編輯導讀：使用者分層是按照價值高低進行劃分的一種方式，雖然這個概念一直被強調，但是很多人覺得細分之後並沒有什麼用。具體問題出在哪呢？本文作者將用六張圖，分析使用者群體細分應該怎麼做，希望對你有幫助。
上一篇《十張圖，詳解使用者分層怎麼做》中，很多表示想看使用者細分，現在它來了。
我們說過，使用者分層是一種特殊的使用者細分形式：按價值高低細分。那普遍的使用者細分該怎麼做呢？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、使用者細分的直觀感受做使用者細分本身很簡單，比如我們上一節講的使用者分層，其實就是用一個分類維度，按高中低進行的簡單使用者細分，比如：
- 按使用者過往1年內消費細分：高階（1w+）中級（5K-1w）低階（1-5K）
- 按使用者活躍行為細分：活躍（過往30天內15天以上登入）不活躍（登入≤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
做使用者細分簡單，但做有效的使用者細分就難了。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階客戶，我們知道了高階客戶很有錢，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）
使用者消費習慣不同，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，可以參考整個使用者結構中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群體佔60%，但我們希望未來C群體能佔60%，要改變現狀。這樣在選擇戰術的時候，就得更多考慮C群體特點，找更符合C類使用者需求的活動、產品、優惠。總之，更細緻地瞭解使用者特徵，就能助力運營工作。
這就是使用者細分的直觀作用：透過細分，為運營提供更精細的資料指導。當然，為了教學方便，這個例子的資料很極端。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。這是做使用者細分的關鍵。
二、使用者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。使用者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，提起使用者細分，就急匆匆把一堆使用者特徵變數塞進聚類模型，聚完了以後不知所措，到處問：“有沒有使用者分類的科學、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！這就是脫離了業務實際，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、任務裡拆解出對應的資料指標。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：找到累積消費高的使用者群體。那最後就看，我們找到的細分群體，消費差異是不是足夠高，是不是真的鎖定了高消費群體。具體效果如下圖所示：
找到了分類標準，我們可以看從什麼維度切分使用者，能讓使用者群體間差異更明顯。這裡又是一個大坑，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資料來源可靠的維度：
比如性別，年齡這些基礎維度，很多公司沒有嚴格採集流程，資料空缺多，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資料。
選運營可影響的維度：
比如裝置型號，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，那使用者對優惠券領取率、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，資料分佈很集中，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“透過/拒絕”兩類，所以完全不需要考慮那麼多。
而做給運營的使用者細分，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：
這裡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
先從結果來說：原則上，最終分類數量不宜太多，每個群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，因此如果群體規模太小，是不適合單獨做活動的。所以做使用者細分時，習慣上限制群體最大為8類（每個群體都大於10%的份額）至於具體規模大小，可以根據專案目標，運營情況做設計。
在這個大原則下，意味著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演算法來做壓縮。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、特別說明：使用者細分和推薦演算法的區別很多網上的文章會把使用者細分和千人千面的個性化推薦混淆。雖然口頭上，很多人會說：我們做使用者細分是為了瞭解使用者需求，實現千人千面的效果，可在在業務上這是兩個含義。
針對一個細分群體，運營可以做很多引領性、創新性動作。比如我們想壯大高階使用者群體，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階使用者。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使用者有一定體量，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資訊渠道，每個人看的都不一樣，只要能提高一點使用者響應率就行。所以推薦的都是現有的，存量的產品，儘量實現使用者和產品的匹配。
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：使用者細分的真正難點看完整個過程，大家會發現使用者細分，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。
雖然資料、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：
- 使用者細分服務什麼目標？
- 運營口中的“核心使用者”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，在網際網路，金融，快消，零售，耐用，美容等15個行業有豐富資料相關經驗。
本文原創釋出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。