数据运营实战（一）：细分目标人群，结合用户画像的实践

作为产品、运营或者数据分析师，在实际问题处理时，就需要做归因分析，需要屏蔽其他因子的干扰，因此我们常常使用用户分群。

数据分析对于运营来说是一个数据抽象的过程。现实情况是连续的、复杂的、互相影响的，而数据抽象的过程，就是将这些复杂多变的现实情况 简化为数字量 ，搭建数据模型，计算相关因子，推断事件归因，并推进自身改进优化。

由于现实的复杂性，我们作为产品、运营或者数据分析师，在实际问题处理时，就需要做归因分析，需要屏蔽其他因子的干扰，因此我们常常使用 用户分群 。

分群后，我们的用户群可能简化为：

在每一个分群下，我们可以简化地对比某个因素对关键路径或者关键指标的影响因素。分群是手段，是工具，简单来说，分群分析就是通过 聚类的方式 ，把相似的人群合并，考察同一事件或同一指标在不同人群上的表现，以推断并定位对该事件/指标有明显影响的因子。

我们将用户 精细 分群 与 用户画像 结合起来，助力精益化运营的深度与精度。

那么，用户分群与用户画像如何结合使用？接下来，我们举个App案例进行说明：

某电商App，现在面临的问题是用户成交量较低，与投放推广的成本相比，ROI较低。

这个问题，我们应该如何分析？

首先 ，我们想看看成交的这部分用户与大盘用户之间有什么区别。我们在用户中选出成交的用户，建立用户群 对比大盘用户 。

这里，我们需要使用MTA自定义事件。设置“付款成功”为一个自定义事件，然后使用MTA中的用户分群功能，将自定义事件中满足“付款成功”的用户群筛选出来，命名为“成交用户”；我们还可以设置一个叫做“高价值用户”的用户群，将“付款成功”且付款金额>=100的用户筛选出来。

此处定义高价值用户为成交单价>100元的用户。

1、用户分群分析

得到了三个用户群之后，我们使用数据分析工具，比如腾讯移动分析MTA，对比这三个用户群特点间的区别。以下为三个用户群特征的对比：

从图中我们可以发现，大盘用户中男性较多，但实际成单与高价值用户中，都是女性偏多，且此部分用户对 购物类App、金融类App 的兴趣要明显高于大盘用户，表现出了较强的消费能力。

现在我们的 问题是投放回报率较低，ROI不符合预期 。

那么，我们可以初步判断，可以优化的有以下两个方向：

1. 用户引流渠道 可能有问题，需要调整渠道引流策略，包括渠道选择、人群针对性优化等，引入与消费行为匹配的新用户群，提高销售量；
2. 商品定位的调整 ：现有产品对男性的吸引力不足，导致大量大盘用户并没促成成单，这也是导致ROI较低的另一方面原因，可能需要调整的包括商品品类、商品推荐等；

其中，第一种优化方式的见效周期较短，而第二种调整方式相对影响层面较大、周期较长。 我们优先实践第一种优化方式，以调整渠道引入流量为主，优化引入人群的匹配程度，实现提高ROI的目标。 后续还需要斟酌是否需要优化产品定位，比如打造针对男性的亮点频道，进行产品改善迭代。

2、渠道优化策略

那么，渠道应该如何做改善？我们先对单周渠道引入量的数据，进行初步评估。

• 成交率数值应用的是漏斗模型的渠道筛选功能
• 此处渠道只列了5支较典型的渠道样本数据，实际渠道分布更多

从图表上看，我们当前主要的流量渠道是 渠道D与渠道E ，而且渠道D的留存率很高，可以认为是我们的优质渠道。

但从成交上看，我们认为渠道A其实有很大的潜力，虽然现在的引入量较小，但与成交人群重合度较高，考虑到A渠道的获客成本低于渠道D，加大投放之后很可能会有一个不错的收益，能够实现我们提高ROI的目标。

3、渠道人群画像验证

我们对渠道人群A进行画像分析，女性比例高达62.36%，其用户群对购物类App的兴趣也高于大盘用户，与我们高价值人群特征 匹配度较高 。

现在渠道A给我们带来的流量还比较小，但由于其渠道收益上ROI比例较高，且其群体画像与我们高价值用户的画像吻合度高，表现出了很高的投放潜力。

我们的改善方法是： 调整渠道投放的比例 ，减少渠道B、渠道C的投放，增强渠道A的投放，以周为单位，迭代优化渠道投放效果，并监测ROI的变动。

4、渠道投放优化效果

在投放一周后，对新增用户有了增长，我们临时决议再次加大渠道A的投放比例。这里是一个月的时间周期内，我们的新增用户数在渠道上的分布有了显著变化。

优化投放渠道前后，购买转化漏斗转化率的改变：

由于渠道A的平均客单价约是渠道D的1/2~1/3，我们的投入产出比例得到了优化。这主要依赖于通过数据分析找到了 优质低价 的渠道，降低了获客成本。

那么这个转化漏斗中，是否还有其他优化的空间？我们还能做什么改善？

请关注我们下周的案例分享《数据运营实战（二）》。

 

本文由 @腾讯大数据 原创发布于人人都是产品经理。未经许可，禁止转载。