從用戶梳理到構建體系再到數據分析

很多人盛傳說過用戶得天下，得到的用戶是獲得用戶+使用數據，圍繞用戶的一系列需要梳理，分類，分析，結合過去的經驗，秉著對過去的事情復盤想法，於是就有了下文——從用戶梳理到構建體系再到數據分析

1、從用戶到人群可能是用戶梳理的主要內容

除了有實名制要求的企業數據有先天優勢，當前比較流行的是將手機號碼作為唯一人標識，這不全對，人口流動，業務的城市範圍都帶來很大的波動，手機+城市可以較準確的定位到本地人與本地業務，更具有操作性。

用戶梳理是個極為繁瑣的工作，諸如標準不統一，特定情況下的數據新增解釋，當然還有數據重複，錯亂，這是一大部分，除此之外還有數據變換。

從一大群用戶中，通過用戶梳理到定位到人，打上標記，形成人群，甚至族群，並刻畫他們有關業務的顯著特徵是終極目的。

2、用戶數據體系構建最終將呈現用戶立方體

數據化運營除了一系列動作，主要圍繞一堆數據，如果能將用戶定位到人，把用戶梳理好，形象的說，用戶一塊一塊的堆砌好，那就是用戶立方體，立方體當然是從多個角度做到進行全方位構建，提供幾個常用的構建方面：

從統計學角度用戶有幾大屬性分成：人口屬性，過程行為屬性，結果行為屬性，網路社交行為；

人口屬性中姓名是最不重要，定位到人，重要的是可以定位到人的信息，比如手機，城市

過程行為中有時間，行為/動作，行為間轉換等；

結果行為中有時間，行為/動作，行為結果等；

網路社交行為中，時間，媒體，關係，關係親疏度；

通過用戶立方體構建全量數據，將實現跨設備、跨業務、跨中心的，形成數據共享中心，數據分析成果分發中心。

3、數據分析與業務洞察

數據來源於用戶產生，無論從各種分析，來自業務的，來自銷售管理部的聲音是非常重要的，比如用戶標籤與業務一線挑客的問題，此類問題，需要我們一方面要講究數據分析，也要壓縮業務擅自靈活操作的空間，要考慮數據分析結果是留在平台供管理運用還是下發到一線進行指導，考慮風險，考慮更多。

4、數據模型在用戶分析中選擇偏好

早期市場研究特別流行做聚類分析，從騰訊，阿里的使用情況來看，聚類因為有較大的隨意性，屬於無監督學習，使用受限，不再具有權威性，當然他有其他的適用性，在已知數據情況下，聚類達成的結果還是不錯的。

回歸，特別是多元回歸與邏輯回歸，應用最廣，解決了類似是否成交，未來多大的量，與此類似還包括同屬分類演算法下的神經網路，決策樹，其次是時間序列的 ARIMA模型，應用比較多。

其實最簡單的思想，一定堅持分類，用簡單的excel或報表工具，都可以搞定簡單的用戶分類。