目标群体,常见用户行为分析模型解析（5）——用户分群

目标群体,常见用户行为分析模型解析（5）——用户分群

用户分组是企业精细化和数据化运营的第一步。

用户分组数据分析方法是用户画像的关键数据分析模型，是企业进行数据分析和精细化运营的第一步。用户分组是对用户信息的标注。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分组，并进行后续分析。

漏斗分析关注阶段差异，用户群体关注群体差异

在上一篇文章中，我们谈到了漏斗分析模型。通过漏斗分析模型，运营商可以看到用户在不同阶段的行为是不同的，比如新用户的关注点在哪里？被购买的用户什么时候再付款？但是由于群体特征不同，行为会有很大差异，所以运营商或产品人员希望根据历史数据对用户进行划分，对具有一定规律特征的用户群体进行分类，然后再观察这个群体的具体行为。. 这就是用户分组的原则。

普通用户分组和预测分组

严格来说，用户群分为普通群和预测群。普通分组是根据用户的属性特征和行为特征对用户分组进行分类；预测分组是利用机器学习算法，根据用户过去的行为属性，预测未来某些事件发生的概率。以下两种用户分组方法。

普通用户分组——用户属性和行为特征分析

以直播产品行业为例。高粘性、高频率消费用户的行为观察是产品经理和运营商关注的重点。

比如运营商可以过滤掉过去30天内等级在10级以上，有“留言”和“点赞”行为，送过礼超过10次的用户，将其视为高粘性和高频消费的用户。在对定义进行分组后进行数据分析。

通过高粘性、高频次消费用户的近期行为观察不同用户群的近期行为，可以看出该用户群的人均观看时长与其他用户有些不同目标群体，比如高频消费用户和非高频消费用户。人均观看时间比较。

预测用户细分 – 通过机器学习算法预测事件概率

互联网金融产品经常使用预测用户分组的功能。根据风险投资偏好属性，互联网金融客户可分为保守型、稳定型和激进型，根据投资行为可分为投资型和非投资型。

运营商可以根据这个属性和行为，提取出满足一定条件的用户群体，比如攻击性但没有投资的用户，然后分析这个群体的行为特征来优化产品和促进用户投资，或者根据他们的浏览情况。项目页面推荐用户可能感兴趣的项目。

用户群分析模型行业价值及真实场景

用户分组被广泛应用于各行各业的数据分析过程。为各个行业带来以下价值：

一、帮助企业打破数据孤岛，真正了解用户

用户画像是用户分组的前提。在不断深入洞察具有特定属性的用户群的用户行为后目标群体,常见用户行为分析模型解析（5）——用户分群，这个用户群的画像逐渐清晰。

帮助企业了解一个公制数字背后的用户群特征：

二、定位营销目标群体，帮助企业实现精准高效营销

清晰地勾勒出特定群体在特定研究范围内的行为，明确目标群体，是运营商进行信息推送的前提。运营商根据需求完成针对特定目标人群的精准信息推送工作，如召回流失用户、刺激用户复购等。当针对特定人群的精准信息推送完成后，可以重新分析查看实时、全方位的营销效果。帮助企业与用户实现准确高效的信息交流。

场景一：互金行业唤醒“沉睡”用户的精准推送和效果评估

2017年1月注册并浏览征信页面的互联网金融客户（通过分析发现，用户浏览征信页面后，后期留存率较高），但未进行投资目标群体，向本群举报。推送“跨年版理财1月20日起发布，预期年化收益率高达9.50%”的信息。为了锁定目标人群目标群体,常见用户行为分析模型解析（5）——用户分群，产品人员可以按用户群对营销目标人群进行筛选。

完成信息推送后，运营商可以进行多维度分析，了解推送后的效果。如果互联网金融客户完成精准推送，用户可以在投资过程转化漏斗中再次查看用户转化状态，评估推送或产品优化效果。

场景二：企业级服务“召回”流失客户的精准推送和效果评估（To B）

对于To B企业客户，投资期满后再投资是留存的标准。过去8周用户流失情况如下。企业运营商完成筛选工作后，可以直接在用户详情页面定义用户群，并在此基础上完成精细化推送工作。

8周内To B公司用户流失（图片来源：Sensors Data Products）

在这个页面上，企业运营商可以点击留存值查看流失人群的详细信息，并可以直接创建名为“流失用户”的用户群并推送信息，刺激其申请产品使用。

在大数据时代，为适应瞬息万变的外部市场环境，提高客户粘性，企业不断加快数字营销转型。其中，提高营销效率、提高营销精准度是公司首要战略目标。以上三个场景都将“以客户为中心”的理念贯穿于精准营销的全过程，重构了企业的核心竞争力。