Clustering 如何幫助 UX / Product 設計：從用戶分群到產品策略
2026-05-20
在做 UX / Product Design 時，我們很多時候都會先看整體數據，例如 DAU、PV、CTR、停留時間、搜尋次數、兌換率、留言率、分享率等。
這些數據當然重要，因為它們可以快速反映產品表現。但在實際分析產品體驗時，我慢慢發現一個問題：
平均數可以告訴我們產品整體發生了什麼，但未必能告訴我們不同用戶為什麼會有不同反應。
例如一個生活資訊或會員 App，整體 DAU 可能正在微微上升，但 PV 只保持穩定。表面上看，產品仍然有人使用，甚至每天活躍用戶還有少量增長；但如果 PV 沒有同步上升，就代表每個用戶的瀏覽深度可能沒有增加，甚至可能正在下降。
這時候，老闆可能會覺得產品增長不夠理想：
為什麼 DAU 有升，但 PV 沒有升？
是內容不夠吸引？
是首頁設計不夠好？
是流量質素下降？
還是用戶行為正在改變？
如果只看整體 DAU 和 PV，團隊很容易得出一些籠統結論，例如需要更多內容、更大 Banner、更多 Push Notification，或者更多 Campaign 入口。
但實際上，真正的問題可能不是「流量不足」，而是不同用戶群背後的需求和行為差異沒有被清楚理解。
有些用戶主要是來看文章；
有些用戶只關心優惠和獎賞；
有些用戶經常使用搜尋，有很明確的目的；
有些用戶會看社群內容，但很少留言或互動；
亦有些用戶曾經活躍，但近期開始慢慢流失。
這時候，我們會發現「平均用戶」其實很難代表真實產品場景。真正需要理解的，不是一個平均值，而是不同用戶群背後的行為模式。
這就是 Clustering 聚類分析 可以連接 UX / Product Strategy 的地方。
1. 什麼是 Clustering？
Clustering 是一種常見的 Unsupervised Learning 方法。它不是用已標籤的資料去預測答案，而是從沒有標籤的大量資料中，根據相似性找出自然形成的群組。
簡單來說，Clustering 會根據資料點之間的相似度，把行為接近的用戶分在同一組。放在 UX / Product 場景中，Clustering 可以幫助團隊根據用戶行為，把相似使用模式的用戶分在一起。
例如，我們可以用以下行為數據作為分群基礎：
| 用戶行為數據 | 可能代表的意思 |
|---|---|
| Article Views | 用戶是否喜歡閱讀內容 |
| Search Count | 用戶是否有明確目的 |
| Offer Clicks | 用戶是否受優惠吸引 |
| Redemption Count | 用戶是否有高轉換意圖 |
| Comment / Like / Share | 用戶是否願意參與社群互動 |
| Session Frequency | 用戶是否有穩定使用習慣 |
| Last Active Date | 用戶是否有流失風險 |
在實際產品分析中，這類數據未必一開始就很完美。有時 event tracking 會不完整，有時不同功能的數據定義也未必一致。所以在做 Clustering 前，通常需要先整理 event taxonomy，確認哪些行為真的能代表用戶意圖。
2. 為什麼 UX / Product Team 需要 Clustering？
UX 設計不只是設計畫面，也包括理解用戶行為、動機、痛點和決策路徑。
Product Strategy 亦不只是規劃功能，而是判斷：
- 哪些用戶最有價值？
- 哪些用戶最需要改善體驗？
- 哪些功能應該優先發展？
- 哪些群組有增長潛力？
- 哪些用戶正在流失？
- 哪些體驗可以提高 conversion、retention 或 engagement？
在實際工作中，Product / Business / Marketing / UX Team 看同一組數據時，可能會有不同解讀。Business 可能關心轉換，Marketing 可能關心觸達，UX 可能關心任務完成率和體驗阻力。
Clustering 的價值，是幫助團隊由「單一平均數」轉向「不同用戶群的行為理解」。
換句話說，它不是單純回答：
用戶整體表現如何？
而是幫助團隊進一步問：
哪一類用戶正在做什麼？
哪一類用戶最值得優先改善？
哪一類用戶需要不同的 UX / Product Strategy？
3. Case Study 情境：DAU 微升，但 PV 只保持穩定
在實際產品分析中，有時候問題並不是來自單一指標下跌，而是來自幾個指標之間的落差。
例如，某個生活資訊或會員 App 的整體 DAU 正在微微上升。表面上，這似乎代表產品仍然有增長，因為每天回來使用產品的人多了一點。
但同一時間，PV 只保持穩定，沒有跟著 DAU 一起上升。這就代表一個值得留意的訊號：
用戶人數增加了，但每個用戶帶來的瀏覽量沒有同步增加。
