聊聊用户分群分析-技术圈

大家好，我是宝器！今天主要分享下关于风控应用场景下客群相关的分析。

我之前说过，个体不重要，群体才重要。因为没人把你当回事，平台也不把你当回事。

做风控的目标不是为了零风险。你不能把所有存在风险的客户都拒绝掉，你也做不到这一点，因为每个人每笔交易都存在风险，程度问题。你不能说一个芝麻分600分的人，比一个800分的人差，个体符合测不准原理。但是你可以说，六百多分的这群人没有八百多分的那群人好，这是对的，群体是测得准的。

风控不关注个体，1w个人申请，你通过了3k人，不是说这3k里的每个人都是会准时还款的。实际上是，你把这1w人按风险排序分成10组，每个群组里计算收益率，风险排序足够好的话，这10组的收益率是单调的，收益率为0作为分界线，你取出了其中前3组。实操中，不必真的算收益率，逾期率好算的多，也不必用0作为分界线，取一个业务上合理的阈值就可以了。

你从来没有关注过个体，而这却是对的。所以你常常会见过，风控把一些正常行为拦截了，例如反复让你校验验证码、刷脸失败、交易被拒绝、投保被拒等。

在金融市场上，那些金融机构不管你姓什么，是谁的儿子，读过多少书，有什么意识形态，持什么政治信念，信仰什么宗教，只要你具有交易信用，有支付能力，他们就会跟你做金融交易。

对平台而言，没有个体，只有客群。你觉得你是VIP，联系客服去投诉，在他们眼里，你也就是个爱投诉的客群而已。你真觉得你是什么VVIP吗？

在金融领域，我们把对客群的理解统一称为KYC（know your customer），分客群也可以说是打标签。基于客群，我们制定差异化的策略，使得对客户的管理达到最优。

客群的概念远不仅限于金融领域，而是在几乎所有互联网业务中都扮演着举足轻重的地位。我们制定新策略、推出新产品、调整运营方案、进行战略升级、举办一些活动，都需要在了解客群的基础上进行。

数据驱动的行业更是如此，分析师们根据经验或大数据抓耳挠腮地去分析各种维度，探索客群的规律和特性，希望能找到新的盈利增长点，找到新的活跃客户和高转化客户，可以说客群分析是他们的一切。

我们先说说客群如何划分，然后对当前主流互联网业务进行展开，包括消费金融、电商、社区团购、短视频、直播，看看这些业务都在关注什么样的客群，以达到对用户最好的管理。

如何分客群

不同的人差别可能很大，一个模型、一条策略不能有效地适用于所有客群。这时候，把客群划分成某些类别是很有必要的，例如收入高的、收入低的。一句话概括，分客群就是把具备某种相同特性的人归结在一起，就好像我们总喜欢基于某些特性给别人打标签或者被打标签。

对于互联网业务来说，用户的背后就是数据，客群划分其实就是基于数据的分类。

我们先说可以获取的数据。

用户与平台交互产生的数据大体上讲可以分为三类：基本属性信息、行为信息和交易信息。基本属性包括用户的年龄、性别、学历、出生地、常驻地、职业、是否有车、是否有房等，这些信息有的可以从身份证、手机号上解析，有的是用户填写，有的可能需要根据其他信息推断，有的还需要授权去查询。行为信息则是用户在平台端频繁访问留下的数据，主要是浏览、点击、输入。交易信息则是用户历史的交易情况，互金的借贷和还款，电商订单，外卖订单，出行订单等都是。此外，有一些数据平台自己没有，但是又需要用，可以经过授权从行业层接入一些相关数据，如征信报告等。

要知道，互联网金融业务一般会比其他业务如搜索、广告、推荐拥有用户更精准更全面的信息，这是生意属性决定的。大数据风口上产生的一大批数据服务平台，就大多是为互金行业服务的。基于此，客群的作用在互金领域比其他场景理应都大。

我们再来说如何分客群。

客群划分可以基于单个数据维度划分，也可以基于多个数据维度复合划分。单维度可以对客群做一个类似于切面的划分，比如：职业、年龄、收入水平等；复合维度的划分则需要更多的业务理解，例如基于RFM进行用户价值分群、决策树分群、聚类分群等。

单一维度的分群很好理解，例如我们根据年龄这一个信息，可以把客户分为少年、青年、中年、中老年、老年，阈值没有严格固定的要求，但一般18岁以下的未成年人是特殊人群，65岁以上的老年人在互金领域一般也会排除在外。这种连续变量可以按照某种含义切分成类别型变量用作分群。还有一类离散变量例如性别、学历，甚至所在城市等级，本身就很适合作为分群变量。我们关注这些分群，可以深入理解业务的客群结构，从而帮助我们进行宏观决策。

