域名預(yù)訂/競(jìng)價(jià)，好“米”不錯(cuò)過(guò)

用戶(hù)分層，是基于大方向的劃分，你希望用戶(hù)朝什么核心目標(biāo)努力，而用戶(hù)分群，則是將他們切分更細(xì)的粒度提高效果。兩者是相輔相成的。

什么是用戶(hù)運(yùn)營(yíng)？

它以最大化提升用戶(hù)價(jià)值為目的，通過(guò)各類(lèi)運(yùn)營(yíng)手段提高活躍度、留存率或者付費(fèi)指標(biāo)。在用戶(hù)運(yùn)營(yíng)體系中，有一個(gè)經(jīng)典的框架叫做AARRR，即新增、留存、活躍、傳播、盈利（歷史文章已經(jīng)涉及了）。

用戶(hù)分層

然而，從用戶(hù)活躍到盈利，不是兩個(gè)簡(jiǎn)單的步驟。如果用戶(hù)打開(kāi)產(chǎn)品既算活躍，就一定能保證商業(yè)模式盈利？?jī)?yōu)秀的用戶(hù)運(yùn)營(yíng)體系，應(yīng)該是動(dòng)態(tài)的演進(jìn)。

演進(jìn)是一種金字塔層級(jí)的用戶(hù)群體劃分，上下層呈依賴(lài)關(guān)系。

首先，用戶(hù)群體的狀態(tài)會(huì)不斷變化。以電商為例，他們會(huì)注冊(cè)，下載，使用產(chǎn)品，會(huì)推薦，評(píng)價(jià)，購(gòu)買(mǎi)以及付費(fèi)，也會(huì)注銷(xiāo)、卸載、和流失。從運(yùn)營(yíng)角度看，我們會(huì)引導(dǎo)用戶(hù)做我們想要他做的事（這里是付費(fèi)），這件事叫核心目標(biāo)。

核心目標(biāo)當(dāng)然不是一蹴而就的，用戶(hù)要經(jīng)歷一系列的過(guò)程。

也不是所有的用戶(hù)會(huì)按照我們?cè)O(shè)想完成步驟，各步驟會(huì)呈現(xiàn)漏斗狀的轉(zhuǎn)化。我們把整個(gè)環(huán)節(jié)看作用戶(hù)群體的演進(jìn)。

上圖就是一個(gè)典型的自下而上的演進(jìn)，概括了用戶(hù)群體的理想行為。

既然用戶(hù)群體是不再是一個(gè)簡(jiǎn)單的整體，運(yùn)營(yíng)們也就無(wú)法一刀切的粗暴運(yùn)營(yíng)了，而是需要根據(jù)不同人群針對(duì)性運(yùn)營(yíng)。這既叫精細(xì)化策略，也叫做用戶(hù)分層。

它對(duì)運(yùn)營(yíng)們的最大價(jià)值，就是通過(guò)分層使用不同策略。

新用戶(hù) ：我希望他們能下載產(chǎn)品，常用的策略是新用戶(hù)福利；

下載用戶(hù) ：我希望他們能使用產(chǎn)品，此時(shí)應(yīng)該用新手引導(dǎo)，讓他熟悉。

活躍用戶(hù) ：我希望加深他們使用產(chǎn)品的頻率，那么運(yùn)營(yíng)人員要持續(xù)的運(yùn)營(yíng)，固化用戶(hù)的使用習(xí)慣，并且對(duì)產(chǎn)品內(nèi)容感興趣；

興趣用戶(hù) ：我希望他們完成付費(fèi)決策，購(gòu)買(mǎi)商品，運(yùn)營(yíng)可以使用不同的促銷(xiāo)和營(yíng)銷(xiāo)手段；

付費(fèi)用戶(hù) ：這是我的目標(biāo)用戶(hù)，我也希望用戶(hù)能一直維持這狀態(tài)。

不同的用戶(hù)層級(jí)，采取的手段不同。運(yùn)營(yíng)同樣會(huì)受資源的限制，當(dāng)我們只能投入有限資源的時(shí)候，往往會(huì)選擇核心群體，即上文的付費(fèi)用戶(hù)們。因?yàn)楦鶕?jù)二八法則，只有核心群體能貢獻(xiàn)最大的價(jià)值。

