編輯導(dǎo)語：如今隨著互聯(lián)網(wǎng)的不斷發(fā)展以及科技的進步，用戶在如今的環(huán)境下已經(jīng)貼上了標簽，進行了用戶分類，通過不同需求等方面進行分類，實現(xiàn)精細化運營；本文作者分享了關(guān)于用戶細分的模型以及維度，我們一起來看一下。

分類是人類大腦的識別模式，分類是化繁為簡的方法之一。

——張小龍

隨著商品經(jīng)濟的發(fā)展，社會分工越來越細，產(chǎn)品的生產(chǎn)制造也從統(tǒng)一化供給逐漸發(fā)展到個性化供給。

互聯(lián)網(wǎng)產(chǎn)品更是千人千面，將用戶分為多種類型分別服務(wù)，可謂是因地制宜、因勢利導(dǎo)、因材施教、量體裁衣。

但在用戶細分、精細化運營中也會遇到一些常規(guī)問題：

• 不進行“量體裁衣”，沒有差異化，拉新難
• “量體裁衣”不合理，需求難滿足，留存難

那么，我們該怎么進行合理的用戶細分呢？

兩千年前，書是竹簡做的，能讀到書的已是王公貴族，識字的人極少，佛教如何把佛法傳到家家戶戶呢?

不同地域、部落、貧富、文化的群體，精神需求和接受程度不同，所以需要采用不同的方式；中國境內(nèi)佛教就演化了八大宗派分支，各派傳教風(fēng)格迥異。每個宗派內(nèi)對不同心性的人也采用不同的方法：與上上根之人，思辨哲學(xué)，探索世間真理；與上根之人，清心寡欲，生活處處是修行；與中根之人，討論公案，引申明理；與下根之人，以天堂誘之地獄嚇之，引導(dǎo)行善。

企業(yè)之于用戶更是如此了。

用戶細分是企業(yè)為了實現(xiàn)用戶需求的異質(zhì)性、并集中有限資源進行有效市場競爭的行為；企業(yè)在明確的戰(zhàn)略業(yè)務(wù)模式和特定的市場中，根據(jù)用戶的屬性，行為等因素對用戶進行分類，并提供有針對性的產(chǎn)品、服務(wù)、銷售、運營模式，達到用戶價值和產(chǎn)品目標的最大化。

系統(tǒng)實施層面，是在抽象理論的指導(dǎo)下，用算法進行標簽化統(tǒng)計、分類，并以用戶畫像的形式表現(xiàn)，最后在策略上、界面上、運營方式上進行“量體裁衣”。

從哪些角度、維度進行用戶細分呢？

如何用算法進行標簽化統(tǒng)計與分類？

如何驗證用戶細分的合理性并調(diào)整？

一、用戶細分常見的6種模型與5類維度

首先，用戶是什么？

我們常常聽說這樣的對話：

• 你們公司的學(xué)生用戶有多少？500萬個。
• 用戶有三類：發(fā)視頻的、看視頻的、投廣告的。
• 在這個場景下，不同用戶的認知、需求不同呀！

仔細一想，口語對話中用戶的含義是模糊的：

• 第一句，用戶其實指的是車主的注冊ID數(shù)量。
• 第二句，用戶其實指的是產(chǎn)品中存在的角色。
• 第三句，用戶其實指的是某一類需求的集合。

很明顯，前兩句是口語上偷懶的、簡化的表達，第三句中所含的意義?“?用戶是需求的集合?” 更為確切。

清晰了對用戶的定義，接下來，我們看看互聯(lián)網(wǎng)公司常用的6種分類模型：

1. 梁寧·產(chǎn)品思維

根據(jù)商業(yè)模式中的主要角色及某角色下的用戶分類：

舉個例子：大眾點評上的新店霸王餐。大眾點評與新開的商家合作推出霸王餐，其大部分分配給用戶等級高、活躍度高、經(jīng)典評論多的頭羊，頭羊免費享用之后做出點評，吸引大明羊、小閑羊、笨笨羊來消費。

