編輯導語：如今隨着互聯網的不斷髮展以及科技的進步，用户在如今的環境下已經貼上了標籤，進行了用户分類，通過不同需求等方面進行分類，實現精細化運營；本文作者分享了關於用户細分的模型以及維度，我們一起來看一下。
分類是人類大腦的識別模式，分類是化繁為簡的方法之一。
——張小龍
隨着商品經濟的發展，社會分工越來越細，產品的生產製造也從統一化供給逐漸發展到個性化供給。
互聯網產品更是千人千面，將用户分為多種類型分別服務，可謂是因地制宜、因勢利導、因材施教、量體裁衣。
但在用户細分、精細化運營中也會遇到一些常規問題：
- 不進行“量體裁衣”，沒有差異化，拉新難
- “量體裁衣”不合理，需求難滿足，留存難
那麼，我們該怎麼進行合理的用户細分呢？
兩千年前，書是竹簡做的，能讀到書的已是王公貴族，識字的人極少，佛教如何把佛法傳到家家户户呢?
不同地域、部落、貧富、文化的羣體，精神需求和接受程度不同，所以需要採用不同的方式；中國境內佛教就演化了八大宗派分支，各派傳教風格迥異。每個宗派內對不同心性的人也採用不同的方法：與上上根之人，思辨哲學，探索世間真理；與上根之人，清心寡慾，生活處處是修行；與中根之人，討論公案，引申明理；與下根之人，以天堂誘之地獄嚇之，引導行善。
企業之於用户更是如此了。
用户細分是企業為了實現用户需求的異質性、並集中有限資源進行有效市場競爭的行為；企業在明確的戰略業務模式和特定的市場中，根據用户的屬性，行為等因素對用户進行分類，並提供有針對性的產品、服務、銷售、運營模式，達到用户價值和產品目標的最大化。
系統實施層面，是在抽象理論的指導下，用算法進行標籤化統計、分類，並以用户畫像的形式表現，最後在策略上、界面上、運營方式上進行“量體裁衣”。
從哪些角度、維度進行用户細分呢？
如何用算法進行標籤化統計與分類？
如何驗證用户細分的合理性並調整？
一、用户細分常見的6種模型與5類維度首先，用户是什麼？
我們常常聽説這樣的對話：
- 你們公司的學生用户有多少？500萬個。
- 用户有三類：發視頻的、看視頻的、投廣告的。
- 在這個場景下，不同用户的認知、需求不同呀！
仔細一想，口語對話中用户的含義是模糊的：
- 第一句，用户其實指的是車主的註冊ID數量。
- 第二句，用户其實指的是產品中存在的角色。
- 第三句，用户其實指的是某一類需求的集合。
很明顯，前兩句是口語上偷懶的、簡化的表達，第三句中所含的意義 “ 用户是需求的集合 ” 更為確切。
清晰了對用户的定義，接下來，我們看看互聯網公司常用的6種分類模型：
1. 梁寧·產品思維根據商業模式中的主要角色及某角色下的用户分類：
舉個例子：大眾點評上的新店霸王餐。大眾點評與新開的商家合作推出霸王餐，其大部分分配給用户等級高、活躍度高、經典評論多的頭羊，頭羊免費享用之後做出點評，吸引大明羊、小閒羊、笨笨羊來消費。
2. UCPM-產品管理知識體系用户在某個場景中，產生感受和需求，到尋找方案、挑選產品、購買產品、使用產品、最後進行售後的整個週期中，將用户分為5類：
- 購買者：執行購買行為並主要關心價格
- 使用者：使用產品並首先考慮產品的性能
- 影響者：為決定的產生提供指導的各類羣體
- 信息管理者：控制信息流向並與其他人聯絡
- 決策者：正式批准購買決定並關心決定的內部政策部分
舉個例子：
- 早幼教育產品：決策者、購買者、信息管理者、影響者是家長，使用者是學生；
- 小學教育產品：決策者、購買者是家長，使用者是學生，信息管理者、影響者是家長和學生一起；