一個(gè)典型的例子是，在游戲公司，會(huì)有專(zhuān)門(mén)的人工客服甚至電話專(zhuān)線服務(wù)人民幣玩家，聲音甜美。普通玩家可能是萬(wàn)年不變的自動(dòng)回復(fù)。

想必大家已經(jīng)了解分層，那么應(yīng)該怎么劃分？

其實(shí)分層并沒(méi)有固定的方式，只能根據(jù)產(chǎn)品形態(tài)設(shè)立因地制宜的體系。不過(guò)它有一個(gè)中心思想：根據(jù)指標(biāo)劃分，因?yàn)橹笜?biāo)是一種可明確衡量的標(biāo)準(zhǔn)，遠(yuǎn)優(yōu)于運(yùn)營(yíng)人員的經(jīng)驗(yàn)直覺(jué)。

上圖是一個(gè)簡(jiǎn)化的游戲用戶(hù)分層，每層指標(biāo)都是可量化的。為了上下層用戶(hù)清晰，群體間應(yīng)盡量獨(dú)立，即計(jì)算RMB玩家時(shí)，應(yīng)該把土豪玩家排除，計(jì)算普通玩家時(shí)，應(yīng)該把結(jié)果中包含的上兩層排除，這樣運(yùn)營(yíng)的針對(duì)性才強(qiáng)。

之后運(yùn)營(yíng)人員可以依此構(gòu)建分層報(bào)表，通過(guò)數(shù)據(jù)趨勢(shì)，制定各種方式來(lái)提高數(shù)據(jù)。

接下來(lái)，我們想一下知乎的用戶(hù)分層是什么樣的形式？它的核心是大V生產(chǎn)內(nèi)容？還是更多用戶(hù)參與Live獲得營(yíng)收？挺難決斷的，其實(shí)很多運(yùn)營(yíng)體系，用戶(hù)分層是兩層結(jié)構(gòu)。

它以?xún)蓚€(gè)相輔相成的核心作目標(biāo)，以此形成雙金字塔分層。

在這種結(jié)構(gòu)下，它的核心用戶(hù)，既有內(nèi)容生產(chǎn)方向的大V，又有消費(fèi)方向的忠實(shí)粉絲，它們代表的是兩類(lèi)運(yùn)營(yíng)策略：

內(nèi)容生產(chǎn)方向 ：早期利用邀請(qǐng)制獲得各行業(yè)的優(yōu)秀人才，通過(guò)運(yùn)營(yíng)人員維系關(guān)系，并且鼓勵(lì)生產(chǎn)內(nèi)容。產(chǎn)品的機(jī)制也會(huì)激勵(lì)大V更好的創(chuàng)作和生產(chǎn)。

內(nèi)容消費(fèi)方向 ：則是找出普通用戶(hù)的內(nèi)容興趣，加以引導(dǎo)，培養(yǎng)他們的付費(fèi)習(xí)慣。增加Live、值乎、電子書(shū)的曝光，設(shè)計(jì)各類(lèi)優(yōu)惠券促進(jìn)用戶(hù)使用。

這類(lèi)雙金字塔結(jié)構(gòu)，將內(nèi)容生產(chǎn)者和內(nèi)容消費(fèi)者聚合在一起構(gòu)成了整個(gè)平臺(tái)的良性循環(huán)：大V創(chuàng)作內(nèi)容，吸引普通人，普通人為內(nèi)容付費(fèi)，大V獲得收益。

