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努力,而用戶分群,則是將他們切分更細的粒度提高效果。兩者是相輔相成的。
什么是用戶運營?
它以最大化提升用戶價值為目的,通過各類運營手段提高活躍度、留存率或者付費指標。在用戶運營體系中,有一個經典的框架叫做AARRR,即新增、留存、活躍、傳播、盈利(歷史文章已經涉及了)。
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)秀的用戶運營體系,應該是動態(tài)的演進。
演進是一種金字塔層級的用戶群體劃分,上下層呈依賴關系。
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,使用產品,會推薦,評價,購買以及付費,也會注銷、卸載、和流失。從運營角度看,我們會引導用戶做我們想要他做的事(這里是付費),這件事叫核心目標。
核心目標當然不是一蹴而就的,用戶要經歷一系列的過程。
也不是所有的用戶會按照我們設想完成步驟,各步驟會呈現漏斗狀的轉化。我們把整個環(huán)節(jié)看作用戶群體的演進。
上圖就是一個典型的自下而上的演進,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,運營們也就無法一刀切的粗暴運營了,而是需要根據不同人群針對性運營。這既叫精細化策略,也叫做用戶分層。
它對運營們的最大價值,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品,此時應該用新手引導,讓他熟悉。
活躍用戶:我希望加深他們使用產品的頻率,那么運營人員要持續(xù)的運營,固化用戶的使用習慣,并且對產品內容感興趣;
興趣用戶:我希望他們完成付費決策,購買商品,運營可以使用不同的促銷和營銷手段;
付費用戶:這是我的目標用戶,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。運營同樣會受資源的限制,當我們只能投入有限資源的時候,往往會選擇核心群體,即上文的付費用戶們。因為根據二八法則,只有核心群體能貢獻最大的價值。
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。
想必大家已經了解分層,那么應該怎么劃分?
其實分層并沒有固定的方式,只能根據產品形態(tài)設立因地制宜的體系。不過它有一個中心思想:根據指標劃分,因為指標是一種可明確衡量的標準,遠優(yōu)于運營人員的經驗直覺。
上圖是一個簡化的游戲用戶分層,每層指標都是可量化的。為了上下層用戶清晰,群體間應盡量獨立,即計算RMB玩家時,應該把土豪玩家排除,計算普通玩家時,應該把結果中包含的上兩層排除,這樣運營的針對性才強。
之后運營人員可以依此構建分層報表,通過數據趨勢,制定各種方式來提高數據。
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生產內容?還是更多用戶參與Live獲得營收?挺難決斷的,其實很多運營體系,用戶分層是兩層結構。
它以兩個相輔相成的核心作目標,以此形成雙金字塔分層。
在這種結構下,它的核心用戶,既有內容生產方向的大V,又有消費方向的忠實粉絲,它們代表的是兩類運營策略:
內容生產方向:早期利用邀請制獲得各行業(yè)的優(yōu)秀人才,通過運營人員維系關系,并且鼓勵生產內容。產品的機制也會激勵大V更好的創(chuàng)作和生產。
內容消費方向:則是找出普通用戶的內容興趣,加以引導,培養(yǎng)他們的付費習慣。增加Live、值乎、電子書的曝光,設計各類優(yōu)惠券促進用戶使用。
這類雙金字塔結構,將內容生產者和內容消費者聚合在一起構成了整個平臺的良性循環(huán):大V創(chuàng)作內容,吸引普通人,普通人為內容付費,大V獲得收益。
雙金字塔結構的用戶分層并不少見。以我們熟知的電子商務為例,即有買家,也有賣家。買家的運營方式已經耳熟能詳,賣家呢?開店教程、賣家大學、店鋪裝修、曝光位展示、店鋪后臺、各類輔助產品…運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是不是雙層結構?當然是。online是用戶,offline則是各類線下或者服務實體,只是這些賣家更多是銷售地推和市場人員維護,但我們一樣可以使用分層的思想去運營。其他還有視頻直播的網紅和群眾,微博的大V和草根,招聘APP的企業(yè)和員工等等。
不同產品的形態(tài)會有差異,同一產品的不同階段,也可以用不同的用戶分層。一款產品早期,用戶分層的目標是更多的用戶和KOL,后期,會更貼近商業(yè)方向,這就需要運營設立靈活的分層了。
用戶分層,一般四五層結構就可以了,過多的分層會變得復雜,不適合運營策略的執(zhí)行。
用戶分群
用戶運營體系是否只有用戶分層?不完全是。
用戶分層是上下結構,可是用戶群體并不能以結構作為完全概括。簡單想一下吧,我們以是否付費劃出了付費用戶群體,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,有用戶曾經購買但是現在不買了,這該怎么細分?
