成都拓展團建活動策劃
多屏互動、終端入口全覆蓋打造全渠道建站需求
滿足不同用戶的使用習慣，觸達客戶
我們說過，用戶分層是一種特殊的用戶細分形式：按價值高低細分。那普遍的用戶細分該怎么做呢？為什么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、用戶細分的直觀感受
做用戶細分本身很簡單，比如我們上一節講的用戶分層，其實就是用一個分類維度，按高中低進行的簡單用戶細分，比如：
做用戶細分簡單，但做有效的用戶細分就難了。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戶，我們知道了高級客戶很有錢，可到底該怎么服務他們？什么時間、什么場景、做什么活動？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新品）
C：頻繁采購（日常活躍高，運營最喜歡）
（2）用戶消費習慣不同，會直接影響運營手段
A：集中采購：集中一次大活動引爆！
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，可以參考整個用戶結構中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群體占60%，但我們希望未來C群體能占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類用戶需求的活動、產品、優惠。總之，更細致的了解用戶特征，就能助力運營工作。
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：該怎么找。這是做用戶細分的關鍵。
二、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。用戶細分可以有無窮無盡的分法，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大海撈針。
很多新手最容易忽略這一點，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，聚完了以后不知所措，到處問：“有沒有用戶分類的科學、權威、誰挑戰就拖出去重打50大板的標準？”最后還被運營批判為：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、任務里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戶群體。那最后就看，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，我們可以看從什么維度切分用戶，能讓用戶群體間差異更明顯。這里又是一個大坑，因為看起來似乎可選維度非常非常多。很多同學陷入迷茫，到底我該怎么選。或者好不容易選出來，運營問：為什么這么分？他答：這么分差異大！然后被批判為：不懂業務，瞎胡亂做，好郁悶……
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，很多公司沒有嚴格采集流程，數據空缺多，真實性難保證，就不要用這些。盡量用消費、活躍、注冊來源這些可靠的數據。
（2）選運營可影響的維度
比如設備型號，可能開發很關心，但運營知道了也干不了啥事，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，那用戶對優惠券領取率、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，數據分布很集中，這時候就不優先選用，優先選擇那些自身分布差異大一些的指標。
以上，基于這三個標準，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征很像。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么多。而做給運營的用戶細分，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。
這里又有三個很糾結的問題：
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。所以做用戶細分時，習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，意味著分類維度和每個維度的切分都不可能太多，盡量選關鍵維度，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，就不能隨意合并（如下圖所示）
總之分類的過程需要反復嘗試很多步，直到最后輸出理想結果為止。
三、特別說明：用戶細分和推薦算法的區別
很多網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，很多人會說：我們做用戶細分是為了了解用戶需求，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。比如我們想壯大高端用戶群體，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端用戶。只要我了解了他們的喜好、行為習慣，就能做的很精準。但是，全新設計的前提是該用戶有一定體量，值得我這么干。
所以，做細分時就不能考慮非常多維度，切得特別細，搞得很促銷復雜無比。我要昭告天下，讓大家都知道我們在干這件事，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，只要能提高一點用戶響應率就行。所以推薦的都是現有的，存量的產品，盡量實現用戶和產品的匹配。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：用戶細分的真正難點
看完整個過程，大家會發現用戶細分，是個原理簡單，操作復雜的東西。操作復雜，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：
他們的回答當然是：通通不知道。
然后還倔強的反問：你管這干啥！！！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。
作者：接地氣的陳老師
來源：接地氣學堂
136 0806 8886【加微信請注明來意】
四川省成都市高新區天府三街1599號(天府三街與南華路交匯處)
