款总额分布将选取放款月份（date_month）、省市地址（province）这2个维度来展开分析，对于其他特征维度与之同理，具体实现过程如图25所示。

​

编辑

添加图片注释，不超过 140 字（可选）

图25 放款总额分布实现

4.1 放款月份

放款月份（date_month）维度的放款总额明细结果如图26所示，对应可视化分布如图27所示，可以看出202110月份的放款金额规模最大（占比约为11.8%），202103月份的放款金额规模最小（占比约为5.1%），这与前文放款月份的订单数量分布结果（图11）是一致的，即订单数量最多（或最少），放款总额也最多（或最少），但这个结论是针对部分月份的数据表现，并非所有放款月份对应订单数量与放款总额的排序关系相同，其原因为件均金额的差异会影响最终放款金额规模的不同，例如202102月份的放款总额在全年表现中排名第2（10.7%），而相应的订单数量在所有月份中排名第3（图11）。

​

编辑

添加图片注释，不超过 140 字（可选）

图26 放款月份的放款总额明细

​

编辑

添加图片注释，不超过 140 字（可选）

图27 放款月份的放款总额分布

4.2 省市地址

省市地址（province）维度的放款总额明细结果如图28所示，可以看出放款总额排名前3的省份名称（广东省、江苏省、四川省），与前文订单数量排名前3的结果保持相同（图24），而对于排名前10的省份，有9个名称是相同的。

​

编辑

添加图片注释，不超过 140 字（可选）

图28 省市地址的放款总额明细

5、件均金额维度分析

件均金额分布将选取产品期数（period_num）、年龄区间（age_bin）这2个维度来展开分析，对于其他特征维度与之同理，具体实现过程如图29所示。

​

编辑

添加图片注释，不超过 140 字（可选）

图29 件均金额分布实现

5.1 产品期数

产品期数（period_num）维度的件均金额明细结果如图30所示，对应可视化分布如图31所示，可以看出期数为6对应的订单件均金额（6101.17），明显高于9期与12期的件均大小（4280.07、4892.01），这与产品期数长短对应的风险程度有直接关系，一般情况下分期的时间周期越长，隐含的未来违约风险程度越高。

​

编辑

添加图片注释，不超过 140 字（可选）

图30 产品期数的件均金额明细

​

编辑

添加图片注释，不超过 140 字（可选）

图31 产品期数的件均金额分布

5.2 年龄区间

年龄区间（age_bin）维度的件均金额明细结果如图32所示，可以看出不同年龄区间的件均金额大小与整体件均金额5586（图8）相比，没有很明显的额度差异，可以侧面说明年龄对额度定价的影响程度较小。相对来讲，年龄区间20~25用户群体的件均金额表现最低（5177.78），与其他年龄区间有一定差异。

​

编辑

添加图片注释，不超过 140 字（可选）

图32 年龄区间的件均金额明细

6、交叉维度特征分析

以上各细化维度的特征分析，均是通过单一特征来展开描述的，在实际业务场景中，对于部分重要信息维度，往往需要对其进行交叉分析才可以更直观的展示结果。这里我们以年龄区间（age_bin）与产品期数（period_num）为例，通过二者的矩阵交叉，来介绍放款总额分布的数据表现，具体实现过程如图33所示，输出明细结果如图34所示。

​

编辑

添加图片注释，不超过 140 字（可选）

图33 年龄与期数的放款总额实现

​

编辑

添加图片注释，不超过 140 字（可选）

图34 年龄与期数的放款总额明细

由以上结果可以了解到，在不同的年龄区间（age_bin）与产品期数（period_num）的交叉情况下，年龄区间31~35且期数为6、年龄区间26~30且期数为6、年龄区间36~40且期数为6，这3种用户群体的放款总额规模位列前3，金额占比分别为25.8%、21.1%、12.6%，三者占比和约为放款金额总量的60%，为产品主要用户群体范围。

此外，对于其他特征维度的交叉组合分析，可以结合实际业务需求来实现，例如订单数量前3省市地址与放款额度的订单数量分布，原理逻辑与上例类似，具体实现过程如图35所示，输出明细结果如图36所示。

