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:
●按过去1年的用户消费细分: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)
●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。
实际上，ABC三大类别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)
用户不同的消费习惯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+每周活动。
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，什么是可用的，不代表它就是合理的。也有可能领导说:虽然我们目前占A组的60%，但是我们希望以后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”[S2/]
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:从经营手段中寻找分类维度
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...
其实维度排序是有一定标准的，没必要东奔西跑:
选择数据源可靠的维度
比如性别、年龄等基本维度，很多公司没有严格的采集流程，数据空缺乏，真实性难以保证，所以不要用这些。尽量使用消费、活动、注册来源等可靠数据。
选择可受操作影响的维度
比如设备型号可能是开发很关心的，但是运营知道了就什么都做不了，这个时候就不要选了；有些指标特别注重运营，比如运营要发优惠券，用户的优惠券领取率和使用率就是特别好的指标。
选择分层差异明显的指标
有些指标本身差别不大，数据分布非常集中。此时不首选，首选那些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，避免被运营批评为“这有什么用”。
有些同学会觉得这个过程和做风控模型的时候找特征很像。真的很像，但是有区别。风控模型对应的业务动作只有两种:“通过/拒绝”，不需要考虑那么多。
对于运营的用户细分，要考虑:活动主题、时间、产品、卖点、传播渠道……很多东西，所以一定要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，我们可以尝试细分分类标准:
这里有三个更纠结的问题:
●每个分类维度分为多少段？
●应该增加多少分类维度？
●多少品类合适？
先说结果:原则上最终分类的数量不能太多，每组都要有操作意义。
运营活动需要设计海报，备货，开发系统，准备资源，所以如果群体规模太小，不适合单独做活动。所以在做用户细分的时候，习惯上限定最多8个组别(每个组别份额超过10%)。至于具体规模，你可以根据项目目标和运营情况来设计。
在这个大的原则下，就是分类维度和每个维度的分割不能太多。尽量选择关键维度和关键分割点。
如果维度过多，可以考虑降维算法进行压缩。在对每个维度进行分段时，要注意以下几个问题:如果是对单个维度进行分段，发现有些段比较特殊，不能随意合并(如下图)。
简而言之，分类的过程需要反复尝试很多步骤，直到最终输出理想的结果。
3
特别说明:用户细分和推荐算法的区别
很多网络文章把用户细分和千人千面的个性化推荐混为一谈。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，达到千人千面的效果，但在商业上，这有两层意思。
运营可以为一个细分市场做很多引领和创新的动作。比如要扩大高端用户群体，可以推出全新的产品系列、全新的奖励政策、全新的服务来吸引高端用户。只要知道他们的喜好和行为习惯，我就能做到准确无误。
但是，新设计的前提是用户有一定的尺寸，这是值得我去做的。所以你做细分的时候，不能考虑非常多维度，切得非常细，把推广做得非常复杂。我想告诉全世界，让大家知道我们在做这件事，这样才能形成从众效应，取得更大的成绩。
推荐系统不受此限制。推荐系统完全封闭了信息通道，每个人看的都不一样，只要能提高用户回复率就行。所以推荐的产品都是已有和现有的产品，尽量做到用户和产品的匹配。
推荐系统不能产生新的想法和新的效果，也不能设计出新的产品。所以完全不用担心:不管我分不分，只要我能实现我的商业目标。
4
总结:用户细分的真正难点
纵观整个过程，你会发现用户细分是一个原理简单，操作复杂的事情。复杂的操作根本不是一个建模的过程，而是对目标的把握，维度的选择，细分尺寸的把握，这些都得考虑业务需求。
虽然数据和统计为我们提供了很多工具(分类工具、降维工具)，但还是要考虑具体的业务场景。我们从来不缺会背课本的学生，我们缺会考虑实际情况的分析师。
路上很多新人不懂这个，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？主动？有推荐行为？
●知道“男/女”操作可以做什么？
●运营有多少种手段可以达到目的？
●如果只有200元的消费缺口，运营中会做多少空的事情？
他们的回答当然是:我什么都不知道。