從老闆或 business stakeholder 的角度來看，這個情況可能會令人不滿意。因為 DAU 上升理應帶動更多 PV、更多內容曝光、更多廣告庫存、更多 offer click 或更高 engagement。但如果 PV 只是持平，就會令人懷疑產品增長是否只是表面增長。
這時候，問題就不應只停留在：
為什麼 PV 沒有升？
而應該進一步拆解：
到底是流量質素下降？內容吸引力不足？首頁導流不夠好？搜尋後沒有帶動更多探索？還是不同用戶群的行為正在改變？
如果只看整體 DAU 和 PV，團隊很容易得出一個籠統結論，例如要增加更多內容、放大 Banner、加強 Push Notification 或推出更多 Campaign。
但這些方法未必能真正解決問題，因為真正的原因可能藏在不同 user segments 的行為差異之中。
例如：
| 表面現象 | 可能隱藏原因 |
|---|---|
| DAU 微升 | 新用戶或低瀏覽深度用戶增加 |
| PV 持平 | 高瀏覽深度用戶下降 |
| PV per DAU 下降 | 每個用戶平均瀏覽頁數減少 |
| Search Count 上升 | 用戶有明確目的，但搜尋後沒有繼續探索 |
| Offer Clicks 上升 | 優惠型用戶增加，但內容消費沒有增加 |
| Returning Users 下降 | 舊用戶回訪減少，留存開始轉弱 |
這正是 Clustering 可以發揮價值的地方。它可以幫助團隊由表面的 KPI 問題，進一步拆解不同用戶群的行為模式，找出 DAU 微升但 PV 未同步增長背後的真正原因。
4. 用 Clustering 拆解 DAU 與 PV 的落差
當表面數據顯示 DAU 微微上升，但 PV 只保持穩定，我們可以先理解這個現象背後的意思：
用戶人數增加了，但每個用戶的瀏覽深度沒有增加，甚至可能正在下降。
這時候，團隊不應只看 DAU 和 PV，而應該進一步看以下指標：
| 指標 | 可以幫助理解的問題 |
|---|---|
| PV per DAU | 每個用戶平均瀏覽深度是否下降 |
| PV per Session | 每次使用是否變短 |
| Sessions per User | 用戶回訪頻率是否有變化 |
| New vs Returning Users | DAU 上升是否主要來自新用戶 |
| Article Views | 內容型用戶是否仍然活躍 |
| Offer Clicks | 優惠型用戶是否增加 |
| Search Count | 搜尋型用戶是否增加 |
| Community Views | 社群瀏覽是否有增長 |
| Last Active Date | 是否有舊用戶開始流失 |
這些指標可以幫助團隊由「整體表現」進一步拆解成「不同用戶群的行為變化」。
例如，DAU 微升可能來自新用戶，但如果這些新用戶只瀏覽一兩頁就離開，PV 就不會有明顯增長。又或者 DAU 微升來自優惠活動帶來的用戶，但這批用戶只看 offer、完成兌換或領取獎賞後離開，對文章 PV 或社群 PV 的貢獻也可能有限。
相反，原本高瀏覽深度的內容型用戶，可能正在減少。這一群用戶過去會閱讀多篇文章、瀏覽 related articles、進入 topic page 或 tag page。如果他們的活躍度下降，即使有新用戶補上 DAU，整體 PV 也可能只會持平。
所以，DAU 微升但 PV 持平，不一定代表產品沒有問題，也不一定代表內容一定不吸引。更準確的說法是：
產品的 user mix 可能正在改變，而不同用戶群對 PV 的貢獻並不一樣。
5. 從 Business Logic 建立初步分群假設
在正式跑數據模型之前，UX / Product Team 可以先用 Business Logic 建立一個初步假設框架。這有助團隊把「PV 為什麼不升」這個大問題，拆成幾個可以分析的方向。
例如：
| 初步假設用戶群 | 可能行為與對 DAU / PV 的影響 |
|---|---|
| New Light Users | 新進用戶，只瀏覽一兩頁；DAU 可能上升，但 PV 貢獻有限。 |
| Content Browsers | 經常閱讀文章，瀏覽深度高；通常對 PV 有重要貢獻。 |
| Deal Hunters | 主要查看優惠、獎賞或兌換；可能帶來 DAU，但瀏覽頁數不高。 |
| Intent Searchers | 有明確目的，搜尋後快速離開；對 DAU 有貢獻，但 session 較短。 |
| Community Lurkers | 會瀏覽社群內容，但較少互動；有瀏覽，但未必轉化成 engagement。 |
| Churn-risk Users | 活躍度下降，回訪減少；可能拉低整體 PV 和 retention。 |
這一步並不是要直接定義最終分群，而是幫助團隊提出更具體的問題：
- DAU 的增長主要來自新用戶，還是舊用戶回訪？
- 新增用戶是否屬於低瀏覽深度群？
