用戶分層方法用戶細分與聚類聚類模型將樣本點根據(jù)某種特征進行分類，達到的效是，類與類之間的差異大，而同一個類內(nèi)的用戶差異較小，從而達到分群、定類別的目的。用戶細分的重要意義有利于深入洞察用戶需求提高業(yè)務(wù)運營效率和效益降低運營風(fēng)險保持業(yè)務(wù)的可持續(xù)增長用戶細分的不同商業(yè)主題行為特征客戶價值生命周期需求與態(tài)度產(chǎn)品設(shè)計客戶管理客戶營銷資源投入優(yōu)化產(chǎn)品設(shè)計階段用戶細分用戶心理地圖用戶想法和感受聽：用戶聽到的信息說：用戶表帶的訴求做：用戶行為看：用戶能挑選的產(chǎn)品痛點收獲資源投入優(yōu)化：用戶價值分層RFM模型：根據(jù)用戶的3個維度進行價值區(qū)分的，分別是消費熱度、消費頻率、消費金額用戶管理-用戶生命周期分群用戶營銷-用戶行為特征分群聚類分析的基本概念聚類分析分群目標(biāo)是，使得每個群的特征描述明確且具體，不同群之間的特征差異明顯。通過對數(shù)據(jù)進行分類，使得類與類之間的差異大，而同類內(nèi)的樣本差異小，從而達到分群的效果。聚類模型的評估輪廓系數(shù)平方根標(biāo)準(zhǔn)誤差R2ARI層次聚類層次聚類的算法描述(1)假設(shè)有n個樣品，每個樣品被單獨看成一類，即構(gòu)造n個類，每個類包含且只包含一個樣品。(2)計算n個樣品兩兩之間的距離，以及類間距離矩陣，并將距離最近的兩類合并為一個新類。(3)計算新類與當(dāng)前各類之間的距離。(4)一直重復(fù)上述過程，直至所有的觀測被聚為一類，并繪制聚類圖。(5)決定聚類數(shù)目和類別，并對類作出解釋。層次聚類分群數(shù)量的確定層次聚類的優(yōu)點是具有較好的解釋性，分析人員可以通過層次聚類圖確定需要將處理的樣本數(shù)據(jù)分成幾類，以及這些類的樣本有哪些。層次聚類也有缺點，層次聚類處理大樣本數(shù)據(jù)較為吃力，需要不斷計算點與點的距離及類與類的距離，對計算機的計算和存儲能力、計算時間都是一個挑戰(zhàn)。K-means聚類算法K-means聚類算法是處理大樣本數(shù)據(jù)的聚類方法，其基本思想是以迭代為理論基礎(chǔ)，先對樣本觀測進行粗略分類，然后按某種最優(yōu)準(zhǔn)則逐步修改分類，直至最優(yōu)為止。K-means聚類算法是聚類分析中的常用方法，常用于用戶分群。K-means聚類算法描述K-means聚類算法就是計算樣本點與類簇質(zhì)心的距離，與類簇質(zhì)心相近的樣本點被劃分為同一類簇。(1)設(shè)定K值，確定聚類數(shù)，軟件隨機分配聚類中心所需的種子。(2)計算每個觀測到類中心的距離（歐式距離或明考斯基距離），并分成K類。(3)把K類中心（均值）作為新的中心，重新計算距離聚類事后分析：決