很多人盛传说过用户得天下，得到的用户是获得用户+使用数据，围绕用户的一系列需要梳理，分类，分析，结合过去的经验，秉着对过去的事情复盘想法，于是就有了下文——从用户梳理到构建体系再到数据分析

1、从用户到人群可能是用户梳理的主要内容

除了有实名制要求的企业数据有先天优势，当前比较流行的是将手机号码作为唯一人标识，这不全对，人口流动，业务的城市范围都带来很大的波动，手机+城市可以较准确的定位到本地人与本地业务，更具有操作性。

用户梳理是个极为繁琐的工作，诸如标准不统一，特定情况下的数据新增解释，当然还有数据重复，错乱，这是一大部分，除此之外还有数据变换，不一而足。

从一大群用户中，通过用户梳理到定位到人，打上标记，形成人群，甚至族群，并刻画他们有关业务的显著特征是终极目的。

2、用户数据体系构建最终将呈现用户立方体

数据化运营除了一系列动作，主要围绕一堆数据，如果能将用户定位到人，把用户梳理好，形象的说，用户一块一块的堆砌好，那就是用户立方体，立方体当然是从多个角度做到进行全方位构建，提供几个常用的构建方面：

从统计学角度用户有几大属性分成：人口属性，过程行为属性，结果行为属性，网络社交行为；

人口属性中姓名是最不重要，定位到人，重要的是可以定位到人的信息，比如手机，城市

过程行为中有时间，行为/动作，行为间转换等；

结果行为中有时间，行为/动作，行为结果等；

网络社交行为中，时间，媒体，关系，关系亲疏度；

通过用户立方体构建全量数据，将实现跨设备、跨业务、跨中心的，形成数据共享中心，数据分析成果分发中心。

3、数据分析与业务洞察

数据来源于用户产生，无论从各种分析，来自业务的，来自销售管理部的声音是非常重要的，比如用户标签与业务一线挑客的问题，此类问题，需要我们一方面要讲究数据分析，也要压缩业务擅自灵活操作的空间，要考虑数据分析结果是留在平台供管理运用还是下发到一线进行指导，考虑风险，考虑更多。

4、数据模型在用户分析中选择偏好

早期市场研究特别流行做聚类分析，从腾讯，阿里的使用情况来看，聚类因为有较大的随意性，属于无监督学习，使用受限，不再具有权威性，当然他有其他的适用性，在已知数据情况下，聚类达成的结果还是不错的。

回归，特别是多元回归与逻辑回归，应用最广，解决了类似是否成交，未来多大的量， 与此类似还包括同属分类算法下的神经网络，决策树， 其次是时间序列的 ARIMA模型，应用比较多。

其实最简单的思想，一定坚持分类，用简单的excel都可以搞定简单的问题， 之后会专门结合使用案例，写模型内容。