“惊喜时刻”一方面越短越好，这要求平台无论是产品端还是运营端都需要很好地配合和打磨，将购物体验打造到极致才能得以发挥；另一方面就是受众宽度。

上面的案例，我们的样本是用户画像占比最大的一部分，例如占比30%的40~45岁女性群体。至少这30%的用户群体是最接近“惊喜时刻”的，接下来70%就是很大的空间，精细化每个人群包就是这个阶段的优先级最高的事件。

我们现在需要将70%的用户包分层，将这一部分用户科学化的拆解，和最初的30%进行比对并打分评级，得分最高的用户群体则是受众面宽度来源。

实操过程：我们将目标30%的用户画像用消费客单、消费频率、消费末单时间（RFM模型）进行拆分，拆分的过程中我们将3个维度都按权重占比划分。我们开始对70%用户同样按照这3个维度拆分并注意比对并打分评级。如表1-7所示。

表1-7 消费客单、消费频率、消费末单时间拆分

显然，通过余下70%的用户RFM分析，我们基本可以圈定用户群ABCD为“惊喜时刻”的潜在用户范围。根据这几类人群的用户画像、年龄层、职业等就明确了产品价值的“惊喜时刻”和用户人群的适用高潜群体。这对于接下来我们的增长方向提供了扎实且有依据的方向。