用户标签、用户画像、用户分群、用户分层、用户细分……很多做用户分析的同学，会被这几个概念绕晕。今天系统讲解一下。一图以敝之，这几个东西关系如下：

用户标签是基础

用数据描述一个用户，有标签和指标两种方式

指标：连续型数据，比如过往3个月消费

标签：分类型数据，比如用户性别、居住地

有了丰富的指标和标签，才能对用户进行描述。很多业务方案是基于5w2h的思考模式设计，需要利用大量的用户标签，来丰富方案细节（如下图示例）

用户画像是底座

用户画像是一个统称，指：使用大量的标签+指标，对用户进行描述。如果你听到：“看一下用户画像”，其实就是让你列举出一些标签+指标。用户画像是数据服务业务的底座。

用户分群是方法

用户分群是用户画像的一种运用。即不把用户视为一个整体，而是从用户特征、行为等方面找差异，划分为不同群体。比如按性别、年龄、城市、消费多少、活跃程度进行划分，分为不同群体。

分群以后，能便于业务更好地识别不同类型的用户，做精细化运营动作。简单的用户分群，可以直接拿用户标签（特别是物理特征）做分类，复杂的分群，则可以用更多数据。

用户分层是一种特殊的分群

如果拿用户价值的高低来做分群，这种分群就是用户分层。区分价值高低是很重要的，高价值的用户往往有更高级的服务

注意：“价值”本身，可以有很多种定义

1、活跃价值：用户在平台登录次数多，活跃时间长

2、转介绍价值：用户会转介绍很多次，带来很多新用户

3、历史消费价值：用户历史上累计消费很多钱

4、未来消费价值：用户未来会消费很多钱

因此讨论分层前，首先要搞清楚分层的标准，该用何指标定义。

定义指标以后，就可以着手进行层次划分了。很多同学会纠结到底分界线定在哪里合适。定分界线的原则是：

1、分层后，各层级有明显区分度（10%或更多）

2、分界限本身简单清晰，容易辨识

3、分层后，每个群体的规模足够大，有价值做

只要符合这三个标准的，都是好分层。

另一个分层的注意事项是：区分历史行为和未来行为。很多同学做分层，就只知道拿历史消费，历史活跃数据。这样是有风险的，因为历史消费高不见得意味着未来消费高，特别是这种历史消费高峰是在促销期，或者买耐用品买出来的。这时候用户是很少有未来消费需求的。

所以历史消费与未来消费之间的关系需要验证一下，如果不直接挂钩，可以试着从用户特征等方面进行区分。

明着分/暗着分

注意，用户分层有明分和暗分两种，明分，即向用户公开分群规则，比如1年内消费满1万成为金卡，金卡用户可以享受3888入会大礼包和9折购物优惠。

暗分，即内部设定好标准，比如A类用户促销敏感度低，B类用户促销敏感度高，之后在抽奖的时候，不给A类用户中奖，只给B类用户中奖。明分和暗分，在业务上、数据上，会产生明显的效果差异，所以在实操的时候一定要分清楚。

明着分，能直接拉动用户消费，促使用户升级。只要给的奖励够吸引，你可以看到一个普通用户一夜之间变成VVVIP。最好直接把这种分群当成促销活动。考核额外给到的资源、新拉动的消费数量，评估分群效果。

注意，这么做也是有限制的

1、分群规则不能复杂，否则用户看不懂，一切白搭。

2、分群奖励门槛要高，否则躺着进来的人太多，成本会爆炸

3、分群奖励要够给力，否则没人为三瓜俩枣掏腰包

4、身份认证要做好，否则几个用户凑一张金卡薅羊毛也是常事

5、奖励重叠要控制，避免金卡优惠和其他优惠重叠太多，成本失控

暗着分，其实就是大数据杀熟，暗搓搓地搞价格歧视。暗着分在控制成本、拉动运营指标上比明着分更有效果。

比如运营部门发现最近转化率降了，如果直接搞大促销，有相当大一部分成本是被原本就会消费的用户薅走的，那么可以通过复杂的内部规则（或者干脆训练购买预测模型），找到更大概率不会自然消费的用户，只针对他们投。这样暗箱操作，可以让成本更少，指标提升效果更明显。

不过这样做也有前提条件：

1、有封闭信息，直接推送给用户个人的APP/小程序

2、用户的活跃度得高，得有能力接收到信息

3、下单时间有限制，避免用户多平台比价/更换账号比价

总之，要结合业务实际条件做划分，效果才能更好