常用的用户分群的方法有我们熟悉的RFM、基于数据挖掘的

常用的用户分群的方法有我们熟悉的RFM、基于数据挖掘的means等等。前者是用最近一次消费时间，消费频次和消费金额来衡量用户价值，将用户进行分群，分成高价值用户，一般价值用户，重要挽留用户等等，但是RFM模型的建立需要专家经验，也就是说指标的选择以及各指标阈值的确定都必须有业务sense，而不是拍脑袋决定的。

Kmeans主要是通过数据挖掘的方式找出有相似特点的用户，实现物以类聚人以群分，用户进行过聚类后通过分析各组的特点也可以针对性地进行运营。

03 用户分层应用案例

下面我们通过一个案例将用户分层的理论落地，案例仅为便于说明问题而虚构。首先我们假设活跃用户数的变化趋势如下图，乍一看每月的活跃用户数在持续增长，看似还不错。

但是我们要警惕的是虚荣指标给我们的错觉，我们可以把累计的用户数放进来，也就是截止到当前的累计用户数，活跃用户数除以累计用户数得到用户的活跃度，表征的是活跃用户占整体的比例，这样一看发现好像比例在逐渐减小。

我们可以继续细分，可以根据累计用户数计算出新增用户数，发现活跃用户中很大比例是新增的用户。

相似地，我们可以把累计用户分为新用户和老用户，把活跃用户分为新活跃用户和老活跃用户，相似的，可以得到新老用户的活跃度，我们发现老用户的活跃度更低了。

我们想要看老用户中到底是怎么了？我们把活跃用户再进行细分，分成活跃、不活跃用户2大类，活跃用户我们包括了新活跃用户和老用户活跃，然后老用户活跃我们又分成了一般活跃用户，忠诚用户和回流用户，不活跃用户主要包括沉默用户和流失用户。

我们发现老用户活跃主要是因为一般活跃和忠诚用户的活跃都很少，但是新用户很多，说明我们需要做好新用户引导和留存，同时促使用户向忠诚用户转化。