都说用户要细分，但具体要怎么分？

1、用户细分的直观感受很简单。例如，我们上一节提到的用户分层实际上是用高、中、低分类维度的简单用户细分。例如，根据用户过去一年的消费细分：高级（1w ）中级(5K-1w)低级(1-5K)按用户活跃行为细分:活跃(过去30天登录15天以上)不活跃(登录)≤15天)甚至更简单，根据基本属性细分：男性/女性、老年/中年/年轻人很容易细分用户，但很难细分有效的用户。所谓有效，就是有助于运营、产品、营销、销售。比如我们区分了高、中、低级客户，我们知道高级客户很有钱，但是如何为他们服务呢？所谓有效，就是有助于运营、产品、营销、销售。比如我们区分了高、中、低级客户，我们知道高级客户很有钱，但是如何为他们服务呢？什么时候，什么场景，做什么活动？还是不清楚。因此，仅仅依靠一个维度来分层是不够的。我们需要更多的分类维度和更详细的划分。看一个小例子:我们来看看如何分析这个例子:(1)先看消费习惯。从对公司贡献的收入来看，ABC三类是同档次的。但事实上，ABC三种类型代表了三种不同的消费习惯：A：集中采购(很有可能是双十一买最便宜的)B：季节性采购(很有可能每季度跟风新产品)C：频繁采购(日常活跃度高，最喜欢运营)(2)不同的用户消费习惯会直接影响运营手段A：集中采购：集中大活动引爆！B：季节性采购：每季度新产品推广C：：频繁采购：打卡 积分 每周使用哪种活动，可以参考整个用户结构中ABC三类的比例，选择主战术，效果如下：请注意，现有，并不意味着合理。也有可能领导说:虽然我们目前是A组60%，但我们希望C组未来能占60%，改变现状。这样，在选择战术时，我们必须更多地考虑C组的特点，找到更符合C用户需求的活动、产品和折扣。简而言之，更详细地了解用户特征，可以帮助操作工作。这是用户细分的直观功能：通过细分，为操作提供更精细的数据指导。 当然，为了方便教学，这个例子的数据是极端的。在实际操作中，只要能找到足够高的分类维度，就会有类似的效果。核心问题是:如何找到。这是细分用户的关键。二、用户细分操作步骤的第一步:定义什么是“有效”非常非常重要。用户细分可以有无穷无尽的分法。如果不提前定义什么是“有效”细分，就会陷入大海捞针的无数细节。许多新手最容易忽视这一点。当他们提到用户细分时，他们急忙将一堆用户特征变量插入聚类模型。聚集后，他们不知所措，到处问：“是否有科学、权威的用户分类标准，谁挑战就拖出去重点*50个董事会？最后被操作批评为:做什么！正是因为脱离了业务实际，只埋头加减乘除。当然，有效的分类标准是基于操作的需要。我们可以从经营目标出发，KPI、在任务中拆解相应的数据指标，如运营任务是：增加收入。按照以下步骤，将业务问题转化为分析问题。有了分类标准，我们可以检查细分是否有效。例如，目标是找到积累高消费的用户群。最后，看看我们发现的细分群体，消费差异是否足够高，是否真的锁定了高消费群体。具体效果如下图所示：第二步：从操作手段中找到分类维度，找到分类标准。我们可以看到从哪个维度划分用户，这可以使用户组之间的差异更加明显。这是另一个大坑，因为看起来有很多可选的维度。很多同学都很迷茫，应该怎么选择？或者最后选出来，操作问:为什么这么分？他回答:差别这么大！然后被批评为：不了解业务，盲目做，很沮丧。事实上，分类维度筛选有一定的标准，不需要到处跑：（1）选择可靠的数据源维度，如性别、年龄等基本维度，许多公司没有严格的收集过程，数据空缺，难以保证真实性，不使用这些。尽量使用可靠的数据，如消费、活跃和注册来源。