用户体系
-
2023年3月19日发(作者：简爱的思维导图)读懂用户运营体系：用户分层和分群
什么是用户运营？
它以最大化提升用户价值为目的，通过各类运营手段提高活跃度、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、传播、盈利（历史文章已经涉及了）。
然而，从用户活跃到盈利，不是两个简单的步骤。如果用户打开产品既算
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。
首先，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，会推荐，评价，购买以及付费，也会注销、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
叫核心目标。
核心目标当然不是一蹴而就的，用户要经历一系列的过程。
也不是所有的用户会按照我们设想完成步骤，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讲，概括了用户群体的理想行为。
既然用户群体是不再是一个简单的整体，运营们也就无法一刀切的粗暴运
营了，而是需要根据不同人群针对性运营。这既叫精细化策略，也叫做用
户分层。
它对运营们的最大价值，就是通过分层使用不同策略。
新用户：我希望他们能下载产品，常用的策略是新用户福利；
下载用户：我希望他们能使用产品，此时应该用新手引导，让他熟悉。
活跃用户：我希望加深他们使用产品的频率，那么运营人员要持续的运
营，固化用户的使用习惯，并且对产品内容感兴趣；
兴趣用户：我希望他们完成付费决策，购买商品，运营可以使用不同的促
销和营销手段；
付费用户：这是我的目标用户，我也希望用户能一直维持这状态。
不同的用户层级，采取的手段不同。运营同样会受资源的限制，当我们只
能投入有限资源的时候，往往会选择核心群体，即上文的付费用户们。因
为根据二八法则，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甚至电话专线服务
人民币玩家，声音甜美。普通玩家可能是万年不变的自动回复。
想必大家已经了解分层，那么应该怎么划分？
其实分层并没有固定的方式，只能根据产品形态设立因地制宜的体系。不
过它有一个中心思想：根据指标划分，因为指标是一种可明确衡量的标
准，远优于运营人员的经验直觉。
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
户清晰，群体间应尽量独立，即计算RMB玩家时，应该把土豪玩家排除，
计算普通玩家时，应该把结果中包含的上两层排除，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生
产内容？还是更多用户参与Live获得营收？挺难决断的，其实很多运营体
系，用户分层是两层结构。
它以两个相辅相成的核心作目标，以此形成双金字塔分层。
在这种结构下，它的核心用户，既有内容生产方向的大V，又有消费方向
的忠实粉丝，它们代表的是两类运营策略。
内容生产方向：早期利用邀请制获得各行业的优秀人才，通过运营人员维
系关系，并且鼓励生产内容。产品的机制也会激励大V更好的创作和生
产。
内容消费方向：则是找出普通用户的内容兴趣，加以引导，培养他们的付
费习惯。增加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，将内容生产者和内容消费者聚合在一起构成了整个平
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获
得收益。
双金字塔结构的用户分层并不少见。以我们熟知的电子商务为例，即有买
家，也有卖家。买家的运营方式已经耳熟能详，卖家呢？开店教程、卖家
大学、店铺装修、曝光位展示、店铺后台、各类辅助产品…运营同样需要帮
助卖家成长，于是卖家也可以划分成普通卖家、高级卖家、大客户、超级
金主这些等级。
O2O是不是双层结构？当然是。online是用户，offline则是各类线下或
者服务实体，只是这些卖家更多是销售地推和市场人员维护，但我们一样
可以使用分层的思想去运营。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。
不同产品的形态会有差异，同一产品的不同阶段，也可以用不同的用户分
层。一款产品早期，用户分层的目标是更多的用户和KOL，后期，会更贴
近商业方向，这就需要运营设立灵活的分层了。
用户分层，一般四五层结构就可以了，过多的分层会变得复杂，不适合运
营策略的执行。
用户运营体系是否只有用户分层？不完全是。
用户分层是上下结构，可是用户群体并不能以结构作为完全概括。简单想
一下吧，我们以是否付费划出了付费用户群体，可是这部分群体也有差
异，有用户一掷千金，有用户高频购买，有用户曾经购买但是现在不买
了，这该怎么细分？
如果继续增加层数，条件会变得复杂，也解决不了业务需求。
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
足更高的精细化需要。
怎么理解用户分群，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区别，它就是两个相异的
群体。分群的核心目标是提高运营效果，将运营策略的价值最大化，在电
商产品中，区分男女很正常，但是在工具类的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，都是以产品和运营目标为依据才能建
立体系。
接下来是分群的实际应用。
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Monetary：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，该指标直接反应用户的对企业利润的贡献。
消费频率Frequency：消费频率是用户在限定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，消费时间越接近当前的用
