在产品的增长分析当中想关注符合某些条件的一部分用户不仅想知道这些人的整体行为（访问次数关键词排名优化不仅想知道这些人的整体行为（访问次数访问时长等）还希望知道其中差异较大的细分群体。用户分群方法能帮助我们对差异较大的群体分别进行深入分析从而探究指标数字背后的原因探索实现用户增长的途径。
一、用户分群的应用场景
在日常的数据工作中我们经常接到这样的需求：想关注符合某些条件的一部分用户不仅想知道这些人的整体行为（访问次数访问时长等）还希望知道具体是哪些人符合这些条件。然后查看这些人的数据导出用户名单针对性的发送tips消息。有时还想进一步查看某些人在使用某功能上的具体操作行为。用户分群就是用来满足这类需求的工具方法它能帮助我们对差异较大的群体分别进行深入分析从而探究指标数字背后的原因探索实现用户增长的途径。
如用户画像分群核心价值在于精细化的定位人群特征挖掘潜在的用户群体。使网站、广告主、企业及广告公司充分认知群体用户的差异化特征根据群体的差异化特征SEO排名根据群体的差异化特征帮助客户找到营销机会、运营方向全面提高客户的核心影响力。
二、用户分群
图1：用户分群的5个类型
类型一：不分群如全量活跃用户投放群发短信等缺点是没有针对性容易引起用户反感。
类型二：用户基本信息分群如根据用户注册的信息分群。相比不分群这种方法已具备一定的针对性 但是由于对用户不是真正了解产生不了很好的结果预期。
类型三：用户画像分群如年龄、性别、地域、用户偏好等画像建设的焦点是为用户群打“标签”一个标签通常是人为规定的高度精炼的特征标识最后将用户分群的标签综合即可勾勒出该用户群的立体“画像”。画像分群让我们真正了解了用户的某些特征对业务推广帮助很大。
类型四：根据用户行为进行分群此阶段会在画像分群的基础上关注用户的行为特征, 如根据用户的注册渠道和活跃习惯制定不同的营销推广策略。
类型五：聚类和预测建模分群聚类建模可以根据用户的综合特征指标将用户分为不同的群体如将用户划分为娱乐型、挂机型、社交型、办公型等；预测建模即尝试去猜测用户下一步的态度与行为（例如想知道什么想做什么）。正因如此它对将复杂的行为过程变为营销自动化是十分有帮助的。
三、常见的用户分群维度
1. 统计指标：年龄性别地域
2. 付费状态：免费试用SEO排名试用付费用户
3. 购买历史：未付费用户一次付费用户多次付费用户
4. 访问位置：用户使用产品的区域位置
5. 使用频率：用户使用产品的频率
6. 使用深度：轻度中度重度用户
7. 广告点击：用户点击了广告 vs 未点击广告
四、常用的聚类分群方法介绍
上面介绍了一些关于分群的方法和思路 接下来重点讲解一下用户聚类分群聚类分群可分为层次聚类（合并法分解法树状图）和非层次聚类（划分聚类谱聚类等）而较常用的互联网用户聚类方法为K-means聚类方法和两步聚类法（均为划分聚类） 。
聚类分析的特征：
简单、直观；
主要应用于探索性的研究其分析的结果可以提供多个可能的解选择最终的解需要研究者 的主观判断和后续的分析；
不管实际数据中是否真正存在不同的类别利用聚类分析都能得到若干类别的解；
聚类分析的解完全依赖于研究者所选择的聚类变量增加或删除一些变量对最终的解都可能产生实质性的影响。
研究者在使用聚类分析时应特别注意可能影响结果的各个因素。
异常值和特殊的变量对聚类有较大影响
当分类变量的测量尺度不一致时需要事先做标准化处理。
聚类分析的弱点：
聚类是一种无监督类分析方法无法自动发现应该分成多少个类；
期望能很清楚的找到大致相等的类或细分市场是不现实的；
样本聚类变量之间的关系需要研究者决定；
不会自动给出一个最佳聚类结果。
聚类分析的应用过程：
（1）选择聚类变量
在选取特征的时候我们会根据一定的假设尽可能选取对产品使用行为有影响的变量这些变量一般包含与产品密切相关的用户态度、观点、行为。但是聚类分析过程对用于聚类的变量还有一定的要求： 1.这些变量在不同研究对象上的值具有明显差异；2.这些变量之间不能存在高度相关。