2. UCPM-產(chǎn)品管理知識體系

用戶在某個場景中，產(chǎn)生感受和需求，到尋找方案、挑選產(chǎn)品、購買產(chǎn)品、使用產(chǎn)品、最后進行售后的整個周期中，將用戶分為5類：

• 購買者：執(zhí)行購買行為并主要關(guān)心價格
• 使用者：使用產(chǎn)品并首先考慮產(chǎn)品的性能
• 影響者：為決定的產(chǎn)生提供指導(dǎo)的各類群體
• 信息管理者：控制信息流向并與其他人聯(lián)絡(luò)
• 決策者：正式批準購買決定并關(guān)心決定的內(nèi)部政策部分

舉個例子：

• 早幼教育產(chǎn)品：決策者、購買者、信息管理者、影響者是家長，使用者是學(xué)生；
• 小學(xué)教育產(chǎn)品：決策者、購買者是家長，使用者是學(xué)生，信息管理者、影響者是家長和學(xué)生一起；
• 企業(yè)服務(wù)產(chǎn)品：一個辦公軟件的購買要通過采購部的貨比三家、財務(wù)部的預(yù)算、使用員工的意見、專人的管理維護、高層的決策。

3. 用戶體驗要素

根據(jù)對產(chǎn)品的熟悉程度分為：

• 小白用戶：剛使用或不經(jīng)常使用，對產(chǎn)品不熟悉。
• 普通用戶：占用大多數(shù)，對產(chǎn)品使用情況良好。
• 專家用戶：對產(chǎn)品依賴程度高，能提出很多觀點意見，是產(chǎn)品的有力支持者。

如此分法以便于分析：

• 同一人群，在A/B/C場景下，分別遇到什么問題。
• 同一場景，a/b/c三個人群，分別遇到什么問題。

4. 商業(yè)模式新生代

根據(jù)用戶需求的范圍、用戶與用戶間的關(guān)系分為：

• 大眾市場：服務(wù)于一個龐大的、有著廣泛的相似需求的用戶群體，如淘寶、拼多多、抖音等。
• 小眾市場：服務(wù)于一個具體的、專門的、需求量身打造的用戶群體，如花瓣網(wǎng)服務(wù)于設(shè)計師。
• 求同存異的用戶群體：服務(wù)于有著相似卻不同需求的多個細分用戶群，如炒股APP服務(wù)于韭菜、獨立經(jīng)濟人、操盤手。
• 多元化的用戶群體：服務(wù)于不同需求的用戶群體；如同一個CRM產(chǎn)品，可以私有化部署，可以公有云部署，可以混合云部署。
• 多邊平臺（多邊市場）：服務(wù)于兩個或更多的相互獨立又依存的用戶群體；如o2o外賣，服務(wù)于點外賣的人、送外賣的人、商家、廣告買主。

5. 《交互設(shè)計精髓》

根據(jù)界面的設(shè)計目標分為：

• 主要人物：一個產(chǎn)品的一個界面只能有一個主要人物模型。
• 次要人物：存在一些額外的特定需求，可以在不削弱產(chǎn)品能力，以服務(wù)主要人物的前提下得以滿足。
• 補充人物：主要人物和次要人物結(jié)合在一起完全可以代表補充人物的需求，一個界面可以用任意多個補充人物相聯(lián)系。
• 客戶人物：是客戶而不是終端用戶的需求，一些客戶人物的界面可能會成為自己獨有的管理界面的主要人物。
• 接受服務(wù)人物：并非產(chǎn)品的用戶，卻直接受產(chǎn)品使用的影響。
• 負面人物：用于告知產(chǎn)品不會為某類具體的用戶服務(wù)，即不是產(chǎn)品的實際用戶。

舉個例子：

2B產(chǎn)品中，某類用戶在日常使用中真正高頻關(guān)心的數(shù)據(jù)、高頻使用的功能其實并不多；將這些重點的數(shù)據(jù)和功能放在系統(tǒng)首頁、模塊首頁、功能首頁，讓用戶僅使用少數(shù)幾個功能就完成大部分的日常工作，便是極致的用戶體驗。

