TapCub 正式上线:统计、分析、客服一个平台免费用
数据分析

行为细分的例子:附规则、规模和结果

可以照着重建的行为细分例子:用一份示例事件数据算出购买、使用和参与三类分群,给出每个分群的规则、规模和接下来 30 天的购买率,还有重叠情况和先对哪个行动。

林舟 发布于 2026 年 11 月 21 日 8 分钟阅读 数据分析
示例数据:20,000 位已识别访客。高频用户(639 人)购买率 24.6%,沉睡用户(7,312 人)2.7%,总体 7.24%。示例数据

行为细分的例子,只有能照着重建才有用:每个分群都要有一个动作、一个时间窗口和一个次数。在 20,000 位网店访客的示例里,复购客户(90 天内 2 单及以上)再次购买的比率是 18.7%,浏览者是 5.2%;高频用户(8 个活跃日及以上)是 24.6%,沉睡用户是 2.7%。

读完你会知道

  • 把每个分群写成「做过或没做过,N 天内,M 次」,并在旁边记下规模
  • 比率相差 3.6 倍(复购客户对浏览者)和 9.3 倍(高频对沉睡用户),但高频用户只占 3.2%
  • 按规模乘以预期提升排优先级:7,415 位轻度用户提高 1 个点(多 74 位购买者),胜过 1,237 位复购客户提高 2 个点(多 25 位)

什么样的行为分群才算具体

行为细分的例子,只有能照着重建才有用。「忠实客户」是个标签;「最近 90 天下过 2 单及以上」才是分群:它写明了一个动作、一个时间窗口和一个次数,用同样数据的人会得到同样的一群人。下面每个例子都按这种方式写,给出定义、规模和一个可以比较的结果。

按客户的行为分组,这个想法至少可以追溯到 Wendell Smith 1956 年关于市场细分的论文,Russell Haley 1968 年的论文又加入了人们追求的利益作为依据。完整定义和四种常见类型见行为细分;变量怎么选见行为细分变量。本文是带数字的实作版本。

这些例子背后的数据

示例数据:一家网店有 20,000 位已识别访客,指最近 90 天内至少登录过一次、因此动作可以关联起来的人。数据用 Python 固定随机种子生成,每个人有:90 天内的订单数、最近 30 天的活跃天数、心愿单商品数,以及接下来 30 天是否购买。

20,000 人里有 1,448 人在接下来 30 天购买(7.24%)。这是每个分群都要拿来比较的基线。只有分群的比率和 7.24% 的差别超出了随机能解释的范围,它才值得关注。

想自己核对的读者:比较两个分群用的是 NIST/SEMATECH 手册描述的两比例 z 检验。下面三个主要比较(复购客户对浏览者、高频对沉睡、收藏者对未收藏者)得到 z = 18.4、25.9 和 16.5,远远超出随机能产生的范围。

购买行为分群

购买行为看人们买什么、买多少、多久买一次。这个例子用最近 90 天的订单数。

分群定义人数占比接下来 30 天购买
复购客户90 天内 2 单及以上1,2376.2%231(18.7%)
单次客户恰好 1 单3,85619.3%368(9.5%)
有购物车、没下单加过购物车,0 单2,43512.2%197(8.1%)
浏览者没加购物车、没下单12,47262.4%652(5.2%)

占比已四舍五入,合计可能与全部略有出入。四行合计 20,000 人、1,448 位后来购买的人。

复购客户再次购买的比率是浏览者的 3.6 倍(18.7 ÷ 5.2)。他们占全部人数的 6.2%,占下个月购买者的 16.0%(231 ÷ 1,448)。「有购物车、没下单」是多数团队最先写规则的分群,但它只有 8.1%,勉强高于 7.24% 的平均值,所以对这群人统一发提醒,多半是发给了从没接近购买的人。

分群定义人数接下来 30 天购买
复购客户90 天内 2 单及以上1,237(6.2%)231(18.7%)
单次客户恰好 1 单3,856(19.3%)368(9.5%)
有购物车、没下单加过购物车,0 单2,435(12.2%)197(8.1%)
浏览者没加购物车、没下单12,472(62.4%)652(5.2%)

示例数据:90 天内 20,000 位已识别访客;总体比率 7.24%(1,448 位购买者)。

使用频率分群

使用频率按人们出现的次数分组。这个例子用最近 30 天的活跃天数,有至少一次会话的一天算一个活跃日。

分群定义人数占比接下来 30 天购买
高频8 个活跃日及以上6393.2%157(24.6%)
常规3 到 7 个活跃日4,63423.2%601(13.0%)
轻度1 或 2 个活跃日7,41537.1%496(6.7%)
沉睡0 个活跃日7,31236.6%194(2.7%)

头尾差距很大:高频用户的购买比率是沉睡用户的 9.3 倍。但各组规模悬殊。高频用户只占 3.2%,在 1,448 位后来购买的人里只有 157 位(10.8%);轻度分群比它大十一倍以上,那里提高一个点,比高频组提高十个点还值(见优先级一节)。

活跃日的阈值是一种选择。在你自己的数据里结果出现跳变的位置切分,不要按整数切。

app.tapcub.com

接下来 30 天购买的比例,按最近 30 天活跃天数

示例数据,占分群 %
高频:8 个活跃日及以上24.6%
常规:3 到 7 个13.0%
轻度:1 或 2 个6.7%
沉睡:0 个2.7%
示例数据
示例数据:20,000 位已识别访客。高频用户(639 人)购买率 24.6%,沉睡用户(7,312 人)2.7%,总体 7.24%。

参与行为分群

参与行为分群用一个表示兴趣的具体动作。这个例子用把商品加入心愿单。

分群定义人数占比接下来 30 天购买
心愿单收藏者1 件及以上2,75713.8%408(14.8%)
未收藏0 件17,24386.2%1,040(6.0%)

