这一步非常非常重要。用户细分可以有无穷无尽的分法，如果不事先定义清楚什么是“有效”细分，就会陷入茫茫多的细节大海捞针。
很多新手最容易忽略这一点，提起用户细分，就急匆匆把一堆用户特征变量塞进聚类模型，聚完了以后不知所措，到处问：“有没有用户分类的科学、权威、谁挑战就拖出去重打50大板的标准？”最后还被运营批判为：做的啥玩意！就是因为脱离了业务实际，只埋头加减乘除的缘故。
有效的分类标准，当然是根据运营的需要来的。我们可以从运营的目标、KPI、任务里拆解出对应的数据指标，比如运营的任务是：提升收入。我们按以下步骤，把业务问题转化为分析问题。
有了分类标准，就能检查细分是否有效，比如目标是：找到累积消费高的用户群体。那最后就看，我们找到的细分群体，消费差异是不是足够高，是不是真的锁定了高消费群体。
具体效果如下图所示：
找到了分类标准，我们可以看从什么维度切分用户，能让用户群体间差异更明显。这里又是一个大坑，因为看起来似乎可选维度非常非常多。很多同学陷入迷茫，到底我该怎么选。或者好不容易选出来，运营问：为什么这么分？他答：这么分差异大！然后被批判为：不懂业务，瞎胡乱做，好郁闷……
实际上，分类维度筛选有一定标准，完全不用到处乱跑：
（1）选数据来源可靠的维度
比如性别，年龄这些基础维度，很多公司没有严格采集流程，数据空缺多，真实性难保证，就不要用这些。尽量用消费、活跃、注册来源这些可靠的数据。
（2）选运营可影响的维度
比如设备型号，可能开发很关心，但运营知道了也干不了啥事，这时候就不要选；有些指标运营特别关注，比如运营想发优惠券，那用户对优惠券领取率、使用率就是特别好的指标。
（3）选自身分层差异明显的指标
有些指标自身差异都不大，数据分布很集中，这时候就不优先选用，优先选择那些自身分布差异大一些的指标。
以上，基于这三个标准，可以避免大海捞针瞎做实验，也能避免做出来被运营批判为：“这有啥用”。有同学会觉得，这个过程和做风控模型时找特征很像。确实很像，但有区别。风控模型对应的业务动作只有“通过/拒绝”两类，所以完全不需要考虑那么多。而做给运营的用户细分，运营落地时要考虑：活动主题、时间、产品、卖点、传播渠道……一大堆玩意，所以必须考虑哪些维度对运营有用。
这里又有三个很纠结的问题：
先从结果来说：原则上，最终分类数量不宜太多，每个群体要在运营看来有可操作意义。运营做活动要设计海报、备货、开发系统、准备投放资源。因此如果群体规模太小，是不适合单独做活动的。所以做用户细分时，习惯上限制群体最大为8类（每个群体都大于10%的份额）至于具体规模大小，可以根据项目目标，运营情况做设计。
在这个大原则下，意味着分类维度和每个维度的切分都不可能太多，尽量选关键维度，关键切分点，如果维度太多可以考虑用降维算法来做压缩。在每个维度切分时，需注意以下问题：如果单维度分段，发现某些分段有特殊性，就不能随意合并（如下图所示）
总之分类的过程需要反复尝试很多步，直到最后输出理想结果为止。
U868376369
余罪.