6. RFM模型

RFM模型是衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段，廣泛應(yīng)用于眾多的CRM產(chǎn)品的用戶分析上，主要以三項指標——“最近一次消費距當(dāng)前的天數(shù)、累計消費次數(shù)、累計消費金額”來描述客戶的價值狀況，可分為8類：

這6種模型適用于PM的不同的工作場景，是已經(jīng)成型的、常規(guī)的、粗略的分類模型，但對面市場上的產(chǎn)品越來越垂直化的趨勢，公用的細分模型使用效果有所折扣。

所以，越來越多的產(chǎn)品也逐漸從更多細致的維度分類，筆者閱覽行業(yè)多數(shù)文章，結(jié)合工作實踐，整理總結(jié)，可歸納為五個維度：

細化了維度，怎么量化？

技術(shù)怎么實現(xiàn)？用戶如何表現(xiàn)呢？

二、將數(shù)據(jù)標簽化，將用戶形象化

標簽是什么？標簽是用來標志你的產(chǎn)品目標、分類、內(nèi)容的，是給你的目標確定一個關(guān)鍵詞，是便于查找和定位的工具。

用戶標簽從更新頻率可以分為：靜態(tài)標簽、動態(tài)標簽；從開發(fā)方式分為：統(tǒng)計類標簽、規(guī)則類標簽、算法類標簽（又稱：基礎(chǔ)標簽、模型標簽、預(yù)測標簽）；從標簽來源分為：系統(tǒng)自動打的、開發(fā)商運營打的、用戶自己打的。

用戶畫像是什么？從上一小節(jié)分類模型可以看出，有些模型比較感性，好像可以看到一個真實的人，有些模型比較理性，好像看到的是一堆標簽數(shù)據(jù)。是的，用戶畫像目前是分兩類：User Persona 和 User Profile。

User Persona 是產(chǎn)品設(shè)計、運營人員從用戶群體中抽象出來的典型用戶；一般來自于用戶訪談、用戶研究，幫助我們?nèi)ジ行缘恼J識當(dāng)前的產(chǎn)品所主要服務(wù)的用戶是一些什么類型的人。

User Profile 是基于用戶在產(chǎn)品中的真實數(shù)據(jù)，產(chǎn)出描述用戶的標簽的集合，是偏理性的數(shù)據(jù)表現(xiàn)；一般用于產(chǎn)品具體的產(chǎn)品設(shè)計、決策依據(jù)、運營營銷、風(fēng)險預(yù)測、信用評估、個性化推薦等過程，如第一小節(jié)最后呈現(xiàn)的五個維度的表格。

User Persona 和 User Profile是一體兩面，具有同一性、統(tǒng)一性，在實際應(yīng)用中要結(jié)合業(yè)務(wù)及場景相互對照使用。

本節(jié)主要總結(jié)User Profile的實現(xiàn)方式，產(chǎn)品結(jié)構(gòu)如下：

實施步驟可分三步：

1. 確定畫像維度

• 根據(jù)業(yè)務(wù)場景挖掘真實用戶的虛擬代表：User Persona。
• 根據(jù)User Persona 確定系統(tǒng)中User Profile的標簽維度、層級關(guān)系、標簽類型、標簽值、初步的標簽規(guī)則。

2. 建立數(shù)據(jù)處理模型

• 標簽權(quán)重：標簽在某一業(yè)務(wù)指標中的權(quán)重
• 更新頻率：實時更新、離線T+1更新、單次計算
• 標簽統(tǒng)計規(guī)則：如7天點外賣>2次屬于中等活躍
• 標簽算法：TF-IDF權(quán)重歸類算法、相似矩陣算法、LAP傳播算法…

用戶標簽權(quán)重 = 行為類型權(quán)重 × 時間衰減系數(shù) × 用戶行為次數(shù) × TF-IDF計算標簽權(quán)重

行為類型權(quán)重：用戶瀏覽、搜索、收藏、下單、購買等不同行為對用戶而言有著不同的重要性，一般而言操作復(fù)雜度越高的行為權(quán)重越大，該權(quán)重值一般由運營人員或數(shù)據(jù)分析人員主觀給出。

