读懂用户经营系统:用户分层和分群
本文摘要:订阅专栏撤销订阅 小人物,大众号:tracykanc7.7万582114用户分层,是基于大方向的划分,你期望用户朝什么核心方针努力,而用户分群,则是将他们切分更细的粒度提高效果。两者是相得益彰的。什么是用户运营?它以最大化提高用户价值为意图,通过各类运营手法提
订阅专栏撤销订阅 小人物,大众号:tracykanc

7.7万

582

114

用户分层,是基于大方向的划分,你期望用户朝什么核心方针努力,而用户分群,则是将他们切分更细的粒度提高效果。两者是相得益彰的。

什么是用户运营?

它以最大化提高用户价值为意图,通过各类运营手法提高活跃度、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、传达、盈利(前史文章现已触及了)。

然而,从用户活跃到盈利,不是两个简略的步骤。假如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。

首要,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,会引荐,评价,购买以及付费,也会刊出、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),这件事叫核心方针。

核心方针当然不是一蹴即至的,用户要阅历一系列的过程。

也不是所有的用户会依照我们想象完成步骤,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。

上图就是一个典型的自下而上的演进,概括了用户群体的抱负行为。

既然用户群体是不再是一个简略的全体,运营们也就无法一刀切的粗犷运营了,而是需要依据不同人群针对性运营。这既叫精密化策略,也叫做用户分层。

它对运营们的最大价值,就是通过火层使用不同策略。

新用户:我期望他们能下载产品,常用的策略是新用户福利; 下载用户:我期望他们能使用产品,此时应该用新手引导,让他熟悉。 活跃用户:我期望加深他们使用产品的频率,那么运营人员要继续的运营,固化用户的使用习惯,并且对产品内容感爱好; 爱好用户:我期望他们完成付费决策,购买商品,运营能够使用不同的促销和营销手法; 付费用户:这是我的方针用户,我也期望用户能一直维持这状态。

不同的用户层级,采纳的手法不同。运营相同会受资源的限制,当我们只能投入有限资源的时分,往往会选择核心群体,即上文的付费用户们。因为依据二八法则,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乃至手机专线效劳人民币玩家,声音甜美。普通玩家多是万年不变的主动回复。

想必我们现已了解分层,那么应该怎么划分?

其实分层并没有固定的方式,只能依据产品形状设立量体裁衣的体系。不过它有一个中心思维:依据指标划分,因为指标是一种可明确衡量的规范,远优于运营人员的经历直觉。

上图是一个简化的游戏用户分层,每层指标都是可量化的。为了上下层用户明晰,群体间应尽量独立,即核算RMB玩家时,应该把土豪玩家扫除,核算普通玩家时,应该把成果中包括的上两层扫除,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出产内容?仍是更多用户参加Live取得营收?挺难决断的,其实很多运营体系,用户分层是两层结构。

它以两个相得益彰的核心作方针,以此构成双金字塔分层。

在这种结构下,它的核心用户,既有内容出产方向的大V,又有消费方向的忠诚粉丝,它们代表的是两类运营策略:

内容出产方向:前期使用约请制取得各行业的优秀人才,通过运营人员维系关系,并且鼓励出产内容。产品的机制也会激励大V更好的创作和出产。 内容消费方向:则是找出普通用户的内容爱好,加以引导,培育他们的付费习惯。添加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,将内容出产者和内容消费者聚合在一同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取得收益。

双金字塔结构的用户分层其实不少见。以我们熟知的电子商务为例,即有买家,也有卖家。买家的运营方式现已耳熟能详,卖家呢?开店教程、卖家大学、店肆装修、曝光位展示、店肆后台、各类辅助产品…运营相同需要协助卖家生长,于是卖家也能够划分红普通卖家、高级卖家、大客户、超级金主这些等级。

O2O是否是双层结构?当然是。online是用户,offline则是各类线下或者效劳实体,只是这些卖家更多是出售地推和市场人员维护,但我们一样能够使用分层的思维去运营。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。

不同产品的形状会有差异,同一产品的不同阶段,也能够用不同的用户分层。一款产品前期,用户分层的方针是更多的用户和KOL,后期,会更靠近商业方向,这就需要运营设立活络的分层了。

用户分层,一般四五层结构就能够了,过多的分层会变得杂乱,不合适运营策略的执行。

用户运营体系是否只有用户分层?不完满是。

用户分层是上下结构,但是用户群体其实不能以结构作为完全概括。简略想一下吧,我们所以否付费划出了付费用户群体,但是这部分群体也有差异,有用户挥金如土,有用户高频购买,有用户早年购买可是现在不买了,这该怎么细分?

假如继续添加层数,条件会变得杂乱,也解决不了事务需求。

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,满足更高的精密化需要。

怎么了解用户分群,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差异,它就是两个相异的群体。分群的核心方针是提高运营效果,将运营策略的价值最大化,在电商产品中,区分男女很正常,可是在东西类的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,都是以产品和运营方针为依据才干建立体系。

接下来是分群的实践应用。

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Moary: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,该指标直接反响用户的对企业利润的贡献。 消费频率Frequency:消费频率是用户在约束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,消费时间越挨近其时的用户,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,以三个指标构成一个数据立方体:

坐标系上,三个坐标轴的两头代表消费水平从低到高,用户会依据其消费水平,落到坐标系内。当有足够多的用户数据,我们就可以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体现优秀,那么他就是重要价值用户。

假如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。因为他早年很有价值,我们不期望用户流失,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。我们是情愿简略地视为一体去运营,仍是依据人群差异对待呢?

