客户群体分哪5类，客户群体分哪5类？

我们说过，用户分层是用户细分的一种特殊形式：按价值细分。一般的用户细分呢？为什么很多同学做完细分后被批评为“没用”？今天系统回答一下。

1

用户细分的直观感受

用户细分本身就很简单。比如我们上一节讲的用户分层，其实就是一个简单的基于高、中、低的用户细分，有一个分类维度，比如：

按用户在过去1年中的消费细分：高级(1w)、中级(5K-1w)和低级(1-5K)

按用户的活跃行为细分：活跃(在过去30天内登录超过15天)不活跃(登录15天)

更简单，按基本属性分解：男/女，老/中/年轻。

用户细分很简单，但有效的用户细分很难。所谓有效，就是能对运营、产品、营销、销售有帮助。

比如我们区分高中低级别客户。我们知道高层次的客户很有钱，但是应该怎么服务他们呢？什么时间，什么场景，做什么活动？还不清楚。所以，仅仅靠一个维度分层是不够的。我们需要更多的分类维度，更细致的划分。

看一个小例子：

让我们看看如何分析这个例子：

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。

可实际上ABC三类代表了三种不同的消费习惯：

a、集中采购(可能是双十一最便宜的一种)

b、季节性采购(很有可能每个季度都跟风新品)

c、频繁采购(日活高，运营中最爱)

用户消费习惯不同，会直接影响运营手段：

A.集中采购：集中一个大事件引爆！

b、季节性采购：每个季度的新品推广。

C.频繁购买：打卡积分周活动

用哪个，可以参考ABC三大类在整个用户结构中的占比，选择一个主战术。效果如下：

注意，现有的，不代表就是合理的。领导人也有可能说：虽然目前A组占60%，但我们希望将来C组占60%，改变现状。这样在选择战术的时候，我们就不得不更多的考虑C类人群的特点，找到更符合C类用户需求的活动、产品、优惠，总之对用户特点更细致的了解，对运营有帮助。

这就是用户细分的直观作用：通过细分，为运营提供更详细的数据指导。当然，为了教学方便，这个例子的数据是极端的。在实践中，只要能找到区分度高的分类维度，就会有类似的效果。核心问题是：怎么找。这是用户细分的关键。

2

用户细分的操作步骤

第一步：定义什么是“有效”

这一步非常非常重要。用户细分可以分为无尽的方式。如果你没有提前定义什么是“有效”的细分，你会陷入无数的细节中，大海捞针。

很多新手最容易忽略这一点。当他们提到用户细分时，他们急于将一堆用户特征变量塞进聚类模型。聚集之后，他们不知所措，到处问“有没有科学权威的用户分类，有没有谁挑战他们就出去重打前50板的标准？”

最后被运营批评为：你在干嘛？这就是我们脱离商业实践，只专注于加减乘除的原因。

当然，有效的分类标准是基于操作的需要。我们可以从运营目标、KPI、任务中拆解出相应的数据指标。比如运营的任务就是增加收益。按照下面的步骤，我们把业务问题变成分析问题。

有了分类标准，就可以检查细分是否有效。比如目标是找到累计消费高的用户群体。最后，还要看我们发现的子群体的消费差异是否足够高，是否真正锁定了高消费群体。具体效果如下图所示：

第二步：从运营手段上找分类维度

找到了分类标准，就可以看从什么维度来划分用户，可以让用户群之间的差异更加明显。这里又是一个大洞，因为看起来可选维度很多。

很多同学都很迷茫。我该如何选择？还是最后选中的，运营问：为什么这么分？他：差别真大！然后被批评为：不懂业务，瞎做。好郁闷.

实际上

，分类维度筛选有一定标准，完全不用到处乱跑：

选数据来源可靠的维度

比如性别，年龄这些基础维度，很多公司没有严格采集流程，数据空缺多，真实性难保证，就不要用这些。尽量用消费、活跃、注册来源这些可靠的数据。

选运营可影响的维度

比如设备型号，可能开发很关心，但运营知道了也干不了啥事，这时候就不要选；有些指标运营特别关注，比如运营想发优惠券，那用户对优惠券领取率、使用率就是特别好的指标。

选自身分层差异明显的指标

有些指标自身差异都不大，数据分布很集中，这时候就不优先选用，优先选择那些自身分布差异大一些的指标

以上，基于这三个标准，可以避免大海捞针瞎做实验，也能避免做出来被运营批判为：“这有啥用”。

有同学会觉得，这个过程和做风控模型时找特征很像。确实很像，但有区别。风控模型对应的业务动作只有“通过/拒绝”两类，所以完全不需要考虑那么多。

而做给运营的用户细分，运营落地时要考虑：活动主题、时间、产品、卖点、传播渠道……一大堆玩意，所以必须考虑哪些维度对运营有用。

▌第三步：尝试细分，观察结果

有了分类维度，我们可以尝试对分类标准做切分：

这里又有三个很纠结的问题：

● 到底每个分类维度分几段

● 到底要加多少分类维度

● 到底分多少类合适

先从结果来说：原则上，最终分类数量不宜太多，每个群体要在运营看来有可操作意义。

运营做活动要设计海报、备货、开发系统、准备投放资源，因此如果群体规模太小，是不适合单独做活动的。所以做用户细分时，习惯上限制群体最大为8类（每个群体都大于10%的份额）至于具体规模大小，可以根据项目目标，运营情况做设计。

在这个大原则下，意味着分类维度和每个维度的切分都不可能太多，尽量选关键维度，关键切分点。

如果维度太多可以考虑用降维算法来做压缩。在每个维度切分时，需注意以下问题：如果单维度分段，发现某些分段有特殊性，就不能随意合并（如下图所示）

总之分类的过程需要反复尝试很多步，直到最后输出理想结果为止。

3

特别说明：用户细分和推荐算法的区别

很多网上的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：我们做用户细分是为了了解用户需求，实现千人千面的效果，可在在业务上这是两个含义。

针对一个细分群体，运营可以做很多引领性、创新性动作。比如我们想壮大高端用户群体，那完全可以推出全新的产品系列、全新的奖励政策、全新的服务来吸收高端用户。只要我了解了他们的喜好、行为习惯，就能做得很精准。

但是，全新设计的前提是该用户有一定体量，值得我这么干。所以，做细分时就不能考虑非常多维度，切得特别细，搞得很促销复杂无比。我要昭告天下，让大家都知道我们在干这件事，才能形成从众效应，获得更大效果。

推荐系统则不受此限制，推荐系统完全封闭了信息渠道，每个人看的都不一样，只要能提高一点用户响应率就行。所以推荐的都是现有的，存量的产品，尽量实现用户和产品的匹配。

推荐系统可不能产生新创意和新效果，也设计不出新产品。所以完全不用纠结：我拆分的到底细不细，只要能达成业务目标就行。

4

小结：用户细分的真正难点

看完整个过程，大家会发现用户细分，是个原理简单，操作复杂的东西。操作复杂，完全不是建模过程，而是对目标的把握，对维度筛选，对切分大小的把握，都得考虑业务上需求。

虽然数据、统计学给我们提供了很多工具（分类工具、降维工具）可真正用到实处还是得考虑具体业务场景。我们从来都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人员。

很多新人上路不明白这点，你问他：

● 用户细分服务什么目标？

● 运营口中的“核心用户”指的是消费高？活跃多？有转介绍行为？

● 知道了“男/女”运营又能做什么事情？

● 运营有几种手段能达成目标？

● 如果只有200元消费差距，运营有多少空间做事？

他们的回答当然是：统统不知道。