（2）选择操作可以影响的维度，如设备型号，可能非常*开发，但操作知道什么也做不了，此时不要选择；一些指标操作特别*，如操作想要发送优惠券，用户优惠券收集率，利用率是一个特别好的指标。(3)选择自身分层差异明显的指标。有些指标差别不大，数据分布集中。这时候就不优先了，优先考虑分布差异较大的指标。以上，基于这三个标准，可以避免大海捞针盲目做实验，也可以避免被操作批评为“这有什么用”。有些学生会觉得这个过程类似于做风险控制模型时寻找特征。确实很像，但是有区别。风险控制模型对应的业务动作只有“通过/拒绝”两种，完全不需要考虑那么多。对于操作用户的细分，在操作着陆时应考虑：活动主题、时间、产品、卖点、沟通渠道。很多东西，所以我们必须考虑哪些维度对操作有用。第三步:尝试细分，观察结果有分类维度，可以尝试切分分类标准。这里还有三个非常纠结的问题：到底每个分类维度和几个段落；究竟要加多少分类维度；究竟适合分类多少类。首先从结果来看：原则上，最终分类数量不宜过多，每个群体在运作中应具有可操作的意义。运营活动应设计海报、备货、开发系统、准备投放资源。因此，如果群体规模太小，则不适合单独进行活动。因此，在细分用户时，习惯上最大限度地限制8个群体（每个群体的份额超过10%）。至于具体规模，可根据项目目标和运营情况进行设计。在这个原则下，这意味着分类维度和每个维度的分割不能太多。试着选择关键维度和关键切割点。如果维度过多，可以考虑使用降维算法进行压缩。在每个维度切割时，应注意以下问题：如果单维分割发现某些分割具有特殊性，则不能随意合并（如下图所示）。简而言之，分类过程需要反复尝试许多步骤，直到理想结果的最终输出。第三，特别说明:用户细分和推荐算法的区别很多网上文章会把用户细分和千人千面的个性化推荐混淆。虽然口头上很多人会说:我们细分用户是为了了解用户需求，达到千人千面的效果，但这在业务上有两个含义。对于一个细分群体来说，操作可以做很多引领和创新的动作。例如，如果我们想扩大高端用户群，我们可以推出新的产品系列、新的奖励政策和新的服务来吸引高端用户。只要我了解他们的喜好和行为习惯，我就能做得非常准确。然而，新设计的前提是用户有一定的体积，值得我这样做。所以做细分的时候不能考虑很多维度，切的很细，促销很复杂。为了形成从众效应，获得更大的效果，我想告诉世界，让大家都知道我们在做这件事。推荐系统不受此限制。只要能提高用户响应率，推荐系统就完全关闭了信息渠道。所以推荐的产品都是现有的，库存的产品，尽量实现用户和产品的匹配。推荐系统不能产生新的想法和效果，也不能设计新的产品。所以完全不用担心:只要我能达到业务目标，我就可以细细分割。四、总结：用户细分的真正困难看到整个过程，我们会发现用户细分，是一个简单的原则，复杂的操作。操作复杂，完全不是建模过程，而是对目标的把握，对维度的筛选，对切割尺寸的把握，都要考虑业务需求。虽然数据和统计学为我们提供了许多工具（分类工具和降维工具），但我们仍然需要考虑具体的业务场景才能真正实现。我们从不缺少会背课本的学生，我们缺少的是会考虑实际场景的分析师。许多新人在路上不明白这一点，你问他：用户细分服务的目标是什么？运营口中的“核心用户”是指高消费？活跃多？有转介行为吗？知道“男/女”运营能做什么？实现目标的手段有多少？假如只有200元的消费差距，经营有多少空间做事？当然，他们的回答是：通通不知道。然后固执地问:你在乎这个怎么办！！！我只想知道，电商行业做Kmean聚类权威标准的分类数量没有吗？！！到底是5还是8！！！╮(╯▽╰)╭特别提醒：生活在学校图书馆的书籍中，不能解决企业的实际问题。