数据化运营中的数据分析项目类型比较多，涉及不同的业务场景、业务目的和分析技术。
一个成功的数据分析项目，首先要有准确的业务需求描述，之后要求项目相关人员自始至终对业务有正确的理解和判断，对于业务的理解和思考，永远高于项目的分类和分析技术的选择。

目标客户的特征分析几乎是数据化运营企业实践中最普遍、频率最高的业务分析需求之一，原因在于数据化运营的第一步（最基础的步骤）就是要找准你的目标客户、目标受众，然后才是相应的运营方案、个性化的产品与服务等。
是不加区别的普遍运营还是有目标有重点的精细化运营，这是传统的粗放模式与精细化运营最直接、最显性的区别。

11.1 用户特征分析所适用的典型业务场景

无论是传统行业的客户关系管理，还是现代企业的数据化运营管理，之所以有用户特征分析的需求，无一例外都是希望通过深入了解用户（客户），找出用户细分群体的特点，从而采取精细化个性化的服务（产品）来更好地满足用户需求，进而增强用户与企业之间的感情，最终保障并提升企业的盈利水平。

在数据化运营实践中，按照是否已经具有真实的产品使用用户来分，寻找目标用户包括两种情形：

• 虚拟的目标特征用户特征分析

这种场景主要适用于企业（产品）当前还没有实际使用的用户，业务方（运营方）希望按照业务逻辑假设或业务方“一厢情愿”地圈定一些典型的特征，用以代表未来实际使用用户的特征。

比如，公司研发了一个新产品，可以帮助客户更好地管理其网店的买家询盘等信息，并可对相关的信息进行记录。虽然产品还没有上线，即暂时还没有客户使用该产品，但是业务方为了制定该产品的运营计划、销售目标等，也需要提炼除目标客户的虚拟用户特征。
针对类似的虚拟分析，主要通过产品的相关功能、卖点来模拟相应的行为特征和属性特征。
除了每月应该产生相当数量的买家询盘信息之外，还可以考虑用户应该有积极的网络经营态度，这里的字段可以是每月上线操作的天数高于平均值等。
需要强调的是，虚拟的目标用户特征分析只是在实际用户产生之前的权宜之计，等到实际用户产生后，需要根据真实的用户数据进行用户特征的修正和完善。

• 真实的目标用户特征分析
  这是企业客户关系管理和数据化运营中更多出现的场景，其分析数据全部来自实际使用用户的行为数据和属性数据，因此基于这些真实用户数据基础上的用户特征更加可靠、更加可信。

运营抓手就是指通过运营的方式可以用于改善和提升客户满意度的一些特定行为字段，或者说可以运营的特定行为字段。

常见的所谓运营抓手包括用户的一些主动行为，之所以强调主动行为，是因为只有主动的行为才是用户自身努力可以达到的，因此只有主动行为才是可以通过运营的方式传达给用户，并且用户可以通过主观努力来改善和提升的；而被动行为是不以用户主观意识为转移的，它取决于交易双方的多种因素。

常见的主动行为:用户登录网站的天次、用户发布商品信息的条数、用户购买增值产品的行为等。

常见的被动行为：用户（卖家）能否卖出产品、用户（卖家）能否收到足够的买家询盘等。

由于资源配置和服务效率，在企业的商业实践中不可能真的实现一对一的个性化服务，至少在目前是不可能的，但是针对不同的细分群体进行个性化服务和运营却是必要的。

用户群体的细分，可以基于单纯的运营抓手细分，也可以基于纯粹的统计分析来找出最可能显著区别于不同群体的特征字段，还可以两者兼顾、包容并蓄。具体采用哪种方法，主要根据具体的业务背景和业务需求来考虑。

对于用户群体细分结论的评价，主要看细分的群体之间在业务或者运营上是否有可以利用的明显差别，这点类似于聚类分析的评价体系，但是单纯的指标评价只是其中的一个方面，更重要的评价依据应该是业务理解和业务认可。

所谓新品开发线索，无非是产品是为谁而推出的、产品的功能满足用户的哪些特定需求等，这些核心要素都是可以从用户特征分析里找到参考或答案的，鉴于此，用户特征分析也就理所当然地成为支持企业新品开发的线索和依据了。

以上内容从四个不同的业务场景介绍了用户特征分析的应用价值，不改在数据化的商业实践中，上述4个应用场景并不是孤立的、相互割裂的，而是相互重叠、互为主次的，只不过侧重点不同，主要矛盾不同而已。

11.2 用户特征分析的典型分析思路和分析技术

抛开各种不同的分析技术和算法，单纯从业务方对于用户群体的熟悉程度来考虑，可以将用户分析拆分成三种分析类型，分别是预先定义的划分，数据分析的划分、复合的划分。

在数据化运营的商业实践种，业务方的业务直觉和业务敏感性非常重要，在某些特定的业务场合中，进行用户特征分析时，可以直接按照业务方指定的指标和字段进行群体划分和特征分析。

• 基于预先定义的划分
  这种方法要求业务方和数据分析师对于数据和客户已经非常了解，并且特定的业务需求（商业目标）很明确，在这种情况下，不需要进行复杂的数据分析和数据挖掘算法的探索，可直接按图索骥。

比如，业务方对客户非常熟悉了解，或者说计划中的运营方案是专门针对下单订购产品的，但是15天之后仍然没有付款的用户所进行的催单提醒为目的的运营活动，那么就可以使用此方法。

• 基于数据分析的划分
  该类方法是主流的用户特征分析方法，因为对用户不了解，且业务需求千变万化，所以要针对不同的业务需求进行不同的数据分析挖掘，找出用户的典型特征。
  涉及的分析技术和分析思路有: RFM、聚类技术、决策树的规则整理、预测（响应）模型的核心变量、假设检验方法、Excel透视表的应用等。

• 复合划分
  具体的优先级如何划分，孰轻孰重，取决于对用户的熟悉了解程度和具体的业务需求目的（商业任务），总体来说，基于数据分析的划分方法常常是处于主要地位的，同时，会在此基础上参考业务经营进行更加有效、更加贴近需求的分析和结论建议。

--未完