这就是RFM模型,早年在传统行业被频频应用,而在以消费为主的运营体系中可以移植过来为我们所用,它既是CRM体系的核心,而是消费型用户分群的核心。

RFM模型的干流分群方式有两种。

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,需要事务专家的经历: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善。

上图是一个简化的划分,实践应用会更杂乱,因为指标未必有代表性。大部分收费相关的数据,都会呈长尾散布,80%用户都集中在低频低金额的区间,20%的用户却又发明了大部分营收,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,通过数据发掘建立用户分群,不需要人工划分。最多见的算法叫KMeans聚类算法,核心思维是「物以类聚,人以群分」。

我们以网上某公司的数据进行Python建模,首要无量纲化(z-score)处理,并且清洗掉异常极值。

上图的三列数据是通过规范化后的用户消费数据。值越挨近0,说明离均匀水平越近。r值因为是最近一次消费时间,所以值越小,说明时间越挨近,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,只能开始判断,大部分的数据呈集中趋势。

既然KMeans算法的核心思维是「物以类聚,人以群分」,它就是以间隔作为方针函数。简而言之,在间隔上越挨近的两个用户,其类似的可能性也越大,于是KMeans就把类似的群体找出来,叫做簇。簇与簇之间的间隔越大,用户群体间越独立,这叫群分;簇内的间隔越紧凑,说明用户们越类似,这叫类聚。

通过图表说话:

红圈标出的这些用户,更有可能类似,属于同一个用户群体。因为他们在R和M这两个指标上,数据挨近,都处于消费金额较低,且近期有消费的人群。

至于是否是,让算法解决吧,详细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。

上图的不同色彩,就是算法核算出的用户群体。

赤色用户群体: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显着区分,不过其实不久远。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,运营可以采纳适当的挽回策略。 紫色用户群体:代表的是近期消费,消费金额较少的用户,运营需要发掘他们的价值,去开展和培育。

青色和蓝色似乎不能显着区分。那我们改一下散点图的维度呢?

改用指标R和F后,则是另外一种视角。青色用户群体比蓝色用户群体有过更多的消费次数,蓝色用户的消费频率比较差,更需要激励。紫色用户群体具有适当高的消费频率。

到此,用户群体现已显着区分,我们是否能精确概述这些用户的特点了呢?虽然从数据散布上,长尾形状会一定程度影响可读性,但运营仍是能针对不同群体作出相应的运营手法。

通过散点图矩阵观察最终的成果 (图片可能明晰度欠安):

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、出售、产品和运营人员提供精密化运营的依据。这也是数据发掘在用户运营的应用之一,我们要了解。

怎么划分群体是一门学问,划分的群体少了,区分度不显着;划分的多了,则没有事务价值,二十几个群体你怎么去运营?群体数量,是要在数据和事务间取得平衡。

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发掘,给成果赋予事务意义。横竖最终的意图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,能不能玩出新把戏?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; 内容:评论次数、评论字数、评论被点赞数; 网站:登录次数、登录时长、最近一次登录时间; 游戏:等级、游戏时长、游戏充值金额。

这些是我简略罗列的参考,未必精确,作为我们参考的参考之资。不同产品的分群策略也不一样,比如酒店产品,住宿不是一个固态的需求,是否需要加入时间的维度呢?也许住宿条件会更好分群。

需要留意的是,群体数量其实不固定,可所以两个,也能够是四个,详细就看事务需求,主要是能囊括大部分用户。只是别太多,一来杂乱,二来KMeans聚类在多特征的体现不算好。

通过用户分层和用户分群,想必我们现已了解了用户运营体系的基石。用户分层,是基于大方向的划分,你期望用户朝什么核心方针努力,而用户分群,则是将他们切分更细的粒度提高效果。两者是相得益彰的。

假如用户大到一定量级,分层和分群就未必是好的方法,因为用户群的属性粒度特征跟着产品进一步扩展,不论怎么细分都难以满足用户的杂乱性,常见于各类平台型产品。这时候候需要引入用户画像(UserProfile)体系,此时的用户分层和分群,都只是画像的一部分了。

#专栏作家#

作者:秦路,人人都是产品主管专栏作家,微信大众号ID:tracykanc

本文由 @秦路?原创发布于人人都是产品主管。未经答应,禁止转载。


原本自己因为对用户体系的这个概念感到疑惑,特别来社区查找相关文章,看后获益匪浅,对用户体系有了开始知道,期望可以对用户画像也写一篇相关文章


那张r,f的分群图,看上去效果不错的原因,应该是r和f这两个维度的相关性比较高。所以,其实不是一个很好的分群维度。


人人都是产品主管(woshipm)是以产品主管、运营为核心的学习、交流、分享平台,集媒体、培训、社群为一体,全方位效劳产品人和运营人,建立9年举行在线讲座500+期,线下分享会300+场,产品主管大会、运营大会20+场,掩盖北上广深杭成都等15个城市,内行业有较高的影响力和知名度。平台集合了众多BAT美团京东滴滴360小米网易等知名互联网公司产品总监和运营总监,他们在这里与你一同生长。

相关内容