优秀的用户运营体系是什么样？

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。演变是一种金字塔级别的用户群划分，上下层是依赖关系。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讲，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。因为根据二八规则，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，其核心用户代表了两种运营策略，包括内容制作方向的大V和消费方向的忠实粉丝。内容制作方向：早期利用邀请制获得各行业优秀人才，通过运营商维持关系，鼓励制作内容。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、值得，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，用户分层的目标是更多的用户和KOL。在后期，它将更接近业务方向，这需要操作来建立一个灵活的分层。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。继续切割同一层内的群体，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。集团的核心目标是提高运营效果，最大限度地发挥运营策略的价值。在电子商务产品中，区分男性和女性是正常的，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。为了构建消费模式，它依赖于收费的三个核心指标：消费金额、消费频率和最近的消费时间。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。由于它曾经很有价值，我们不希望用户流失，因此运营商和营销人员可以专门针对这类人群进行召回。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。上图是一个简化的划分，实际应用会更加复杂，因为指标可能不具有代表性。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。每一点都意味着用户分组的规律暂时看不到用户收费相关数据的散点图，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。对于是否，让算法解决，具体的算法原理和过程就不演示了。假设我们可以划分五个用户群，然后看看这些用户群是什么样的。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？你可以试试。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。——————这是一篇回答读者问题的文章。本来想把分层和分组分成两个内容，但是写起来比较连贯，就合并了，多花点时间。稍微涉及到一点数据挖掘的超纲内容，根据数据方向的进展，下半年看这个会更好，作为预览。然而，这可能是我第一篇将高级操作与高级数据分析相结合的文章。