時間衰減系數(shù)：用戶某些行為受時間影響不斷減弱，行為時間距現(xiàn)在越遠，該行為對用戶當(dāng)前來說的意義越?。贿@里應(yīng)用了牛頓冷卻定律數(shù)學(xué)模型，指的是一個較熱的物體在一個溫度比這個物體低的環(huán)境下，這個較熱的物體的溫度是要降低的，周圍的物體溫度要上升，最后物體的溫度和周圍的溫度達到平衡，在這個平衡的過程中，較熱物體的溫度F（t）是隨著時間t的增長而呈現(xiàn)指數(shù)型衰減，其溫度衰減公式為：F（t）=初始溫度×exp（-冷卻系數(shù)×間隔的時間）。

對應(yīng)在用戶標簽隨時間的影響上，冷卻系數(shù)相當(dāng)于標簽權(quán)重隨時間衰減的系數(shù)。公式如下：

λ=-ln（dN/dt）/T=-ln（當(dāng)前值/初始值）/間隔時間

用戶行為次數(shù)：用戶標簽權(quán)重按周期統(tǒng)計，用戶在周期內(nèi)與該標簽產(chǎn)生的行為次數(shù)越多，該標簽對用戶的影響越大。

TF-IDF計算標簽權(quán)重：標簽的重要性隨著它在用戶中被標記的次數(shù)成正比增加，但同時會隨著它在標簽庫中出現(xiàn)的頻率成反比下降；w（P , T）表示一個標簽T被用于標記用戶P的次數(shù)。TF（P , T）表示這個標記次數(shù)在用戶P所有標簽中所占的比重，TF越大，標簽越重要；相應(yīng)的IDF（P , T）表示標簽T在全部標簽中的稀缺程度，即這個標簽的出現(xiàn)幾率，IDF越大，標簽越不重要。

然后根據(jù)TF * IDF即可得到該用戶該標簽的權(quán)重值。公式如下：

(分母+1是防止分母為0)

舉個例子：

• TF（用戶P1，標簽T1）=5/（5+2+1+0）=0.625
• IDF（用戶，標簽T1）=log（5/(2+1)）=0.222
• TD-IDF=0.625*0.222=0.139

3. 數(shù)據(jù)采集，數(shù)據(jù)處理，生成User?Profile分類

將業(yè)務(wù)數(shù)據(jù)、日志數(shù)據(jù)、埋點數(shù)據(jù)、第三方數(shù)據(jù)帶入數(shù)據(jù)處理模型中，生成User Profile。

（該圖片來自網(wǎng)絡(luò)）

舉個例子：

疫情期間大家都窩著家里挺無聊，眾多社交平臺出現(xiàn)了不法分子色誘無知的寂寞的男子果聊，然后錄屏敲詐錢財?shù)陌讣?，報警?shù)量上升，區(qū)縣及社區(qū)都發(fā)短信提醒居民。

那么，作為陌生人的交友平臺，如何避免不法分子的猖獗呢？

第一步、確認畫像維度

1）根據(jù)場景挖掘User Persona

2）再確定系統(tǒng)中User Profile的標簽

第二步、建立數(shù)據(jù)處理模型

1）標簽權(quán)重：

• 行為類型權(quán)重：人為判定、排序、給出權(quán)重值
• 時間衰減系數(shù)：按公式計算
• 用戶行為次數(shù)：周期計數(shù)
• TF-IDF計算權(quán)重：按公式計算