​

编辑

添加图片注释，不超过 140 字（可选）

图35 省市与额度的订单数量实现

​

编辑

添加图片注释，不超过 140 字（可选）

图36 省市与额度的订单数量明细

综合以上内容，我们以信贷产品业务的年终总结为主题，围绕实例样本数据模拟展开详细介绍。结合订单数量、放款金额、件均金额3个业务分析维度，通过放款月份（date_month）、性别类型（gender_type）、婚姻状况（marriage_type）、产品期数（period_num）、年龄区间（age_bin）、放款额度（amount_bin）、省市地址（province）共7个细化特征，对用户群体的数据表现与分布特点完成了多方位描述。同时，在分析总结过程中，先后采用单一特征分布、交叉特征组合的分析思路，对相关信息维度进行梳理与概括，从而实现了信贷产品存量用户数据的特征画像。为了便于大家客户特征画像描述的进一步熟悉与理解，本文额外附带了与以上内容同步的python代码与样本数据，供大家参考学习，详情请移至知识星球查看相关内容。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

...

~原创文章

如何细分客群？帮你的顾客贴标签戴帽子

一个产品，不光是满足用户的功能需求（比如旅游愉悦身心），更是帮用户带上了一个帽子，成为用户个人形象的某种象征。

比如你发“去拉萨”的状态，是希望给自己带上“热爱生活”的帽子，但是你的朋友们理解成了“伪文青”。你觉得这个“新帽子”（旅行带给你伪文青的形象）并不是你想展示的形象，因此你摘掉了这个帽子（删除状态）。

而这种你想展示的形象就是你的“自我概念”，它帮你解决了“我是谁”的问题，是你对自己形象的理解和感知。

你所使用的产品就像帽子一样成了你“自我概念”的展示—向你的朋友和自己展示：“我是一个什么样的人。”

所以，当设计产品和品牌时，不光要考虑“如何极致地提告性能”以及“如何提高用户体验”，更是要考虑“我的产品给用户带上了什么帽子？”

如果产品没有给用户带上正确的的帽子，即使产品体验很好，也往往难以销售。

我的产品给用户带上了什么帽子？

1、比如“零度可乐”花费很大力气宣传“无糖和减肥”，但是这样的宣传当时在美国没有多少正面作用，因为它给喝这个可乐的人戴上了一顶他不想戴的帽子“我是个胖子”。

嗯，即使你真是个胖子，你也不好意思在公共场合下使用减肥类的东西来强化这个印象吧？所以如果说“无糖更健康”可能就好了，毕竟“我看重健康”比“我是个胖子”这个帽子更好。

2、刘墉写的《我不是教你诈》中曾经提到过“送礼”的例子：

有个学生参加完喜宴，打包回寝室给自己的室友当宵夜。结果室友当场翻脸，把食物狠狠摔在了地上。

如果这个宵夜也是一个“产品”，那么它的功能属性是很好的（比如口味），但是却给它的用户带了一个不好的“帽子”（“我被人可怜，吃剩饭”）

所以如果在不改变产品的情况下改变这个“帽子”，就会好很多—“晚上东西没吃饭，能帮忙一切解决了不？”

所以很多时候，你的目标对象没有接受你的产品、善意的礼物甚至某个“解决方案”，并不是因为它们本身不够好，而是因为你没有给他们提供一个好的“帽子”—正面促进他们的自我概念。

而这样的“帽子”（也就是自我概念）会潜移默化地影响一个人的行为。

3、比如有心理学家曾经做过这样一个实验：

让一群人拿着冒牌包在商场中转一圈，然后让她们回来参加测试。发现相比没有拿冒牌包的对照组，她们作弊的比例大大增加。

这是因为“拿冒牌包”的行为改变了她们的自我概念，在她们自己内心中给自己戴上了“我是一个喜欢欺骗的人”这样的帽子，然后在接下来的测试中，她们也更加倾向于作出符合自己“帽子”形象的行为—也就是作弊。

所以任何产品在一定形式上都会成为一个人的某种符号、象征，成为这个人个人形象的某种代表，给这个人戴上一个展示其自我概念的“帽子”。

那你的产品可以给消费者带的帽子有哪些呢？

自我标签的四个维度

心理学家乔纳森布朗曾经提出过4个方面的“自我概念”：

1、社会维度：

在营造自我概念的“帽子”中，“社会维度”是被用的最多的—让某个产品成为社会角色（比如权力金钱等）的象征。

几乎所有的满足炫耀性需求的产品都或多或少地使用了这个维度的帽子—名车、名表、名包……

所以当你看到一个收入并不高的人提着一个几万元的包走在大街上，你要明白，她提的不是一个包，而是提着自我概念。就像《指环王》中的魔君索伦所制造的魔戒是其个人意志的延伸和代表，这个包也成为了它的持有者的自我的延伸，并且能够迅速地传达出她想表达的信息—“我有钱”。

