六張圖，詳解用户羣體細分怎麼做

上一篇《十張圖，詳解用户分層怎麼做》中，很多表示想看用户細分，現在它來了。

我們説過，用户分層是一種特殊的用户細分形式：按價值高低細分。那普遍的用户細分該怎麼做呢？為什麼很多同學做完了細分，卻別批判為：“沒啥用處”呢？今天系統解答一下。

一、用户細分的直觀感受

做用户細分本身很簡單，比如我們上一節講的用户分層，其實就是用一個分類維度，按高中低進行的簡單用户細分，比如：

• 按用户過往1年內消費細分：高級（1w+）中級（5K-1w）低級（1-5K）
• 按用户活躍行為細分：活躍（過往30天內15天以上登錄）不活躍（登錄≤15天）
• 甚至更簡單的，按基礎屬性細分：男性/女性，老年/中年/青年

做用户細分簡單，但做有效的用户細分就難了。所謂有效，就是能對運營、產品、營銷、銷售工作有幫助。

比如我們區分了高中低級客户，我們知道了高級客户很有錢，可到底該怎麼服務他們？什麼時間、什麼場景、做什麼活動？依然不清楚。因此，單靠一個維度進行分層是不夠的，我們需要更多分類維度，做更細緻劃分。

看一個小例子：

來看看這個例子可以怎麼分析：

先看看消費習慣。從對公司貢獻的收入上看，ABC三類是同一檔次的。

消費習慣不同可實際上ABC三類代表了三種不同的消費習慣：

A、集中採購（很有可能是在雙十一買最便宜的）

B、換季採購（很有可能每季度跟風新品）

C、頻繁採購（日常活躍高，運營最喜歡）

用户消費習慣不同，會直接影響運營手段：

A、集中採購：集中一次大活動引爆！

B、換季採購：每季新品促銷

C、頻繁採購：打卡+積分+周活動

具體用哪一種，可以參考整個用户結構中ABC三類的比例，選一個主戰術，效果如下：

注意，現有的，不代表就是合理的。也有可能領導表示：雖然我們當前是A羣體佔60%，但我們希望未來C羣體能佔60%，要改變現狀。這樣在選擇戰術的時候，就得更多考慮C羣體特點，找更符合C類用户需求的活動、產品、優惠。總之，更細緻地瞭解用户特徵，就能助力運營工作。

這就是用户細分的直觀作用：通過細分，為運營提供更精細的數據指導。當然，為了教學方便，這個例子的數據很極端。在實際操作中，只要能找到區分度夠高的分類維度，都會有類似的效果。核心問題是：該怎麼找。這是做用户細分的關鍵。

二、用户細分的操作步驟第一步：定義什麼是“有效”

這一步非常非常重要。用户細分可以有無窮無盡的分法，如果不事先定義清楚什麼是“有效”細分，就會陷入茫茫多的細節大海撈針。

很多新手最容易忽略這一點，提起用户細分，就急匆匆把一堆用户特徵變量塞進聚類模型，聚完了以後不知所措，到處問：“有沒有用户分類的科學、權威、誰挑戰就拖出去重打50大板的標準？”

最後還被運營批判為：做的是啥玩意！這就是脱離了業務實際，只埋頭加減乘除的緣故。

有效的分類標準，當然是根據運營的需要來的。我們可以從運營的目標、KPI、任務裏拆解出對應的數據指標。比如運營的任務是：提升收入。我們按以下步驟，把業務問題轉化為分析問題。

有了分類標準，就能檢查細分是否有效。比如目標是：找到累積消費高的用户羣體。那最後就看，我們找到的細分羣體，消費差異是不是足夠高，是不是真的鎖定了高消費羣體。具體效果如下圖所示：

