如果说对比是将一个指标宏观地与其他指标放在一起观察，那么细分就是从微观的视角观察这个指标，这样的视角能帮助我们更全面了解一个指标。早在2010年，“Web Analytics”的作者、Google数字营销专家Avinash Kaushik就在自己的个人网站中说过这样的一句话：“所有的汇总数据都是垃圾，要么细分，要么去死”（All data in aggregate is “crap”.Segment or die）[1]。
这句话如此振聋发聩，以至于我都能够想象出Avinash Kaushik面对一个个汇总数据时的愤怒和无奈。在Avinash Kaushik看来，我们甚至最好能按一切能想到的粒度去细分（Segment Absolutely Everything）。
例如，我们可以按渠道细分，将来自付费流量与免费流量（或自然流量）的用户数据分开观察，其中付费流量又可以根据投放的渠道进一步细分。还是以上面的数字为例，单日成交额360万元是个不痛不痒的数字，但是如果我们按渠道细分知道付费流量带来的成交额为300万元，而自然流量带来的成交额只有60万元，那我们就要警觉了，这意味着业务风险可能是巨大的，一旦停止付费投放或许会引来成交额的骤降。
我们也可以按地区细分，将业务数据按城市进行细分观察，不同城市的业务量、客单价与消费频率往往会呈现一定的分布。如果这种分布不符合常识，即与前面提到的行业“正常数字”不同，那么很可能意味着业务存在一些问题或机会。2013年初，美团内部讨论是否要进入外卖市场，通过抓取饿了么当时进入外卖市场的12个城市的订单数据统计后发现，福州的订单量排在了第5位，这与美团过去在团购这一类似消费领域累积的认知（福州一般排名30位左右）不符，由此判断“饿了么起码有25个城市没做好”，并在2013下半年一次性进入了这30个城市，包括18个饿了么的空白市场，在外卖市场逐渐做到了后发先至[2]。
最后，我们还可以按用户画像对数据进行细分，包括性别、年龄、收入、历史消费频率或消费额等，在5.1.2节中提到的RFM模型就是这样一种基于用户画像的数据细分，可见这种数据细分也是从业务角度发现特征的一种方式。
[1] https://www.kaushik.net/avinash/web-analytics-segments-three-category-recommendations/.
[2] 案例来自《第一财经周刊》2018-11第528期。