一编整、用戶細分的直觀感受
做用戶細分本身很簡單舔稀，比如我們上一節(jié)講的用戶分層，其實就是用一個分類維度掌测，按高中低進行的簡單用戶細分内贮，比如：
按用戶過往1年內(nèi)消費細分：高級（1w+）中級（5K-1w）低級（1-5K）
按用戶活躍行為細分：活躍（過往30天內(nèi)15天以上登錄）不活躍（登錄≤15天）
甚至更簡單的，按基礎(chǔ)屬性細分：男性/女性汞斧，老年/中年/青年
做用戶細分簡單夜郁，但做有效的用戶細分就難了。所謂有效断箫，就是能對運營拂酣、產(chǎn)品、營銷仲义、銷售工作有幫助婶熬，比如我們區(qū)分了高中低級客戶，我們知道了高級客戶很有錢埃撵，可到底該怎么服務(wù)他們赵颅？什么時間、什么場景暂刘、做什么活動饺谬？依然不清楚。因此，單靠一個維度進行分層是不夠的募寨，我們需要更多分類維度族展，做更細致劃分。
看一個小例子 ：
來看看這個例子可以怎么分析：
（1）先看看消費習(xí)慣
從對公司貢獻的收入上看拔鹰，ABC三類是同一檔次的仪缸。可實際上ABC三類代表了三種不同的消費習(xí)慣：
A：集中采購（很有可能是在雙十一買最便宜的）
B：換季采購（很有可能每季度跟風(fēng)新品）
C：頻繁采購（日沉兄活躍高恰画，運營最喜歡）
（2）用戶消費習(xí)慣不同，會直接影響運營手段
A：集中采購：集中一次大活動引爆瓷马！
B：換季采購：每季新品促銷
C：頻繁采購：打卡+積分+周活動
具體用哪一種拴还，可以參考整個用戶結(jié)構(gòu)中ABC三類的比例，選一個主戰(zhàn)術(shù)欧聘，效果如下：
注意片林，現(xiàn)有的，不代表就是合理的树瞭。也有可能領(lǐng)導(dǎo)表示：雖然我們當前是A群體占60%拇厢，但我們希望未來C群體能占60%爱谁，要改變現(xiàn)狀晒喷。這樣在選擇戰(zhàn)術(shù)的時候，就得更多考慮C群體特點访敌，找更符合C類用戶需求的活動凉敲、產(chǎn)品、優(yōu)惠寺旺∫ィ總之，更細致的了解用戶特征阻塑，就能助力運營工作蓝撇。
這就是用戶細分的直觀作用：通過細分，為運營提供更精細的數(shù)據(jù)指導(dǎo)陈莽。 當然渤昌，為了教學(xué)方便，這個例子的數(shù)據(jù)很極端走搁。在實際操作中独柑，只要能找到區(qū)分度夠高的分類維度，都會有類似的效果私植。核心問題是：該怎么找忌栅。這是做用戶細分的關(guān)鍵。
二曲稼、用戶細分的操作步驟
第一步：定義什么是“有效”
這一步非常非常重要索绪。用戶細分可以有無窮無盡的分法湖员，如果不事先定義清楚什么是“有效”細分，就會陷入茫茫多的細節(jié)大海撈針瑞驱。
很多新手最容易忽略這一點破衔，提起用戶細分，就急匆匆把一堆用戶特征變量塞進聚類模型钱烟，聚完了以后不知所措晰筛，到處問：“有沒有用戶分類的科學(xué)、權(quán)威拴袭、誰挑戰(zhàn)就拖出去重打50大板的標準读第？”最后還被運營批判為：做的啥玩意！就是因為脫離了業(yè)務(wù)實際拥刻，只埋頭加減乘除的緣故怜瞒。
有效的分類標準，當然是根據(jù)運營的需要來的般哼。我們可以從運營的目標吴汪、KPI、任務(wù)里拆解出對應(yīng)的數(shù)據(jù)指標蒸眠，比如運營的任務(wù)是：提升收入漾橙。我們按以下步驟，把業(yè)務(wù)問題轉(zhuǎn)化為分析問題楞卡。
有了分類標準霜运，就能檢查細分是否有效，比如目標是：找到累積消費高的用戶群體蒋腮。那最后就看淘捡，我們找到的細分群體，消費差異是不是足夠高池摧，是不是真的鎖定了高消費群體焦除。
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，我們可以看從什么維度切分用戶作彤，能讓用戶群體間差異更明顯膘魄。這里又是一個大坑，因為看起來似乎可選維度非常非常多宦棺。很多同學(xué)陷入迷茫瓣距，到底我該怎么選〈蹋或者好不容易選出來蹈丸，運營問：為什么這么分？他答：這么分差異大！然后被批判為：不懂業(yè)務(wù)逻杖，瞎胡亂做奋岁，好郁悶……
實際上，分類維度篩選有一定標準荸百，完全不用到處亂跑：