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
三个指标形成一个数据立方体：
坐标系上，三个坐标轴的两端代表消费水平从低到高，用户会根据其消费
水平，落到坐标系内。当有足够多的用户数据，我们就能以此划分大约八
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表现优秀，那么
他就是重要价值用户。
如果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。因为他曾经很有价值，我们不希望用户流失，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。大家是愿意简单地视为一
体去运营，还是根据人群区别对待呢？
这就是RFM模型，曾经在传统行业被频繁应用，而在以消费为主的运营体
系中能够移植过来为我们所用，它既是CRM系统的核心，而是消费型用户
分群的核心。
RFM模型的主流分群方式有两种。
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，需要业务专家的经验：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
改进。
上图是一个简化的划分，实际应用会更复杂，因为指标未必有代表性。大
部分收费相关的数据，都会呈长尾分布，80%用户都集中在低频低金额的
区间，20%的用户却又创造了大部分营收，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，通过数据挖掘建立用户分群，不需要人工划分。最常
见的算法叫KMeans聚类算法，核心思想是「物以类聚，人以群分」。
我们以网上某公司的数据进行Python建模，首先无量纲化(z-score)处
理，并且清洗掉异常极值。
上图的三列数据是经过标准化后的用户消费数据。值越接近0，说明离平均
水平越近。r值因为是最近一次消费时间，所以值越小，说明时间越接近，
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。每一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，只能初步判断，大部分的数据呈集
中趋势。
既然KMeans算法的核心思想是「物以类聚，人以群分」，它就是以距离
作为目标函数。简而言之，在距离上越接近的两个用户，其相似的可能性
也越大，于是KMeans就把相似的群体找出来，叫做簇。簇与簇之间的距
离越大，用户群体间越独立，这叫群分；簇内的距离越紧凑，说明用户们
越相似，这叫类聚。
通过图表说话：
红圈标出的这些用户，更有可能相似，属于同一个用户群体。因为他们在
R和M这两个指标上，数据接近，都处于消费金额较低，且近期有消费的
人群。
至于是不是，让算法解决吧，具体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。
上图的不同颜色，就是算法计算出的用户群体。
红色用户群体：代表的是高消费金额，因为数量稀少，所以在最近一次消
费时间上没有明显区分，不过并不久远。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，
运营可以采取适当的挽回策略。
紫色用户群体：代表的是近期消费，消费金额较少的用户，运营需要挖掘
他们的价值，去发展和培养。
青色和蓝色似乎不能明显区分。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
群体拥有相当高的消费频率。
到此，用户群体已经明显区分，大家是否能准确概述这些用户的特点了
呢？虽然从数据分布上，长尾形态会一定程度影响可读性，但运营还是能
针对不同群体作出相应的运营手段。
通过散点图矩阵观察最终的结果(图片可能清晰度不佳)：
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、销
售、产品和运营人员提供精细化运营的依据。这也是数据挖掘在用户运营
的应用之一，大家要了解。
怎么划分群体是一门学问，划分的群体少了，区分度不明显；划分的多
了，则没有业务价值，二十几个群体你怎么去运营？群体数量，是要在数
据和业务间取得平衡。
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挖掘，给结果赋予业务意义。反正最终的目的是提高
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，能不能玩出新花样？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；
这些是我简单列举的参考，未必准确，作为大家参考的他山之石。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。
需要注意的是，群体数量并不固定，可以是两个，也可以是四个，具体就
看业务需求，主要是能囊括大部分用户。只是别太多，一来复杂，二来
KMeans聚类在多特征的表现不算好。
通过用户分层和用户分群，想必大家已经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，你希望用户朝什么核心目标努力，而用户
分群，则是将他们切分更细的粒度提高效果。两者是相辅相成的。
如果用户大到一定量级，分层和分群就未必是好的方法，因为用户群的属
性粒度特征随着产品进一步扩大，不论怎么细分都难以满足用户的复杂
性，常见于各类平台型产品。这时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。
——————
这是答读者问的一篇文章，本来想要将分层和分群拆成两篇内容，但是写
着比较连贯，所以就合并在一起了，多花费一点时间。稍微涉及到一点数
据挖掘的超纲内容，按数据方向的进度，下半年看这个会更好一些，就当
作先预习了。
不过说回来，这大概也是我第一篇将高阶运营和高阶数据分析结合的文章
了。