浅析用户运营体系即用户分层和用户分群
发布时间：2023-02-10 11:30:06 所属栏目：站长资讯 来源：互联网
导读：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，
|
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）。  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，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。  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。 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。  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。  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著的区别，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。 接下来是分群的实际应用。 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：  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。  。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。  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0，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。  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。 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。  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？  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，则没有业务价值，二十几个群体你怎么去运营？群体数量，是要在数据和业务间取得平衡。 总而言之，分群的方法，一类是通过指标和属性人工的划分出用户群体。另外一类是通过数据挖掘，给结果赋予业务意义。反正最终的目的是提高运营效果和价值。 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； （编辑：南阳站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
