从上面的例子可以看出，用户群体在不同阶段需要做不同区分。在产品刚刚萌芽时，更多的是寻找潜在用户的群体特征，以及判断当下核心用户的特征。对于这种单一用户的群体特征，可能是指向性很明显的一个维度，例如上门美甲的用户，就是25岁左右有一定消费能力的都市女性。这需要典型的用户画像，就像前文所述的河北女孩。这样我们就能够通过特征快速寻找我们所需的属性，不管是在做运营活动时要选取地点（目标用户工作和居住的聚集地），还是在做功能和服务时要做判断，都能够有一些参考，可以专门满足这些用户群体的需求。
在逐步发展到一定规模后，就有能力提供更丰富的功能和服务了，这时，就需要做人群划分。比如25岁的女性与30岁的女性在许多层面的认知和需求就不太一样，她们需要的样式有差别，对服务品质的要求有差别，对智能手机的使用方式也可能有差别，都应区分对待。住在市区和住在郊区的用户，也有不同，住在市区的用户比较集中，提供服务的成本和难度小一些，而住在郊区的用户比较分散，合理进行订单分派就比较困难。能够有针对性地做不同人群的拆分，原本让大家都体验到的60分服务也许就会变成80分。
到用户规模更大或者有能力提供更个性化服务的阶段，就不仅仅需要分几类用户群体去提取特征了，可能需要从每个维度都拆分出不同的群体。这样就形成了特征与用户画像的多维矩阵体系，在做任何一个判断时，需要观察某一个或多个特定的维度，以便迅速定位不同的群体。(www.xing528.com)
比如，一家美甲店最近要做一轮线下活动，请了几位晕染能力特别强的美甲师，要跟静安区的某个商场合作。店家同时希望美甲用户有比较强的扩散能力，可以辐射尽量多的用户。那么我们就可以定义这样几个特征：平时喜欢做晕染的美甲样式，居住在静安区附近，年龄不大，从事互联网或者媒体工作，用这些特征快速定位一些用户，把她们作为目标群体定向推荐这个活动，最终的收益显然会比随机邀请用户高得多。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
