• 卢经理 151 5399 4549
    扫一扫,加我咨询
扫码关注我们
这才是有效的用户细分,而不是只分高中低
发布时间:2024-07-31

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,却被批判为:“没啥用处”呢?今天系统解答一下。

1.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:

图片图片

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:

图片

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。

2.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。

图片图片

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:

图片图片

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:

图片图片

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)

图片图片

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。

3.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。

 4.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:

  • 用户细分服务什么目标?
  • 运营口中的“核心用户”指的是消费高?活跃多?有转介绍行为?
  • 知道了“男/女”运营又能做什么事情?
  • 运营有几种手段能达成目标?
  •  如果只有200元消费差距,运营有多少空间做事?

他们的回答当然是:通通不知道。

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。