【來源 | 互聯網的一些事】

【作者 | 秦路】

【編輯 | 蒸糕】

 

什么是用戶運營？

它以最大化提升用戶價值為目的，通過各類運營手段提高活躍度、留存率或者付費指標。在用戶運營體系中，有一個經典的框架叫做AARRR，即新增、留存、活躍、傳播、盈利（歷史文章已經涉及了）。

然而，從用戶活躍到盈利，不是兩個簡單的步驟。如果用戶打開產品既算活躍，就一定能保證商業模式盈利？優秀的用戶運營體系，應該是動態的演進。

演進是一種金字塔層級的用戶群體劃分，上下層呈依賴關系。

首先，用戶群體的狀態會不斷變化。以電商為例，他們會注冊，下載，使用產品，會推薦，評價，購買以及付費，也會注銷、卸載、和流失。從運營角度看，我們會引導用戶做我們想要他做的事（這里是付費），這件事叫核心目標。

核心目標當然不是一蹴而就的，用戶要經歷一系列的過程。

也不是所有的用戶會按照我們設想完成步驟，各步驟會呈現漏斗狀的轉化。我們把整個環節看作用戶群體的演進。

上圖就是一個典型的自下而上的演講，概括了用戶群體的理想行為。

既然用戶群體是不再是一個簡單的整體，運營們也就無法一刀切的粗暴運營了，而是需要根據不同人群針對性運營。這既叫精細化策略，也叫做用戶分層。

它對運營們的最大價值，就是通過分層使用不同策略。

新用戶：我希望他們能下載產品，常用的策略是新用戶福利；

下載用戶：我希望他們能使用產品，此時應該用新手引導，讓他熟悉。

活躍用戶：我希望加深他們使用產品的頻率，那么運營人員要持續的運營，固化用戶的使用習慣，并且對產品內容感興趣；

興趣用戶：我希望他們完成付費決策，購買商品，運營可以使用不同的促銷和營銷手段；

付費用戶：這是我的目標用戶，我也希望用戶能一直維持這狀態。

不同的用戶層級，采取的手段不同。運營同樣會受資源的限制，當我們只能投入有限資源的時候，往往會選擇核心群體，即上文的付費用戶們。因為根據二八法則，只有核心群體能貢獻最大的價值。

一個典型的例子是，在游戲公司，會有專門的人工客服甚至電話專線服務人民幣玩家，聲音甜美。普通玩家可能是萬年不變的自動回復。

想必大家已經了解分層，那么應該怎么劃分？

其實分層并沒有固定的方式，只能根據產品形態設立因地制宜的體系。不過它有一個中心思想：根據指標劃分，因為指標是一種可明確衡量的標準，遠優于運營人員的經驗直覺。

上圖是一個簡化的游戲用戶分層，每層指標都是可量化的。為了上下層用戶清晰，群體間應盡量獨立，即計算RMB玩家時，應該把土豪玩家排除，計算普通玩家時，應該把結果中包含的上兩層排除，這樣運營的針對性才強。

之后運營人員可以依此構建分層報表，通過數據趨勢，制定各種方式來提高數據。

接下來，我們想一下知乎的用戶分層是什么樣的形式？它的核心是大V生產內容？還是更多用戶參與Live獲得營收？挺難決斷的，其實很多運營體系，用戶分層是兩層結構。

它以兩個相輔相成的核心作目標，以此形成雙金字塔分層。

在這種結構下，它的核心用戶，既有內容生產方向的大V，又有消費方向的忠實粉絲，它們代表的是兩類運營策略。

內容生產方向：早期利用邀請制獲得各行業的優秀人才，通過運營人員維系關系，并且鼓勵生產內容。產品的機制也會激勵大V更好的創作和生產。

內容消費方向：則是找出普通用戶的內容興趣，加以引導，培養他們的付費習慣。增加Live、值乎、電子書的曝光，設計各類優惠券促進用戶使用。

這類雙金字塔結構，將內容生產者和內容消費者聚合在一起構成了整個平臺的良性循環：大V創作內容，吸引普通人，普通人為內容付費，大V獲得收益。

雙金字塔結構的用戶分層并不少見。以我們熟知的電子商務為例，即有買家，也有賣家。買家的運營方式已經耳熟能詳，賣家呢？開店教程、賣家大學、店鋪裝修、曝光位展示、店鋪后臺、各類輔助產品…運營同樣需要幫助賣家成長，于是賣家也可以劃分成普通賣家、高級賣家、大客戶、超級金主這些等級。

