数据分析 读懂用户运营体系用户分层和分群Word格式.docx
- 文档编号:14191909
- 上传时间:2022-10-19
- 格式:DOCX
- 页数:12
- 大小:296.82KB
数据分析 读懂用户运营体系用户分层和分群Word格式.docx
《数据分析 读懂用户运营体系用户分层和分群Word格式.docx》由会员分享,可在线阅读,更多相关《数据分析 读懂用户运营体系用户分层和分群Word格式.docx(12页珍藏版)》请在冰豆网上搜索。
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
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数据分析 读懂用户运营体系用户分层和分群 数据 分析 读懂 用户 运营 体系 分层 分群
![提示](https://static.bdocx.com/images/bang_tan.gif)