什么是用戶運(yùn)營

小編給大家分享一下什么是用戶運(yùn)營，希望大家閱讀完這篇文章之后都有所收獲，下面讓我們一起去探討吧！

什么是用戶運(yùn)營？

它以最大化提升用戶價(jià)值為目的，通過各類運(yùn)營手段提高活躍度、留存率或者付費(fèi)指標(biāo)。在用戶運(yùn)營體系中，有一個經(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）。

用戶分層

然而，從用戶活躍到盈利，不是兩個簡單的步驟。如果用戶打開產(chǎn)品既算活躍，就一定能保證商業(yè)模式盈利？優(yōu)秀的用戶運(yùn)營體系，應(yīng)該是動態(tài)的演進(jìn)。

演進(jìn)是一種金字塔層級的用戶群體劃分，上下層呈依賴關(guān)系。

首先，用戶群體的狀態(tài)會不斷變化。以電商為例，他們會注冊，下載，使用產(chǎn)品，會推薦，評價(jià)，購買以及付費(fèi)，也會注銷、卸載、和流失。從運(yùn)營角度看，我們會引導(dǎo)用戶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，用戶要經(jīng)歷一系列的過程。

也不是所有的用戶會按照我們設(shè)想完成步驟，各步驟會呈現(xiàn)漏斗狀的轉(zhuǎn)化。我們把整個環(huán)節(jié)看作用戶群體的演進(jìn)。

上圖就是一個典型的自下而上的演進(jìn)，概括了用戶群體的理想行為。

既然用戶群體是不再是一個簡單的整體，運(yùn)營們也就無法一刀切的粗暴運(yùn)營了，而是需要根據(jù)不同人群針對性運(yùn)營。這既叫精細(xì)化策略，也叫做用戶分層。

它對運(yùn)營們的最大價(jià)值，就是通過分層使用不同策略。

新用戶：我希望他們能下載產(chǎn)品，常用的策略是新用戶福利；

下載用戶：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：我希望加深他們使用產(chǎn)品的頻率，那么運(yùn)營人員要持續(xù)的運(yùn)營，固化用戶的使用習(xí)慣，并且對產(chǎn)品內(nèi)容感興趣；

興趣用戶：我希望他們完成付費(fèi)決策，購買商品，運(yùn)營可以使用不同的促銷和營銷手段；

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

不同的用戶層級，采取的手段不同。運(yùn)營同樣會受資源的限制，當(dāng)我們只能投入有限資源的時(shí)候，往往會選擇核心群體，即上文的付費(fèi)用戶們。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。

一個典型的例子是，在游戲公司，會有專門的人工客服甚至電話專線服務(wù)人民幣玩家，聲音甜美。普通玩家可能是萬年不變的自動回復(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。不過它有一個中心思想：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)營人員的經(jīng)驗(yàn)直覺。

上圖是一個簡化的游戲用戶分層，每層指標(biāo)都是可量化的。為了上下層用戶清晰，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)營的針對性才強(qiáng)。

之后運(yùn)營人員可以依此構(gòu)建分層報(bào)表，通過數(shù)據(jù)趨勢，制定各種方式來提高數(shù)據(jù)。

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

它以兩個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，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，它們代表的是兩類運(yùn)營策略：

內(nèi)容生產(chǎn)方向：早期利用邀請制獲得各行業(yè)的優(yōu)秀人才，通過運(yùn)營人員維系關(guān)系，并且鼓勵生產(chǎn)內(nèi)容。產(chǎn)品的機(jī)制也會激勵大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、電子書的曝光，設(shè)計(jì)各類優(yōu)惠券促進(jìn)用戶使用。

這類雙金字塔結(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)成了整個平臺的良性循環(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)的用戶分層并不少見。以我們熟知的電子商務(wù)為例，即有買家，也有賣家。買家的運(yùn)營方式已經(jīng)耳熟能詳，賣家呢？開店教程、賣家大學(xué)、店鋪裝修、曝光位展示、店鋪后臺、各類輔助產(chǎn)品…運(yùn)營同樣需要幫助賣家成長，于是賣家也可以劃分成普通賣家、高級賣家、大客戶、超級金主這些等級。

O2O是不是雙層結(jié)構(gòu)？當(dāng)然是。online是用戶，offline則是各類線下或者服務(wù)實(shí)體，只是這些賣家更多是銷售地推和市場人員維護(hù)，但我們一樣可以使用分層的思想去運(yùn)營。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)會有差異，同一產(chǎn)品的不同階段，也可以用不同的用戶分層。一款產(chǎn)品早期，用戶分層的目標(biāo)是更多的用戶和KOL，后期，會更貼近商業(yè)方向，這就需要運(yùn)營設(shè)立靈活的分層了。

用戶分層，一般四五層結(jié)構(gòu)就可以了，過多的分層會變得復(fù)雜，不適合運(yùn)營策略的執(zhí)行。

用戶分群

用戶運(yùn)營體系是否只有用戶分層？不完全是。

用戶分層是上下結(jié)構(gòu)，可是用戶群體并不能以結(jié)構(gòu)作為完全概括。簡單想一下吧，我們以是否付費(fèi)劃出了付費(fèi)用戶群體，可是這部分群體也有差異，有用戶一擲千金，有用戶高頻購買，有用戶曾經(jīng)購買但是現(xiàn)在不買了，這該怎么細(xì)分？

如果繼續(xù)增加層數(shù)，條件會變得復(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)的用戶分群。將同一個分層內(nèi)的群體繼續(xù)切分，滿足更高的精細(xì)化需要。