- Deal Hunters 是否增加，但他們沒有帶動內容瀏覽？
- Intent Searchers 是否增加，但搜尋後沒有進一步探索？
- Content Browsers 是否減少，令整體 PV 失去主要支撐？
- Churn-risk Users 是否增加，令 returning users 的瀏覽深度下降？
這樣，團隊就不會只停留在「PV 不升」這個表面問題，而是可以開始拆解到底是哪一類用戶的變化造成 DAU 和 PV 之間的落差。
這一步的價值，是幫助團隊先建立分析方向。例如，當團隊看到 DAU 微微上升，但 PV 只保持穩定，就可以先思考：新增用戶是否主要來自 New Light Users 或 Deal Hunters？原本高瀏覽深度的 Content Browsers 是否正在下降？搜尋型用戶是否增加，但沒有帶動更多內容探索？
不過，這種以業務感覺作初步分類的方式，即 Business Logic Clustering，在本文中只作為簡單參考，屬於分群思考的第一步。真正決定 K-means 中 K 值 的流程，應該先由業務分類定義一個大概方向，再透過數據方法找出合理候選值，例如使用 Elbow Method 和 Silhouette Score，評估不同 K 值下的分群清晰度與穩定性。
之後，還需要從 UX / Business 角度進一步判斷：每個 cluster 是否能被清楚命名？是否有足夠的用戶量？是否能對應到具體的產品策略？因此，最終的 K 值不應只取決於數學分數最高，而應該是在 數據合理、業務可解釋、設計可行動 之間取得平衡。
實際如何決定 K 值，可以在另外兩篇文章中作詳細說明：
如何定義 Clustering 的數目與類別（一）：用 Business Logic 建立分群假設
這篇可以集中說明如何從產品目標、用戶行為、業務場景和 UX 問題出發，建立初步分群假設。
如何定義 Clustering 的數目與類別（二）：用數據方法找出合理分群數目
這篇可以集中說明如何使用 Elbow Method、Silhouette Score 等方法，找出較合理的 K 值候選，再結合 UX / Business 判斷作最終決定。
6. 從分群結果找出真正問題
當初步假設建立後，就可以透過 Clustering 把用戶按行為模式分成不同群組，並比較每一群的 DAU、PV、PV per User、Session Frequency、Retention 和 Conversion。
這樣分析後，團隊就可以看清楚：DAU 微升但 PV 穩定，可能不是單一問題，而是 user mix 改變。
例如，Clustering 後可能出現以下幾種情況：
情況一：New Light Users 增加
這類用戶可能來自 campaign、SEO、social traffic 或 push notification。他們被吸引進入產品，但只瀏覽一兩頁就離開。
這代表 DAU 有上升，但瀏覽深度不足。問題可能不是流量不夠，而是 first-time experience、首頁引導或內容推薦未能令新用戶繼續探索。
情況二：Deal Hunters 增加
如果新增 DAU 主要來自優惠型用戶，他們可能只想查看優惠、領取獎賞或完成兌換。這類用戶有商業價值，但未必會帶來高 PV。
這時候，問題不是他們沒有價值，而是產品是否有設計「優惠後的下一步路徑」，例如相關文章、附近優惠、收藏提醒、會員任務或個人化推薦。
情況三：Intent Searchers 增加
如果搜尋型用戶增加，但 PV 沒有提升，可能代表用戶搜尋後很快離開。這有兩種可能：一是搜尋結果很有效，用戶快速完成任務；二是搜尋結果不夠好，用戶找不到想要的內容而離開。
因此，團隊不能只看 search count，也要看搜尋後的 click-through、zero result rate、refinement rate、PV after search 和 task completion。
情況四：Content Browsers 下降
如果原本高 PV 的內容型用戶正在下降，即使 DAU 有新用戶補上，整體 PV 也可能只保持穩定。
這可能反映內容推薦變弱、文章頁缺乏下一步入口、related articles 不夠相關、topic page 不夠清晰，或者內容題材與用戶興趣出現偏差。
情況五：Churn-risk Users 增加
如果舊用戶活躍度下降，PV 也會受影響。這類用戶可能仍然偶爾回來，但 session frequency、PV per session 或 article views 已經下降。
這時候需要設計 reactivation strategy，而不是只靠一般 push 或 campaign。
7. 將 Clustering 發現轉化成 UX / Product Strategy
當問題被拆解後，解決方法也會變得更精準。
