编辑导语:如今，随着互联网的不断发展和科技的进步，用户在今天的环境下已经被标签化，被用户分类，被不同的需求分类等等。，实现精细化运营；作者分享了用户细分的模型和维度。让我们看一看。

分类是人脑的识别模式，分类是简化复杂的方式之一。

——张小龙

随着商品经济的发展，社会分工越来越细，产品的生产制造也逐渐从统一供应发展到个性化供应。

互联网上千人千面，用户可以分为各种类型的服务，可谓因地制宜，因势利导，因材施教，量体裁衣。

但是在用户细分和精细化运营中会遇到一些标准问题:

不进行“量体裁衣”，没有差异化，拉新难“量体裁衣”不合理，需求难满足，留存难

那么，如何才能进行合理的用户细分呢？

两千年前，书是用竹简制成的。能读书的都是贵族，能读书的很少。佛教是怎么把佛教传到家家户户的？

不同地区、部落、贫富、文化群体的精神需求和接受程度不同，需要采取不同的方式；佛教在中国发展成八大教派，传教方式各不相同。每个教派对不同心性的人也采取不同的方法:与有根的人一起思辨哲学，探索世界的真理；有根的人，内心纯净，欲望少，生活充满修行；讨论案例解决方案，并与基层人员进行沟通；扎根的人会被天堂诱导的地狱所惊吓，而被引导去行善。

对于企业和用户来说更是如此。

用户细分是企业为了实现用户需求的异质性，集中有限资源进行有效市场竞争的行为。在明确的战略商业模式和特定的市场中，企业根据用户的属性和行为对用户进行分类，提供有针对性的产品、服务、销售和运营模式，实现用户价值和产品目标的最大化。

在实现层面，在抽象理论的指导下，利用算法进行标注统计和分类，并以用户画像的形式展现出来。最后，量身定制策略、界面和运营模式。

你从哪些角度和维度对用户进行细分？

如何使用算法进行标注统计和分类？

如何验证用户细分的合理性并进行调整？

一、用户细分常见的6种模型与5类维度

首先，用户是什么？

我们经常听到这样的对话:

你们公司的学生用户有多少？500万个。用户有三类：发视频的、看视频的、投广告的。在这个场景下，不同用户的认知、需求不同呀！

仔细想想，口语对话中用户的意思是模糊的:

第一句，用户其实指的是车主的注册ID数量。第二句，用户其实指的是产品中存在的角色。第三句，用户其实指的是某一类需求的集合。

很明显，前两句是口语中的懒惰简化表达，第三句“用户是需求的集合”所包含的意思更准确。

为了明确用户的定义，接下来，我们来看看互联网公司常用的六种分类模型:

1. 梁宁·产品思维

根据业务模型中的主要角色和某个角色下的用户分类:

比如:大众点评上的新店霸王餐。大众点评与新开的商家合作推出霸王餐，大部分分给用户级别高、活跃度高、经典评论多的第一只羊。第一只羊免费享用后，进行评论，吸引大明羊、小仙羊、笨笨羊消费。

2. UCPM-产品管理知识体系

在某个场景下，用户产生感受和需求，在寻找解决方案、选择产品、购买产品、使用产品、最后售后的整个周期中，用户分为五类:

购买者：执行购买行为并主要关心价格使用者：使用产品并首先考虑产品的性能影响者：为决定的产生提供指导的各类群体信息管理者：控制信息流向并与其他人联络决策者：正式批准购买决定并关心决定的内部政策部分例如:

早幼教育产品：决策者、购买者、信息管理者、影响者是家长，使用者是学生；小学教育产品：决策者、购买者是家长，使用者是学生，信息管理者、影响者是家长和学生一起；企业服务产品：一个办公软件的购买要通过采购部的货比三家、财务部的预算、使用员工的意见、专人的管理维护、高层的决策。3. 用户体验要素

根据对产品的熟悉程度，可以分为:

小白用户：刚使用或不经常使用，对产品不熟悉。普通用户：占用大多数，对产品使用情况良好。专家用户：对产品依赖程度高，能提出很多观点意见，是产品的有力支持者。

这种方法便于分析:

同一人群，在A/B/C场景下，分别遇到什么问题。同一场景，a/b/c三个人群，分别遇到什么问题。4. 商业模式新生代

根据用户需求的范围和用户之间的关系，可以分为:

大众市场：服务于一个庞大的、有着广泛的相似需求的用户群体，如淘宝、拼多多、抖音等。小众市场：服务于一个具体的、专门的、需求量身打造的用户群体，如花瓣网服务于设计师。求同存异的用户群体：服务于有着相似却不同需求的多个细分用户群，如炒股APP服务于韭菜、独立经济人、操盘手。多元化的用户群体：服务于不同需求的用户群体；如同一个CRM产品，可以私有化部署，可以公有云部署，可以混合云部署。多边平台（多边市场）：服务于两个或更多的相互独立又依存的用户群体；如o2o外卖，服务于点外卖的人、送外卖的人、商家、广告买主。5. 《交互设计精髓》

