本文笔者结合统计学中的单因素方差分析法，提供一种新的数据分析方法，可以辅助运营者对指定用户分层运营策略做出决策。
很多产品希望通过在产品后台收集用户画像，进行用户行为分析，最终实现产品精准分层运营。
但是，从用户画像的收集，到制定分层运营的策略。中间往往缺失一环严谨的分析环节，比如：不同年龄的用户的兴趣点，真的和我们想的一样吗？不同身份的用户，真的会对价格敏感程度不同吗？很多的运营策略仍然是拍脑袋或者凭借经验决定。
本文笔者结合统计学中的单因素方差分析法，来提供一种新的数据分析方法，可以辅助运营者做出决策。
一、确定本次分析的目的是什么？
笔者所在的公司有一个K12在线教育平台，提供中学阶段的线上直播课程。
在前不久做的一次用户调研中，我们发现了社会影响因素（包括广告和媒体宣传、家长和同学的口碑传播等）会显著的影响用户购买线上课程的意愿。
基于此结论，公司决定尝试投放一些渠道广告，扩大社会影响。因此下一步我们就需要研究不同分层的用户，对于社会影响因素的影响程度如何，从而能够帮助公司更精准的进行分层推广策略制定，实现精准投放。
因此我们本次分析的目标可以总结为：
研究不同分层的用户，在购买在线课程时，受到广告和周边环境影响程度有什么不同？
如有不同，我们应该如何制定精准的广告投放？
二、应该选取哪些分层维度？
我们这个K12在线教育平台，通过后台用户画像积累数据，从用户身份可以分为四大类：初中生、初中生家长、高中生、高中生家长。
除了身份，我们可以再挑选另一个维度进行分层——用户购买历史。也就是所以注册用户在我平台的使用深度，可以分成三类：购买过正价课、只买过免费试听课程、从未购买过。
当然，在具体的运营中，我们可以根据运营目的的需要，选取不同维度的进行分析：比如性别、年龄分层、地域分层等。
分层还可以更加深入，比如：分为初中和高中后，可以再细分到年级….但本文为了方便讲解说明，只选取了2个维度和1个因影响因素举例。
三、对调研数据进行单因素方差分析
本次分析的数据基础依然来自上一次的调研数据，收集过程依然是在上面提到的文章中，本文不再赘述。
事实上，用户分层分析应该是在调研之前就一并做到问卷设计中，避免二次劳动。关于问卷设计我在之前的文章中也有详述，有兴趣的可以查看 。
接下来，我们使用SPSS软件进行单因素方差分析，方差分析又称变异分析（analysis ofvariance，ANOVA），能对多个平均数进行比较，是一种更有效的数理统计方法。
1. 用户身份维度
我们先从用户的身份维度进行分析：
方差分析（ANOVA）结果显示，社会影响均值的差异显著（***代表差异显著），说明不同身份的用户对这项因素存在显著差异，证明了本次分析的必要性。下面再进行两两比较分析，分析不同身份的用户对这个因素感知的差异。
在显著性这一栏中，数值越小说明显著性越高。从以上数据可以看出，在社会影响变量中，初中生家长与高中生之间的差异显著（P=0.045<0.05），均值差（mean difference）为0.62642，说明初中生家长对社会影响感知显著高于高中生用户，而其余组别之间的分配公平感知差异不显著（P值均大于0.05）。
换言之：初中生家长和高中生相比，更容易受到广告和周边人的影响而做出购买决策，而其他组别两两对比差异不算太大。
究其主观原因也比较容易分析：初中生的学习阶段多仍依赖于家长帮助其挑选教辅产品，初中生受制于年龄因素，大多是没有选择购买课程的自主权。但事实上大多数家长对教学也并不了解，迷茫之下更容易受到周边人和广告的影响。
而高中阶段的学生，因为家长已经相对无力干涉其课业的进度和选择课程，高中生已经具备根据自己的学习情况进行主观判断能力，还有可能加上青春叛逆期不喜欢从众的逆反心理，对他人推荐或广告宣传的课程感知没有初中生家长那么明显。
2. 用户购买历史维度
我们再对不同购买历史的用户进行分析：
方差分析（ANOVA）结果显示,不同购买历史的用户对这社会影响因素均存在显著差异，那么我们就可以进行进一步分析。
上表中的数据结论如下：
购买过在线课程的用户与从未买过试听课程的用户的差异显著（P=0.041<0.05），均值差（mean difference）为0.27685。只买过试听课程的用户也与从未购买过的用户的差异显著（P=0.004<0.05），均值差（mean difference）为0. 34722，说明购买过正价在线课程的用户对社会影响认知显著高于只买过试听课用户，只买过试听课程的用户对社会影响的认知显著高于未买过的用户。
换言之结论就是：使用深度越深的用户，反而更容易受到广告和周围人推荐的影响。
这和我们之前纯靠经验拍出来的想法截然相反——大多数时候我们会以为：新用户才更容易受到广告和朋友推荐的影响，而老用户则会凭借自己的经验判断是否购买。
然而通过数据分析，也许可以证实我们的经验判断有时候未必可靠。
购买过在线课程的用户可能对在线课程的认可度更高，因此在身边人的推荐后，或再次看到广告宣传后，更容易再次购买课程。
四、结论和运营方向指导
根据两个维度用户分层的数据分析，我们初步得出结论：对产品内的用户推广可以更加深耕老用户，这和我们之前提倡的RARRA模型正好对应。
在学段选择上，优先选择初中生家长进行内容设计和运营，例如：广告的投放策略可以瞄准初中生家长的群体，主推初中阶段课程，以中考提分等主题策划相关的内容。
