如果没有细分用户，产品设计就只能靠直觉和猜测，运营活动就只能靠拍脑门儿。那要如何通过用户细分找到你的“超级用户”？
用户细分是指根据用户的社会属性、行为数据和消费偏好等将其划归不同群组的流程。比如：您可通过用户细分指定来自特定国家/地区或城市的用户，添加另一个细分条件来指定购买特定产品或使用产品上特定功能的用户。
通过指标的筛选，可以帮你找出那些“超级用户”比如：“购物狂”或您产品的“发烧友”，并看看他们都有什么共性。
通过细分还可以帮助产品经理进行产品优化，提供个性化的用户体验。比如：有一类用户白天基本不会启动应用，因为他们喜欢白天就是工作状态，但晚上简直又变成“脑残粉”。
这意味着不管产品同学还是运营同学都需要尽可能多地了解他们，以避免在白天让他们频繁收到push推送，而晚上服务器停止服务进行升级的尴尬局面。
如果没有细分，产品设计就只能靠直觉和猜测，运营活动就只能靠拍脑门儿，对了还好，可不对呢？由于新版本发布或不可抗力的原因，启动猛增或遭遇滑铁卢？
没有细分数据，产品团队无法预知他们产品的未来，运营活动只能靠经验，而辛辛苦苦引进来的用户也就慢慢流失了。
一、可以使用哪些细分策略？
1. 付费用户与免费用户
付费用户通常比免费用户忠诚度更高，更具有用户粘性且更易于促使他们成为超级用户，而免费用户可能并不会将产品视为生活中的必备工具，随之而来的就是高流失风险。细分功能可以让团队在保留前者的同时转换后者。
2. 新增用户和活跃用户
新增用户和活跃用户在整个产品链路中处于非常不同的阶段，活跃的用户已经找到产品服务中有足够的价值，可以促使其再次打开。此外活跃用户又分很多情况（在第一篇运营填坑守则中已经讲过）。另一方面，新用户怎么能留下来并且保持活跃度呢？
如果运营同学知道所有留下来的用户都使用了某一个功能，这样就可以“要挟”产品提高这个功能的露出机会，并“胁迫”设计同学将Icon突出，以帮助新用户能成功留下来。
3. 网站/App的使用时长
每个用户可以贡献的时间都有限，但却很有价值。如果用户选择在网站或应用上花费时间，或者进入界面后距第一次有效点击时间间隔很长，这些都是非常有用的信号。说明用户对产品非常陌生或者产品交互主线不够清晰，但用户又充满一定的好奇心想要看看产品究竟具备什么。
如果他们不花时间，或者进来就可以选择他们想要了解的，或者直接关闭，那也是同样重要。通过按用户使用时长细分用户，可以了解哪些功能，因素和内容与高活跃相关，从而为增加使用时长提供新的想法，或者减少某一部分使用时长（比如：电商支付环节，用时越少支付机会越高）提供更多机会。
二、自定义事件
1. 积极行为动作
添加“关注”的用户与没有“关注”的用户有什么区别？或者一件商品已经购买了一次或复购十次的用户？以及这个产品属性是低频购买商品，还是高频使用商品？
每个产品都有所不同，但知道这一点至关重要。通过分析用户行为或动作，运营同学可以分离出最重要的用户共有的标签，并在这些标签的基础上进行更深层次的交叉细分。
2. 消极行为动作
并非所有的用户行为都是积极的，也会发生用户流失，放弃购物车或取消关注等消极行为动作。
通过分析这些行为动作之前发生的事件（例如：服务宕机、延时或新版本发布），运营同学可以将这些问题归集出来：
- 一是向产品和技术同学反馈问题的严重程度并促使其改进；
- 二是找到流失原因尽可能的在第一时间通过运营手段进行挽回。
对于任意一个互联网产品而言，找到用户的共性和个性都是十分有意义的。因为用户细分始终与商业目标相结合，如：成本和利润。每个产品都应该有自己的“套路”来确定哪些数据最有价值。一个由广告驱动的阅读类产品可能会从展现和点击中获得收益，并且还会追踪这些有过点击行为的人群具备什么样的基础属性。
在用户允许的情况下，产品尽可能的获取更多的数据以便进行更精准的分析，并将这些数据作为你进行用户细分时可筛选的指标。作为交换价值，产品需要满足用户更多的个性化需求，总体来说这是相辅相成的，但是一定要保证数据安全。
- 社交属性：性别，年龄，语言，常住地，婚姻状况或收入，兴趣，信仰，附属关系或社会经济地位；
- 行为数据：用户的操作行为，例如访问次数，点击次数，页面停留时间和转化率；
- 营销数据：是否付费，付费能力，购买偏好 ，购买次数，购买间隔。
- ……
三、如何做用户细分？
用户细分流程由四个步骤组成：
1. 确定细分的指标
用户细分的指标有很多，刚才上面提到社交属性中的：性别、年龄、地域等；营销数据中的：年费用户、包月用户等，行为数据中的：打开频次，关注行为，注销动作等；除此之外还有其他很多很多细分的指标，细分指标的确定由细分目的和目标用户等相关因素决定。
2. 用户信息采集
用户信息包括公司日常运营所积累的用户，通过企业相关调研活动所采集的用户信息，以及第三方合作平台互换的用户信息。
3. 制定细分标准
细分标准并没有一个定型，暂且可以归类为售前、售中、售后。售前细分是粗颗粒度细分，筛选，譬如：时间、社交属性等。
售中细分是根据以往成熟经验模型（案例）可以明确用户行为的细分准则，售后细分为用户类型起初并没有具体的特征形态，根据多个数据特征变量，利用聚类等统计分析方法，而定义的细分标准。
4. 细分用户描述
将不同类型的用户进行具备其特征的描述，比如：根据用户价值和用户活跃度进行四象限分类为：普通用户、高价值低频用户、低价值高频用户、超级用户，还可以根据用户行为继续往下拆解描述。
关于常用的细分分析方法，下篇会给大家介绍，比如逐步细分法，交叉细分法、统计归纳法等等。
作者：友盟全域数据，微信公众号，友盟数据服务 （ID：umengcom）
本文由 @友盟全域数据 原创发布于人人都是产品经理。未经许可，禁止转载
题图来自 Pexels，基于 CC0 协议