根据界面的设计目标，它分为:

主要人物：一个产品的一个界面只能有一个主要人物模型。次要人物：存在一些额外的特定需求，可以在不削弱产品能力，以服务主要人物的前提下得以满足。补充人物：主要人物和次要人物结合在一起完全可以代表补充人物的需求，一个界面可以用任意多个补充人物相联系。客户人物：是客户而不是终端用户的需求，一些客户人物的界面可能会成为自己独有的管理界面的主要人物。接受服务人物：并非产品的用户，却直接受产品使用的影响。负面人物：用于告知产品不会为某类具体的用户服务，即不是产品的实际用户。

例如:

在2B产品中，某一类用户在日常使用中真正关心的数据和功能并不多。把这些关键的数据和功能放在系统首页、模块首页、功能首页，让用户只用很少的功能就能完成大部分日常工作，这才是极致的用户体验。

6. RFM模型

RFM模型是衡量客户价值和客户盈利能力的重要工具和手段。它广泛应用于许多CRM产品的用户分析中。主要用“最近一次消费到当前消费的天数、累计消费次数、累计消费金额”三个指标来描述客户的价值状况，可分为八类:

这六个模型适用于PM的不同工作场景，并且是已经成型的、常规的、粗糙的分类模型。但随着对面市场的产品越来越垂直，大众细分机型的使用效果有些打折扣。

因此，越来越多的产品逐渐从更细致的维度进行分类。笔者阅读了业内大部分文章，结合工作实践，归纳起来，可以归纳为五个维度:

细化维度，如何量化？

技术是如何实现的？用户如何表现？

二、将数据标签化，将用户形象化

标签是什么？标签用来标记你的产品目标、类别和内容，为你的目标确定一个关键词，并且是一个容易找到和定位的工具。

用户从更新频率上可以分为静态标签和动态标签；从开发模式上分为:统计标签、规则标签、算法标签(也称基础标签、模型标签、预测标签)；从标签来源可以分为:系统自动调用，开发者调用，用户自己调用。

什么是用户画像？从上一节的分类模型可以看出，有些模型比较感性，好像能看到一个真人，有些模型比较理性，好像看到一堆标签数据。是的，用户画像目前分为两类:用户角色和用户档案。

用户角色是产品设计者和操作者从用户组中抽象出来的典型用户。一般来自于用户访谈和用户调研，帮助我们了解当前产品主要服务于什么类型的用户。

用户简档是基于产品中用户真实数据的描述用户的标签集合，是部分数据表示。一般用于产品设计、决策依据、运营营销、风险预测、信用评估、个性化推荐等过程中。，如第一节末尾呈现的五维表。

用户角色和用户档案是一个整体的两个方面，具有同一性和统一性。在实际应用中，要结合业务和场景来使用。

本节主要总结用户档案的实现。产品结构如下:

实施步骤可分为三步:

1. 确定画像维度根据业务场景挖掘真实用户的虚拟代表：User Persona。根据User Persona 确定系统中User Profile的标签维度、层级关系、标签类型、标签值、初步的标签规则。2. 建立数据处理模型标签权重：标签在某一业务指标中的权重更新频率：实时更新、离线T+1更新、单次计算标签统计规则：如7天点外卖>2次属于中等活跃标签算法：TF-IDF权重归类算法、相似矩阵算法、LAP传播算法…

用户权重=行为类型权重×时间衰减系数×用户行为次数× TF-IDF计算标签权重。

类型权重:用户浏览、搜索、收藏、下单、购买等不同行为。对用户来说有不同的重要性。一般来说，操作复杂度越高，行为的权重越大。权重值通常由操作员或数据分析师主观给出。

时间衰减系数:用户的某些行为是被时间不断弱化的，行为时间离现在越远，该行为目前对用户的意义越小；这里应用的是牛顿冷却定律的数学模型，意思是当一个热的物体处在一个温度比这个物体低的环境中时，这个热的物体的温度会降低，周围物体的温度会升高，最后物体的温度和周围的温度会达到一个平衡。在这个平衡的过程中，热物体的温度F(t)会随着时间t的增加而呈指数下降，其温度衰减公式为:F(t)=初始温度。

在用户标签随时间的影响上，降温系数相当于标签权重随时间衰减的系数。公式如下:

