深度剖析用户运营体系

用户分层是基于大方向的划分。你希望用户朝着什么核心目标努力，而用户分组是为了提高效果，把它们切成更细的粒度。两者相辅相成。用户操作是什么？以最大化用户价值为目的，通过各种操作手段提高活动性、留存率或付费指标。在用户操作系统中，有一个经典的框架叫做AARR，即新的、保留的、活跃的、传播的、盈利的(历史文章已经涉及)。然而，从用户活跃到盈利，用户分层并不是两个简单的步骤。如果用户打开产品是活跃的，他们将能够确保商业模式的利润？优秀的用户操作系统应该是动态演变。演变是金字塔级用户群的划分，上下层依赖关系。首先，用户组的状态会不断变化。以电子商务为例，他们会注册、下载、使用产品、推荐、评估、购买和付款，也会注销、卸载和丢失。从操作的角度来看，我们会引导用户做我们想让他做的事(这是付费)，这被称为核心目标。当然，核心目标不是一蹴而就的，用户必须经历一系列的过程。并非所有用户都会按照我们的想法完成步骤，每一步都会呈现漏斗状的转换。我们将整个环节视为用户群体的演变。上图是一个典型的自下而上的演变，总结了用户群体的理想行为。由于用户群不再是一个简单的整体，运营商不能一刀切地粗略操作，而是需要根据不同的人群进行有针对性的操作。这叫精细化策略，也叫用户分层。它对运营商的最大价值是通过分层使用不同的策略。新用户：我希望他们能下载产品。常见的策略是新用户*；下载用户：我希望他们能使用产品。在这个时候，他们应该被新手引导熟悉。活跃用户：我希望加深他们使用产品的频率，然后运营商继续运营，巩固用户的使用习惯，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，我也希望用户能保持这种状态。不同的用户级别采用不同的手段。运营也会受到资源的限制。当我们只能投资有限的资源时，我们经常选择核心群体，即上述付费用户。由于根据二八法则，只有核心群体才能贡献最大的价值。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为人民币玩家服务，声音甜美。普通玩家可能是万年不变的自动回复。大概每个人都知道分层，那么应该如何划分呢？事实上，没有固定的分层方式，只能根据产品形式建立因地制宜的制度。然而，它有一个中心思想：根据指标进行划分，因为指标是一个明确的衡量标准，远远优于运营商的经验直觉。上图是一个简化的游戏用户分层，每层指标都是可量化的。为了明确上下层用户，群体应尽可能独立，即在计算RMB玩家时，应排除土豪劣绅玩家，在计算普通玩家时，应排除结果中包含的上两层，使操作具有较强的针对性。之后，运营商可以通过数据趋势构建分层报表，制定各种方法来改进数据。接下来，我们来想想知乎用户分层的形式。其核心是大V生产内容？还是更多的用户参与Live获得收入？很难做出决定。事实上，在许多操作系统中，用户分层是两层结构。以两个相辅相成的核心为目标，形成双金字塔分层。在这种结构下，其核心用户不仅有内容制作方向的大V，还有消费方向的忠实粉丝。它们代表两种操作策略：内容制作方向：通过运营商维持关系，鼓励早期利用邀请制获得各行业优秀人才，鼓励内容制作。产品机制也将鼓励大V更好地创造和生产。内容消费方向:找出普通用户的内容兴趣，引导和培养他们的付费习惯。增加Live、电子书曝光，设计各种优惠券，促进用户使用。这种双金字塔结构将内容制作人和内容消费者聚集在一起，形成了整个平台的良性循环：大V创建内容，吸引普通人，普通人为内容付费，大V获得收入。双金字塔结构的用户分层并不少见。以我们熟悉的电子商务为例，有买家，也有卖家。买家的经营模式已经很熟悉了，卖家呢？