| Clustering 發現 | 可能問題與 UX / Product Strategy |
|---|---|
| New Light Users 增加，但 PV per User 低 | 新用戶沒有被有效引導；可改善 onboarding、首頁推薦和新手內容入口。 |
| Deal Hunters 增加，但內容 PV 沒有提升 | 優惠行為沒有連接到內容探索；可在優惠頁加入相關文章、附近優惠、收藏與到期提醒。 |
| Intent Searchers 搜尋後快速離開 | 搜尋後缺乏探索路徑；可優化 Search UX、autocomplete、related search 和 AI Search summary。 |
| Content Browsers 瀏覽深度下降 | 內容推薦或文章導流不足；可加強 related articles、topic page 和 personalized feed。 |
| Community Lurkers 多但少互動 | 有瀏覽但互動門檻高；可加入低門檻互動，如投票、emoji reaction 和收藏。 |
| Churn-risk Users 增加 | 舊用戶回訪動機下降；可設計 reactivation push、回訪獎勵和個人化召回內容。 |
因此，當老闆看到 DAU 微微上升，但 PV 只保持穩定 時，團隊不應立即假設是首頁不夠好，或者內容一定不吸引。更好的做法是先用 Business Logic 建立初步分群假設，再用 Clustering 拆解用戶結構，看看 DAU 增長來自哪一類用戶，以及原本高瀏覽深度的用戶是否正在減少。
這樣，產品策略就可以由一句籠統的「要提升 PV」，變成更具體的行動方向：
如果是新用戶增加但瀏覽少，就改善 first-time experience。
如果是優惠型用戶增加，就設計優惠後的下一步瀏覽路徑。
如果是搜尋型用戶跳出高，就改善搜尋結果和相關推薦。
如果是內容型用戶下降，就重新檢查內容推薦和文章頁導流。
如果是舊用戶流失，就設計 reactivation strategy。
這就是 Clustering 對 UX / Product Strategy 的實際價值：它幫助團隊由表面的 KPI 問題，深入到不同用戶群的行為差異，從而找出更精準、可解釋、可行動的產品改善方向。
8. Clustering 如何轉化成 UX / Product Strategy？
Clustering 的真正價值，在於將分群結果轉化成具體產品行動。
例如，當我們把不同用戶群整理成可理解的 user segments 後，就可以開始思考每一群對應的 UX / Product Strategy。
| User Segment | 行為特徵與 UX / Product Strategy |
|---|---|
| Content Browsers | 高文章瀏覽、低優惠互動；可加強內容推薦、Related Articles 和 Personalized Feed。 |
| Deal Hunters | 高優惠點擊、高兌換意圖；可優化優惠分類、搜尋、收藏和到期提醒。 |
| Intent Searchers | 高搜尋次數、高 Filter 使用；可改善 Search UX、Autocomplete 和 AI Search Answer。 |
| Community Lurkers | 高瀏覽、低留言或分享；可降低互動門檻，加入輕量反應、投票和匿名參與。 |
| Growth Potential Users | 近期活躍度上升；可建立使用習慣、個人化推送、任務與獎勵。 |
| Churn-risk Users | 活躍度下降、回訪減少；可設計 Reactivation Campaign 和個人化召回訊息。 |
這樣，Clustering 不再只是 data analysis output，而是可以直接影響 UX、功能設計、內容策略、CRM 和 product roadmap。
在實際討論中，最有價值的部分通常不是模型本身，而是團隊開始用另一種方式討論產品：
不是問「首頁要不要加多一個 banner？」
而是問「這個 banner 是為哪一類用戶解決什麼問題？」
不是問「Push 要不要發多一點？」
而是問「不同 cluster 是否應該收到不同訊息？」
不是問「AI Search 是否要做？」
而是問「哪一類用戶最需要更準確、更快完成任務的搜尋體驗？」
9. 從 Case Study 角度看 Feature Prioritization
在產品開發中，團隊通常會同時面對很多需求：
- 是否要優化搜尋？
- 是否要做個人化推薦？
- 是否要加強優惠頁？
- 是否要改善社群互動？
- 是否要做會員任務系統？
- 是否要建立 AI Search？
如果沒有分群，這些決定很容易變成「誰聲音最大」、「哪個 campaign 最急」、「哪個 stakeholder 最需要」。