2）更新頻率：實時更新

3）標簽統(tǒng)計規(guī)則：標簽值中所述規(guī)則

4）標簽算法：TF-IDF權(quán)重歸類算法、決策樹分類算法、神經(jīng)網(wǎng)絡(luò)、KNN分類、SVM…

第三步、數(shù)據(jù)采集，數(shù)據(jù)處理，生成分類

1）模型建好之后，可以導(dǎo)入樣本數(shù)據(jù)，進行模擬，將果聊詐騙分子的賬號全部找出來。

2）可采用多種算法同時分類，觀測各自結(jié)果，綜合比較，最后擇優(yōu)使用。

當(dāng)User Profile確定之后，User Profile與User Persona的差距如何？User Persona與真實用戶的情況間差距如何？User Profile與真實用戶的情況間差距如何？

三、用回歸分析、A/B測試、用戶調(diào)研的方法

驗證用戶細分的準確性：

1. 回歸分析

延續(xù)上一小節(jié)的例子，可分兩大步：

• 對比判定情況和實際情況，得到四類結(jié)果。
• 用召回率、準確率、精準率評估，數(shù)值越大越好。

召回率（Recall）：R=TP?/（TP+FN）；即（正確識別的不法分子數(shù)）/（正確識別不法分子與正常用戶數(shù)）

準確率（Accuracy）：ACC=(TP+TN)/(TP+TN+FP+FN）；即（判定正確的數(shù)）/（所有判定的數(shù)）

精確率（Precision）：P=TP /（TP+FP）；即（正確識別的不法分子數(shù)）/（系統(tǒng)識別出的不法分子數(shù)）

基本上僅用召回率（R）和準確率（ACC）就可以評估策略的好壞，并進行優(yōu)化調(diào)整了。

2. A/B測試

多方案并行測試，單一變量法觀察方案效果，最終擇優(yōu)；實施層面的原理如下圖：

（該圖片來自網(wǎng)絡(luò)）

從左到右，四條粗豎線代表了四個關(guān)鍵角色：客戶端、服務(wù)器、數(shù)據(jù)層、數(shù)據(jù)倉庫。

從上到下，三部分代表了三種測試形式：無 A/B 測試組、基于后端的 A/B 測試組、基于前端的 A/B 測試組。

3. 用戶調(diào)研

用戶調(diào)研是為了接近用戶、了解用戶，也方便自己變成用戶，體會用戶。

調(diào)研的方式有很多：用戶訪談、焦點小組、參與式設(shè)計、問卷調(diào)查、觀察用戶行為、走進場景、分析用戶數(shù)據(jù)、10-100-1000法則……用于持續(xù)獲取精準的用戶畫像，具體的操作步驟在網(wǎng)上一搜一大篇；工作中只要選擇自己最順手的一兩個方法用到極致、用到出神入化、用到可以感知用戶就可以了。

那么，如何減小調(diào)研結(jié)果與真實用戶之間的差距呢？索尼公司曾經(jīng)做過一次關(guān)于用戶對Boomboxes音響顏色偏好的面對面訪談式的調(diào)研，音響顏色有黃色和黑色兩種，大部分人表示黃色更好看，更愿意購買黃色的音箱；有意思的是，調(diào)研結(jié)束后，組織者為了答謝允許每人離開時帶走一個音響，結(jié)果極大部分人都帶走了黑色的音箱。

故無論采取哪種調(diào)研方式，還是要有非常多的人與人之間互動的注意事項；此塊內(nèi)容諸多文章都有所闡述，為了便于理解，我們看看唐僧一邊走路、一邊乞食去西天取經(jīng)的故事，為啥要走著去？不讓悟空背著飛去？為什么還要乞食前行？因為要走進眾生、了解眾生、融入眾生，那在“托缽乞食”時有哪些注意事項？

綜上，回歸分析與A/B測試在從定量的角度驗證、用戶調(diào)研從定性的角度佐證用戶細分的準確性。

用戶細分是企業(yè)為了實現(xiàn)用戶需求的異質(zhì)性、并集中有限資源進行有效市場競爭的行為；系統(tǒng)實施層面，是在抽象理論的指導(dǎo)下，用算法進行標簽化統(tǒng)計、分類，并以用戶畫像的形式表現(xiàn)，最后在策略上、界面上、運營方式上進行“量體裁衣”。

本文由 @七牛 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

題圖來自 Unsplash，基于 CC0 協(xié)議