壹、定義
市場細分的概念最早於1956年，由美國營銷學家Smith提出，“市場細分的基礎是建立在市場需求面的發展上，並針對 產品和營銷活動 做更合理和確實的調整，以使其 適用於消費者或適用者的需要 。”Alfred(1981)將市場細分定義為：“將市場區分成不同的顧客群，使得每壹群體均可成為 特定的營銷組合 所針對的目標市場。”《市場細分與定位》的作者James認為“目的在於識別子顧客群或潛在顧客，這些顧客對於既定的 營銷組合 （產品／服務、價格、促銷和分銷）會產生類似的反應，或者反過來他們將對企業的營銷規劃產生有利的作用。換而言之，就是為了識別出對某壹類產品或服務具有購買欲望的顧客，而這壹類產品或服務與其他細分市場上的產品或服務又有顯著的區別。”
二、目的
從不同年代學者的定義來看，市場細分均基於不同的用戶需求，服務於企業的產品或營銷組合。
三、細分市場是否有效的評估條件
從理論上而言，成功的細分市場必須滿足三個條件：1、這些子群具有不同的需求、價值取向或欲望；2、對於某壹營銷活動的反應與其他子群有明顯差別；3、這些子群對於企業實現營銷計劃目標具有壹定作用。
衡量細分人群的標準：1、可衡量：人群可識別；2、可進入：營銷可行性（包括營銷的內容和渠道）；3、可盈利：具有壹定規模；4、差異性；5、穩定性
四、用於細分的變量
壹）Schiffman把目前西方學者所選用的細分標準與細分變量分為八種：地理細分、人口細分、心理細分、社會文化細分、使用細分、使用情境細分、利益細分及混合細分。
二）但事實上壹般在市場研究中使用的細分變量主要有以下三種：
1、人口統計學變量：地理區域（地理方位、城市綜合實力（城市線）、風俗習慣等）、年齡、性別、家庭人口和組成、教育程度、職業、住房類型等；
2、行為變量：品牌角色、購買考慮因素、使用情境、使用頻率等
3、生活方式和消費心理（也包括價值觀、需求和態度等；該變量的使用目前仍是市場細分的主流）
三）另外，Wind還提出了壹個以管理任務為導向的細分標準選擇模型：
1、了解市場整體情況：產品的購買和使用、需求、品牌忠誠度、品牌轉換模式等；
2、定位研究：產品使用、產品偏好、尋求利益等；
3、新產品的引入：對新產品概念的反應、尋求利益；
4、定價決策：價格敏感性、降價偏好、不同使用購買方式的價格敏感度等；
5、廣告決策：需求的利益、媒體使用、心理描述/生活形態；
6、分銷決策：商店忠誠度，商店選擇所尋求的利益。
剛剛開始入行的時候，曾被告知滿意度、忠誠度等主觀評分的因素不適合拿來做市場細分。現在看來並不是不可以，而是要根據行業的情況，研究的目標，以及後面可能采用的統計方法來決定使用哪些因素進行市場細分。
另外：也曾遇到迷戀於模型的客戶與同事，認為不采用統計模型的細分結果粗糙而不具有代表性。事實上，市場細分確實隨著統計學的發展不斷引入新的統計方法。而這些方法不過是工具，如果前期沒有通過定性提出壹些想法和假設，再好的統計工具也難以獲得有效的細分市場。因此如果在定性階段就產生了清晰的有助於項目目的的洞察，在問卷裏設置相關的題目驗證即可，未必壹定要采用大量的生活方式/價值觀題目，也不壹定要做復雜的統計分析模型。
五、市場細分的方法
市場細分的方法眾多，例如細分因素劃分法、因子聚類、典型相關聚類、潛類聚類（latent class model）、人工神經網絡和聯合分析等等。此處簡單記錄幾種細分方法：
1、細分因素劃分法：
營銷人員直接選用細分因素，人為的將總體市場劃分為細分市場。最常用的細分因素包括人口統計學因素和行為因素。優點是簡單、區隔力強、容易識別和描述；使用人口統計學因素的缺點是沒有考慮內在動機、預測行為的能力弱、沒有想象中簡單（許多人口統計變量其實是相關的）；使用行為因素還有壹個優點就是與消費者的行為、選擇、品牌使用相關聯，可以識別新的市場機會，但是只看行為不看為什麽，缺乏診斷性的價值
2、因子聚類：
使用的細分因素主要為需要、態度、生活方式、消費價值觀等方面的評分題目。需要註意的問題是：1、問卷中的態度語句是否真正反映消費者的需要；2、由於因子聚類的過程中未考慮消費者人口統計特征及消費行為，因而分類結果往往存在細分市場間行為與背景的差別不明顯，可識別性差的情況，較難提供可操作性的建議；3、內在邏輯的問題：實際上是假設態度不同的消費者，其購買行為也不同，然而事實情況卻並非如此。
3、典型相關聚類
由於上述因子聚類存在的問題，可能需要將更多的變量引入模型，例如購買動機、品牌偏好、廣告和促銷的影響等。而這些變量通常並非連續變量，無法采用因子聚類，因此引入典型相關聚類。典型相關聚類其實是用典型相關代替因子分析。優點在於能同時考慮到產品需要、價值觀、人口統計學特征及消費行為，使得最終的細分人群是內在的、有邏輯的、從定性上是可解釋的；同時變量的選擇更加靈活，定性變量和定量變量都能接受。
4、幾種聚類方法的說明
1）層次聚類：既可處理分類變量，也可處理連續變量，但不能同時處理兩類變量，不需要指定類別數。聚類結果間存在著嵌套，或者說層次的關系。
2）K-均值聚類法（K-Means Cluster），也叫快速聚類法。針對連續變量，也可處理有序分類變量，運算很快，但需要指定類別數。K-均值聚類法不會自動對數據進行標準化處理，需要先自己手動進行標準化分析。
3）兩步聚類法（Two-Step Cluster）：可以同時處理分類變量和連續變量，能自動識別最佳的類別數，結果比較穩定。如果只對連續變量進行聚類，描述記錄之間的距離性時可以使用歐氏（Euclidean）距離，也可以使用對數似然值（Log-likelihood），如果使用前者，則該方法和傳統的聚類方法並無太大區別；但是若進行聚類的還有離散變量，那麽就只能使用對數似然值來表述記錄間的差異性。當聚類指標為有序類別變量時，Two-Step Cluster出來的分類結果沒有K-means cluster的明晰，這是因為K-means算法假定聚類指標變量為連續變量。
4）聚類分析的幾點註意事項：A、得到因子後要明確是基於量的聚類還是基於模式的聚類；B、聚類的數量，在3-7之間嘗試，spss的話，事先保證樣本是排序的；C、用F檢驗各類在聚類變量上是否存在顯著差異；D、測試不同的聚類結果：例如3類和4類的結果進行交互分析，看看變化在哪兒，主要是什麽變量影響的？E、針對可能穩定的聚類，測試每個變量（原始問卷）在各個類的F統計量情況；F、把最後確定的聚類結果寫入原始數據集，命名；G、判別分析，判別類和聚類變量的可視化，畫判別圖，進壹步識別類的特征；H、采用對應分析和多元對應分析，識別類的屬性和關鍵類（細分）表述變量，例如性別、年齡、職業、收入等；I、采用CHAID分類決策樹，自動偵測進壹步識別類的特性。
參考：
《市場細分與定位》：詹姆斯.H.邁爾斯
《市場研究實務與方法》：鄭宗成、陳進、張文雙
《市場細分研究綜述-回顧與展望》：羅紀寧
沈浩老師的博客