第二步：從運營手段上找分類維度

找到了分類標準，我們可以看從什麼維度切分用户，能讓用户羣體間差異更明顯。這裏又是一個大坑，因為看起來似乎可選維度非常非常多。

很多同學陷入迷茫，到底我該怎麼選。或者好不容易選出來，運營問：為什麼這麼分？他答：這麼分差異大！然後被批判為：不懂業務，瞎胡亂做。好鬱悶……

實際上，分類維度篩選有一定標準，完全不用到處亂跑：

如何選擇分類維度選數據來源可靠的維度：

比如性別，年齡這些基礎維度，很多公司沒有嚴格採集流程，數據空缺多，真實性難保證，就不要用這些。儘量用消費、活躍、註冊來源這些可靠的數據。

選運營可影響的維度：

比如設備型號，可能開發很關心，但運營知道了也幹不了啥事，這時候就不要選；有些指標運營特別關注，比如運營想發優惠券，那用户對優惠券領取率、使用率就是特別好的指標。

選自身分層差異明顯的指標：

有些指標自身差異都不大，數據分佈很集中，這時候就不優先選用，優先選擇那些自身分佈差異大一些的指標。

以上，基於這三個標準，可以避免大海撈針瞎做實驗，也能避免做出來被運營批判為：“這有啥用”。

有同學會覺得，這個過程和做風控模型時找特徵很像。確實很像，但有區別。風控模型對應的業務動作只有“通過/拒絕”兩類，所以完全不需要考慮那麼多。

而做給運營的用户細分，運營落地時要考慮：活動主題、時間、產品、賣點、傳播渠道……一大堆玩意，所以必須考慮哪些維度對運營有用。

第三步：嘗試細分，觀察結果

有了分類維度，我們可以嘗試對分類標準做切分：

這裏又有三個很糾結的問題：

• 到底每個分類維度且幾段
• 到底要加多少分類維度
• 到底分多少類合適

先從結果來説：原則上，最終分類數量不宜太多，每個羣體要在運營看來有可操作意義。

運營做活動要設計海報、備貨、開發系統、準備投放資源，因此如果羣體規模太小，是不適合單獨做活動的。所以做用户細分時，習慣上限制羣體最大為8類（每個羣體都大於10%的份額）至於具體規模大小，可以根據項目目標，運營情況做設計。

在這個大原則下，意味着分類維度和每個維度的切分都不可能太多，儘量選關鍵維度，關鍵切分點。

如果維度太多可以考慮用降維算法來做壓縮。在每個維度切分時，需注意以下問題：如果單維度分段，發現某些分段有特殊性，就不能隨意合併（如下圖所示）。

總之分類的過程需要反覆嘗試很多步，直到最後輸出理想結果為止。

三、特別説明：用户細分和推薦算法的區別

很多網上的文章會把用户細分和千人千面的個性化推薦混淆。雖然口頭上，很多人會説：我們做用户細分是為了瞭解用户需求，實現千人千面的效果，可在在業務上這是兩個含義。

針對一個細分羣體，運營可以做很多引領性、創新性動作。比如我們想壯大高端用户羣體，那完全可以推出全新的產品系列、全新的獎勵政策、全新的服務來吸收高端用户。只要我瞭解了他們的喜好、行為習慣，就能做的很精準。

但是，全新設計的前提是該用户有一定體量，值得我這麼幹。所以，做細分時就不能考慮非常多維度，切得特別細，搞得很促銷複雜無比。我要昭告天下，讓大家都知道我們在幹這件事，才能形成從眾效應，獲得更大效果。

推薦系統則不受此限制，推薦系統完全封閉了信息渠道，每個人看的都不一樣，只要能提高一點用户響應率就行。所以推薦的都是現有的，存量的產品，儘量實現用户和產品的匹配。

推薦系統可不能產生新創意和新效果，也設計不出新產品。所以完全不用糾結：我拆分的到底細不細，只要能達成業務目標就行。

四、小結：用户細分的真正難點

看完整個過程，大家會發現用户細分，是個原理簡單，操作複雜的東西。操作複雜，完全不是建模過程，而是對目標的把握，對維度篩選，對切分大小的把握，都得考慮業務上需求。

雖然數據、統計學給我們提供了很多工具（分類工具、降維工具）可真正用到實處還是得考慮具體業務場景。我們從來都不缺少會背課本的學生，我們缺少的是會考慮實際場景的分析人員。

很多新人上路不明白這點，你問他：

• 用户細分服務什麼目標？
• 運營口中的“核心用户”指的是消費高？活躍多？有轉介紹行為？
• 知道了“男/女”運營又能做什麼事情？
• 運營有幾種手段能達成目標？
• 如果只有200元消費差距，運營有多少空間做事？

他們的回答當然是：統統不知道。

然後還倔強的反問：你管這幹啥！！！我就想知道，就沒有一個電商行業做Kmean聚類權威標準的分類數量嗎！！！到底是5還是8！！！

╮(╯▽╰)╭

特別提醒：

活在學校圖書館的書本里，是無法解決企業實際問題的。

#專欄作家#

接地氣的陳老師，微信公眾號：接地氣學堂，人人都是產品經理專欄作家。資深諮詢顧問，在互聯網，金融，快消，零售，耐用，美容等15個行業有豐富數據相關經驗。

本文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。