干貨 ：用戶細分的流程與方法

通常，用戶細分既不是分析的不是起點也不是分析的終點，而是伴隨某個特定的分析而存在。精準化營銷，需要用戶細分，譬如你擁有同城的數十萬消費者的資料數據庫，隨時為有需要的同城商家提供短信精確營銷或其他網絡營銷服務；通過用戶細分，或許你能發現新的目標市場和需求，淘米網階段性的成功，不就是細分的典型嗎？更多更充分的挖掘用戶價值，你需要做用戶細分。

用戶細分分析流程

細分前的準備

為什么要細分用戶？細分與不細分的差別大不大？細分之后能給我帶來什么好處？細分之后的目標用戶是什么？……多問幾個為什么，自己了解的或不了解的，集思廣益，會更靠譜一些。例如，某公司要做服飾新品推廣，鑒于以往每次給會員群發短訊效果不理想，于是決定抽取部分會員數據細分，嘗試精準營銷，以達到降低成本、提高轉化率的目的，那么這里的大致細分目的就是降低營銷成本，提高相關轉化率。

細分指標的確定

用戶細分的指標有很多，譬如年齡、性別、職業、教育程度等人口屬性指標；年費用戶、包月用戶等時間指標；華東地區用戶、西部地區用戶、華南地區用戶等地理指標；除此之外還有其他很多很多細分的指標，細分指標的確定由細分目的和目標用戶等相關因素決定。繼續上面的引例，根據細分目的，該公司確定地理、人口、行為（以往購買物、活躍周期等）等為細分指標。

用戶信息采集

常見的用戶信息包括公司日常運營所積累的用戶，通過企業相關調研活動所采集的用戶信息以及第3方數據，當然還有很多的公司可能通過各種渠道去購買相關用戶信息。

制定細分標準

細分標準并沒有一個定型，這里本人暫且將其歸類為事前定義和事后定義兩種。這里事前細分是指譬如時間、人口屬性等細分明確或是根據以往成熟經驗模型（案例）可以明確細分的標準準則，而事后細分則是指用戶類型起初并沒有具體的特征形態，根據多個數據特征變量利用聚類等統計分析方法而定義的細分標準。例如常見的RFM模型客戶分類就是事前細分標準的一種。

細分用戶描述

用戶細分完成后，自然給其一個代表其特征的名字，并對其判別因素及具體特征進行詳細的說明。例如，許多淘寶賣家都將其用戶根據四象限的方法，用成交量、PV、UV等因素分為產品混亂型客戶、優質客戶、單品為王的客戶和問題客戶。

常用的細分分析方法

前面的細分流程中提到事前細分和時候細分兩種情形，根據細分目的和目標用戶的不同，這里將事前分析方法暫定為影響因素法，而事后細分分析方法則暫定為統計歸納法。

影響因素法

影響因素可能是單個或多個，單個影響因素的細分這里不作說明，主要談談常用的多個影響因素的細分方法。

1）  逐步細分法

逐步細分是指根據分析的要求由粗到細、由淺入深，逐步進行細分的過程。例如：對某女裝電商用戶逐步細分，可以先根據用戶地區細分，然后根據性別細分，最后根據用戶行為細分。

2）綜合交叉法

通常我們使用的四象限分析法，采用RFM模型或是其他類似的方法都可以歸為此類方法。通常各種方法都是組合使用，單純的使用某種細分方法的情況很少。

統計歸納法

我們知道，基本上所有的統計分析方法都有一些條件限制，所以通常一個細分不可能用一個方法就能搞定，往往需要多種方法的結合使用。比如

聚類分析                       

因子分析

判別分析

多元回歸分析

多元Logistic回歸

神經網絡分析

決策樹分析（CHAID分析、C 5.0分析）等種方法.