懂用户画像、用户分群、用户分层

用户标签和用户指标，构成用户画像，然后根据用户画像，进行用户分群，可以进一步贴近用户分层。

用户标签

用户标签是基础，即数据层。是通过标签和指标两种数据方式，汇总各类数据，并对同一个用户不同数据源进行合并。

指标：连续型数据，即明细数据指标化，如“过往3个月逾期记录”、“近一个月的消费频次、消费金额记录”；

标签：分类型数据，将客户标签化，为客户打上不同的标签，比如用户的年龄、区域、学历等；

算法预测类标签：统计数据无法直接得出，需要借助于数据挖掘算法得出，例如用户价格敏感度标签，需要利用一系列的统计算法、机器学习预测算法得出。

有了丰富的指标和数据，我们才能更好地对用户进行量化描述。但值得注意的是，未经过分类整理的标签对业务的直接意义不大，需要与业务目标相组合，才能给出实际的意义。

用户画像

用户画像是底座。是用户标签的抽象概括，通过高度抽象聚合后的结果，一般应用于数据分析、辅助决策。

可以分为个体画像、群体画像。包含了用户的人本属性，如身份特征、行为特征、消费特征、心理特征、兴趣爱好、渠道属性。

特征：基于用户自带属性，如性别、学历、区域、婚姻状况等；

身份特征

行为特征

基于用户本身的行为，如App启动时段、活跃时长、功能使用等；

消费特征

基于消费金额、消费频次、消费周期等；

兴趣爱好

如购买商品类型、品牌喜好、颜色偏好等；

用户画像其实就是对用户“打标签”，从对用户打标签的方式来看，一般分为三种类型：

1、统计类标签；

2、规则类标签；

3、机器学习挖掘类标签；

用到的算法包括：

1、决策树，是一种分类算法和回归算法，一个类似于流程图的树形结构，树内部的每一个节点代表的是对一个特征的测试，树的分支代表该特征的每一个测试结果，而树的每一个叶子节点代表一个类别。

2、线性回归算法，属于监督学习-回归类，是一种预测性的建模技术，主要是研究自变量和因变量的关系。

3、树回归算法，又称分类回归树，该算法既可以用于分类还可以用于回归。

4、K-means算法，也称为K-平均或者K-均值，是一种无监督学习方法，将相似的对象归到同一个簇中，是典型的基于距离的聚类算法。

用户分层

用户分层即特殊的分群方式。结合用户在产品上所处状态作为用户分层的依据。用户分层的参考指标只有一个，就是用户价值。常用的金字塔模型、RFM模型等都是依据用户价值高低进行分层的。// 金字塔，RFM模型。

例如，某信用卡APP更关注平台用户的分期交易行为，通过RFM模型可有效拆分APP用户分期交易的价值高低，进而采取不同的运营策略。

把用户划分为8个群体，从高消费频次、高消费额、最近消费过的重要价值用户，到低消费频次、低消费额、很久未消费的一般挽留用户。

但在做用户客群分析时，应注意以下事项：

1. 一切从问题出发，首先要看想解决的问题是什么？或者业务目标是什么？选择的维度要和业务目标高度关联；

2. 维度不一定要很多，达到一定的效度就可以，要保证组间的差异足够显著；

3. 用户分群、分层是手段，是工具，不是目的，对不同人群集合的分析和洞察才是目的。