运营用户分层和分群

经典word整理文档，仅参考，转Word此处可删除页眉页脚。本资料属于网络整理，如有侵权，请联系删除，谢谢！成的。费指标。在用户运营体系中，有一个经典的框架叫做AARRR，即新增、留存、活跃、传播、盈利（历史文章已经涉及了）。然而，从用户活跃到盈利，不是两个简单的步骤。如果用户打开产品既算活跃，就一定能保证商业模式盈利？优秀的用户运营体系，应该是动态的演进。演进是一种金字塔层级的用户群体划分，上下层呈依赖关系。会推荐，评价，购买以及付费，也会注销、卸载、和流失。从运营角度看，我们会引导用户做我们想要他做的事（这里是付费），这件事叫核心目标。核心目标当然不是一蹴而就的，用户要经历一系列的过程。把整个环节看作用户群体的演进。上图就是一个典型的自下而上的演进，概括了用户群体的理想行为。既然用户群体是不再是一个简单的整体，运营们也就无法一刀切的粗暴运营了，而是需要根据不同人群针对性运营。这既叫精细化策略，也叫做用户分层。它对运营们的最大价值，就是通过分层使用不同策略。新用户：我希望他们能下载产品，常用的策略是新用户福利；下载用户：我希望他们能使用产品，此时应该用新手引导，让他熟悉。固化用户的使用习惯，并且对产品内容感兴趣；•••兴趣用户销和营销手段；••付费用户：这是我的目标用户，我也希望用户能一直维持这状态。则，只有核心群体能贡献最大的价值。玩家，声音甜美。普通玩家可能是万年不变的自动回复。想必大家已经了解分层，那么应该怎么划分？人员的经验直觉。RMB时，应该把结果中包含的上两层排除，这样运营的针对性才强。接下来，我们想一下知乎的用户分层是什么样的形式？它的核心是大V生产内容？还是更多用户参与Live获得营收？挺难决断的，其实很多运营体系，用户分层是两层结构。它以两个相辅相成的核心作目标，以此形成双金字塔分层。V，又有消费方向的忠实粉丝，它们代表的是两类运营策略：..系关系，并且鼓励生产内容。产品的机制也会激励大V更好的创作和生产。内容消费方向费习惯。增加Live、值乎、电子书的曝光，设计各类优惠券促进用户使用。性循环：大V创作内容，吸引普通人，普通人为内容付费，大V获得收益。有卖家。买家的运营方式已经耳熟能详，卖家呢？开店教程、卖家大学、店铺装修、曝光位展示、店铺后台、各类辅助产品运营同样需要帮助卖家成长，于是卖家也可以划分成普通卖家、高级卖家、大客户、超级金主这些等级。O2O是不是双层结构？当然是。online是用户，offline则是各类线下或者服层的思想去运营。其他还有视频直播的网红和群众，微博的大V和草根，招聘APP的企业和员工等等。款产品早期，用户分层的目标是更多的用户和，后期，会更贴近商业方向，这就需要运营设立灵活的分层了。的执行。用户运营体系是否只有用户分层？不完全是。金，有用户高频购买，有用户曾经购买但是现在不买了，这该怎么细分？如果继续增加层数，条件会变得复杂，也解决不了业务需求。高的精细化需要。怎么理解用户分群，我们拿下面的案例说明。男女性别在以消费为核心的产品中会呈现显著的区别，它就是两个相异的群体。分男女很正常，但是在工具类的APP中，或许就没有必要性了。接下来是分群的实际应用。RFM模型是客户管理中的经典方法，它用以衡量消费用户的价值和创利能力，是一个典型的分群。构建消费模型。.消费金额Monetary80%的收入来自20%的用户，该指标直接反应用户的对企业利润的贡献。..消费频率Frequency：消费频率是用户在限定的期间内购买的次数，最常购买的用户，忠诚度也越高。最近一次消费时间：衡量用户的流失，消费时间越接近当前的1年前消费的用户价值肯定不如一个月才消费的用户。标形成一个数据立方体：坐标系上，三个坐标轴的两端代表消费水平从低到高，用户会根据其消费水平，落到坐标系内。当有足够多的用户数据，我们就能以此划分大约八个用户群体。重要价值用户。人员可以专门针对这一类人群唤回。营，还是根据人群区别对待呢？这就是RFMCRM心。RFM模型的主流分群方式有两种。一种是建立指标，以指标作为划分依据，和用户分层差不多。低，消费多少金额算有价值，这些都是学问。并且需要不断修正和改进。费相关的数据，都会呈长尾分布，80%用户都集中在低频低金额的区间，20%的用户却又创造了大部分营收，这是划分的难点。分。法叫KMeans聚类算法，核心思想是「物以类聚，人以群分」。我们以网上某公司的数据进行Python(z-score)处理，并且清洗掉异常极值。0越近。r值因为是最近一次消费时间，所以值越小，说明时间越接近，值越大，说明消费越久远。通过RFM三个指标（在机器学习中叫做特征），先建立可视化的散点图。下图是最近一次收费R和收费金额M相关数据。既然KMeans算法的核心思想是「物以类聚，人以群分」，它就是以距离作为目标函数。简而言之，在距离上越接近的两个用户，其相似的可能性也越大，于是KMeans就把相似的群体找出来，叫做簇。簇与簇之间的距离越大，用户群体间越独立，这叫群分；簇内的距离越紧凑，说明用户们越相似，这叫类聚。通过图表说话：红圈标出的这些用户，更有可能相似，属于同一个用户群体。因为他们在R和M这两个指标上，数据接近，都处于消费金额较低，且近期有消费的人群。分出五类用户群体，然后看下这些人群是什么样的。上图的不同颜色，就是算法计算出的用户群体。红色用户群体费时间上没有明显区分，不过并不久远。这些都是产品的爸爸和金主。绿色用户群体：代表的是有流失倾向的用户，这些用户消费金额不太多，运营可以采取适当的挽回策略。•••紫色用户群体他们的价值，去发展和培养。青色和蓝色似乎不能明显区分。那我们改一下散点图的维度呢？改用指标R和F后，则是另外一种视角。青色用户群体比蓝色用户群体有过更当高的消费频率。出相应的运营手段。通过散点图矩阵观察最终的结果图片可能清晰度不佳：以上就是RFM模型的内容。它能动态的提供用户的消费轮廓，给市场、销售、产品和运营人员提供精细化运营的依据。这也是数据挖掘在用户运营的应用之一，大家要了解。怎么划分群体是一门学问，划分的群体少了，区分度不明显；划分的多了，则没平衡。值。我们可以用RFM模型，试着将思维更开阔一下，能不能玩出新花样？完全可以尝试。金融：投资金额、投资频率、最近一次投资时间；直播：观看直播时长、最近一次观看时间、打赏金额；内容：评论次数、评论字数、评论被点赞数；•••••网站：登录次数、登录时长、最近一次登录时间；游戏：等级、游戏时长、游戏充值金额。的维度呢？也许住宿条件会更好分群。需要注意的是，群体数量并不固定