《运营用户分层和分群》由会员分享，可在线阅读，更多相关《运营用户分层和分群（15页珍藏版）》请在金锄头文库上搜索。
1、用户分层，是基于大方向的划分，你希望用户朝什么核心目标努力， 而用户分群，则是将他们切分更细的粒度提高效果。两者是相辅相 成的。什么是用户运营?它以最大化提升用户价值为目的，通过各类运营手段提高活跃度、留存率或者付 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）。用户分层然而，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。首先，用户群体的状态会不断变化。以电商为例，他们会注册，下载，使用产品，
2、 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。也不是所有的用户会按照我们设想完成步骤，各步骤会呈现漏斗状的转化。我们 把整个环节看作用户群体的演进。下单付费用户.新用户兴趣用户活跃用户下载用户注册下载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
3、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。活跃用户：我希望加深他们使用产品的频率，那么运营人员要持续的运营， 固化用户的使用习惯，并且对产品内容感兴趣；兴趣用户：我希望他们完成付费决策，购买商品，运营可以使用不同的促 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。不同的用户层级，采取的手段不同。运营同样会受资源的限制，当我们只能投入 有限资源的时候，往往会选择核心群体，即上文的付费用户们。因为根据二八法 则，只有核心群体能贡献最大的价值。一个典型的例子是，在游戏公司，会有专门的人工客服甚至电话专线服务人民币
4、 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？其实分层并没有固定的方式，只能根据产品形态设立因地制宜的体系。不过它有 一个中心思想：根据指标划分，因为指标是一种可明确衡量的标准，远优于运营 人员的经验直觉。上图是一个简化的游戏用户分层，每层指标都是可量化的。为了上下层用户清晰， 群体间应尽量独立，即计算RMB玩家时，应该把土豪玩家排除，计算普通玩家时，应该把结果中包含的上两层排除，这样运营的针对性才强。之后运营人员可以依此构建分层报表，通过数据趋势，制定各种方式来提高数据。日期箱人新手玩家普通玩家RMB玩家.2D17-03-D1I100005000
5、200030D50?D17-03-02120006000250035055?017-03-D3140007000270042D60?017-03-041W000OOQ3DOO45065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。在这种结构下，它的核心用户，既有内容生产方向的大V，又有消费方向的忠实 粉丝，它们代表的是两类运营策略：内容生产方向：早期利用邀请制获得各行业的优秀人才，通过运营人员维 系关系，并且鼓励生产内容。产品的机
6、制也会激励大V更好的创作和生产。内容消费方向：则是找出普通用户的内容兴趣，加以引导，培养他们的付 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。这类双金字塔结构，将内容生产者和内容消费者聚合在一起构成了整个平台的良 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。 双金字塔结构的用户分层并不少见。以我们熟知的电子商务为例，即有买家，也 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
7、结构？当然是。online是用户，offline则是各类线下或者服务实体，只是这些卖家更多是销售地推和市场人员维护，但我们一样可以使用分 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。不同产品的形态会有差异，同一产品的不同阶段，也可以用不同的用户分层。一 款产品早期，用户分层的目标是更多的用户和KOL，后期，会更贴近商业方向， 这就需要运营设立灵活的分层了。用户分层，一般四五层结构就可以了，过多的分层会变得复杂，不适合运营策略 的执行。用户分群用户运营体系是否只有用户分层？不完全是。用户分层是上下结构，可是用户群体并不能以结构作为完全概括。简单想
8、一下吧， 我们以是否付费划出了付费用户群体，可是这部分群体也有差异，有用户一掷千 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。于是，我们使用水平结构的用户分群。将同一个分层内的群体继续切分，满足更 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着的区别，它就是两个相异的群体。 分群的核心目标是提高运营效果，将运营策略的价值最大化，在电商产品中，区 分男女很正常，但是在工具类的APP中，或许就没有必要性了。这也是我一直强调的，分层和分群，都是以产品和运营目标为依据才能建立体系
9、。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。它依托收费的三个核心指标：消费金额、消费频率和最近一次消费时间，以此来 构建消费模型。消费金额Monetary :消费金额是营销的黄金指标，二八法则指出，企业80%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Recency:衡量用户的流失，消费时间越接近当前的 用户，越容易维系与其的关系。1年前消费的用户价值肯定不如一个月才消费的 用户。通过这三项指
10、标，我们很容易构建出一个描述用户消费水平的坐标系，以三个指标形成一个数据立方体：一般挽宙吝户坐标系上，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。比如用户在消费金额、消费频率、最近一次消费时间中都表现优秀，那么他就是 重要价值用户。如果重要价值用户最近一次消费时间距今比较久远，没有再消费了，他就变成重 要挽留用户。因为他曾经很有价值，我们不希望用户流失，所以运营人员和市场 人员可以专门针对这一类人群唤回。图中不同的象限区域，都对应不同的消费人群。大家是愿意简单地视为一体去运 营，还是根据人群区别对待呢？这就
11、是RFM模型，曾经在传统行业被频繁应用，而在以消费为主的运营体系中 能够移植过来为我们所用，它既是CRM系统的核心，而是消费型用户分群的核 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。指标的判断和设立，需要业务专家的经验：什么样的算高消费频率，什么样的算 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。H帛近一次消费】F （消费频牢）M消舞金帔）重要时电用户嶂却内购买蜀率5次以上消费忌凿元鼠上重委挽钢用户龄天以外购买题盅S次以上消费忌金敏1DTO0元以上一般挽留用户*天以外购买频堞W次以下消,总金溟1DOTD元以下等等上图是一个简化
12、的划分，实际应用会更复杂，因为指标未必有代表性。大部分收 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。指标一般用描述性统计的分位数，以中位数、第一四分位数、第三四分位数等划 分。另外一种是用算法，通过数据挖掘建立用户分群，不需要人工划分。最常见的算 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建模，首先无量纲化（z-score）处理，并 且清洗掉异常极值。in 13j iOut13)5fmr12.1131604.541644-0.1436417如。6955-0.33676
13、0-0.4929729-0.136302-0.267251-1.2630&710-0.210931-0.317040-1.18369411-0.283559-0.2766450.420052d ata_s cor eh ead()上图的三列数据是经过标准化后的用户消费数据。值越接近O,说明离平均水平 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的散点图。每一个点都代表着一位用户的收费 相关数据。散点图上暂时看不出用户分群的规律，只能初步判断，大部分的数据
14、呈集中趋势。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:Out(16: data score.plot.scatter(x - r fy - m): 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。至于是不是，让算法解决吧，具体的算法原理和过程就不演示了。我们
15、假设能划 分出五类用户群体，然后看下这些人群是什么样的。groups = data_scorGi.groupbj, ( 1 label)Eig fas = pitisubplots()for najr.e group in groups ：eaKplotgrcap. rr groupnarker-o , linestyle-日,label-name)axilegendf )pit * sMw()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：代表的是高消费金额，因为数量稀少，所以在最近一次消 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
