在用戶數(shù)量較低時(shí)，粗曠式運(yùn)營(yíng)也許能夠滿足日常的運(yùn)營(yíng)需求。?
但隨著產(chǎn)品規(guī)模快速擴(kuò)張，面對(duì)越來越多的用戶，越來越多元的用戶需求與用戶場(chǎng)景，體系化的運(yùn)營(yíng)策略成了提高工作效率與效果的重要利器。在具體的用戶運(yùn)營(yíng)開展前，體系化運(yùn)營(yíng)的前提就是建立用戶運(yùn)營(yíng)的數(shù)據(jù)指標(biāo)。?
在搭建用戶運(yùn)營(yíng)體系時(shí)，應(yīng)按照以下步驟進(jìn)行：?
- 針對(duì)不同階段目標(biāo)，制定相應(yīng)用戶分群分層模型與指標(biāo)（如ARGO模型、RFM模型應(yīng)用）；
- 通過數(shù)據(jù)分析制定相應(yīng)運(yùn)營(yíng)策略，包括運(yùn)營(yíng)周期、推送方式；
- 制定數(shù)據(jù)效果的評(píng)判標(biāo)準(zhǔn)，結(jié)合運(yùn)營(yíng)數(shù)據(jù)進(jìn)行策略迭代。?
接下來，我們將按照上述環(huán)節(jié)一一進(jìn)行講解。
顧名思義，就是進(jìn)行用戶分層并標(biāo)記各種標(biāo)簽。一千個(gè)讀者就有一千個(gè)哈姆雷特,同樣是使用產(chǎn)品，但用戶使用產(chǎn)品的理由、滿足的需 求間存在各種不同的差異。也許A 用戶看中了品牌情懷，B用戶看中了產(chǎn)品性價(jià)比高，C用戶看中了產(chǎn)品的服務(wù)好。
如果不進(jìn)行用戶分群分層，又怎么針對(duì)用戶的不同需求提供服務(wù)呢？因此，在用戶運(yùn)營(yíng)的過程中，用戶分群分層的作用很明顯，它幫助我們把用戶分成各個(gè)層級(jí)和群體，然后我們根據(jù)各個(gè)層級(jí)和群體的不同，制定出更精準(zhǔn)、更有針對(duì)性的運(yùn)營(yíng)策略。在這里有幾個(gè)概念需要明確，即「用戶畫像」、「用戶分層」、「用戶分群」，為了保持概念的準(zhǔn)確性，在此我們進(jìn)行簡(jiǎn)單解釋。
一般包含用戶的人本屬性，如身份特征、行為特征、消費(fèi)特征、心理特征、興趣愛好、渠道屬性。具體內(nèi)容如下：
一般來說，我們結(jié)合用戶在產(chǎn)品上所處狀態(tài)作為用戶分層的依據(jù)，比如我們最常見的RFM模型，依托于用戶最近一次購(gòu)買時(shí)間、消費(fèi)頻次以及消費(fèi)金額，通過衡量用戶價(jià)值與用戶創(chuàng)利能力，對(duì)用戶進(jìn)行分層。?
比如，我們結(jié)合RFM模型，把用戶劃分為8個(gè)群體，從高消費(fèi)頻次、高消費(fèi)額、最近消費(fèi)過的重要價(jià)值用戶，到低消費(fèi)頻次、低消費(fèi)額、很久未消費(fèi)的一般挽留用戶。
這里解釋一下RFM模型的構(gòu)成：?
Recency：最近一次消費(fèi)，即用戶距離當(dāng)前最后一次消費(fèi)的時(shí)間。最近一次消費(fèi)的時(shí)間距今越短，對(duì)我們來說更有價(jià)值，更可能有效地去觸達(dá)他們。?
Frequency：消費(fèi)頻次，用戶在一段時(shí)間內(nèi)，在產(chǎn)品內(nèi)的消費(fèi)頻次。?
Monetary：消費(fèi)金額，即用戶的價(jià)值貢獻(xiàn)。
基于這三個(gè)維度，我們將每個(gè)維度劃分為高、中、低三種情況，并構(gòu)建出完整的用戶價(jià)值象限。
通過上面的RFM模型，我們可以更加直觀的把用戶劃分為8個(gè)不同層級(jí)。如果能夠找出產(chǎn)品內(nèi)用戶隸屬于以上8類中的哪一類，就可以針對(duì)性的制定運(yùn)營(yíng)策略。?
比如某用戶最近一次消費(fèi)時(shí)間距今比較久遠(yuǎn)，沒有再消費(fèi)了，但是累計(jì)消費(fèi)金額和消費(fèi)頻次都很高，說明這個(gè)用戶曾經(jīng)很有運(yùn)營(yíng)價(jià)值（屬于 “重要保持客戶”），我們不希望流失。所以，運(yùn)營(yíng)人員就需要專門針對(duì)這類型用戶，設(shè)計(jì)召回用戶運(yùn)營(yíng)策略，這也是RFM模型的核心價(jià)值。?
