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 | 1,237 | 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%) |
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 | 639 | 3.2% | 157(24.6%) |
| 常规 | 3 到 7 个活跃日 | 4,634 | 23.2% | 601(13.0%) |
| 轻度 | 1 或 2 个活跃日 | 7,415 | 37.1% | 496(6.7%) |
| 沉睡 | 0 个活跃日 | 7,312 | 36.6% | 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。
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 %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 | 2,757 | 13.8% | 408(14.8%) |
| 未收藏 | 0 件 | 17,243 | 86.2% | 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:
- 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。
- 两个分群比率相同,就合并。
- 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」。
- 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:
- 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。
- 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。
- 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:
- 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。
- 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。
- 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。 - 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。
- 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
- Smith, W. R. (1956). Product Differentiation and Market Segmentation as Alternative Marketing Strategies。Journal of Marketing,21(1),3–8。
- Haley, R. I. (1968). Benefit Segmentation: A Decision-Oriented Research Tool。Journal of Marketing,32(3),30–35。
- NIST/SEMATECH 统计方法电子手册,7.3.3 比较两个比例:用于比较分群比率的 z 检验。核对于 2026-11-21。
- Google Ads 帮助,关于你的数据分群:分群需要超过 100 位活跃用户才有资格投放广告。核对于 2026-11-21。
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。
提交没有成功,请稍后再试。
谢谢你的反馈,我们会据此改进这篇内容。你已经反馈过这篇了,谢谢。

