在數據分析過程中，分類是非常重要的工具，它也是我們認知事物的基本方法。分類即把事物分開并歸納到不同的類別里面，讓我們可以通過細分對事物建立更深刻的認識。

在數據分析中，分類可以幫助我們更好地組織和理解數據，并找到其中的關系和模式。例如，我們可以將用戶分為不同的年齡組、性別和收入水平，以更好地了解他們的消費習慣，并制定更有針對性的營銷策略。

怎樣做分類？

在分類時首選需要選定分類對象。在使用分類方法做用戶分析時，分類的對象就是我們的用戶，是購買或者使用我們產品的人或者組織。

當我們要分析一個事物的時候，可以從這個事物的構成要素、屬性特征、行為習慣3個角度來做分析。假設我們要做的是ToB行業的用戶分析，那我們的分析對象就是一個個自然人。作為人來說，他的構成要素包括器官、系統、細胞這些生理組成部分。做生理檢查的時候，就可以從人的這些構成要素一一檢查。我們的目的是做商業分析，所以可以忽略用戶的構成要素這一點，而從用戶的屬性特征和行為習慣兩個角度去做分析。

事物的屬性就是事物自身的特征或者特性。用戶的常見屬性包括區域、性別、年齡、職業、獲客渠道等。

此外，用戶在整個消費過程中產生的行為，包括訪問和瀏覽行為、消費行為、搜索行為、反饋行為等，會產生諸如購買品類、消費金額、購買頻率、購買周期、首次消費日期、最近消費日期等數據。我們也可以根據這些消費行為數據對用戶做分類。

用戶的屬性數據本身就是一些描述性的文字或非連續性的數值，通常可以直接拿來作為用戶的分類標簽。但是用戶消費行為數據通常是連續性數據，不能直接拿來作為分類標簽使用。因此在使用用戶消費行為度量做用戶分類前，我們還需要進一步明確分類標準，度量值多大時用戶分類為A類，多大時分類又是B類、C類。以電商行業為例，我們可以根據幾個常用的用戶消費行為度量設置用戶分類標準：

在上述電商案例中，我們采用了手動分類的方法，人工設置了用戶分類標準。在實際應用時，可以根據行業情況、數據特征、業務目標等調整分類標準。除此之外，我們也可以使用機器學習等技術進行自動分類。例如通過聚類算法，讓機器把數據集中的樣本按照特征進行分類。但無論采用哪種方式，分類標準應該是準確、可靠和可重復的。

用戶分類實踐

下面我們看一下怎樣在觀遠BI平臺上對用戶做分類，并使用用戶分類標簽做用戶分析。

1、創建分類標簽

1.1 選定分類標準

我們首選選擇一個用戶消費相關度量作為分類依據，再確定一個分類標準。例如：根據用戶最近消費日期距離當前日期的長短，將用戶分為流失用戶和活躍用戶。

• 流失用戶：指在一段時間內沒有使用過產品或服務的用戶。

• 活躍用戶：指在一段時間內有使用過產品或服務的用戶。

• 時間間隔可以根據業務需求來設置，例如一個月、三個月或半年等。在以下示例案例中設置為三個月。

1.2 數據源：

• 去重到日期、用戶級別的用戶消費數據。在實際應用中可以添加用戶屬性相關信息，以便做更豐富的分析。

1.3 實現步驟：

① 數據源中包含日期、客戶代碼、銷售額3個字段；

② 新建計算字段-統計日期 TO_DATE([DYNAMIC_PARAMS.日期])

③ 新建計算字段-最近消費日期MAX([日期])OVER(PARTITION BY [客戶代碼])

④ 新建計算字段-最近消費月數 MONTHS_BETWEEN([統計日期],[最近消費日期])

⑤ 新建計算字段-用戶標簽 IF([最近消費月數]>3,'流失','活躍')