- 企業服務產品：一個辦公軟件的購買要通過採購部的貨比三家、財務部的預算、使用員工的意見、專人的管理維護、高層的決策。
根據對產品的熟悉程度分為：
- 小白用户：剛使用或不經常使用，對產品不熟悉。
- 普通用户：佔用大多數，對產品使用情況良好。
- 專家用户：對產品依賴程度高，能提出很多觀點意見，是產品的有力支持者。
如此分法以便於分析：
- 同一人羣，在A/B/C場景下，分別遇到什麼問題。
- 同一場景，a/b/c三個人羣，分別遇到什麼問題。
根據用户需求的範圍、用户與用户間的關係分為：
- 大眾市場：服務於一個龐大的、有着廣泛的相似需求的用户羣體，如淘寶、拼多多、抖音等。
- 小眾市場：服務於一個具體的、專門的、需求量身打造的用户羣體，如花瓣網服務於設計師。
- 求同存異的用户羣體：服務於有着相似卻不同需求的多個細分用户羣，如炒股APP服務於韭菜、獨立經濟人、操盤手。
- 多元化的用户羣體：服務於不同需求的用户羣體；如同一個CRM產品，可以私有化部署，可以公有云部署，可以混合雲部署。
- 多邊平台（多邊市場）：服務於兩個或更多的相互獨立又依存的用户羣體；如o2o外賣，服務於點外賣的人、送外賣的人、商家、廣告買主。
根據界面的設計目標分為：
- 主要人物：一個產品的一個界面只能有一個主要人物模型。
- 次要人物：存在一些額外的特定需求，可以在不削弱產品能力，以服務主要人物的前提下得以滿足。
- 補充人物：主要人物和次要人物結合在一起完全可以代表補充人物的需求，一個界面可以用任意多個補充人物相聯繫。
- 客户人物：是客户而不是終端用户的需求，一些客户人物的界面可能會成為自己獨有的管理界面的主要人物。
- 接受服務人物：並非產品的用户，卻直接受產品使用的影響。
- 負面人物：用於告知產品不會為某類具體的用户服務，即不是產品的實際用户。
舉個例子：
2B產品中，某類用户在日常使用中真正高頻關心的數據、高頻使用的功能其實並不多；將這些重點的數據和功能放在系統首頁、模塊首頁、功能首頁，讓用户僅使用少數幾個功能就完成大部分的日常工作，便是極致的用户體驗。
6. RFM模型RFM模型是衡量客户價值和客户創利能力的重要工具和手段，廣泛應用於眾多的CRM產品的用户分析上，主要以三項指標——“最近一次消費距當前的天數、累計消費次數、累計消費金額”來描述客户的價值狀況，可分為8類：
這6種模型適用於PM的不同的工作場景，是已經成型的、常規的、粗略的分類模型，但對面市場上的產品越來越垂直化的趨勢，公用的細分模型使用效果有所折扣。
所以，越來越多的產品也逐漸從更多細緻的維度分類，筆者閲覽行業多數文章，結合工作實踐，整理總結，可歸納為五個維度：
細化了維度，怎麼量化？
技術怎麼實現？用户如何表現呢？
二、將數據標籤化，將用户形象化標籤是什麼？標籤是用來標誌你的產品目標、分類、內容的，是給你的目標確定一個關鍵詞，是便於查找和定位的工具。
用户標籤從更新頻率可以分為：靜態標籤、動態標籤；從開發方式分為：統計類標籤、規則類標籤、算法類標籤（又稱：基礎標籤、模型標籤、預測標籤）；從標籤來源分為：系統自動打的、開發商運營打的、用户自己打的。
用户畫像是什麼？從上一小節分類模型可以看出，有些模型比較感性，好像可以看到一個真實的人，有些模型比較理性，好像看到的是一堆標籤數據。是的，用户畫像目前是分兩類：User Persona 和 User Profile。
User Persona 是產品設計、運營人員從用户羣體中抽象出來的典型用户；一般來自於用户訪談、用户研究，幫助我們去感性的認識當前的產品所主要服務的用户是一些什麼類型的人。
