在用戶運營中，越來越多的產品已經開始重視用戶分層運營。很多產品希望通過在產品后臺收集用戶畫像，進行用戶行為分析，最終實現產品精準分層運營。但是從用戶畫像的收集，到制定分層運營的策略。中間往往缺失一環嚴謹的分析環節，比如：不同年齡的用戶的興趣點，真的和我們想的一樣嗎？不同身份的用戶，真的會對價格敏感程度不同嗎？很多的運營策略仍然是拍腦袋或者憑借經驗決定。

本文筆者結合統計學中的單因素方差分析法，來提供一種新的數據分析方法，可以輔助運營者做出決策。

1. 確定本次分析的目的是什么？

筆者所在的公司有一個K12在線教育平臺，提供中學階段的線上直播課程。

在前不久做的一次用戶調研中，我們發現了社會影響因素（包括廣告和媒體宣傳、家長和同學的口碑傳播等）會顯著的影響用戶購買線上課程的意愿。（具體的調研和分析影響因素的過程可以參見我的上一篇文章?）

基于此結論，公司決定嘗試投放一些渠道廣告，擴大社會影響。因此下一步我們就需要研究不同分層的用戶，對于社會影響因素的影響程度如何，從而能夠幫助公司更精準的進行分層推廣策略制定，實現精準投放。

因此我們本次分析的目標可以總結為：

1. 研究不同分層的用戶，在購買在線課程時，受到廣告和周邊環境影響程度有什么不同？
2. 如有不同，我們應該如何制定精準的廣告投放？

1. 應該選取哪些分層維度？

我們這個K12在線教育平臺，通過后臺用戶畫像積累數據，從用戶身份可以分為四大類：初中生、初中生家長、高中生、高中生家長。

除了身份，我們可以再挑選另一個維度進行分層——用戶購買歷史。也就是所以注冊用戶在我平臺的使用深度，可以分成三類：購買過正價課、只買過免費試聽課程、從未購買過。

當然，在具體的運營中，我們可以根據運營目的的需要，選取不同維度的進行分析：比如性別、年齡分層、地域分層等，分層還可以更加深入，比如分為初中和高中后，可以再細分到年級….但本文為了方便講解說明，只選取了2個維度和1個因影響因素舉例。

1. 對調研數據進行單因素方差分析

本次分析的數據基礎依然來自上一次的調研數據，收集過程依然是在上面提到的文章中，本文不再贅述。事實上，用戶分層分析應該是在調研之前就一并做到問卷設計中，避免二次勞動。關于問卷設計我在之前的文章中也有詳述，有興趣的可以查看?。

接下來我們使用SPSS軟件進行單因素方差分析，方差分析又稱變異分析（analysis ofvariance，ANOVA），能對多個平均數進行比較，是一種更有效的數理統計方法。

3.1 用戶身份維度

我們先從用戶的身份維度進行分析：

方差分析（ANOVA）結果顯示，社會影響均值的差異顯著（***代表差異顯著），說明不同身份的用戶對這項因素存在顯著差異，證明了本次分析的必要性。下面再進行兩兩比較分析，分析不同身份的用戶對這個因素感知的差異。

在顯著性這一欄中，數值越小說明顯著性越高。從以上數據可以看出，在社會影響變量中，初中生家長與高中生之間的差異顯著（P=0.045<0.05），均值差（mean difference）為0.62642，說明初中生家長對社會影響感知顯著高于高中生用戶，而其余組別之間的分配公平感知差異不顯著（P值均大于0.05）。

換言之：初中生家長和高中生相比，更容易受到廣告和周邊人的影響而做出購買決策，而其他組別兩兩對比差異不算太大。

究其主觀原因也比較容易分析：初中生的學習階段多仍依賴于家長幫助其挑選教輔產品，初中生受制于年齡因素，大多是沒有選擇購買課程的自主權。但事實上大多數家長對教學也并不了解，迷茫之下更容易受到周邊人和廣告的影響。

而高中階段的學生，因為家長已經相對無力干涉其課業的進度和選擇課程，高中生已經具備根據自己的學習情況進行主觀判斷能力，還有可能加上青春叛逆期不喜歡從眾的逆反心理，對他人推薦或廣告宣傳的課程感知沒有初中生家長那么明顯。

3.2 用戶購買歷史維度

我們再對不同購買歷史的用戶進行分析：

方差分析（ANOVA）結果顯示,不同購買歷史的用戶對這社會影響因素均存在顯著差異，那么我們就可以進行進一步分析。

上表中的數據結論如下：

購買過在線課程的用戶與從未買過試聽課程的用戶的差異顯著（P=0.041<0.05），均值差（mean difference）為0.27685。只買過試聽課程的用戶也與從未購買過的用戶的差異顯著（P=0.004<0.05），均值差（mean difference）為0. 34722，說明購買過正價在線課程的用戶對社會影響認知顯著高于只買過試聽課用戶，只買過試聽課程的用戶對社會影響的認知顯著高于未買過的用戶。

換言之結論就是：使用深度越深的用戶，反而更容易受到廣告和周圍人推薦的影響。

這和我們之前純靠經驗拍出來的想法截然相反——大多數時候我們會以為：新用戶才更容易受到廣告和朋友推薦的影響，而老用戶則會憑借自己的經驗判斷是否購買。

然而通過數據分析，也許可以證實我們的經驗判斷有時候未必可靠。

購買過在線課程的用戶可能對在線課程的認可度更高，因此在身邊人的推薦后，或再次看到廣告宣傳后，更容易再次購買課程。

1. 結論和運營方向指導

根據兩個維度用戶分層的數據分析，我們初步得出結論：對產品內的用戶推廣可以更加深耕老用戶，這和我們之前提倡的RARRA模型正好對應。

在學段選擇上，優先選擇初中生家長進行內容設計和運營，例如：廣告的投放策略可以瞄準初中生家長的群體，主推初中階段課程，以中考提分等主題策劃相關的內容。

作者：路易絲

來源：路易絲