开店教程、卖家大学、店铺装修、曝光展示、店铺背景、各种辅助产品……运营也需要帮助卖家成长，所以卖家也可以分为普通卖家、高级卖家、大客户和超级黄金所有者。O2O是双层结构吗？当然是。online是用户，offline是各种线下或服务实体，但这些卖家更多的是销售推广和营销人员维护，但我们也可以使用分层的想法来运营。还有视频直播的网络名人和群众，微博的大V和草根，招聘APP的企业和员工等等。不同产品的形式会有所不同，不同的用户也可以在同一产品的不同阶段进行分层。在产品的早期阶段，用户分层的目标是拥有更多的用户和KOL。在后期，它将更接近业务方向，这就要求运营商建立灵活的分层。用户分层，一般四五层结构，分层过多会变得复杂，不适合实施操作策略。用户分组用户操作系统是否只有用户分层？不完全是。用户分层是上下结构，但用户群不能完全概括为结构。让我们简单想想。我们根据是否付费划分付费用户群，但这部分群体也存在差异。一些用户花了很多钱，一些用户经常购买，一些用户曾经购买，但现在他们不购买。如何细分？如果层数继续增加，条件将变得复杂，业务需求无法解决。因此，我们使用水平结构的用户群。继续划分同一层的群体，以满足更高的精细化需求。如何理解用户分组，我们将解释以下案例。男女性别在以消费为核心的产品中会有明显的差异，即两个不同的群体。分组的核心目标是提高运营效果，最大化运营策略的价值。在电子商务产品中区分男女是正常的，但在工具应用程序中可能没有必要。这也是我一直强调的。分层和分组只能根据产品和运营目标建立体系。下一步是分组的实际应用。RFM模型是衡量消费者价值和创利能力的经典客户管理方法。它是一个典型的分组。它依靠消费金额、消费频率和最新消费时间三个核心指标来构建消费模式。Monetary消费金额：消费金额是市场营销的黄金指标。28条规则指出，80%的企业收入来自20%的用户，直接反映了用户对企业利润的贡献。Frequency消费频率：消费频率是用户在有限期内购买的次数，最常购买的用户忠诚度越高。Recency最后一次消费：衡量用户流失，消费时间越接近当前用户，维持与用户的关系就越容易。一年前消费的用户价值肯定不如一个月前消费的用户。通过这三个指标，我们可以很容易地构建一个坐标系来描述用户的消费水平，并形成一个数据立方体：在坐标系上，三个坐标轴的两端代表消费水平从低到高，用户将根据其消费水平落入坐标系。当有足够的用户数据时，我们可以将其划分为大约八个用户群。例如，用户在消费金额、消费频率和最近的消费时间方面表现出色，因此他是一个重要的价值用户。如果重要价值用户的最新消费时间相对较长，不再消费，他将成为保留用户的重要组成部分。因为他曾经很有价值，我们不希望用户流失，运营商和营销人员可以专门为这类人召回。图中不同的象限区对应不同的消费群体。你愿意简单地把它作为一个整体来操作，还是根据人群的不同来对待它？这是RFM模型，曾经在传统行业得到广泛应用，可以移植到以消费为主的运营系统中供我们使用。它不仅是CRM系统的核心，也是消费用户群体的核心。RFM模型有两种主流分组方式。一是建立指标，以指标为划分依据，与用户分层相似。判断和设置指标需要业务专家的经验:什么样的消费频率高，什么样的消费低，消费多少钱有价值，这些都是知识。并且需要不断的修正和改进。由于指标不一定具有代表性，因此上图是一个简化的划分，实际应用会更加复杂。与收费相关的数据大多分布在长尾，80%的用户集中在低频率、低金额的范围内，但20%的用户创造了大部分收入，这是划分的难点。指标一般采用描述性统计的分位数，分为中位数、第一四分位数、第三四分位数等。另一种是通过数据挖掘建立用户群，而不需要人工划分算法。最常见的算法是KMeans聚类算法，核心思想是「物以类聚，人以群分」。