怎么理解用戶分群，我們拿下面的案例說明。

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

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)營目標(biāo)為依據(jù)才能建立體系。

接下來是分群的實(shí)際應(yīng)用。

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

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

消費(fèi)金額Monetary：消費(fèi)金額是營銷的黃金指標(biāo)，二八法則指出，企業(yè)80%的收入來自20%的用戶，該指標(biāo)直接反應(yīng)用戶的對企業(yè)利潤的貢獻(xiàn)。

消費(fèi)頻率Frequency：消費(fèi)頻率是用戶在限定的期間內(nèi)購買的次數(shù)，最常購買的用戶，忠誠度也越高。

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

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

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

比如用戶在消費(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。

如果重要價(jià)值用戶最近一次消費(fèi)時(shí)間距今比較久遠(yuǎn)，沒有再消費(fèi)了，他就變成重要挽留用戶。因?yàn)樗?jīng)很有價(jià)值，我們不希望用戶流失，所以運(yùn)營人員和市場人員可以專門針對這一類人群喚回。

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

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)營體系中能夠移植過來為我們所用，它既是CRM系統(tǒng)的核心，而是消費(fèi)型用戶分群的核心。

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)，和用戶分層差不多。

指標(biāo)的判斷和設(shè)立，需要業(yè)務(wù)專家的經(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。并且需要不斷修正和改進(jìn)。

上圖是一個簡化的劃分，實(shí)際應(yīng)用會更復(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)，都會呈長尾分布，80%用戶都集中在低頻低金額的區(qū)間，20%的用戶卻又創(chuàng)造了大部分營收，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，通過數(shù)據(jù)挖掘建立用戶分群，不需要人工劃分。最常見的算法叫KMeans聚類算法，核心思想是「物以類聚，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)過標(biāo)準(zhǔn)化后的用戶消費(fèi)數(shù)據(jù)。值越接近0，說明離平均水平越近。r值因?yàn)槭亲罱淮蜗M(fèi)時(shí)間，所以值越小，說明時(shí)間越接近，值越大，說明消費(fèi)越久遠(yuǎn)。

通過RFM三個指標(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。每一個點(diǎn)都代表著一位用戶的收費(fèi)相關(guān)數(shù)據(jù)。

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

既然KMeans算法的核心思想是「物以類聚，人以群分」，它就是以距離作為目標(biāo)函數(shù)。簡而言之，在距離上越接近的兩個用戶，其相似的可能性也越大，于是KMeans就把相似的群體找出來，叫做簇。簇與簇之間的距離越大，用戶群體間越獨(dú)立，這叫群分；簇內(nèi)的距離越緊湊，說明用戶們越相似，這叫類聚。

通過圖表說話：

紅圈標(biāo)出的這些用戶，更有可能相似，屬于同一個用戶群體。因?yàn)樗麄冊赗和M這兩個指標(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程就不演示了。我們假設(shè)能劃分出五類用戶群體，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)算出的用戶群體。

紅色用戶群體：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)間上沒有明顯區(qū)分，不過并不久遠(yuǎn)。這些都是產(chǎn)品的爸爸和金主。

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

紫色用戶群體：代表的是近期消費(fèi)，消費(fèi)金額較少的用戶，運(yùn)營需要挖掘他們的價(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。青色用戶群體比藍(lán)色用戶群體有過更多的消費(fèi)次數(shù)，藍(lán)色用戶的消費(fèi)頻率比較差，更需要激勵。紫色用戶群體擁有相當(dāng)高的消費(fèi)頻率。

到此，用戶群體已經(jīng)明顯區(qū)分，大家是否能準(zhǔn)確概述這些用戶的特點(diǎn)了呢？雖然從數(shù)據(jù)分布上，長尾形態(tài)會一定程度影響可讀性，但運(yùn)營還是能針對不同群體作出相應(yīng)的運(yùn)營手段。

通過散點(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。它能動態(tài)的提供用戶的消費(fèi)輪廓，給市場、銷售、產(chǎn)品和運(yùn)營人員提供精細(xì)化運(yùn)營的依據(jù)。這也是數(shù)據(jù)挖掘在用戶運(yùn)營的應(yīng)用之一，大家要了解。

怎么劃分群體是一門學(xué)問，劃分的群體少了，區(qū)分度不明顯；劃分的多了，則沒有業(yè)務(wù)價(jià)值，二十幾個群體你怎么去運(yùn)營？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，一類是通過指標(biāo)和屬性人工的劃分出用戶群體。另外一類是通過數(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)營效果和價(jià)值。

我們可以用RFM模型，試著將思維更開闊一下，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、最近一次觀看時(shí)間、打賞金額；

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

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

游戲：等級、游戲時(shí)長、游戲充值金額。

這些是我簡單列舉的參考，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？也許住宿條件會更好分群。

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

通過用戶分層和用戶分群，想必大家已經(jīng)了解了用戶運(yùn)營體系的基石。用戶分層，是基于大方向的劃分，你希望用戶朝什么核心目標(biāo)努力，而用戶分群，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。

如果用戶大到一定量級，分層和分群就未必是好的方法，因?yàn)橛脩羧旱膶傩粤６忍卣麟S著產(chǎn)品進(jìn)一步擴(kuò)大，不論怎么細(xì)分都難以滿足用戶的復(fù)雜性，常見于各類平臺型產(chǎn)品。這時(shí)候需要引入用戶畫像（UserProfile）體系，此時(shí)的用戶分層和分群，都只是畫像的一部分了。

看完了這篇文章，相信你對“什么是用戶運(yùn)營”有了一定的了解，如果想了解更多相關(guān)知識，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！