用戶分群是企業(yè)精細(xì)化，數(shù)據(jù)化運營的第一步。

用戶分群數(shù)據(jù)分析方法是進(jìn)行用戶畫像的關(guān)鍵數(shù)據(jù)分析模型，這是企業(yè)進(jìn)行數(shù)據(jù)分析、精細(xì)化運營的第一步。用戶分群即用戶信息標(biāo)簽化，通過用戶的歷史行為路徑、行為特征、偏好等屬性，將具有相同屬性的用戶劃分為一個群體，并進(jìn)行后續(xù)分析。

漏斗分析關(guān)注階段差異，用戶分群關(guān)注群體差異

前面的文章我們講了漏斗分析模型。通過漏斗分析模型，運營人員可以看到，用戶在不同階段所表現(xiàn)出的行為是不同的，譬如新用戶的關(guān)注點在哪里？已購用戶什么情況下會再次付費？然而，由于群體特征不同，行為會有很大差別，因此運營人員或者產(chǎn)品人員希望可以根據(jù)歷史數(shù)據(jù)將用戶進(jìn)行劃分，將具有一定規(guī)律特性的用戶群體進(jìn)行歸類，進(jìn)而再次觀察該群體的具體行為。這就是用戶分群的原理。

普通用戶分群與預(yù)測分群

嚴(yán)格說來，用戶分群分為普通分群和預(yù)測分群。普通分群是依據(jù)用戶的屬性特征和行為特征將用戶群體進(jìn)行分類；預(yù)測分群是根據(jù)用戶以往的行為屬性特征，運用機(jī)器學(xué)習(xí)算法來預(yù)測他們將來會發(fā)生某些事件的概率，分別從兩個場景介紹下這兩種用戶分群方式。

普通用戶分群——分析用戶屬性與行為特征

以直播產(chǎn)品行業(yè)為例。高黏性與高頻消費用戶的行為觀察是產(chǎn)品經(jīng)理和運營人員工作重點。

例如某運營人員可以篩選出過去30 天內(nèi)、等級 10 級以上、有“留言”和“點贊”行為，并且付費禮物送出次數(shù)超過 10 次的用戶，視其為高黏性且高頻消費用戶，對其進(jìn)行分群定義后展開數(shù)據(jù)分析。

通過高黏性與高頻消費用戶近期的行為觀察不同用戶群體近期的行為表現(xiàn)，從而可以看出該用戶群體的人均觀看時長與其他用戶存一些差別，如高頻花費用戶與非高頻花費用戶觀看時長人均值對比。

預(yù)測用戶分群——通過機(jī)器學(xué)習(xí)算法預(yù)測事件概率

互聯(lián)網(wǎng)金融產(chǎn)品常常會用到預(yù)測用戶分群的功能?；ヂ?lián)網(wǎng)金融客戶按照風(fēng)險投資偏好這一屬性分為保守、穩(wěn)健和激進(jìn)，按照投資行為可分為已投資和未投資。

運營人員可以根據(jù)這一屬性和行為將滿足某種條件的用戶群體提取出來，譬如激進(jìn)型但未投資的這群用戶，然后分析這一群體的行為特征從而優(yōu)化產(chǎn)品促進(jìn)用戶投資，或者根據(jù)其瀏覽的項目頁面推薦用戶可能會感興趣的項目。

用戶分群分析模型行業(yè)價值與真實場景

用戶分群正廣泛應(yīng)用于各行業(yè)領(lǐng)域的數(shù)據(jù)分析過程中。為各行業(yè)帶來以下價值：

第一，幫助企業(yè)打破數(shù)據(jù)孤島并真實了解用戶

用戶畫像是用戶分群的前提，對特定屬性的用戶群體進(jìn)行持續(xù)深入的用戶行為的洞察后，該用戶群體的畫像變得逐漸清晰。

幫助企業(yè)了解某個指標(biāo)數(shù)字背后的用戶群體具備哪些特征：

• 他們是誰？
• 行為特點有哪些？
• 偏好是什么？
• 潛在需求和行為喜好是什么？
• 這為后續(xù)的用戶群體針對性分析。

第二，定位營銷目標(biāo)群體，幫助企業(yè)實現(xiàn)精準(zhǔn)、高效營銷

清晰勾勒某特定群體在特定研究范圍內(nèi)的行為全貌，并定義目標(biāo)人群，是運營人員信息推送的前提。運營人員根據(jù)需求對特定目標(biāo)人群完成精準(zhǔn)信息推送工作，如召回流失用戶、刺激用戶復(fù)購等等。當(dāng)完成特定人群的精準(zhǔn)信息推送工作，可再分析以實時全方位查看營銷效果。幫助企業(yè)與用戶實現(xiàn)精準(zhǔn)高效的信息互通。

場景一：互金行業(yè)喚醒“沉睡”用戶的精準(zhǔn)推送與效果評估

某互聯(lián)網(wǎng)金融客戶為“喚醒” 2017 年 1 月注冊且瀏覽過征信頁面（通過分析發(fā)現(xiàn)，用戶瀏覽征信頁面后，后期的留存率較高），但未進(jìn)行投資的用戶，并向該群體推送“將于 1 月 20 日起發(fā)行賀歲版理財，預(yù)期年化收益率高達(dá) 9.50 %”的信息。為鎖定目標(biāo)人群，產(chǎn)品人員可以通過用戶分群篩選營銷目標(biāo)群體。

對完成信息推送后，運營人員可進(jìn)行多維度分析，了解推送后效果。如該互聯(lián)網(wǎng)金融客戶完成精準(zhǔn)推送后，用戶可在投資流程轉(zhuǎn)化漏斗中再次查看用戶轉(zhuǎn)化情況，評估推送或者產(chǎn)品優(yōu)化效果。

場景二：企業(yè)級服務(wù)（To B）“召回”流失客戶的精準(zhǔn)推送和效果評估

某To B企業(yè)客戶，以投資到期之后再次投資作為留存的標(biāo)準(zhǔn)，近 8 周用戶流失情況如下。在完成篩選工作后，企業(yè)運營人員可在用戶明細(xì)頁面上，直接將該用戶群體進(jìn)行定義，在此基礎(chǔ)上完成精細(xì)化推送工作。

?某To B企業(yè)8周內(nèi)用戶流失情況（圖片來源：神策數(shù)據(jù)產(chǎn)品）

在該頁面上，企業(yè)運營人員可以點擊留存數(shù)值，即查看流失人群的詳細(xì)信息，并可以直接創(chuàng)建用戶分群命顯示名為“流失用戶”，并推送信息，以刺激其申請產(chǎn)品使用。

在大數(shù)據(jù)時代，為適應(yīng)不斷變化的外部市場環(huán)境，提升客戶黏性，企業(yè)不斷加速數(shù)字化營銷轉(zhuǎn)型。其中，提升營銷效率、提高營銷精準(zhǔn)度是企業(yè)首要戰(zhàn)略目標(biāo)。以上三個場景都將“以客戶為中心”理念真正貫穿精準(zhǔn)營銷的全流程，重構(gòu)企業(yè)核心競爭力。

相關(guān)閱讀

常見用戶行為分析模型解析（1）——行為事件分析

常見用戶行為分析模型解析（2）——用戶留存分析

常見用戶行為分析模型解析（3）——漏斗分析

常見用戶行為分析模型解析（4）——用戶行為路徑分析

作者：張喬，神策數(shù)據(jù)內(nèi)容營銷負(fù)責(zé)人。公眾號：神策數(shù)據(jù)

本文由@張喬-神策 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。