我们用网上某公司的数据进行Python建模，首先是无量纲化(z-score)处理，清除异常极值。上图三列数据是标准化后的用户消费数据。值越接近0，离平均水平越近。r值是最新的消费时间，所以值越小，时间越近，值越大，消费越长。通过RFM三个指标(在机器学习中称为特征)，首先建立可视化散点图。下图是最新收费R和收费金额M的散点图。每一点都代表一个用户的收费相关数据。用户分组的规律暂时在散点图上看不到，只能初步判断，大部分数据呈集中趋势。既然KMeans算法的核心思想是「物以类聚，人以群分」，它以距离为目标函数。简而言之，两个用户的距离越近，相似的可能性就越大，所以KMeans找到了类似的群体，称为簇。簇与簇之间的距离越大，用户群之间的距离越独立，这就是群分；簇之间的距离越紧凑，用户就越相似，这就是所谓的类聚。通过图表说话:红圈标注的用户更有可能相似，属于同一用户群。由于他们在R和M这两个指标上，数据接近，都处于消费金额较低、最近有消费的人群中。至于是否，让算法解决，具体的算法原理和过程就不演示了。假设我们可以分为五类用户，然后看看这些人是什么样的。上图中的不同颜色是算法计算的用户群。红色用户群：代表高消费量，由于数量稀少，在最近的消费时间上没有明显的区别，但并不长。这些都是产品的爸爸和金主。绿色用户群：代表有流失倾向的用户，这些用户消费金额不多，操作可采取适当的恢复策略。紫色用户群：代表近期消费，消费金额较少的用户，运营需要挖掘其价值，发展和培养。蓝色和蓝色似乎没有明显的区别。让我们改变散点图的维度？改用指标R和F后，是另一个视角。蓝色用户群比蓝色用户群消费次数多，蓝色用户消费频率差，需要激励。紫色用户群消费频率相当高。到目前为止，用户群已经明显区分，你能准确概述这些用户的特点吗？虽然长尾形式会在一定程度上影响数据分布的可读性，但操作仍然可以为不同的群体制定相应的操作手段。通过散点图矩阵观察最终结果(图片清晰度可能较差)：以上是RFM模型的内容。它能动态地为用户提供消费轮廓，为市场、销售、产品和运营商提供精细的运营依据。这也是数据挖掘在用户操作中的应用之一，我们需要理解。如何划分群体是一门学问，划分的群体少了，区分不明显；如果划分多了，就没有业务价值了。如何操作20多个群体？群体数量是在数据和业务之间取得平衡。综上所述，分组的方法是通过指标和属性手动划分用户群。另一种是通过数据挖掘赋予结果业务意义。无论如何，最终目标是提高运营效果和价值。我们可以使用RFM模型，试着拓宽我们的思维，玩新的模式吗？完全可以尝试。金融:投资金额、投资频率、最新投资时间；直播:观看直播时间、最新观看时间、奖励金额；内容:评论次数、评论字数、评论赞数；网站:登录次数、登录时间、最新登录时间；游戏:等级、游戏时间、游戏充值金额。这些都是我简单列举的参考，可能不准确，作为别山之石的参考。不同产品的分组策略也不同，比如酒店产品，住宿不是固态需求，需要增加时间维度吗？也许住宿条件会更好地分组。需要注意的是，群体数量不是固定的，可以是两个或四个。这取决于业务需求，主要包括大多数用户。只是不要太多，一是复杂，二是KMeans聚类在多特征上的表现不好。通过用户分层和用户分组，我们必须了解用户操作系统的基石。用户分层是基于大方向的划分。你希望用户朝着什么核心目标努力，而用户分组是为了提高效果，把它们切成更细的粒度。两者相辅相成。如果用户大到一定量级，分层和分组可能不是一个好方法，因为随着产品的进一步扩展，用户群的属性粒度特征很难满足用户的复杂性，这在各种平台产品中很常见。此时需要引入用户画像（UserProfile）系统，此时的用户分层和分组，只是肖像的一部分。