雙金字塔結(jié)構(gòu)的用戶(hù)分層并不少見(jiàn)。以我們熟知的電子商務(wù)為例，即有買(mǎi)家，也有賣(mài)家。買(mǎi)家的運(yùn)營(yíng)方式已經(jīng)耳熟能詳，賣(mài)家呢？開(kāi)店教程、賣(mài)家大學(xué)、店鋪裝修、曝光位展示、店鋪后臺(tái)、各類(lèi)輔助產(chǎn)品…運(yùn)營(yíng)同樣需要幫助賣(mài)家成長(zhǎng)，于是賣(mài)家也可以劃分成普通賣(mài)家、高級(jí)賣(mài)家、大客戶(hù)、超級(jí)金主這些等級(jí)。

O2O是不是雙層結(jié)構(gòu)？當(dāng)然是。online是用戶(hù)，offline則是各類(lèi)線下或者服務(wù)實(shí)體，只是這些賣(mài)家更多是銷(xiāo)售地推和市場(chǎng)人員維護(hù)，但我們一樣可以使用分層的思想去運(yùn)營(yíng)。其他還有視頻直播的網(wǎng)紅和群眾，微博的大V和草根，招聘APP的企業(yè)和員工等等。

不同產(chǎn)品的形態(tài)會(huì)有差異，同一產(chǎn)品的不同階段，也可以用不同的用戶(hù)分層。一款產(chǎn)品早期，用戶(hù)分層的目標(biāo)是更多的用戶(hù)和KOL，后期，會(huì)更貼近商業(yè)方向，這就需要運(yùn)營(yíng)設(shè)立靈活的分層了。

用戶(hù)分層，一般四五層結(jié)構(gòu)就可以了，過(guò)多的分層會(huì)變得復(fù)雜，不適合運(yùn)營(yíng)策略的執(zhí)行。

用戶(hù)分群

用戶(hù)運(yùn)營(yíng)體系是否只有用戶(hù)分層？不完全是。

用戶(hù)分層是上下結(jié)構(gòu)，可是用戶(hù)群體并不能以結(jié)構(gòu)作為完全概括。簡(jiǎn)單想一下吧，我們以是否付費(fèi)劃出了付費(fèi)用戶(hù)群體，可是這部分群體也有差異，有用戶(hù)一擲千金，有用戶(hù)高頻購(gòu)買(mǎi)，有用戶(hù)曾經(jīng)購(gòu)買(mǎi)但是現(xiàn)在不買(mǎi)了，這該怎么細(xì)分？

如果繼續(xù)增加層數(shù)，條件會(huì)變得復(fù)雜，也解決不了業(yè)務(wù)需求。

于是，我們使用水平結(jié)構(gòu)的用戶(hù)分群。將同一個(gè)分層內(nèi)的群體繼續(xù)切分，滿足更高的精細(xì)化需要。

怎么理解用戶(hù)分群，我們拿下面的案例說(shuō)明。

男女性別在以消費(fèi)為核心的產(chǎn)品中會(huì)呈現(xiàn)顯著的區(qū)別，它就是兩個(gè)相異的群體。分群的核心目標(biāo)是提高運(yùn)營(yíng)效果，將運(yùn)營(yíng)策略的價(jià)值最大化，在電商產(chǎn)品中，區(qū)分男女很正常，但是在工具類(lèi)的APP中，或許就沒(méi)有必要性了。

這也是我一直強(qiáng)調(diào)的，分層和分群，都是以產(chǎn)品和運(yùn)營(yíng)目標(biāo)為依據(jù)才能建立體系。

接下來(lái)是分群的實(shí)際應(yīng)用。

RFM模型是客戶(hù)管理中的經(jīng)典方法，它用以衡量消費(fèi)用戶(hù)的價(jià)值和創(chuàng)利能力，是一個(gè)典型的分群。

它依托收費(fèi)的三個(gè)核心指標(biāo)：消費(fèi)金額、消費(fèi)頻率和最近一次消費(fèi)時(shí)間，以此來(lái)構(gòu)建消費(fèi)模型。

消費(fèi)金額Monetary ：消費(fèi)金額是營(yíng)銷(xiāo)的黃金指標(biāo)，二八法則指出，企業(yè)80%的收入來(lái)自20%的用戶(hù)，該指標(biāo)直接反應(yīng)用戶(hù)的對(duì)企業(yè)利潤(rùn)的貢獻(xiàn)。