O2O是不是雙層結構？當然是。online是用戶，offline則是各類線下或者服務實體，只是這些賣家更多是銷售地推和市場人員維護，但我們一樣可以使用分層的思想去運營。其他還有視頻直播的網紅和群眾，微博的大V和草根，招聘APP的企業和員工等等。

不同產品的形態會有差異，同一產品的不同階段，也可以用不同的用戶分層。一款產品早期，用戶分層的目標是更多的用戶和KOL，后期，會更貼近商業方向，這就需要運營設立靈活的分層了。

用戶分層，一般四五層結構就可以了，過多的分層會變得復雜，不適合運營策略的執行。

用戶運營體系是否只有用戶分層？不完全是。

用戶分層是上下結構，可是用戶群體并不能以結構作為完全概括。簡單想一下吧，我們以是否付費劃出了付費用戶群體，可是這部分群體也有差異，有用戶一擲千金，有用戶高頻購買，有用戶曾經購買但是現在不買了，這該怎么細分？

如果繼續增加層數，條件會變得復雜，也解決不了業務需求。

于是我們使用水平結構的用戶分群。將同一個分層內的群體繼續切分，滿足更高的精細化需要。

怎么理解用戶分群，我們拿下面的案例說明。

男女性別在以消費為核心的產品中會呈現顯著的區別，它就是兩個相異的群體。分群的核心目標是提高運營效果，將運營策略的價值最大化，在電商產品中，區分男女很正常，但是在工具類的APP中，或許就沒有必要性了。

這也是我一直強調的，分層和分群，都是以產品和運營目標為依據才能建立體系。

接下來是分群的實際應用。

RFM模型是客戶管理中的經典方法，它用以衡量消費用戶的價值和創利能力，是一個典型的分群。

它依托收費的三個核心指標：消費金額、消費頻率和最近一次消費時間，以此來構建消費模型。

消費金額Monetary：消費金額是營銷的黃金指標，二八法則指出，企業80%的收入來自20%的用戶，該指標直接反應用戶的對企業利潤的貢獻。

消費頻率Frequency：消費頻率是用戶在限定的期間內購買的次數，最常購買的用戶，忠誠度也越高。

最近一次消費時間Recency：衡量用戶的流失，消費時間越接近當前的用戶，越容易維系與其的關系。1年前消費的用戶價值肯定不如一個月才消費的用戶。

通過這三項指標，我們很容易構建出一個描述用戶消費水平的坐標系，以三個指標形成一個數據立方體：

坐標系上，三個坐標軸的兩端代表消費水平從低到高，用戶會根據其消費水平，落到坐標系內。當有足夠多的用戶數據，我們就能以此劃分大約八個用戶群體。

比如用戶在消費金額、消費頻率、最近一次消費時間中都表現優秀，那么他就是重要價值用戶。

如果重要價值用戶最近一次消費時間距今比較久遠，沒有再消費了，他就變成重要挽留用戶。因為他曾經很有價值，我們不希望用戶流失，所以運營人員和市場人員可以專門針對這一類人群喚回。

圖中不同的象限區域，都對應不同的消費人群。大家是愿意簡單地視為一體去運營，還是根據人群區別對待呢？

這就是RFM模型，曾經在傳統行業被頻繁應用，而在以消費為主的運營體系中能夠移植過來為我們所用，它既是CRM系統的核心，而是消費型用戶分群的核心。

RFM模型的主流分群方式有兩種。

一種是建立指標，以指標作為劃分依據，和用戶分層差不多。

指標的判斷和設立，需要業務專家的經驗：什么樣的算高消費頻率，什么樣的算低，消費多少金額算有價值，這些都是學問。并且需要不斷修正和改進。

上圖是一個簡化的劃分，實際應用會更復雜，因為指標未必有代表性。大部分收費相關的數據，都會呈長尾分布，80%用戶都集中在低頻低金額的區間，20%的用戶卻又創造了大部分營收，這是劃分的難點。

指標一般用描述性統計的分位數，以中位數、第一四分位數、第三四分位數等劃分。

另外一種是用算法，通過數據挖掘建立用戶分群，不需要人工劃分。最常見的算法叫KMeans聚類算法，核心思想是「物以類聚，人以群分」。

我們以網上某公司的數據進行Python建模，首先無量綱化(z-score)處理，并且清洗掉異常極值。

上圖的三列數據是經過標準化后的用戶消費數據。值越接近0，說明離平均水平越近。r值因為是最近一次消費時間，所以值越小，說明時間越接近，值越大，說明消費越久遠。

通過RFM三個指標（在機器學習中叫做特征），先建立可視化的散點圖。下圖是最近一次收費R和收費金額M的散點圖。每一個點都代表著一位用戶的收費相關數據

 