但如果我們透過 Clustering 看到不同用戶群的規模、活躍度、轉換率和留存表現，就可以更有根據地做 feature prioritization。
例如：
| 分群發現 | 產品決策 |
|---|---|
| Deal Hunters 人數多，而且兌換意圖高 | 優先改善優惠搜尋、分類和兌換流程 |
| Intent Searchers 搜尋頻率高，但搜尋後跳出率高 | 優先優化 Search UX 或 AI Search |
| Community Lurkers 數量大，但互動率低 | 設計低門檻互動功能，如投票、表情反應 |
| Churn-risk Users 佔比上升 | 加強 reactivation 和 retention strategy |
這樣，Feature Prioritization 就不只是功能清單排序，而是基於用戶行為和產品目標作出判斷。
10. Clustering 與 Personalization：不是所有人都需要同一個首頁
在個人化體驗上，Clustering 可以提供一個很實際的思考方向：
不同用戶進入同一個產品，其實期待看到的內容可能完全不同。
Content Browsers 可能希望快速看到相關文章；Deal Hunters 可能想最快找到優惠；Intent Searchers 可能希望搜尋更準、更快；Community Lurkers 可能需要更低壓力的互動入口。
| User Segment | Personalization 方向 |
|---|---|
| Content Browsers | 推薦相似文章、主題內容、作者內容 |
| Deal Hunters | 推薦附近優惠、限時優惠、高兌換率優惠 |
| Intent Searchers | 提供搜尋建議、熱門查詢、AI Summary |
| Community Lurkers | 推薦熱門討論、低門檻互動內容 |
| Growth Potential Users | 推送任務、收藏提醒、會員成長提示 |
| Churn-risk Users | 推送重新吸引內容、個人化回訪訊息 |
所以 Personalization 的重點不是單純「推薦更多內容」，而是根據不同用戶的行為目的，提供更相關的產品體驗。
11. Clustering 與 Push Notification Strategy
Push Notification 是一個很容易被濫用的工具。當所有用戶都收到同一類通知時，短期可能帶來流量，但長期可能造成疲勞，甚至令用戶關閉通知。
如果結合 Clustering，Push Strategy 可以變得更精準。
| User Segment | Push Notification 方向 |
|---|---|
| Content Browsers | 推送相關主題文章、新內容合集 |
| Deal Hunters | 推送限時優惠、收藏優惠到期提醒 |
| Intent Searchers | 推送與過往搜尋相關的新結果 |
| Community Lurkers | 推送熱門討論、投票或輕互動內容 |
| Churn-risk Users | 推送個人化召回內容或獎勵 |
在這個角度下，Push Notification 不只是 broadcast message，而是一種針對不同用戶狀態設計的 engagement strategy。
12. Clustering 與 A/B Testing：不要只看整體結果
A/B Testing 很多時候只看整體 conversion 或 CTR，但在實際產品分析中，整體結果有時會令人誤判。
例如，一個新首頁設計可能整體 CTR 只提升一點點，但對 Content Browsers 提升明顯；另一個 Search layout 可能整體影響不大，但對 Intent Searchers 的 task completion 有很大幫助。
所以，Clustering 可以幫助 A/B Testing 從「整體版本比較」進一步變成「不同 user segments 的效果比較」。
| 測試項目 | 可觀察的分群差異 |
|---|---|
| 新首頁 Layout | 是否對 Content Browsers 更有效 |
| 優惠分類入口 | 是否提升 Deal Hunters 的轉換 |
| AI Search Result | 是否提升 Intent Searchers 的任務完成率 |
| 社群互動 Button | 是否提升 Community Lurkers 的參與 |
| Reactivation Message | 是否減少 Churn-risk Users 流失 |
這樣 A/B Testing 的結果不只是：
Version A 比 Version B 好不好？
而是可以進一步理解：
哪一個設計，對哪一類用戶，產生了什麼效果？