消費(fèi)頻率Frequency ：消費(fèi)頻率是用戶(hù)在限定的期間內(nèi)購(gòu)買(mǎi)的次數(shù)，最常購(gòu)買(mǎi)的用戶(hù)，忠誠(chéng)度也越高。

最近一次消費(fèi)時(shí)間Recency ：衡量用戶(hù)的流失，消費(fèi)時(shí)間越接近當(dāng)前的用戶(hù)，越容易維系與其的關(guān)系。1年前消費(fèi)的用戶(hù)價(jià)值肯定不如一個(gè)月才消費(fèi)的用戶(hù)。

通過(guò)這三項(xiàng)指標(biāo)，我們很容易構(gòu)建出一個(gè)描述用戶(hù)消費(fèi)水平的坐標(biāo)系，以三個(gè)指標(biāo)形成一個(gè)數(shù)據(jù)立方體：

坐標(biāo)系上，三個(gè)坐標(biāo)軸的兩端代表消費(fèi)水平從低到高，用戶(hù)會(huì)根據(jù)其消費(fèi)水平，落到坐標(biāo)系內(nèi)。當(dāng)有足夠多的用戶(hù)數(shù)據(jù)，我們就能以此劃分大約八個(gè)用戶(hù)群體。

比如用戶(hù)在消費(fèi)金額、消費(fèi)頻率、最近一次消費(fèi)時(shí)間中都表現(xiàn)優(yōu)秀，那么他就是重要價(jià)值用戶(hù)。

如果重要價(jià)值用戶(hù)最近一次消費(fèi)時(shí)間距今比較久遠(yuǎn)，沒(méi)有再消費(fèi)了，他就變成重要挽留用戶(hù)。因?yàn)樗?jīng)很有價(jià)值，我們不希望用戶(hù)流失，所以運(yùn)營(yíng)人員和市場(chǎng)人員可以專(zhuān)門(mén)針對(duì)這一類(lèi)人群?jiǎn)净亍?/p>

圖中不同的象限區(qū)域，都對(duì)應(yīng)不同的消費(fèi)人群。大家是愿意簡(jiǎn)單地視為一體去運(yùn)營(yíng)，還是根據(jù)人群區(qū)別對(duì)待呢？

這就是RFM模型，曾經(jīng)在傳統(tǒng)行業(yè)被頻繁應(yīng)用，而在以消費(fèi)為主的運(yùn)營(yíng)體系中能夠移植過(guò)來(lái)為我們所用，它既是CRM系統(tǒng)的核心，而是消費(fèi)型用戶(hù)分群的核心。

RFM模型的主流分群方式有兩種。

一種是建立指標(biāo)，以指標(biāo)作為劃分依據(jù)，和用戶(hù)分層差不多。

指標(biāo)的判斷和設(shè)立，需要業(yè)務(wù)專(zhuān)家的經(jīng)驗(yàn)：什么樣的算高消費(fèi)頻率，什么樣的算低，消費(fèi)多少金額算有價(jià)值，這些都是學(xué)問(wèn)。并且需要不斷修正和改進(jìn)。

上圖是一個(gè)簡(jiǎn)化的劃分，實(shí)際應(yīng)用會(huì)更復(fù)雜，因?yàn)橹笜?biāo)未必有代表性。大部分收費(fèi)相關(guān)的數(shù)據(jù)，都會(huì)呈長(zhǎng)尾分布，80%用戶(hù)都集中在低頻低金額的區(qū)間，20%的用戶(hù)卻又創(chuàng)造了大部分營(yíng)收，這是劃分的難點(diǎn)。

指標(biāo)一般用描述性統(tǒng)計(jì)的分位數(shù)，以中位數(shù)、第一四分位數(shù)、第三四分位數(shù)等劃分。

另外一種是用算法，通過(guò)數(shù)據(jù)挖掘建立用戶(hù)分群，不需要人工劃分。最常見(jiàn)的算法叫KMeans聚類(lèi)算法，核心思想是「物以類(lèi)聚，人以群分」。