在劃分完不同層級(jí)后，最困難的事情在于如何制定每個(gè)值的高、中、低評(píng)判標(biāo)準(zhǔn)。一般而言，在結(jié)合實(shí)際場(chǎng)景需求的同時(shí)，我們可以通過散點(diǎn)圖進(jìn)行大致的區(qū)分。
通過散點(diǎn)圖，我們可以比較直觀的看清用戶分布情況。進(jìn)行確定評(píng)判標(biāo)準(zhǔn)時(shí)，盡可能的將密集部分劃分在一起，促使用戶群體的行為共性更大。與此同時(shí)，需要我們?cè)趯?shí)際運(yùn)營(yíng)過程中進(jìn)行不斷調(diào)整。如果面臨超大規(guī)模的數(shù)據(jù)時(shí)，如果能通過聚類分析等手段，可以得到更加科學(xué)精準(zhǔn)的結(jié)果，從而幫助我們進(jìn)行標(biāo)準(zhǔn)制定。
相較于用戶分層，用戶分群更加聚焦于用戶行為表現(xiàn)，比如易觀方舟推出的智能用戶運(yùn)營(yíng)的ARGO成長(zhǎng)模型。例如，高消費(fèi)頻次+低消費(fèi)額、低消費(fèi)頻次+ 高消費(fèi)額，這兩類用戶可能都是某種意義上的高消費(fèi)用戶，但行為特征會(huì)存在很大差異，所對(duì)應(yīng)的運(yùn)營(yíng)策略也不一樣。?
其實(shí)也可以這么理解，用戶分群是用戶分層的進(jìn)一步精細(xì)化劃分。ARGO成長(zhǎng)模型的相關(guān)指標(biāo)有著明顯的遞進(jìn)關(guān)系，而RFM模型則相互獨(dú)立。?
解釋清楚上述關(guān)鍵詞，那么我們繼續(xù)講下注冊(cè)用戶精細(xì)分群分層。?
因?yàn)椴煌袠I(yè)中，用戶分群分層可能是多樣性的，用戶分群分層在產(chǎn)品發(fā)展的不同階段也有不同的變化，且用戶分群分層需要定性與定量。因此我們可以遵循下面這兩個(gè)原則，幫助我們更好地完成用戶分群分層：
在進(jìn)行注冊(cè)用戶精細(xì)分群分層的過程中，我們遵循由麥肯錫提出的MECE分析法，這不僅僅是幫助用戶運(yùn)營(yíng)找到所有影響預(yù)期目標(biāo)的關(guān)鍵因素，并找到所有可能的解決辦法，而且有助于對(duì)用戶、問題或解決方案進(jìn)行排序、分析，并從中找到令人滿意的解決方案。MECE 分析法，中文意思是“相互獨(dú)立，完全窮盡”。也就是對(duì)于一個(gè)重大的議 題，能夠做到不重疊、不遺漏的分類，而且能夠借此有效把握問題的核心，并成 為有效解決問題的方法。
即在確立主要目標(biāo)的基礎(chǔ)上，再逐個(gè)往下層分解，直至所有的細(xì)分目標(biāo)都找到，通過對(duì)目標(biāo)的層層分解，分析出用戶的關(guān)鍵行為與目標(biāo)間的關(guān)聯(lián)。?
（2）明確階段目標(biāo)，讓分群分層更簡(jiǎn)單?
正如用戶有生命周期一樣，產(chǎn)品與用戶運(yùn)營(yíng)也有著明顯階段性的目標(biāo)和策略。產(chǎn)品所處的生命周期階段不同，對(duì)用戶運(yùn)營(yíng)的要求也不盡相同。
對(duì)用戶進(jìn)行分群分層只是用戶運(yùn)營(yíng)的其中一個(gè)環(huán)節(jié)，想要系統(tǒng)全面地了解如何精細(xì)化地智能用戶運(yùn)營(yíng)，實(shí)現(xiàn)用戶生命全周期監(jiān)測(cè)以及營(yíng)銷閉環(huán)，可以下載易觀數(shù)科全新出品的《2021智能用戶運(yùn)營(yíng)實(shí)戰(zhàn)手冊(cè)》，快速體系化掌握留量時(shí)代下的智能用戶運(yùn)營(yíng)方法論，實(shí)現(xiàn)更加智能化、自動(dòng)化的高效運(yùn)營(yíng)及管理提升。?
點(diǎn)擊閱讀原文，立即免費(fèi)獲取2021智能用戶運(yùn)營(yíng)實(shí)戰(zhàn)手冊(cè)
你“在看”我嗎？