所以，当你营销一款产品时，可以问问自己：基于社会角色，我的产品给了用户什么样的帽子？

比如“虎皮”是权力的“帽子”，土匪山大王坐的永远是虎皮而不是羊皮（即使羊毛更佳细腻柔软，功能性上坐着更舒服）。

而不同的社会角色往往需要不同的“帽子”，这也意味着你的各种营销策略需要跟着改变。

比如如果你仔细观察，廉价的汽车定价很多用“9”来结尾的，而昂贵的汽车往往用“0”“8”等结尾。

为什么呢？

因为这体现了不同的社会角色。价格以“9”结尾会让人产生“打过折”的感觉，让人觉得东西很便宜（所以很多299、499）；而以“0”“8”等相对完整的偶数结尾会让人觉得价格较高。

所以廉价车价格以“9”结尾，体现“勤俭持家”的社会角色；而高档车以0结尾，体现“我不在乎钱，我有钱”的社会角色。

2、个性维度

一个产品不光能是“社会地位”的象征，还能是一个人“个性”的象征。

比如去拉萨，相当于戴上了“我是文青”的帽子；穿优衣库，说明我“不在乎流行，看不上炫耀，只要简单的基本款”；连苹果当年做Think Different广告，也是给人这样一顶帽子：“我用了这个产品，说明我崇尚与众不同”。

而这样的“帽子”是可以被人精确地控制和塑造的。

比如在小米手机之前，使用国产手机往往是“没钱”的象征，很多人宁愿接受更差的配置，也要买个三星诺基亚。但是为什么现在即使一些有钱人，也以“抢到一个699元的红米”而自豪呢？

这是因为小米进行了“帽子的转变”，通过定位“为发烧而生”，让手机象征的维度不再是“社会维度”（象征是否有钱），而是个性维度（象征个人性格和喜好）。

经过这样的营销，初期使用小米手机的人就可以说“我用小米不是因为我没钱（社会维度），而是因为我是发烧友（个性维度）”

再比如球迷会买象征球迷的球衣，认为“追求情怀”也是自己性格的人去买象征情怀的锤子手机，甚至周杰伦的歌迷都会去买印着杰伦头像的百事可乐—拿着这个瓶子会象征我是杰伦迷。

而做的更绝的就是大量的凡客体、陈欧体、滴滴打车体等，直接用性格描述取代产品广告。

为什么人们会购买象征自己个性的产品？会支持那些象征自己个性的人？

因为人对于一切相似自己的东西几乎都有着天然的喜好。

比如为什么你总觉得自己拍照看起来很奇怪，而你的朋友反而说“我觉得拍的挺好的”？因为你平时看到的自己是在镜子里，而你的照片却是左右相反的，因此你看到自己的照片会觉得与自己不相似，从而不喜欢这个照片。而你的朋友正好相反，他们平时看到的你跟照相机中的方向是一样的。

所以，营销一个产品时，我需要问自己：从个性维度上讲，我的产品给了消费者一个什么帽子？

3、集体维度

人经常把自己放到一个集体中，然后用这个集体的某种共性来表现自己的形象。

比如“我是哈佛大学毕业的”，“我是北京人”，“我是威虎山的”……

如果你的产品能够给人以“属于某个集体”的象征，而且这个人正好对这个集体存在荣誉感，那么你的产品就更加容易得到支持—你给了别人一个“属于某个集体”的帽子。

比如“爱国经济”。

打着“热爱祖国，支持国产”的口号来销售产品，甚至品牌名都可以直接叫“爱国者”（没有黑的意思）。当你使用这样的产品时，就无形给自己加了一顶帽子—“我是中国人，我爱我的祖国”。

比如“地域标签”。

我想你一定看到过《山东人的12大优良特点，看到后转了》这样的文章，也一定在外地的朋友送过“土特产”。这个“土特产”也给你加了帽子—“我是XX地方来的人”。

比如“校友经济”。

前段时间北京兴趣了一家非常有意思的众筹咖啡馆“珞珈咖啡”，由武大校友（武大坐落在珞珈山上）发起，并且在整个咖啡厅营造武大的校园氛围。当一个毕业多年的校友来到这个咖啡厅消费或者仅仅转发了微信上“珞珈咖啡”的文章，就相当于强化了“我属于武大”的帽子。