散點圖上暫時看不出用戶分群的規律，只能初步判斷，大部分的數據呈集中趨勢。

既然KMeans算法的核心思想是「物以類聚，人以群分」，它就是以距離作為目標函數。簡而言之，在距離上越接近的兩個用戶，其相似的可能性也越大，于是KMeans就把相似的群體找出來，叫做簇。簇與簇之間的距離越大，用戶群體間越獨立，這叫群分；簇內的距離越緊湊，說明用戶們越相似，這叫類聚。

通過圖表說話：

紅圈標出的這些用戶，更有可能相似，屬于同一個用戶群體。因為他們在R和M這兩個指標上，數據接近，都處于消費金額較低，且近期有消費的人群。

至于是不是，讓算法解決吧，具體的算法原理和過程就不演示了。我們假設能劃分出五類用戶群體，然后看下這些人群是什么樣的。

上圖的不同顏色，就是算法計算出的用戶群體。

紅色用戶群體：代表的是高消費金額，因為數量稀少，所以在最近一次消費時間上沒有明顯區分，不過并不久遠。這些都是產品的爸爸和金主。

綠色用戶群體：代表的是有流失傾向的用戶，這些用戶消費金額不太多，運營可以采取適當的挽回策略。

紫色用戶群體：代表的是近期消費，消費金額較少的用戶，運營需要挖掘他們的價值，去發展和培養。

青色和藍色似乎不能明顯區分。那我們改一下散點圖的維度呢？

改用指標R和F后，則是另外一種視角。青色用戶群體比藍色用戶群體有過更多的消費次數，藍色用戶的消費頻率比較差，更需要激勵。紫色用戶群體擁有相當高的消費頻率。

到此，用戶群體已經明顯區分，大家是否能準確概述這些用戶的特點了呢？雖然從數據分布上，長尾形態會一定程度影響可讀性，但運營還是能針對不同群體作出相應的運營手段。

通過散點圖矩陣觀察最終的結果 (圖片可能清晰度不佳)：

以上就是RFM模型的內容。它能動態的提供用戶的消費輪廓，給市場、銷售、產品和運營人員提供精細化運營的依據。這也是數據挖掘在用戶運營的應用之一，大家要了解。

怎么劃分群體是一門學問，劃分的群體少了，區分度不明顯；劃分的多了，則沒有業務價值，二十幾個群體你怎么去運營？群體數量，是要在數據和業務間取得平衡。

總而言之，分群的方法，一類是通過指標和屬性人工的劃分出用戶群體。另外一類是通過數據挖掘，給結果賦予業務意義。反正最終的目的是提高運營效果和價值。

我們可以用RFM模型，試著將思維更開闊一下，能不能玩出新花樣？完全可以嘗試。

金融：投資金額、投資頻率、最近一次投資時間；

直播：觀看直播時長、最近一次觀看時間、打賞金額；

內容：評論次數、評論字數、評論被點贊數；

網站：登錄次數、登錄時長、最近一次登錄時間；

游戲：等級、游戲時長、游戲充值金額；

這些是我簡單列舉的參考，未必準確，作為大家參考的他山之石。不同產品的分群策略也不一樣，比如酒店產品，住宿不是一個固態的需求，是否需要加入時間的維度呢？也許住宿條件會更好分群。

需要注意的是，群體數量并不固定，可以是兩個，也可以是四個，具體就看業務需求，主要是能囊括大部分用戶。只是別太多，一來復雜，二來KMeans聚類在多特征的表現不算好。

通過用戶分層和用戶分群，想必大家已經了解了用戶運營體系的基石。用戶分層，是基于大方向的劃分，你希望用戶朝什么核心目標努力，而用戶分群，則是將他們切分更細的粒度提高效果。兩者是相輔相成的。

如果用戶大到一定量級，分層和分群就未必是好的方法，因為用戶群的屬性粒度特征隨著產品進一步擴大，不論怎么細分都難以滿足用戶的復雜性，常見于各類平臺型產品。這時候需要引入用戶畫像（UserProfile）體系，此時的用戶分層和分群，都只是畫像的一部分了。