我們以網(wǎng)上某公司的數(shù)據(jù)進(jìn)行Python建模，首先無(wú)量綱化(z-score)處理，并且清洗掉異常極值。

上圖的三列數(shù)據(jù)是經(jīng)過(guò)標(biāo)準(zhǔn)化后的用戶(hù)消費(fèi)數(shù)據(jù)。值越接近0，說(shuō)明離平均水平越近。r值因?yàn)槭亲罱淮蜗M(fèi)時(shí)間，所以值越小，說(shuō)明時(shí)間越接近，值越大，說(shuō)明消費(fèi)越久遠(yuǎn)。

通過(guò)RFM三個(gè)指標(biāo)（在機(jī)器學(xué)習(xí)中叫做特征），先建立可視化的散點(diǎn)圖。下圖是最近一次收費(fèi)R和收費(fèi)金額M的散點(diǎn)圖。每一個(gè)點(diǎn)都代表著一位用戶(hù)的收費(fèi)相關(guān)數(shù)據(jù)。

散點(diǎn)圖上暫時(shí)看不出用戶(hù)分群的規(guī)律，只能初步判斷，大部分的數(shù)據(jù)呈集中趨勢(shì)。

既然KMeans算法的核心思想是「物以類(lèi)聚，人以群分」，它就是以距離作為目標(biāo)函數(shù)。簡(jiǎn)而言之，在距離上越接近的兩個(gè)用戶(hù)，其相似的可能性也越大，于是KMeans就把相似的群體找出來(lái)，叫做簇。簇與簇之間的距離越大，用戶(hù)群體間越獨(dú)立，這叫群分；簇內(nèi)的距離越緊湊，說(shuō)明用戶(hù)們?cè)较嗨?，這叫類(lèi)聚。

通過(guò)圖表說(shuō)話：

紅圈標(biāo)出的這些用戶(hù)，更有可能相似，屬于同一個(gè)用戶(hù)群體。因?yàn)樗麄冊(cè)赗和M這兩個(gè)指標(biāo)上，數(shù)據(jù)接近，都處于消費(fèi)金額較低，且近期有消費(fèi)的人群。

至于是不是，讓算法解決吧，具體的算法原理和過(guò)程就不演示了。我們假設(shè)能劃分出五類(lèi)用戶(hù)群體，然后看下這些人群是什么樣的。

上圖的不同顏色，就是算法計(jì)算出的用戶(hù)群體。

紅色用戶(hù)群體 ：代表的是高消費(fèi)金額，因?yàn)閿?shù)量稀少，所以在最近一次消費(fèi)時(shí)間上沒(méi)有明顯區(qū)分，不過(guò)并不久遠(yuǎn)。這些都是產(chǎn)品的爸爸和金主。

綠色用戶(hù)群體 ：代表的是有流失傾向的用戶(hù)，這些用戶(hù)消費(fèi)金額不太多，運(yùn)營(yíng)可以采取適當(dāng)?shù)耐旎夭呗浴?/p>

紫色用戶(hù)群體 ：代表的是近期消費(fèi)，消費(fèi)金額較少的用戶(hù)，運(yùn)營(yíng)需要挖掘他們的價(jià)值，去發(fā)展和培養(yǎng)。

青色和藍(lán)色似乎不能明顯區(qū)分。那我們改一下散點(diǎn)圖的維度呢？

改用指標(biāo)R和F后，則是另外一種視角。青色用戶(hù)群體比藍(lán)色用戶(hù)群體有過(guò)更多的消費(fèi)次數(shù)，藍(lán)色用戶(hù)的消費(fèi)頻率比較差，更需要激勵(lì)。紫色用戶(hù)群體擁有相當(dāng)高的消費(fèi)頻率。

到此，用戶(hù)群體已經(jīng)明顯區(qū)分，大家是否能準(zhǔn)確概述這些用戶(hù)的特點(diǎn)了呢？雖然從數(shù)據(jù)分布上，長(zhǎng)尾形態(tài)會(huì)一定程度影響可讀性，但運(yùn)營(yíng)還是能針對(duì)不同群體作出相應(yīng)的運(yùn)營(yíng)手段。

