用戶(hù)管理：從精細(xì)化用戶(hù)分層分群開(kāi)始

在用戶(hù)數(shù)量較低時(shí)，粗曠式運(yùn)營(yíng)也許能夠滿(mǎn)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(lái)越多的用戶(hù)，越來(lái)越多元的用戶(hù)需求與用戶(hù)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(hù)運(yùn)營(yíng)開(kāi)展前，體系化運(yùn)營(yíng)的前提就是建立用戶(hù)運(yùn)營(yíng)的數(shù)據(jù)指標(biāo)。 

在搭建用戶(hù)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(hù)分群分層模型與指標(biāo)（如ARGO模型、RFM模型應(yīng)用）；

通過(guò)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。 

首先，我們先來(lái)了解一下什么是用戶(hù)精細(xì)分層分群。

顧名思義，就是進(jìn)行用戶(hù)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(hù)使用產(chǎn)品的理由、滿(mǎn)足的需求間存在各種不同的差異。也許A用戶(hù)看中了品牌情懷，B用戶(hù)看中了產(chǎn)品性?xún)r(jià)比高，C用戶(hù)看中了產(chǎn)品的服務(wù)好。

如果不進(jìn)行用戶(hù)分群分層，又怎么針對(duì)用戶(hù)的不同需求提供服務(wù)呢？

因此，在用戶(hù)運(yùn)營(yíng)的過(guò)程中，用戶(hù)分群分層的作用很明顯，它幫助我們把用戶(hù)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(hù)畫(huà)像」、「用戶(hù)分層」、「用戶(hù)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(hù)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(ài)好、渠道屬性。具體內(nèi)容如下：

一般來(lái)說(shuō)，我們結(jié)合用戶(hù)在產(chǎn)品上所處狀態(tài)作為用戶(hù)分層的依據(jù)，比如我們最常見(jiàn)的RFM模型，依托于用戶(hù)最近一次購(gòu)買(mǎi)時(shí)間、消費(fèi)頻次以及消費(fèi)金額，通過(guò)衡量用戶(hù)價(jià)值與用戶(hù)創(chuàng)利能力，對(duì)用戶(hù)進(jìn)行分層。 

比如，我們結(jié)合RFM模型，把用戶(hù)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(guò)的重要價(jià)值用戶(hù)，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(hù)。

RFM模型

這里解釋一下RFM模型的構(gòu)成： 

Recency：最近一次消費(fèi)，即用戶(hù)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(lái)說(shuō)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(hù)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(hù)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(hù)價(jià)值象限。

通過(guò)上面的RFM模型，我們可以更加直觀的把用戶(hù)劃分為8個(gè)不同層級(jí)。如果能夠找出產(chǎn)品內(nèi)用戶(hù)隸屬于以上8類(lèi)中的哪一類(lèi)，就可以針對(duì)性的制定運(yùn)營(yíng)策略。 

比如某用戶(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，但是累計(jì)消費(fèi)金額和消費(fèi)頻次都很高，說(shuō)明這個(gè)用戶(hù)曾經(jīng)很有運(yùn)營(yíng)價(jià)值（屬于 “重要保持客戶(hù)”），我們不希望流失。所以，運(yùn)營(yíng)人員就需要專(zhuān)門(mén)針對(duì)這類(lèi)型用戶(hù)，設(shè)計(jì)召回用戶(hù)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(guò)散點(diǎn)圖進(jìn)行大致的區(qū)分。

通過(guò)散點(diǎn)圖，我們可以比較直觀的看清用戶(hù)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(hù)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(guò)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(guò)聚類(lèi)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(hù)分層，用戶(hù)分群更加聚焦于用戶(hù)行為表現(xiàn)，比如易觀方舟推出的智能用戶(hù)運(yùn)營(yíng)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(lèi)用戶(hù)可能都是某種意義上的高消費(fèi)用戶(hù)，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(hù)分群是用戶(hù)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)講下用戶(hù)精細(xì)分層分群。 

因?yàn)椴煌袠I(yè)中，用戶(hù)分層分群可能是多樣性的，用戶(hù)分層分群在產(chǎn)品發(fā)展的不同階段也有不同的變化，且用戶(hù)分層分群需要定性與定量。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(hù)分層分群：

（1）精細(xì)分層分群，遵循 MECE 原則

在進(jìn)行用戶(hù)精細(xì)分層分群的過(guò)程中，我們遵循由麥肯錫提出的MECE分析法（即“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(lèi)，而且能夠借此有效把握問(wèn)題的核心，并成為有效解決問(wèn)題的方法）。

這不僅僅是幫助用戶(hù)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(hù)、問(wèn)題或解決方案進(jìn)行排序、分析，并從中找到令人滿(mǎn)意的解決方案。

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(guò)對(duì)目標(biāo)的層層分解，分析出用戶(hù)的關(guān)鍵行為與目標(biāo)間的關(guān)聯(lián)。 

（2）明確階段目標(biāo)，讓分層分群更簡(jiǎn)單 

正如用戶(hù)有生命周期一樣，產(chǎn)品與用戶(hù)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(hù)運(yùn)營(yíng)的要求也不盡相同。

本文來(lái)自微信公眾號(hào)“易觀數(shù)科”（ID：enfodesk），作者：奮斗者，36氪經(jīng)授權(quán)發(fā)布。