绿色用户群体：代表的是有流失倾向的用户，这些用户消费金额不太多，运营可以采取适当的挽回策略。

　　紫色用户群体：代表的是近期消费，消费金额较少的用户，运营需要挖掘他们的价值，去发展和培养。

　　青色和蓝色似乎不能明显区分。那我们改一下散点图的维度呢？

　　改用指标R和F后，则是另外一种视角。青色用户群体比蓝色用户群体有过更多的消费次数，蓝色用户的消费频率比较差，更需要激励。紫色用户群体拥有相当高的消费频率。

　　到此，用户群体已经明显区分，大家是否能准确概述这些用户的特点了呢？虽然从数据分布上，长尾形态会一定程度影响可读性，但运营还是能针对不同群体作出相应的运营手段。

　　通过散点图矩阵观察最终的结果 (图片可能清晰度不佳)：

　　以上就是RFM模型的内容。它能动态的提供用户的消费轮廓，给市场、销售、产品和运营人员提供精细化运营的依据。

　　这也是数据挖掘在用户运营的应用之一，大家要了解。

　　怎么划分群体是一门学问，划分的群体少了，区分度不明显；划分的多了，则没有业务价值，二十几个群体你怎么去运营？群体数量，是要在数据和业务间取得平衡。

　　总而言之，分群的方法，一类是通过指标和属性人工的划分出用户群体。另外一类是通过数据挖掘，给结果赋予业务意义。反正最终的目的是提高运营效果和价值。

　　我们可以用RFM模型，试着将思维更开阔一下，能不能玩出新花样？完全可以尝试。

　　金融：投资金额、投资频率、最近一次投资时间；

　　直播：观看直播时长、最近一次观看时间、打赏金额；

　　内容：评论次数、评论字数、评论被点赞数；

　　网站：登录次数、登录时长、最近一次登录时间；

　　游戏：等级、游戏时长、游戏充值金额；

　　这些是我简单列举的参考，未必准确，作为大家参考的他山之石。不同产品的分群策略也不一样，比如酒店产品，住宿不是一个固态的需求，是否需要加入时间的维度呢？也许住宿条件会更好分群。

　　需要注意的是，群体数量并不固定，可以是两个，也可以是四个，具体就看业务需求，主要是能囊括大部分用户。只是别太多，一来复杂，二来KMeans聚类在多特征的表现不算好。

　　通过用户分层和用户分群，想必大家已经了解了用户运营体系的基石。

　　用户分层，是基于大方向的划分，你希望用户朝什么核心目标努力;

　　用户分群，则是将他们切分更细的粒度提高效果。两者是相辅相成的。

　　如果用户大到一定量级，分层和分群就未必是好的方法，因为用户群的属性粒度特征随着产品进一步扩大，不论怎么细分都难以满足用户的复杂性，常见于各类平台型产品。这时候需要引入用户画像（UserProfile）体系，此时的用户分层和分群，都只是画像的一部分了。

　　——————

　　这是答读者问的一篇文章，本来想要将分层和分群拆成两篇内容，但是写着比较连贯，所以就合并在一起了，多花费一点时间。稍微涉及到一点数据挖掘的超纲内容，按数据方向的进度，下半年看这个会更好一些，就当作先预习了。

　　不过说回来，这大概也是我第一篇将高阶运营和高阶数据分析结合的文章了。

　　投稿邮箱：[email protected]

　　本文由作者授权早读课发表，转载请联系作者。

　　优秀人才不缺工作机会，只缺适合自己的好机会。但是他们往往没有精力从海量机会中找到最适合的那个。

　　100offer 会对平台上的人才和企业进行严格筛选，让「最好的人才」和「最好的公司」相遇。

　　扫描下方二维码，注册 100offer，谈谈你对下一份工作的期待。一周内，收到 5-10 个满足你要求的好机会！