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：

（1）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。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）

（2）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，更細緻的瞭解使用者特徵，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：做的啥玩意！就是因為脫離了業務實際，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：

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：

（1）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。

（2）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。

（3）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：通通不知道。

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。