收藏者的购买比率是未收藏者的 2.5 倍。把收藏者再拆成「1 到 2 件」和「3 件及以上」,分别是 1,565 人(15.8% 购买)和 1,192 人(13.5%),差距在噪声范围内(z = 1.7),所以多拆这一刀没有增加信息。只有结果不同时才保留拆分;两个分群比率相同、发同一条消息,就是一个分群。

用同样方法写出的其他参与规则:读过 3 篇及以上帮助文章、用过搜索、打开过两次价格页、看过产品视频的一半以上。

各分群如何重叠

每个人在每个维度里属于一个分群,三个维度同时各属于一个。重叠部分携带的信息最有用。

  • 高频但没下单的人。 639 位高频用户里有 202 位(31.6%)90 天内没有下单。他们常来却不买:更可能是价格、运费或缺货的问题,不是动力的问题。去看他们离开前看了什么。
  • 买过但已沉睡的人。 783 人最近 30 天没有活跃日,但最近 90 天至少有一单。他们买过一次就走了;需要和「购物车里还有商品」不同的消息。
  • 沉睡的复购客户。 1,237 位复购客户里有 80 位(6.5%)没有活跃日。这是失去代价最高的一小群人。

给组合分群命名要用规则,不要用昵称:「90 天内 2 单及以上,且 30 天内 0 个活跃日」。

先对哪个分群行动

规模和比率同样重要。一个简单的估算:多出来的购买者 = 分群人数 × 你预期的提升。

分群人数假设的提升多出的购买者
有购物车、没下单2,435+2 个点49
轻度使用7,415+1 个点74
复购客户1,237+2 个点25

提升是为了说明而做的假设,不是预测。用它来决定在哪里值得做测试:最大的分群配上适度、可信的提升,常常胜过反应很强的小群。用这些规则:

  1. 分群不到 100 人,不要围绕它建项目。广告平台也有类似的门槛:Google Ads 要求一个分群有超过 100 位活跃用户才能向它投放。
  2. 两个分群比率相同,就合并。
  3. 规则需要一个你解释不了的窗口,就放弃。每条规则都应该读作「做过或没做过,N 天内,M 次」。
  4. 给分群发消息时留出随机 10% 作对照,这样才知道消息有没有改变什么。消息发出之前该分群的比率,不能证明消息有效。

怎么确认分群是真实的

分群能预测,不能解释因果。复购客户买得更多,部分是因为他们本来就喜欢这家店。在基于一个分群建设之前,检查三件事:

  1. 换一个窗口,差距还在吗? 用 60 天和 120 天重算。排名变了,这个分群就很脆弱。
  2. 差距比随机更大吗? 像上面那样做两比例检验。只有几百人时,几个点的差距常常是噪声。
  3. 随时间稳定吗? 比较同一分群在两个不同月份的结果。

在 TapCub 里建这些分群

TapCub 定义和衡量分群,不发邮件、不发消息、不发折扣。要重建上面的例子:

  1. 在全端分析 › 用户 › 分群与标签里建一个规则分群。条件包括做过或没做过某个事件、属性值、首次出现、活跃,以及在另一个分群里。从「最近 90 天做过下单事件」开始,「没做过」用来划出有购物车没下单和浏览者两组。规则分群每天刷新,也可以手动刷新。要区分 2 单及以上,最方便的是同一页的 RFM 分群,它用你的下单事件给购买频率打分。
  2. 用同样的方式建使用频率和参与行为分群。分群人数保留 30 天的趋势,所以能看出一个分群是在增长还是在缩小。
  3. 匿名访客没有档案,也进不了任何分群。要让例子里的这些人进来,用 tapcub.login 发送登录信息,让他们的行为关联到同一个档案。
  4. 在全端分析 › 行为分析 › 行为分析里把分群作为漏斗或留存的分组,例如有购物车没下单的人后来购买的比例。
  5. RFM 用五分位打分,把人分成冠军、有风险等 10 组,并记录组间移动;例子里的固定阈值是你自己的规则,不是 RFM 的。生命周期图每周或每月把人分为新增、留存、回流和流失。

常见问题

行为细分有哪些例子?

购买行为(复购客户和单次客户)、使用频率(高频和沉睡用户)、参与动作(心愿单收藏者)和生命周期阶段(新增、留存、流失)。上面每个例子都给出了规则、规模和结果。

应该有多少个行为分群?

少到每个分群都有不同的消息、规模也大到值得行动。在例子里,三个细分维度、每个 2 到 4 组就足够;只有结果不同才继续拆分。

行为细分和人口统计细分有什么区别?

行为分群基于人们做了什么;人口统计分群基于人是谁,比如年龄或所在地。在这个例子里,行为把后来购买的比率从 2.7% 拉开到 24.6%,而人口统计数据不在数据里,建规则也不需要它。

RFM 是行为细分吗?

是。RFM 按最近一次购买的时间、购买频率和金额给人打分,是一种具体的购买行为方法,分组是固定的。

没有 CRM 也能做吗?

能,只要你的分析工具记录了动作并识别了已登录用户。规则需要事件、窗口和次数,不需要客户数据库。

资料来源

归档:数据分析

这篇文章对你有帮助吗?

我们会根据反馈修改和补充这篇内容。

林舟

产品体验专员

关注产品体验、功能使用与增长实践,喜欢把复杂流程拆成清晰步骤,让分析结果更容易用到日常决策中。

用你自己的事件建行为分群

规则、RFM 和实时分群,可用于漏斗和留存。

看清数据,找到增长。

每一次点击,都有数据依据。装好一行代码,1 分钟看到第一批数据。

无需信用卡 · 统计与客服都有免费版 · 统计无 Cookie