User Profile 是基於用户在產品中的真實數據，產出描述用户的標籤的集合，是偏理性的數據表現；一般用於產品具體的產品設計、決策依據、運營營銷、風險預測、信用評估、個性化推薦等過程，如第一小節最後呈現的五個維度的表格。
User Persona 和 User Profile是一體兩面，具有同一性、統一性，在實際應用中要結合業務及場景相互對照使用。
本節主要總結User Profile的實現方式，產品結構如下：
實施步驟可分三步：
1. 確定畫像維度- 根據業務場景挖掘真實用户的虛擬代表：User Persona。
- 根據User Persona 確定系統中User Profile的標籤維度、層級關係、標籤類型、標籤值、初步的標籤規則。
- 標籤權重：標籤在某一業務指標中的權重
- 更新頻率：實時更新、離線T+1更新、單次計算
- 標籤統計規則：如7天點外賣>2次屬於中等活躍
- 標籤算法：TF-IDF權重歸類算法、相似矩陣算法、LAP傳播算法…
用户標籤權重 = 行為類型權重 × 時間衰減係數 × 用户行為次數 × TF-IDF計算標籤權重
行為類型權重：用户瀏覽、搜索、收藏、下單、購買等不同行為對用户而言有着不同的重要性，一般而言操作複雜度越高的行為權重越大，該權重值一般由運營人員或數據分析人員主觀給出。
時間衰減係數：用户某些行為受時間影響不斷減弱，行為時間距現在越遠，該行為對用户當前來説的意義越小；這裏應用了牛頓冷卻定律數學模型，指的是一個較熱的物體在一個温度比這個物體低的環境下，這個較熱的物體的温度是要降低的，周圍的物體温度要上升，最後物體的温度和周圍的温度達到平衡，在這個平衡的過程中，較熱物體的温度F（t）是隨着時間t的增長而呈現指數型衰減，其温度衰減公式為：F（t）=初始温度×exp（-冷卻係數×間隔的時間）。
對應在用户標籤隨時間的影響上，冷卻係數相當於標籤權重隨時間衰減的係數。公式如下：
λ=-ln（dN/dt）/T=-ln（當前值/初始值）/間隔時間
用户行為次數：用户標籤權重按週期統計，用户在週期內與該標籤產生的行為次數越多，該標籤對用户的影響越大。
TF-IDF計算標籤權重：標籤的重要性隨着它在用户中被標記的次數成正比增加，但同時會隨着它在標籤庫中出現的頻率成反比下降；w（P , T）表示一個標籤T被用於標記用户P的次數。TF（P , T）表示這個標記次數在用户P所有標籤中所佔的比重，TF越大，標籤越重要；相應的IDF（P , T）表示標籤T在全部標籤中的稀缺程度，即這個標籤的出現幾率，IDF越大，標籤越不重要。
然後根據TF * IDF即可得到該用户該標籤的權重值。公式如下：
(分母+1是防止分母為0)
舉個例子：
- TF（用户P1，標籤T1）=5/（5+2+1+0）=0.625
- IDF（用户，標籤T1）=log（5/(2+1)）=0.222
- TD-IDF=0.625*0.222=0.139
將業務數據、日誌數據、埋點數據、第三方數據帶入數據處理模型中，生成User Profile。
（該圖片來自網絡）
舉個例子：
疫情期間大家都窩着家裏挺無聊，眾多社交平台出現了不法分子色誘無知的寂寞的男子果聊，然後錄屏敲詐錢財的案件，報警數量上升，區縣及社區都發短信提醒居民。
那麼，作為陌生人的交友平台，如何避免不法分子的猖獗呢？
第一步、確認畫像維度
1）根據場景挖掘User Persona
2）再確定系統中User Profile的標籤
第二步、建立數據處理模型
