如果沒有細分用戶，產品設計就只能靠直覺和猜測，運營活動就只能靠拍腦門兒。那要如何通過用戶細分找到你的“超級用戶”？
用戶細分是指根據用戶的社會屬性、行為數據和消費偏好等將其劃歸不同群組的流程。比如：您可通過用戶細分指定來自特定國家/地區或城市的用戶，添加另一個細分條件來指定購買特定產品或使用產品上特定功能的用戶。
通過指標的篩選，可以幫你找出那些“超級用戶”比如：“購物狂”或您產品的“發燒友”，并看看他們都有什么共性。
通過細分還可以幫助產品經理進行產品優化，提供個性化的用戶體驗。比如：有一類用戶白天基本不會啟動應用，因為他們喜歡白天就是工作狀態，但晚上簡直又變成“腦殘粉”。
這意味著不管產品同學還是運營同學都需要盡可能多地了解他們，以避免在白天讓他們頻繁收到push推送，而晚上服務器停止服務進行升級的尷尬局面。
如果沒有細分，產品設計就只能靠直覺和猜測，運營活動就只能靠拍腦門兒，對了還好，可不對呢？由于新版本發布或不可抗力的原因，啟動猛增或遭遇滑鐵盧？
沒有細分數據，產品團隊無法預知他們產品的未來，運營活動只能靠經驗，而辛辛苦苦引進來的用戶也就慢慢流失了。
一、可以使用哪些細分策略？
1. 付費用戶與免費用戶
付費用戶通常比免費用戶忠誠度更高，更具有用戶粘性且更易于促使他們成為超級用戶，而免費用戶可能并不會將產品視為生活中的必備工具，隨之而來的就是高流失風險。細分功能可以讓團隊在保留前者的同時轉換后者。
2. 新增用戶和活躍用戶
新增用戶和活躍用戶在整個產品鏈路中處于非常不同的階段，活躍的用戶已經找到產品服務中有足夠的價值，可以促使其再次打開。此外活躍用戶又分很多情況（在第一篇運營填坑守則中已經講過）。另一方面，新用戶怎么能留下來并且保持活躍度呢？
如果運營同學知道所有留下來的用戶都使用了某一個功能，這樣就可以“要挾”產品提高這個功能的露出機會，并“脅迫”設計同學將Icon突出，以幫助新用戶能成功留下來。
3. 網站/App的使用時長
每個用戶可以貢獻的時間都有限，但卻很有價值。如果用戶選擇在網站或應用上花費時間，或者進入界面后距第一次有效點擊時間間隔很長，這些都是非常有用的信號。說明用戶對產品非常陌生或者產品交互主線不夠清晰，但用戶又充滿一定的好奇心想要看看產品究竟具備什么。
如果他們不花時間，或者進來就可以選擇他們想要了解的，或者直接關閉，那也是同樣重要。通過按用戶使用時長細分用戶，可以了解哪些功能，因素和內容與高活躍相關，從而為增加使用時長提供新的想法，或者減少某一部分使用時長（比如：電商支付環節，用時越少支付機會越高）提供更多機會。
二、自定義事件
1. 積極行為動作
添加“關注”的用戶與沒有“關注”的用戶有什么區別？或者一件商品已經購買了一次或復購十次的用戶？以及這個產品屬性是低頻購買商品，還是高頻使用商品？
每個產品都有所不同，但知道這一點至關重要。通過分析用戶行為或動作，運營同學可以分離出最重要的用戶共有的標簽，并在這些標簽的基礎上進行更深層次的交叉細分。
2. 消極行為動作
并非所有的用戶行為都是積極的，也會發生用戶流失，放棄購物車或取消關注等消極行為動作。
通過分析這些行為動作之前發生的事件（例如：服務宕機、延時或新版本發布），運營同學可以將這些問題歸集出來：
- 一是向產品和技術同學反饋問題的嚴重程度并促使其改進；
- 二是找到流失原因盡可能的在第一時間通過運營手段進行挽回。
對于任意一個互聯網產品而言，找到用戶的共性和個性都是十分有意義的。因為用戶細分始終與商業目標相結合，如：成本和利潤。每個產品都應該有自己的“套路”來確定哪些數據最有價值。一個由廣告驅動的閱讀類產品可能會從展現和點擊中獲得收益，并且還會追蹤這些有過點擊行為的人群具備什么樣的基礎屬性。
在用戶允許的情況下，產品盡可能的獲取更多的數據以便進行更精準的分析，并將這些數據作為你進行用戶細分時可篩選的指標。作為交換價值，產品需要滿足用戶更多的個性化需求，總體來說這是相輔相成的，但是一定要保證數據安全。
- 社交屬性：性別，年齡，語言，常住地，婚姻狀況或收入，興趣，信仰，附屬關系或社會經濟地位；
- 行為數據：用戶的操作行為，例如訪問次數，點擊次數，頁面停留時間和轉化率；
- 營銷數據：是否付費，付費能力，購買偏好 ，購買次數，購買間隔。
- ……
三、如何做用戶細分？
用戶細分流程由四個步驟組成：
1. 確定細分的指標
用戶細分的指標有很多，剛才上面提到社交屬性中的：性別、年齡、地域等；營銷數據中的：年費用戶、包月用戶等，行為數據中的：打開頻次，關注行為，注銷動作等；除此之外還有其他很多很多細分的指標，細分指標的確定由細分目的和目標用戶等相關因素決定。
2. 用戶信息采集
用戶信息包括公司日常運營所積累的用戶，通過企業相關調研活動所采集的用戶信息，以及第三方合作平臺互換的用戶信息。
3. 制定細分標準
細分標準并沒有一個定型，暫且可以歸類為售前、售中、售后。售前細分是粗顆粒度細分，篩選，譬如：時間、社交屬性等。
售中細分是根據以往成熟經驗模型（案例）可以明確用戶行為的細分準則，售后細分為用戶類型起初并沒有具體的特征形態，根據多個數據特征變量，利用聚類等統計分析方法，而定義的細分標準。
4. 細分用戶描述
將不同類型的用戶進行具備其特征的描述，比如：根據用戶價值和用戶活躍度進行四象限分類為：普通用戶、高價值低頻用戶、低價值高頻用戶、超級用戶，還可以根據用戶行為繼續往下拆解描述。
關于常用的細分分析方法，下篇會給大家介紹，比如逐步細分法，交叉細分法、統計歸納法等等。