单一维度分群主要根据经验确定，除上述提到的基础信息外，还可以定义许多跟所属业务相关的分群。在互金信贷领域，这样的分群包括但不限于不同收入的客群、不同活跃程度的客群、额度使用率高低的客群，甚至是不同逾期程度的客群等等。

此外，还可以对特征进行单变量分析，从中挑选出区分效果好且稳定的特征，不管是模型还是策略，都可以重点依赖这些变量决策。如果这些变量具备合适的业务含义，就可以划分等级作为分群进行持续性跟踪分析。

复合维度的分群是精细化运营的必然产物。我们刚提到的RFM模型就是很好的分群思路，它是从最近一次消费（Recency）、消费频率（Frequency）、消费金额（Monetary）三个维度来标记客户的特征。RFM模型是衡量客户价值和创利能力的重要工具和手段。我们可以根据RFM指标区分出不同重要级别的客户，从而为用户管理提供数据支持。

RFM只是复合分群的一个代表，实践中复合分群可以是各种维度信息的组合，可以通过聚类、决策树来自动对样本进行分类。

其实，我们做的各种模型，都可以看成复合维度的分群，风险模型就是将高维变量加工成风险评分，从而得到风险分群。活跃度模型也是得到活跃度的分群，流失预警模型是按流失可能性得到分群。

另外，除基于数据的分群外，还有一类基于经验的分群，主要是利用从业务知识中了解到的客群差异性来做分群，如不同的营销渠道上风险差异较大，那就可以关注渠道分群，新的子产品上线了，业务更下沉了，那就可以关注是否是这个子产品的用户这个分群等等。

消费金融

消费金融不仅仅是在平台内先享后付的金融，基本上所有的小额借贷都是用于消费，毕竟用于投资划不来。也就是说，消费金融不仅仅是花呗和白条，借呗、金条和各大银行的信用卡、消金平台的贷款产品都包括在内。

那消费金融关注哪些客群呢？

一笔消费贷款完整的周期包括借款和还款，借了不还就产生了损失，所以要做风控。风控关注点背后就两个，还款能力和还款意愿。分群本质上都跟这两点有关系。

这样的分群包括但不限于收入分群、多头分群、活跃程度分群、额度使用率分群，甚至是逾期程度分群，等等。

以收入分群为例，可以根据月收入划分档次，收入代表了客户的还款能力，还款能力越强，统计意义上信用风险会越低。收入分群一般成偏正态分布，中等收入的客群人数占比较高，极低和极高收入的两端人群较少，且收入越高风险越低。收入分群不仅可以用来做风险决策，还可以用来做额度管理，收入低的不应该给过高的额度，超出能力的提前消费会暴露较大的风险。

再例如多头等级，多头相关的信息非常多，有登录、申请、借款、还款、逾期等一系列信息，很难通过单一变量定义出高效的多头客群。可以以多头变量对风险采用决策树建模，辅以经验优化，得到组合多个变量的多头分群，如轻度多头、一般多头、严重多头。这样的多头分群就可以看作复合分群的一种。

活跃分群可以分为近半年活跃、近一年活跃、历史活跃、从不活跃等。近期活跃的用户当然今后的活跃度也会更高，这部分用户贡献了最多的余额，并且风险相对也是低的。促活的意义在于用户越用就越好，很好理解，和平台交互越多，大浪淘沙，自然越来越好。

也常常关注额度的使用情况，额度使用率变高一般风险会升高，很好理解，可以用但却不用，欺诈风险显然没有，信用风险不说绝对没有，也是很低的。最终表现出了风险大部分是产品设计问题。

逾期更不必说，未逾期的是衣食父母，轻度逾期的不用催收也可能自然回款，适当提醒还可以挽救客户关系，中度逾期扔给催收，重点逾期卖资产包吧。

获客收入高的，转化活跃低的，用户质量越来越高，信息越来越厚，平台就越开心。

以上，就是我为什么老说策略的精髓在于分群。

电商、社区团购

经典的“人货场”三板斧，于电商平台而言，就是三项关键工作，选品、店铺运营、用户管理。品类要分群，店铺也要分群，在这个双边市场里，我们还是关注需求方，聊一聊客群。

电商平台的运营策略差异化主要从3个角度出发：基于用户的活跃度、基于用户对不同商品的偏好、基于用户所处的决策阶段。

活跃程度分群，最经典的就是前面说的RFM模型。对于流失客户，是否要考虑采取召回策略；对于高价值用户，是否可以向其推荐更多精准的商品。

偏好分群是基于用户对不同商品的偏好，将用户区分成“美妆类”、“鞋帽类”、“数码类”、“书籍类”等不同群体，然后精准推送新品。也可以进而根据品类和购买力，将用户分为土豪、白领、蓝领、低收等客群。