通過(guò)散點(diǎn)圖矩陣觀察最終的結(jié)果 (圖片可能清晰度不佳)：

以上就是RFM模型的內(nèi)容。它能動(dòng)態(tài)的提供用戶(hù)的消費(fèi)輪廓，給市場(chǎng)、銷(xiāo)售、產(chǎn)品和運(yùn)營(yíng)人員提供精細(xì)化運(yùn)營(yíng)的依據(jù)。這也是數(shù)據(jù)挖掘在用戶(hù)運(yùn)營(yíng)的應(yīng)用之一，大家要了解。

怎么劃分群體是一門(mén)學(xué)問(wèn)，劃分的群體少了，區(qū)分度不明顯；劃分的多了，則沒(méi)有業(yè)務(wù)價(jià)值，二十幾個(gè)群體你怎么去運(yùn)營(yíng)？群體數(shù)量，是要在數(shù)據(jù)和業(yè)務(wù)間取得平衡。

總而言之，分群的方法，一類(lèi)是通過(guò)指標(biāo)和屬性人工的劃分出用戶(hù)群體。另外一類(lèi)是通過(guò)數(shù)據(jù)挖掘，給結(jié)果賦予業(yè)務(wù)意義。反正最終的目的是提高運(yùn)營(yíng)效果和價(jià)值。

我們可以用RFM模型，試著將思維更開(kāi)闊一下，能不能玩出新花樣？完全可以嘗試。

金融 ：投資金額、投資頻率、最近一次投資時(shí)間；

直播 ：觀看直播時(shí)長(zhǎng)、最近一次觀看時(shí)間、打賞金額；

內(nèi)容 ：評(píng)論次數(shù)、評(píng)論字?jǐn)?shù)、評(píng)論被點(diǎn)贊數(shù)；

網(wǎng)站 ：登錄次數(shù)、登錄時(shí)長(zhǎng)、最近一次登錄時(shí)間；

游戲 ：等級(jí)、游戲時(shí)長(zhǎng)、游戲充值金額。

這些是我簡(jiǎn)單列舉的參考，未必準(zhǔn)確，作為大家參考的他山之石。不同產(chǎn)品的分群策略也不一樣，比如酒店產(chǎn)品，住宿不是一個(gè)固態(tài)的需求，是否需要加入時(shí)間的維度呢？也許住宿條件會(huì)更好分群。

需要注意的是，群體數(shù)量并不固定，可以是兩個(gè)，也可以是四個(gè)，具體就看業(yè)務(wù)需求，主要是能囊括大部分用戶(hù)。只是別太多，一來(lái)復(fù)雜，二來(lái)KMeans聚類(lèi)在多特征的表現(xiàn)不算好。

通過(guò)用戶(hù)分層和用戶(hù)分群，想必大家已經(jīng)了解了用戶(hù)運(yùn)營(yíng)體系的基石。用戶(hù)分層，是基于大方向的劃分，你希望用戶(hù)朝什么核心目標(biāo)努力，而用戶(hù)分群，則是將他們切分更細(xì)的粒度提高效果。兩者是相輔相成的。

如果用戶(hù)大到一定量級(jí)，分層和分群就未必是好的方法，因?yàn)橛脩?hù)群的屬性粒度特征隨著產(chǎn)品進(jìn)一步擴(kuò)大，不論怎么細(xì)分都難以滿足用戶(hù)的復(fù)雜性，常見(jiàn)于各類(lèi)平臺(tái)型產(chǎn)品。這時(shí)候需要引入用戶(hù)畫(huà)像（UserProfile）體系，此時(shí)的用戶(hù)分層和分群，都只是畫(huà)像的一部分了。

申請(qǐng)創(chuàng)業(yè)報(bào)道，分享創(chuàng)業(yè)好點(diǎn)子。點(diǎn)擊此處，共同探討創(chuàng)業(yè)新機(jī)遇！