（1）選數(shù)據(jù)來源可靠的維度
比如性別闻伶，年齡這些基礎(chǔ)維度，很多公司沒有嚴格采集流程够话，數(shù)據(jù)空缺多蓝翰，真實性難保證，就不要用這些女嘲。盡量用消費畜份、活躍、注冊來源這些可靠的數(shù)據(jù)欣尼。
（2）選運營可影響的維度
比如設(shè)備型號爆雹，可能開發(fā)很關(guān)心，但運營知道了也干不了啥事愕鼓，這時候就不要選钙态；有些指標運營特別關(guān)注，比如運營想發(fā)優(yōu)惠券菇晃，那用戶對優(yōu)惠券領(lǐng)取率册倒、使用率就是特別好的指標。
（3）選自身分層差異明顯的指標
有些指標自身差異都不大谋旦，數(shù)據(jù)分布很集中剩失，這時候就不優(yōu)先選用屈尼，優(yōu)先選擇那些自身分布差異大一些的指標册着。
以上，基于這三個標準脾歧，可以避免大海撈針瞎做實驗甲捏，也能避免做出來被運營批判為：“這有啥用”。有同學(xué)會覺得鞭执，這個過程和做風(fēng)控模型時找特征很像司顿。確實很像，但有區(qū)別兄纺。風(fēng)控模型對應(yīng)的業(yè)務(wù)動作只有“通過/拒絕”兩類大溜，所以完全不需要考慮那么多。而做給運營的用戶細分估脆，運營落地時要考慮：活動主題钦奋、時間、產(chǎn)品、賣點付材、傳播渠道……一大堆玩意朦拖，所以必須考慮哪些維度對運營有用。
第三步：嘗試細分厌衔，觀察結(jié)果
有了分類維度璧帝，我們可以嘗試對分類標準做切分。
這里又有三個很糾結(jié)的問題：
到底每個分類維度且?guī)锥危?/p>
到底要加多少分類維度富寿；
到底分多少類合適睬隶。
先從結(jié)果來說：原則上，最終分類數(shù)量不宜太多页徐，每個群體要在運營看來有可操作意義理疙。運營做活動要設(shè)計海報、備貨泞坦、開發(fā)系統(tǒng)窖贤、準備投放資源。因此如果群體規(guī)模太小贰锁，是不適合單獨做活動的赃梧。所以做用戶細分時，習(xí)慣上限制群體最大為8類（每個群體都大于10%的份額）至于具體規(guī)模大小豌熄，可以根據(jù)項目目標授嘀，運營情況做設(shè)計。
在這個大原則下锣险，意味著分類維度和每個維度的切分都不可能太多蹄皱，盡量選關(guān)鍵維度，關(guān)鍵切分點芯肤，如果維度太多可以考慮用降維算法來做壓縮巷折。在每個維度切分時，需注意以下問題：如果單維度分段崖咨，發(fā)現(xiàn)某些分段有特殊性锻拘，就不能隨意合并（如下圖所示）
總之分類的過程需要反復(fù)嘗試很多步，直到最后輸出理想結(jié)果為止击蹲。
三署拟、特別說明：用戶細分和推薦算法的區(qū)別
很多網(wǎng)上的文章會把用戶細分和千人千面的個性化推薦混淆。雖然口頭上歌豺，很多人會說：我們做用戶細分是為了了解用戶需求推穷，實現(xiàn)千人千面的效果，可在在業(yè)務(wù)上這是兩個含義类咧。
針對一個細分群體馒铃，運營可以做很多引領(lǐng)性谴咸、創(chuàng)新性動作。比如我們想壯大高端用戶群體骗露，那完全可以推出全新的產(chǎn)品系列岭佳、全新的獎勵政策、全新的服務(wù)來吸收高端用戶萧锉。只要我了解了他們的喜好珊随、行為習(xí)慣，就能做的很精準柿隙。但是叶洞，全新設(shè)計的前提是該用戶有一定體量，值得我這么干禀崖。
所以衩辟，做細分時就不能考慮非常多維度，切得特別細波附，搞得很促銷復(fù)雜無比艺晴。我要昭告天下，讓大家都知道我們在干這件事掸屡，才能形成從眾效應(yīng)封寞，獲得更大效果。
推薦系統(tǒng)則不受此限制仅财，推薦系統(tǒng)完全封閉了信息渠道狈究，每個人看的都不一樣，只要能提高一點用戶響應(yīng)率就行盏求。所以推薦的都是現(xiàn)有的抖锥，存量的產(chǎn)品，盡量實現(xiàn)用戶和產(chǎn)品的匹配碎罚。推薦系統(tǒng)可不能產(chǎn)生新創(chuàng)意和新效果磅废，也設(shè)計不出新產(chǎn)品。所以完全不用糾結(jié)：我拆分的到底細不細魂莫，只要能達成業(yè)務(wù)目標就行还蹲。