基于用户决策阶段，是关注用户的关键行为，甚至是行为的路径。例如，“领取了优惠券，但是未使用”的客群，可以采取精准的推送，刺激用户的转化。例如，“提交了订单，但是未支付完成”的客群，可以去用户细查，仔细分析每个用户的操作流程，一般就能发现问题出在哪。

另外，撤单、退货、投诉等也是重要的分群。这些分群既可以用事实标签，还可以做模型预测。

以上分群在后台无时无刻不扮演着决策工具的角色。另有一类耳熟能详的分群走到了台前，例如会员等级。基于购买力和购买习惯创造出一个会员等级这样的产品，展示给用户，可以和用户建立良性交互。“我的级别没你高，我要买东西超越你。”

社区团购相比电商，更高频更必需，分群倒没什么，就是以社区为单位的客群运营。平台主要是提供好供应链、物流仓储及售后支持，出发点是流量的争夺，尤其是下沉城市用户的争夺。社区团购业务本身不做什么精细化客群运营。

平台的目标就是挖掘好的客群，并且把不好的客群运营转化成好的客群。

短视频、直播

短视频太“有毒”了，以至于我抵抗不了自己的意志，然后把抖音app的网络给关了。这样如果想刷，需要先去设置打开网络，这一步我的意志力能稍微负隅顽抗一下。

它是怎么做到的呢？

智能算法非常强大，根据你的观看或者评论，就能准确地推算个人爱好，接着推荐给你很多相似内容。而为了寻求极致的观看体验，推荐的视频都很精美，尤其是抖音，让观看者沉浸其中，无法自拔。

不管是快手还是抖音，营收主要都是靠广告、直播、电商，比例有所不同。视频生产者用尽手段让用户为之停留，再利用冲击力极强的戏码给足观众快感，广告主收获海量用户，平台坐收广告费，再精准推荐直播间。

对广告而言，不管是借贷、游戏、交友、医美，还是之前的教育，大多都是竞价广告，点击-下载-安装的转化率算的明明白白的。投放要定向，定向就要找客群，前文提到的常用客群，照样会用在这个地方。除了根据人群标签投，还会根据CTR预估模型去投。

直播和电商更有趣，也更复杂。新手期时需要有一定的停留时长，来证明用户是喜欢你的直播间的，因为只有喜欢他才会购买，这是一个比较简单的道理。

但平台是非常关注时间的，就是每个用户能够在这个直播间里消耗多少时间。如果用户在这里消耗了很多时间，但是销售额或者说GMV不增长，平台是不喜欢的，有些带货直播间拼命憋单拉停留时间，但是GMV做不上去，这种直播间也是拿不到流量的。

因为，每个用户在APP的停留时间是有限的，他如果在你的直播间消耗了很多时间，却没有产生GMV，对平台来讲就是损失，它完全可以把这个用户分发到别的直播间去，别的直播间有能力产生GMV。

平台在电商这块真正要的是，你在较短的时间内完成成交，而且不过度消耗时间。所以，对用户的运营，不仅仅是单一目标为出发点，而不是多目标优化问题。

点击率、转化率、客单价，以及越来越重要的复购，背后都有大数据去排序、去组合，最终找到那个需要的客群。

好的客群，大多是重复的，一个人既是微信、支付宝、京东的用户，也是抖音、快手、美团的用户。故事从来不是“你好我好大家好”的关系，从来都是PK关系。客群做得好，经营到极致，本质上就是互联网业务的流量之争。

我曾经吐槽这些互联网业务，说：

消费金融：不管需不需要，让人人有钱借，人人上征信；

直播：不管哪路神仙还是妖怪，让人人都当演员，假装热爱；

社区团购：买菜买菜买菜，让后疫情时代的生活也能像疫情中一样，被投喂；

电商：下单更快，送货更快，快感也更快消亡；

短视频：凡夫俗子只关心如何打发时间，让他们更凡让他们更俗；

是的，要做到这些，就得分客群。谁分得更细，谁效率更高。

面向客群，大有作为。

·················END·················

聊聊用户分群分析

推荐阅读