1）標籤權重：
- 行為類型權重：人為判定、排序、給出權重值
- 時間衰減係數：按公式計算
- 用户行為次數：週期計數
- TF-IDF計算權重：按公式計算
2）更新頻率：實時更新
3）標籤統計規則：標籤值中所述規則
4）標籤算法：TF-IDF權重歸類算法、決策樹分類算法、神經網絡、KNN分類、SVM…
第三步、數據採集，數據處理，生成分類
1）模型建好之後，可以導入樣本數據，進行模擬，將果聊詐騙分子的賬號全部找出來。
2）可採用多種算法同時分類，觀測各自結果，綜合比較，最後擇優使用。
當User Profile確定之後，User Profile與User Persona的差距如何？User Persona與真實用户的情況間差距如何？User Profile與真實用户的情況間差距如何？
三、用迴歸分析、A/B測試、用户調研的方法驗證用户細分的準確性：
1. 迴歸分析延續上一小節的例子，可分兩大步：
- 對比判定情況和實際情況，得到四類結果。
- 用召回率、準確率、精準率評估，數值越大越好。
召回率（Recall）：R=TP /（TP+FN）；即（正確識別的不法分子數）/（正確識別不法分子與正常用户數）
準確率（Accuracy）：ACC=(TP+TN)/(TP+TN+FP+FN）；即（判定正確的數）/（所有判定的數）
精確率（Precision）：P=TP /（TP+FP）；即（正確識別的不法分子數）/（系統識別出的不法分子數）
基本上僅用召回率（R）和準確率（ACC）就可以評估策略的好壞，並進行優化調整了。
2. A/B測試多方案並行測試，單一變量法觀察方案效果，最終擇優；實施層面的原理如下圖：
（該圖片來自網絡）
從左到右，四條粗豎線代表了四個關鍵角色：客户端、服務器、數據層、數據倉庫。
從上到下，三部分代表了三種測試形式：無 A/B 測試組、基於後端的 A/B 測試組、基於前端的 A/B 測試組。
3. 用户調研用户調研是為了接近用户、瞭解用户，也方便自己變成用户，體會用户。
調研的方式有很多：用户訪談、焦點小組、參與式設計、問卷調查、觀察用户行為、走進場景、分析用户數據、10-100-1000法則……用於持續獲取精準的用户畫像，具體的操作步驟在網上一搜一大篇；工作中只要選擇自己最順手的一兩個方法用到極致、用到出神入化、用到可以感知用户就可以了。
那麼，如何減小調研結果與真實用户之間的差距呢？索尼公司曾經做過一次關於用户對Boomboxes音響顏色偏好的面對面訪談式的調研，音響顏色有黃色和黑色兩種，大部分人表示黃色更好看，更願意購買黃色的音箱；有意思的是，調研結束後，組織者為了答謝允許每人離開時帶走一個音響，結果極大部分人都帶走了黑色的音箱。
故無論採取哪種調研方式，還是要有非常多的人與人之間互動的注意事項；此塊內容諸多文章都有所闡述，為了便於理解，我們看看唐僧一邊走路、一邊乞食去西天取經的故事，為啥要走着去？不讓悟空揹着飛去？為什麼還要乞食前行？因為要走進眾生、瞭解眾生、融入眾生，那在“託缽乞食”時有哪些注意事項？
綜上，迴歸分析與A/B測試在從定量的角度驗證、用户調研從定性的角度佐證用户細分的準確性。
用户細分是企業為了實現用户需求的異質性、並集中有限資源進行有效市場競爭的行為；系統實施層面，是在抽象理論的指導下，用算法進行標籤化統計、分類，並以用户畫像的形式表現，最後在策略上、界面上、運營方式上進行“量體裁衣”。
本文由 @七牛 原創發佈於人人都是產品經理，未經許可，禁止轉載
題圖來自 Unsplash，基於 CC0 協議