再比如这些年兴起的老兵经济（为退伍老兵开的军事风格服装店）等。

一旦你的产品成为了某个集体的象征（比如珞珈咖啡成为武大人在北京的象征），你的产品就成为了加入该集体的“入党证明”，就能够让集体荣誉感成为超越功能的产品价值。

所以，营销某个产品时，可以问自己：我的产品可能成为什么集体或者圈子的象征？

4、关系维度

作为一个人，你不光是一个社会角色（比如中产阶级）、一个个体角色（比如热爱美剧的人）、一个集体角色（比如一个中国人），还是一个关系角色—你是某人的朋友、恋人、子女、父母、亲戚等。

人们如此喜欢拿关系来界定自己，甚至很多人的微信头像都是2个人（意思是我的角色是“某人的朋友”）。

而如果一个产品能够成为某种关系的象征，那么消费者就会在任何需要强化该关系的时候而实用这个产品。

比如钻石、玫瑰成为爱情的象征，当你需要强化该关系时，你往往需要这样的产品（比如情人节送玫瑰）。而一个女孩如果情人节收到了玫瑰，她就拥有了这顶关系的帽子—“我在被爱”。

脑白金通过大量的广告轰炸而成为“孝敬爸妈”的关系象征，所以你脑中不停地响起这句话“孝敬爸妈，脑！白！金！”

就连一个普通的儿童零食“好丽友”面包，都重复地说“好丽友，好朋友！”（真是洗脑要从娃娃抓起啊！）

而如果你是一个母婴市场的产品，那么关系维度的帽子简直是你的“超级营销杀器”。看看有多少母亲拿孩子当头像就知道了—你永远低估了“母子关系”对一个年轻妈妈的影响。

比如你可以直接搞一个“评选深圳最可爱的宝宝大赛”，比赛规则就是让宝宝拿着你的产品卖个萌，然后妈妈再把照片贴在朋友圈，得到最多赞的宝宝获胜。—我敢说很多妈妈甚至会去购买刷赞服务。

所以，当你营销一个产品时，可以问自己：我的产品可能成为什么关系的象征？

大胆贴“我是谁”标签

上面总结了“自我概念”的4大维度，那么什么时候这样的营销最管用呢？

答案就是当需要强化自己的“自我概念”，迫切想要去展示“我是谁”时。

当消费者面对不了解自己角色的人（比如进入新的环境）或者要进行角色转换（刚刚生了孩子成为妈妈）时，TA往往迫切地想要展示“我是谁”，而产品带来的标签在这个环节中往往起到很大的作用。

比如在城市工作的人一旦过年回家，往往炫耀性需求会提高。因为他们离开了已经熟知自己角色的同事，而面对一年没见或者多年没见的家乡人，需要重新建立自己的角色，所以他们会用几乎一切能够表达角色东西—比如给家乡人带去昂贵的礼物。

再比如你刚去一个新的环境时，往往穿着考究、积极表现、说话小心，你是在新的环境建立“自我概念”，让别人知道“我是谁”。

为什么“新官上任三把火”？因为刚刚被提拔成领导的员工正处于“角色转换期”，也需要迅速建立新的“自我概念”，这时能够帮助他强化新自我概念的产品往往很有用—比如换一部车。

还有，几乎所有身材好的女生都会在初次见面时说“我最近在减肥，吃这么多真是罪过”。

她期待的回复是：“啊？你身材这么好，还减肥！”

她会继续回复一句：“哪有！最近胖死了！”

这时，她就是在你面前建立新的“自我概念”。

人总是有建立个人形象（自我概念）的需求，但是他们又不能光靠直接说：

我是有钱人。

我有稳定的工作。

我是有品味的人。

我是硬件发烧友。

我爱足球。

我崇尚自由。

我是湖南人。

我是北京大学毕业的。

我是退伍军人。

我爱我的孩子。

我很孝敬爸妈。

……

如果你在消费者需要建立某种形象时，用你的产品恰当地给他们戴上一顶能够证明该形象的帽子，那么你就会赢得超越产品功能价值的青睐。

— END —

餐饮O2O（ID:coffeeo2o）中国餐饮业线上线下互动营销的圈子!每天分享餐饮案例、营销干货!用创新商业模式和互联网思维解读餐饮行业，是餐饮老板、经理人、供应商、投资商必关注的公众平台。

加入微群或寻求采访报道请联系微信:canyinjun