如果繼續(xù)增加層數,條件會變得復雜,也解決不了業(yè)務需求。
于是,我們使用水平結構的用戶分群。將同一個分層內的群體繼續(xù)切分,滿足更高的精細化需要。
怎么理解用戶分群,我們拿下面的案例說明。
男女性別在以消費為核心的產品中會呈現顯著的區(qū)別,它就是兩個相異的群體。分群的核心目標是提高運營效果,將運營策略的價值最大化,在電商產品中,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。
這也是我一直強調的,分層和分群,都是以產品和運營目標為依據才能建立體系。
接下來是分群的實際應用。
RFM模型是客戶管理中的經典方法,它用以衡量消費用戶的價值和創(chuàng)利能力,是一個典型的分群。
它依托收費的三個核心指標:消費金額、消費頻率和最近一次消費時間,以此來構建消費模型。
消費金額Monetary:消費金額是營銷的黃金指標,二八法則指出,企業(yè)80%的收入來自20%的用戶,該指標直接反應用戶的對企業(yè)利潤的貢獻。
消費頻率Frequency:消費頻率是用戶在限定的期間內購買的次數,最常購買的用戶,忠誠度也越高。
最近一次消費時間Recency:衡量用戶的流失,消費時間越接近當前的用戶,越容易維系與其的關系。1年前消費的用戶價值肯定不如一個月才消費的用戶。
通過這三項指標,我們很容易構建出一個描述用戶消費水平的坐標系,以三個指標形成一個數據立方體:
坐標系上,三個坐標軸的兩端代表消費水平從低到高,用戶會根據其消費水平,落到坐標系內。當有足夠多的用戶數據,我們就能以此劃分大約八個用戶群體。
比如用戶在消費金額、消費頻率、最近一次消費時間中都表現優(yōu)秀,那么他就是重要價值用戶。
如果重要價值用戶最近一次消費時間距今比較久遠,沒有再消費了,他就變成重要挽留用戶。因為他曾經很有價值,我們不希望用戶流失,所以運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,都對應不同的消費人群。大家是愿意簡單地視為一體去運營,還是根據人群區(qū)別對待呢?
