PM求佛篇3 – 佛法一昧，佛教八宗。宏观背景下的如何做用户细分？

分类是人类大脑的识别模式，分类是化繁为简的方法之一。

——张小龙

随着商品经济的发展，社会分工越来越细，产品的生产制造也从统一化供给逐渐发展到个性化供给。

互联网产品更是千人千面，将用户分为多种类型分别服务，可谓是因地制宜、因势利导、因材施教、量体裁衣。

在用户细分、精细化运营中也会遇到一些常规问题：

• 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，我们该怎么进行合理的用户细分呢？

一、用户细分常见的6种模型与5类维度

首先，用户是什么？

我们常常听说这样的对话：

• 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！

• 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。

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，其大部分分配给用户等级高、活跃度高、经典评论多的头羊，头羊免费享用之后做出点评，吸引大明羊、小闲羊、笨笨羊来消费。

• 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

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。

• 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。

• 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

• 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。

• 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。

2B产品中，某类用户在日常使用中真正高频关心的数据、高频使用的功能其实并不多。将这些重点的数据和功能放在系统首页、模块首页、功能首页，让用户仅使用少数几个功能就完成大部分的日常工作，便是极致的用户体验。

细化了维度，怎么量化？

技术怎么实现？用户如何表现呢？

用户标签从更新频率可以分为：静态标签、动态标签；从开发方式分为：统计类标签、规则类标签、算法类标签（又称：基础标签、模型标签、预测标签）；从标签来源分为：系统自动打的、开发商运营打的、用户自己打的。

• 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…

行为类型权重：用户浏览、搜索、收藏、下单、购买等不同行为对用户而言有着不同的重要性，一般而言操作复杂度越高的行为权重越大。该权重值一般由运营人员或数据分析人员主观给出。

时间衰减系数：用户某些行为受时间影响不断减弱，行为时间距现在越远，该行为对用户当前来说的意义越小。这里应用了牛顿冷却定律数学模型。指的是一个较热的物体在一个温度比这个物体低的环境下，这个较热的物体的温度是要降低的，周围的物体温度要上升，最后物体的温度和周围的温度达到平衡，在这个平衡的过程中，较热物体的温度F(t)是随着时间t的增长而呈现指数型衰减，其温度衰减公式为：F(t)=初始温度×exp(-冷却系数×间隔的时间)。对应在用户标签随时间的影响上，冷却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

用户行为次数：用户标签权重按周期统计，用户在周期内与该标签产生的行为次数越多，该标签对用户的影响越大。

TF(用户P1，标签T1)=5/(5+2+1+0)=0.625

IDF(用户，标签T1)=log(5/(2+1))=0.222

TD-IDF=0.625*0.222=0.139

a、行为类型权重：人为判定、排序、给出权重值

b、时间衰减系数：按公式计算

c、用户行为次数：周期计数

d、TF-IDF计算权重：按公式计算

• 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

准确率(Accuracy)：ACC=(TP+TN)/(TP+TN+FP+FN)

即（判定正确的数）/（所有判定的数）

精确率(Precision)：P=TP /（TP+FP）

即（正确识别的不法分子数）/（系统识别出的不法分子数）

基本上仅用召回率（R）和准确率（ACC）就可以评估策略的好坏，并进行优化调整了。

2、A/B测试

多方案并行测试，单一变量法观察方案效果，最终择优。实施层面的原理如下图：

该图片来自http://algo.net.cn/

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……用于持续获取精准的用户画像，具体的操作步骤在网上一搜一大篇。工作中只要选择自己最顺手的一两个方法用到极致、用到出神入化、用到可以感知用户就可以了。

那么，如何减小调研结果与真实用户之间的差距呢？索尼公司曾经做过一次关于用户对Boomboxes音响颜色偏好的面对面访谈式的调研。音响颜色有黄色和黑色两种。大部分人表示黄色更好看，更愿意购买黄色的音箱。有意思的是，调研结束后，组织者为了答谢允许每人离开时带走一个音响，结果极大部分人都带走了黑色的音箱。

故无论采取哪种调研方式，还是要有非常多的人与人之间互动的注意事项。此块内容诸多文章都有所阐述，为了便于理解，我们看看唐僧一边走路、一边乞食去西天取经的故事，为啥要走着去？不让悟空背着飞去？为什么还要乞食前行？因为要走进众生、了解众生、融入众生，那在“托钵乞食”时有哪些注意事项？

~~本篇完~~

原文始发于微信公众号（七牛）