【前言】 这是几年前写的一篇文章，其中有些案例说明与介绍可能有些过时，但为了保持原文的风格，这里就不做修改，后续写《从0开始搭建自己的数据运营体系》系列文章时再重新修改。
【正文】 通常，用户细分既不是分析的不是起点也不是分析的终点，而是伴随某个特定的分析而存在。精准化营销，需要用户细分，譬如你拥有同城的数十万消费者的资料数据库，随时为有需要的同城商家提供短信精确营销或其他网络营销服务；通过用户细分，或许你能发现新的目标市场和需求，淘米网阶段性的成功，不就是细分的典型吗？更多更充分的挖掘用户价值，你需要做用户细分。
用户细分分析流程
细分前的准备
为什么要细分用户？细分与不细分的差别大不大？细分之后能给我带来什么好处？细分之后的目标用户是什么？……多问几个为什么，自己了解的或不了解的，集思广益，会更靠谱一些。例如，某公司要做服饰新品推广，鉴于以往每次给会员群发短讯效果不理想，于是决定抽取部分会员数据细分，尝试精准营销，以达到降低成本、提高转化率的目的，那么这里的大致细分目的就是降低营销成本，提高相关转化率。
细分指标的确定
用户细分的指标有很多，譬如年龄、性别、职业、教育程度等人口属性指标；年费用户、包月用户等时间指标；华东地区用户、西部地区用户、华南地区用户等地理指标；除此之外还有其他很多很多细分的指标，细分指标的确定由细分目的和目标用户等相关因素决定。继续上面的引例，根据细分目的，该公司确定地理、人口、行为（以往购买物、活跃周期等）等为细分指标。
用户信息采集
常见的用户信息包括公司日常运营所积累的用户，通过企业相关调研活动所采集的用户信息以及第3方数据，当然还有很多的公司可能通过各种渠道去购买相关用户信息。
制定细分标准
细分标准并没有一个定型，这里本人暂且将其归类为事前定义和事后定义两种。这里事前细分是指譬如时间、人口属性等细分明确或是根据以往成熟经验模型（案例）可以明确细分的标准准则，而事后细分则是指用户类型起初并没有具体的特征形态，根据多个数据特征变量利用聚类等统计分析方法而定义的细分标准。例如常见的RFM模型客户分类就是事前细分标准的一种。
细分用户描述
用户细分完成后，自然给其一个代表其特征的名字，并对其判别因素及具体特征进行详细的说明。例如，许多淘宝卖家都将其用户根据四象限的方法，用成交量、PV、UV等因素分为产品混乱型客户、优质客户、单品为王的客户和问题客户。
常用的细分分析方法
前面的细分流程中提到事前细分和时候细分两种情形，根据细分目的和目标用户的不同，这里将事前分析方法暂定为影响因素法，而事后细分分析方法则暂定为统计归纳法。
影响因素法
影响因素可能是单个或多个，单个影响因素的细分这里不作说明，主要谈谈常用的多个影响因素的细分方法。
1） 逐步细分法
逐步细分是指根据分析的要求由粗到细、由浅入深，逐步进行细分的过程。例如：对某女装电商用户逐步细分，可以先根据用户地区细分，然后根据性别细分，最后根据用户行为细分。
2）综合交叉法
通常我们使用的四象限分析法，采用RFM模型或是其他类似的方法都可以归为此类方法。通常各种方法都是组合使用，单纯的使用某种细分方法的情况很少。
统计归纳法
我们知道，基本上所有的统计分析方法都有一些条件限制，所以通常一个细分不可能用一个方法就能搞定，往往需要多种方法的结合使用。比如
用户细分往往不是分析的起点也不会是终点，正如开篇所言，其细分需根据分析目的而定，除此之外，用户细分分析的精准度如何？用户细分程度有没有特定的标准判定？用户细分分析中需要注意的事项有哪些？这些都是用户细分方法论需要解决的问题，后续尽请关本公号。
END
活动推荐：2017全球机器学习技术大会 (查看 “阅读原文” 了解更多)