這就是RFM模型,曾經在傳統行業(yè)被頻繁應用,而在以消費為主的運營體系中能夠移植過來為我們所用,它既是CRM系統的核心,而是消費型用戶分群的核心。
RFM模型的主流分群方式有兩種。
一種是建立指標,以指標作為劃分依據,和用戶分層差不多。
指標的判斷和設立,需要業(yè)務專家的經驗:什么樣的算高消費頻率,什么樣的算低,消費多少金額算有價值,這些都是學問。并且需要不斷修正和改進。
上圖是一個簡化的劃分,實際應用會更復雜,因為指標未必有代表性。大部分收費相關的數據,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。
指標一般用描述性統計的分位數,以中位數、第一四分位數、第三四分位數等劃分。
另外一種是用算法,通過數據挖掘建立用戶分群,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」。
我們以網上某公司的數據進行Python建模,首先無量綱化(z-score)處理,并且清洗掉異常極值。
上圖的三列數據是經過標準化后的用戶消費數據。值越接近0,說明離平均水平越近。r值因為是最近一次消費時間,所以值越小,說明時間越接近,值越大,說明消費越久遠。
通過RFM三個指標(在機器學習中叫做特征),先建立可視化的散點圖。下圖是最近一次收費R和收費金額M的散點圖。每一個點都代表著一位用戶的收費相關數據。
散點圖上暫時看不出用戶分群的規(guī)律,只能初步判斷,大部分的數據呈集中趨勢。
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函數。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,用戶群體間越獨立,這叫群分;簇內的距離越緊湊,說明用戶們越相似,這叫類聚。
通過圖表說話:
紅圈標出的這些用戶,更有可能相似,屬于同一個用戶群體。因為他們在R和M這兩個指標上,數據接近,都處于消費金額較低,且近期有消費的人群。
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,就是算法計算出的用戶群體。
紅色用戶群體:代表的是高消費金額,因為數量稀少,所以在最近一次消費時間上沒有明顯區(qū)分,不過并不久遠。這些都是產品的爸爸和金主。
綠色用戶群體:代表的是有流失傾向的用戶,這些用戶消費金額不太多,運營可以采取適當的挽回策略。
紫色用戶群體:代表的是近期消費,消費金額較少的用戶,運營需要挖掘他們的價值,去發(fā)展和培養(yǎng)。
青色和藍色似乎不能明顯區(qū)分。那我們改一下散點圖的維度呢?
改用指標R和F后,則是另外一種視角。青色用戶群體比藍色用戶群體有過更多的消費次數,藍色用戶的消費頻率比較差,更需要激勵。紫色用戶群體擁有相當高的消費頻率。
到此,用戶群體已經明顯區(qū)分,大家是否能準確概述這些用戶的特點了呢?雖然從數據分布上,長尾形態(tài)會一定程度影響可讀性,但運營還是能針對不同群體作出相應的運營手段。
通過散點圖矩陣觀察最終的結果 (圖片可能清晰度不佳):
以上就是RFM模型的內容。它能動態(tài)的提供用戶的消費輪廓,給市場、銷售、產品和運營人員提供精細化運營的依據。這也是數據挖掘在用戶運營的應用之一,大家要了解。
怎么劃分群體是一門學問,劃分的群體少了,區(qū)分度不明顯;劃分的多了,則沒有業(yè)務價值,二十幾個群體你怎么去運營?群體數量,是要在數據和業(yè)務間取得平衡。
總而言之,分群的方法,一類是通過指標和屬性人工的劃分出用戶群體。另外一類是通過數據挖掘,給結果賦予業(yè)務意義。反正最終的目的是提高運營效果和價值。
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、最近一次投資時間;
直播:觀看直播時長、最近一次觀看時間、打賞金額;
內容:評論次數、評論字數、評論被點贊數;
網站:登錄次數、登錄時長、最近一次登錄時間;
游戲:等級、游戲時長、游戲充值金額。
這些是我簡單列舉的參考,未必準確,作為大家參考的他山之石。不同產品的分群策略也不一樣,比如酒店產品,住宿不是一個固態(tài)的需求,是否需要加入時間的維度呢?也許住宿條件會更好分群。
需要注意的是,群體數量并不固定,可以是兩個,也可以是四個,具體就看業(yè)務需求,主要是能囊括大部分用戶。只是別太多,一來復雜,二來KMeans聚類在多特征的表現不算好。
通過用戶分層和用戶分群,想必大家已經了解了用戶運營體系的基石。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努力,而用戶分群,則是將他們切分更細的粒度提高效果。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,因為用戶群的屬性粒度特征隨著產品進一步擴大,不論怎么細分都難以滿足用戶的復雜性,常見于各類平臺型產品。這時候需要引入用戶畫像(UserProfile)體系,此時的用戶分層和分群,都只是畫像的一部分了。