2、使用分類標簽

在根據所設置的分類標簽對用戶做了分類之后，我們就可以使用這些用戶分類標簽了。用戶分類標簽的使用方法包括：

① 使用用戶分類標簽，統計用戶人數占比。例如下圖中的活躍&流失用戶人數占比；

② 使用用戶分類標簽+維度，統計用戶人數占比。例如統計新老客占比月度趨勢；

③ 使用用戶分類標簽，統計用戶相關指標。例如統計高價值客戶消費金額占比；

④ 使用用戶分類標簽+維度，統計用戶相關指標。例如統計不同注冊月份新用戶的留存率月度趨勢；

⑤ 將用戶分類標簽結合起來，做綜合的用戶價值/質量分析。

2.1 矩陣分析

我們選取兩個分類標準作為兩個變量，將它們分別放在一個二維坐標系的兩個軸上，然后根據它們的取值將坐標系劃分為四個象限，這就是四象限分析法。四象限分析法是一種常用的數據分析方法，它可以幫助我們更好地理解數據中的關系，從而做出更明智的決策。例如Eisenhower矩陣，可以幫助人們將任務按照重要性和緊急性進行分類，將任務分為重要且緊急、重要但不緊急、不重要但緊急、不重要且不緊急等四個象限，是我們非常熟悉的一個四象限分類。

以用戶分析為例，我們可以使用【最近消費日期】和【購買頻率】兩個度量對用戶做四象限分析：

根據這兩個度量可以把用戶分為四類：

• 重度活躍用戶：最近一次消費在3個月以內，在最近一年內消費次數超過3次。是需要保持的最有價值的客戶。

• 一般活躍用戶：最近一次消費在3個月以內，但在最近一年內消費次數未超過3次。活躍的但是消費頻率低的用戶是潛力客戶，需要通過營銷策略提升消費頻次。

• 重要流失用戶：最近一次消費在3個月以上，但在最近一年內消費次數超過3次。曾經很活躍但現在流失的用戶。需要調查分析流失原因，并通過營銷策略重點激活和維護。

• 一般流失用戶：最近一次消費在3個月以上，且在最近一年內消費次數不超過3次。可能是一次性消費的用戶，可以進一步調查分析用戶不活躍和流失的原因。

實現步驟：

① 新建計算字段-1年內 ADD_MONTHS([統計日期],-12)

② 新建計算字段-時間篩選 [日期]>=[1年內] AND [日期]<=[統計日期] ，字段類型為布爾型，并添加到篩選

③新建計算字段-消費次數 SIZE(COLLECT_SET([日期]) OVER (PARTITION BY [客戶代碼]))

④ 新建計算字段-用戶標簽2 IF([消費次數]>3,'高頻','低頻')

⑤ 新建計算字段-用戶四象限類別

CASE WHEN [用戶標簽1]='流失' AND [用戶標簽2]='高頻'THEN'重要流失用戶'

WHEN [用戶標簽1]='流失'AND [用戶標簽2]='低頻' THEN'一般流失用戶'

WHEN [用戶標簽1]='活躍' AND [用戶標簽2]='高頻' THEN '重度活躍用戶'

WHEN [用戶標簽1]='活躍' AND [用戶標簽2]='低頻'THEN '一般活躍用戶'

END

2.2 三維分析

如果我們從三個角度來做用戶分析，就可以形成一個三維魔方。RFM模型就是一個用來做用戶分析的三維魔方。通過對客戶最近一次購買時間(R)、購買頻率(F)和消費金額(M)三個度量進行評估分類，可以將客戶分為8類，從而就可以制定出更有針對性的營銷策略。

根據三個度量可以把用戶分為八類：

• 重度價值用戶：R高F高M高，重要客戶需要重點保持，提供優質服務；

• 重要發展客戶：R高F低M高，需要著重提升用戶購買頻次；

• 重要保持客戶：R低F高M高，加強客戶聯系，提醒客戶消費；

• 重要挽留客戶：R低F低M高，加大促銷力度；

• 一般價值客戶：R高F高M低，提升客單價；

• 一般發展客戶：R高F低M低，提升新客戶消費頻次；

• 一般保持客戶：R低F高M低，提醒消費；

• 一般挽留客戶：R低F低M低，流失風險大，使用促銷方式召回。

關于RFM的實現步驟，可以參考閱讀數分實戰派上一期的分享《構建RFM客戶價值模型，實現精細化運營》，或者訪問觀遠云應用市場上的相應案例。

總結

在實際應用中，分類方法可以幫助我們更有深度的認知事物。通過分類方法做用戶分析，將用戶分為不同的類別，可以讓我們更好地了解用戶的需求和偏好，可以讓我們更好地制定產品和營銷策略，以滿足不同群體的需求。

在使用分類方法時，我們應該注意：

① 分類標準的描述應該盡可能準確和全面，以確保分類結果的精確性和可靠性.

② 收集到的數據應該足夠詳細和全面，以確保分類結果的可靠性。