這也接近統計思維中「先定義問題，再建立假設，再用數據驗證」的流程。放在 UX / Product Experiment 中，我們可以先定義假設，再觀察不同 segment 在新設計下的反應，從而判斷設計是否真的對目標用戶有效。
13. Clustering 與 Data-driven Persona
傳統 Persona 很多時候來自訪談、觀察和研究假設。這些方法仍然很重要，因為它們能解釋用戶背後的心理、語境和動機。
但如果 Persona 缺乏數據支持，就容易變成過於主觀的故事。
Clustering 可以為 Persona 提供更強的行為基礎。
例如：
Persona 1：Content Explorer
- 經常閱讀文章
- 對資訊、生活、娛樂內容感興趣
- 互動未必高，但內容消費穩定
- 適合提供個人化內容推薦和主題追蹤
Persona 2：Deal-driven User
- 經常查看優惠
- 對折扣、獎賞、兌換流程敏感
- 轉換意圖高
- 適合優化搜尋、收藏、到期提醒和兌換體驗
Persona 3：Task-oriented Searcher
- 經常使用搜尋
- 有明確目的
- 期望快速找到答案
- 適合改善 Search UX、Filter、AI Search 和結果排序
這類 Persona 不只是「想像中的人物」，而是由真實行為數據支持，再由 UX Research 補充其動機和場景。
14. UX Team 在 Clustering 中的角色
Clustering 不只是 Data Team 的工作，UX / Product Team 也應該參與其中。
因為數據模型可以找出群組，但 UX / Product Team 需要負責理解和轉化這些結果。
| 階段 | UX / Product Team 的角色 |
|---|---|
| 定義問題 | 決定要解決 retention、conversion、search success 還是 engagement |
| 選擇數據 | 判斷哪些行為數據真正代表用戶意圖 |
| 解讀分群 | 將 cluster 轉化成可理解的 user segment |
| 設計策略 | 為不同 segment 設計對應 UX / Product Action |
| 驗證成效 | 用 A/B Testing、KPI 和用戶研究驗證策略是否有效 |
所以 UX Team 不需要成為 Machine Learning Engineer，但需要懂得提出正確問題、理解模型限制，並將數據結果轉化成設計判斷。
15. Clustering 的限制：模型不是答案，解讀才是關鍵
雖然 Clustering 對 UX / Product Strategy 很有價值，但它也有一些限制。
1. Clustering 不會自動告訴你「為什麼」
Clustering 可以告訴你哪些用戶行為相似，但不一定能解釋背後原因。UX Research 仍然需要透過訪談、問卷、可用性測試等方法補充理解。
2. 分群結果需要定期更新
用戶行為會隨時間、產品功能、季節、活動和市場環境改變。因此，Clustering 不應該只做一次，而應該定期檢視。
3. 分群不等於固定標籤用戶
User Segment 是幫助團隊理解行為模式，不應該變成固定標籤。用戶可能會從一個 segment 轉移到另一個 segment。
4. 數據品質會影響結果
如果 tracking event 不準確、數據不完整或定義混亂，分群結果也會失真。因此，在做 Clustering 前，需要先檢查 event taxonomy 和數據品質。
16. 結語：Clustering 是數據與設計之間的橋樑
對我來說，Clustering 最有價值的地方，不是模型本身，而是它如何幫助 UX / Product Team 重新理解用戶。
尤其當產品出現 DAU 微微上升，但 PV 只保持穩定 這類情況時，Clustering 可以幫助團隊看到表面 KPI 背後的用戶結構變化。
它讓團隊不再只看一個平均數，而是開始看不同用戶群的行為差異。
它可以幫助我們回答：
- DAU 增長來自哪一類用戶？
- 哪些用戶沒有帶來足夠瀏覽深度？
- 哪些高 PV 用戶正在下降？
- 哪些功能對不同 segment 最有價值？
- 哪些用戶正在流失？
- 哪些設計可以提升 conversion？
- 哪些策略可以改善 retention？
最終，好的 UX / Product Strategy 不應該只是設計給「平均用戶」，而是理解不同用戶的真實行為，並為他們設計更精準、更有價值的產品體驗。
Clustering 不是終點，而是一個起點。
真正重要的是，團隊能否把分群結果轉化成 可理解、可命名、可行動 的產品策略。
相關文章
如何定義 Clustering 的數目與類別（一）：用 Business Logic 建立分群假設
如何定義 Clustering 的數目與類別（二）：用數據方法找出合理分群數目