【摘要】常见数据分析模型解析：用户分群 你知道如何做用户分群吗？根据历史数据，我们可以分为普通用户分群与预测分群。用户分群数据分析方法是进

常见数据分析模型解析：用户分群

你知道如何做用户分群吗？根据历史数据，我们可以分为普通用户分群与预测分群。

用户分群数据分析方法是进行用户画像的关键数据分析模型，这是企业进行数据分析、精细化运营的第一步。用户分群即用户信息标签化，通过用户的历史行为路径、行为特征、偏好等属性，将具有相同属性的用户划分为一个群体，并进行后续分析。

漏斗分析关注阶段差异，用户分群关注群体差异

前面的文章我们讲了漏斗分析模型。通过漏斗分析模型，运营人员可以看到，用户在不同阶段所表现出的行为是不同的，譬如新用户的关注点在哪里？已购用户什么情况下会再次付费？然而，由于群体特征不同，行为会有很大差别，因此运营人员或者产品人员希望可以根据历史数据将用户进行划分，将具有一定规律特性的用户群体进行归类，进而再次观察该群体的具体行为。这就是用户分群的原理。

普通用户分群与预测分群

严格说来，用户分群分为普通分群和预测分群。普通分群是依据用户的属性特征和行为特征将用户群体进行分类；预测分群是根据用户以往的行为属性特征，运用机器学习算法来预测他们将来会发生某些事件的概率，分别从两个场景介绍下这两种用户分群方式。

普通用户分群——分析用户属性与行为特征

以直播产品行业为例。高黏性与高频消费用户的行为观察是产品经理和运营人员工作重点。

例如某运营人员可以筛选出过去30 天内、等级 10 级以上、有“留言”和“点赞”行为，并且付费礼物送出次数超过 10 次的用户，视其为高黏性且高频消费用户，对其进行分群定义后展开数据分析。

通过高黏性与高频消费用户近期的行为观察不同用户群体近期的行为表现，从而可以看出该用户群体的人均观看时长与其他用户存一些差别，如高频花费用户与非高频花费用户观看时长人均值对比。

预测用户分群——通过机器学习算法预测事件概率

互联网金融产品常常会用到预测用户分群的功能。互联网金融客户按照风险投资偏好这一属性分为保守、稳健和激进，按照投资行为可分为已投资和未投资。

运营人员可以根据这一属性和行为将满足某种条件的用户群体提取出来，譬如激进型但未投资的这群用户，然后分析这一群体的行为特征从而优化产品促进用户投资，或者根据其浏览的项目页面推荐用户可能会感兴趣的项目。

用户分群分析模型行业价值与真实场景

用户分群正广泛应用于各行业领域的数据分析过程中。为各行业带来以下价值：

第一，帮助企业打破数据孤岛并真实了解用户

用户画像是用户分群的前提，对特定属性的用户群体进行持续深入的用户行为的洞察后，该用户群体的画像变得逐渐清晰。

帮助企业了解某个指标数字背后的用户群体具备哪些特征：

他们是谁？行为特点有哪些？偏好是什么？潜在需求和行为喜好是什么？这为后续的用户群体针对性分析。第二，定位营销目标群体，帮助企业实现精准、高效营销

清晰勾勒某特定群体在特定研究范围内的行为全貌，并定义目标人群，是运营人员信息推送的前提。运营人员根据需求对特定目标人群完成精准信息推送工作，如召回流失用户、刺激用户复购等等。当完成特定人群的精准信息推送工作，可再分析以实时全方位查看营销效果。帮助企业与用户实现精准高效的信息互通。

场景一：互金行业唤醒“沉睡”用户的精准推送与效果评估

某互联网金融客户为“唤醒” 2017 年 1 月注册且浏览过征信页面（通过分析发现，用户浏览征信页面后，后期的留存率较高），但未进行投资的用户，并向该群体推送“将于 1 月 20 日起发行贺岁版理财，预期年化收益率高达 9.50 %”的信息。为锁定目标人群，产品人员可以通过用户分群筛选营销目标群体。

对完成信息推送后，运营人员可进行多维度分析，了解推送后效果。如该互联网金融客户完成精准推送后，用户可在投资流程转化漏斗中再次查看用户转化情况，评估推送或者产品优化效果。

场景二：企业级服务（To B）“召回”流失客户的精准推送和效果评估

某To B企业客户，以投资到期之后再次投资作为留存的标准，近 8 周用户流失情况如下。在完成筛选工作后，企业运营人员可在用户明细页面上，直接将该用户群体进行定义，在此基础上完成精细化推送工作。

图 某To B企业8周内用户流失情况

在该页面上，企业运营人员可以点击留存数值，即查看流失人群的详细信息，并可以直接创建用户分群命显示名为“流失用户”，并推送信息，以刺激其申请产品使用。

在大数据时代，为适应不断变化的外部市场环境，提升客户黏性，企业不断加速数字化营销转型。其中，提升营销效率、提高营销精准度是企业首要战略目标。以上三个场景都将“以客户为中心”理念真正贯穿精准营销的全流程，重构企业核心竞争力。