我们说过，用户分层是一种特殊的用户细分形式：按价值高低细分。那普遍的用户细分该怎么做呢？为什么很多同学做完了细分，却别批判为：“没啥用处”呢？今天系统解答一下。
一、用户细分的直观感受
做用户细分本身很简单，比如我们上一节讲的用户分层，其实就是用一个分类维度，按高中低进行的简单用户细分，比如：
- 按用户过往1年内消费细分：高级（1w+）中级（5K-1w）低级（1-5K）
- 按用户活跃行为细分：活跃（过往30天内15天以上登录）不活跃（登录≤15天）
- 甚至更简单的，按基础属性细分：男性/女性，老年/中年/青年
做用户细分简单，但做有效的用户细分就难了。所谓有效，就是能对运营、产品、营销、销售工作有帮助。
比如我们区分了高中低级客户，我们知道了高级客户很有钱，可到底该怎么服务他们？什么时间、什么场景、做什么活动？依然不清楚。因此，单靠一个维度进行分层是不够的，我们需要更多分类维度，做更细致划分。
看一个小例子：
来看看这个例子可以怎么分析：
先看看消费习惯。从对公司贡献的收入上看，ABC三类是同一档次的。
消费习惯不同可实际上ABC三类代表了三种不同的消费习惯：
A、集中采购（很有可能是在双十一买最便宜的）
B、换季采购（很有可能每季度跟风新品）
C、频繁采购（日常活跃高，运营最喜欢）
用户消费习惯不同，会直接影响运营手段：
A、集中采购：集中一次大活动引爆！
B、换季采购：每季新品促销
C、频繁采购：打卡+积分+周活动
具体用哪一种，可以参考整个用户结构中ABC三类的比例，选一个主战术，效果如下：
注意，现有的，不代表就是合理的。也有可能领导表示：虽然我们当前是A群体占60%，但我们希望未来C群体能占60%，要改变现状。这样在选择战术的时候，就得更多考虑C群体特点，找更符合C类用户需求的活动、产品、优惠。总之，更细致地了解用户特征，就能助力运营工作。
这就是用户细分的直观作用：通过细分，为运营提供更精细的数据指导。当然，为了教学方便，这个例子的数据很极端。在实际操作中，只要能找到区分度够高的分类维度，都会有类似的效果。核心问题是：该怎么找。这是做用户细分的关键。
二、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。用户细分可以有无穷无尽的分法，如果不事先定义清楚什么是“有效”细分，就会陷入茫茫多的细节大海捞针。
很多新手最容易忽略这一点，提起用户细分，就急匆匆把一堆用户特征变量塞进聚类模型，聚完了以后不知所措，到处问：“有没有用户分类的科学、权威、谁挑战就拖出去重打50大板的标准？”
最后还被运营批判为：做的是啥玩意！这就是脱离了业务实际，只埋头加减乘除的缘故。
有效的分类标准，当然是根据运营的需要来的。我们可以从运营的目标、KPI、任务里拆解出对应的数据指标。比如运营的任务是：提升收入。我们按以下步骤，把业务问题转化为分析问题。
有了分类标准，就能检查细分是否有效。比如目标是：找到累积消费高的用户群体。那最后就看，我们找到的细分群体，消费差异是不是足够高，是不是真的锁定了高消费群体。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，我们可以看从什么维度切分用户，能让用户群体间差异更明显。这里又是一个大坑，因为看起来似乎可选维度非常非常多。
很多同学陷入迷茫，到底我该怎么选。或者好不容易选出来，运营问：为什么这么分？他答：这么分差异大！然后被批判为：不懂业务，瞎胡乱做。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：
如何选择分类维度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：
- 到底每个分类维度且几段
- 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。
三、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，就能做的很精准。
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。
四、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：
他们的回答当然是：统统不知道。
然后还倔强的反问：你管这干啥！！！我就想知道，就没有一个电商行业做Kmean聚类权威标准的分类数量吗！！！到底是5还是8！！！
╮(╯▽╰)╭
特别提醒：
活在学校图书馆的书本里，是无法解决企业实际问题的。
#专栏作家#
接地气的陈老师，微信公众号：接地气学堂。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。
