常見數據分析模型解析：用戶分群

你知道如何做用戶分群嗎？根據歷史數據，我們可以分為普通用戶分群與預測分群。

用戶分群數據分析方法是進行用戶畫像的關鍵數據分析模型，這是企業進行數據分析、精細化運營的第一步。用戶分群即用戶信息標簽化，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，并進行后續分析。

漏斗分析關注階段差異，用戶分群關注群體差異

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出的行為是不同的，譬如新用戶的關注點在哪里？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品人員希望可以根據歷史數據將用戶進行劃分，將具有一定規律特性的用戶群體進行歸類，進而再次觀察該群體的具體行為。這就是用戶分群的原理。

普通用戶分群與預測分群

嚴格說來，用戶分群分為普通分群和預測分群。普通分群是依據用戶的屬性特征和行為特征將用戶群體進行分類；預測分群是根據用戶以往的行為屬性特征，運用機器學習算法來預測他們將來會發生某些事件的概率，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

以直播產品行業為例。高黏性與高頻消費用戶的行為觀察是產品經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、等級 10 級以上、有“留言”和“點贊”行為，并且付費禮物送出次數超過 10 次的用戶，視其為高黏性且高頻消費用戶，對其進行分群定義后展開數據分析。

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，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。

預測用戶分群——通過機器學習算法預測事件概率

互聯網金融產品常常會用到預測用戶分群的功能?；ヂ摼W金融客戶按照風險投資偏好這一屬性分為保守、穩健和激進，按照投資行為可分為已投資和未投資。

運營人員可以根據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化產品促進用戶投資，或者根據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價值與真實場景

用戶分群正廣泛應用于各行業領域的數據分析過程中。為各行業帶來以下價值：

第一，幫助企業打破數據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行持續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。

幫助企業了解某個指標數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？這為后續的用戶群體針對性分析。第二，定位營銷目標群體，幫助企業實現精準、高效營銷

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

場景一：互金行業喚醒“沉睡”用戶的精準推送與效果評估

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

對完成信息推送后，運營人員可進行多維度分析，了解推送后效果。如該互聯網金融客戶完成精準推送后，用戶可在投資流程轉化漏斗中再次查看用戶轉化情況，評估推送或者產品優化效果。

場景二：企業級服務（To B）“召回”流失客戶的精準推送和效果評估

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

圖 某To B企業8周內用戶流失情況

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

在大數據時代，為適應不斷變化的外部市場環境，提升客戶黏性，企業不斷加速數字化營銷轉型。其中，提升營銷效率、提高營銷精準度是企業首要戰略目標。以上三個場景都將“以客戶為中心”理念真正貫穿精準營銷的全流程，重構企業核心競爭力。