λ=-ln(dN/dt)/T=-ln(当前值/初始值)/间隔时间

用户的行为次数:按周期统计用户标签的权重。用户在循环中与标签发生行为的次数越多，标签对用户的影响就越大。

TF-IDF计算标签权重:标签的重要性与被用户标记的次数成正比增加，但同时与它在标签库中出现的频率成反比减少；W(P，T)表示标签T被用来标记用户P的次数..TF(P，T)表示这个标签号在用户P的所有标签中所占的比例，TF越大，标签越重要。对应的IDF(P，T)表示标签T在所有标签中的稀缺程度，即这个标签的出现概率。IDF越大，标签越不重要。

然后根据TF * IDF，就可以得到这个用户的这个标签的权重值。公式如下:

(分母+1是为了防止分母为0)

例如:

TF(用户P1，标签T1)=5/(5+2+1+0)=0.625IDF(用户，标签T1)= log(5/(2+1))= 0.222 TD-IDF = 0.625 * 0.222 = 0.1393。数据收集，数据收集

(此图来自网络)

例如:

疫情期间，大家都呆在家里很无聊。许多社交平台有孤独的男人互相聊天，然后记录勒索金钱的案件。报警数量上升，各区县、社区都发短信提醒居民。

那么，作为陌生人交友平台，如何才能避开猖獗的犯罪分子呢？

第一步，确认人像尺寸。

1)根据场景挖掘用户角色。

2)确定系统中用户档案的标签。

第二步是建立数据处理模型。

1)标签重量:

行为类型权重：人为判定、排序、给出权重值时间衰减系数：按公式计算用户行为次数：周期计数TF-IDF计算权重：按公式计算

2)更新频率:实时更新。

3)标签统计规则:标签值中描述的规则。

4)标注算法:TF-IDF权重分类算法、决策树分类算法、神经网络、KNN分类、SVM…

第三步，数据采集、数据处理和分类生成。

1)模型建立后，可以导入样本数据，进行模拟，找出诈骗分子的所有账户。

2)可以同时使用多种算法进行分类，观察各自的结果，进行综合比较，最终选择最佳的一种。

当用户配置文件确定后，用户配置文件和用户角色之间的差距是什么？用户角色的情况和真实用户的情况差距有多大？profile和真实用户的差距有多大？

三、用回归分析、A/B测试、用户调研的方法

验证用户细分的准确性:

1. 回归分析

继续上一节中的示例，它可以分为两个主要步骤:

对比判定情况和实际情况，得到四类结果。用召回率、准确率、精准率评估，数值越大越好。召回率:r = TP/(TP+fn)；即(正确识别的罪犯数量)/(正确识别的罪犯和正常用户数量)

精度:ACC =(TP+TN)/(TP+TN+FP+FN)；即(判断正确的数字)/(判断所有的数字)

精度:p = TP/(TP+FP)；即(正确识别的罪犯数量)/(系统识别的罪犯数量)

基本上只有召回率(R)和准确率(ACC)可以用来评价策略的好坏，并进行优化和调整。

2. A/B测试

多方案平行测试，单变量法观察方案效果，最终选出最优；实现级别的原则如下:

(此图来自网络)

从左到右，四条粗竖线代表四个关键角色:客户端、服务器、数据层和数据仓库。

这三个部分从上到下代表了三种测试形式:无A/B测试组、基于后端的A/B测试组和基于前端的A/B测试组。

3. 用户调研

研究的目的是为了接近用户，了解用户，更容易成为用户，体验用户。

调研的方式有很多:用户访谈、焦点小组、参与式设计、问卷调查、观察用户行为、走进场景、分析用户数据、10-100-1000法则...用于持续获得准确的用户画像。具体操作步骤网上搜索一篇大文章；只要在工作中选择一两种最方便自己的方法，就能运用到极致，做到出神入化，能够感知用户。

那么，如何缩小调查结果与真实用户的差距呢？索尼曾经就用户对音箱声音色彩的偏好做过一次面对面的采访调查。声音颜色有两种:黄色和黑色。大多数人表示黄色更好看，更愿意购买黄色扬声器。有趣的是，调查结束后，主办方允许每个人带走一台音响作为感谢。结果大部分人都把黑音箱拿走了。

因此，无论采用哪种研究方法，在人际交往中都应该有很多注意事项；本板块很多文章都有解释。为了便于理解，我们先来看看唐僧西天取经讨饭的故事。他为什么走路？别让吴空骑在背上飞？为什么要饭？因为要走进、了解、融入众生，乞讨食物时有哪些注意事项？

综上所述，回归分析和A/B测试从定量的角度验证了用户细分的准确性，用户调查从定性的角度证明了用户细分的准确性。

用户细分是企业为了实现用户需求的异质性，集中有限资源进行有效市场竞争的行为。在实现层面，在抽象理论的指导下，利用算法进行标注统计和分类，并以用户画像的形式展现出来。最后，量身定制策略、界面和运营模式。

本文由@七牛原创发布。每个人都是产品经理。未经许可，禁止复制。

来自Unsplash的图像，基于CC0协议。