分析用户分组的通用数据分析模型

你知道如何给用户分组吗？根据历史数据，我们可以分为普通用户聚类和预测聚类。

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。用户分组就是用户信息标注。将属性相同的用户按照其历史行为路径、行为特征、偏好等属性划分为一组，进行后续分析。

漏斗分析侧重于阶段差异，用户侧重于群体中的群体差异。

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表现是不同的，比如新用户的关注点在哪里？购买的用户在什么情况下会再次付费？但是由于群体特征不同，行为会有很大差异，所以运营商或者产品人员希望根据历史数据对用户进行划分，将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。

普通用户聚类和预测聚类

严格来说，用户聚类分为普通聚类和预测聚类。普通分组是根据用户群体的属性特征和行为特征进行分类；预测聚类是根据用户过去的行为属性特征，利用机器学习算法预测未来某一事件发生的概率，分别从两个场景介绍这两种用户聚类方法。

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。对高粘度、高频消费的用户进行行为观察，是产品经理和运营人员关注的重点。

比如，某运营商可以筛选出过去30天内有“留言”和“点赞”的用户，发送付费礼物超过10次的用户，将其视为高粘度高频消费者，分组定义后再进行数据分析。

通过观察高粘性、高频消费用户的近期行为，可以看出该用户群体的人均观看时长与其他用户有所不同，比如高频消费用户与非高频消费用户的人均观看时长对比。

预测用户分组——通过机器学习算法预测事件概率。

互联网金融产品往往使用预测用户群体的功能。互联网金融客户根据风险投资偏好的属性可分为保守型、稳健型和激进型，根据投资行为可分为已投资型和未投资型。

根据这个属性和行为，运营商可以提取出符合一定条件的用户，比如没有投资的激进用户，然后分析这个群体的行为特征来优化产品，促进用户投资，或者根据用户浏览的项目页面推荐用户可能感兴趣的项目。

用户分组分析模型行业价值和真实场景

用户分组广泛应用于各行业的数据分析中。为各行业带来以下价值:

第一，帮助企业打破数据孤岛，真正理解用户。

用户画像是用户分组的前提。在持续深入洞察用户行为后，用户群体的画像逐渐清晰。

帮助企业了解一个指标数字背后的用户群体特征:

他们是谁？有哪些行为特征？你喜欢什么？有哪些潜在需求和行为偏好？这是针对后续用户群的针对性分析。第二，定位营销目标群体，帮助企业实现精准高效的营销。

运营者清晰勾勒特定研究范围内特定群体的行为，界定目标群体，是信息推送的前提。运营商可以根据需求向特定目标群体推送精准信息，比如召回流失用户，刺激用户重新购买。当特定人群的精准信息推送完成后，可以重新分析，实时、全方位查看营销效果。帮助企业和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

某互联网金融客户，2007年注册2065438+1，浏览了征信页面(通过分析发现，浏览征信页面后，后期留存率较高)，但没有投资，向该群体推送“新年理财将从1.20起发售，预期年化收益率高达9.50%”的信息。为了锁定目标群体，产品人员可以通过用户分组来筛选营销目标群体。

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

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。

a To B企业客户以投资到期后再投资作为留存标准。过去8周的用户流失情况如下。筛选工作完成后，企业运营人员可以直接在用户详情页定义用户群，然后完成精细推送工作。

图8 a到B企业的用户流失周。

在该页面，企业运营人员可以点击留存值，即查看流失人群的详细信息，并可以直接创建名为“流失用户”的用户群生活展示，推送信息，刺激其申请产品使用。

大数据时代，为了适应不断变化的外部市场环境，增强客户粘性，企业正在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的首要战略目标。以上三个场景将真正贯穿精准营销的全过程，重构企业核心竞争力。