数据分析思维

如何进行用户分层

2021-02-22  本文已影响0人  让数据告诉你

目标：

1、熟练掌握如何利用用户画像做分析；

2、了解用户生命周期；

3、了解RFM模型

所谓用户分层，是一种对用户进行群组划分的方法，通过分析用户在产品内留下的各种数据，根据不同的分层定义将用户划分成不同的层级。

用户分层并不像大家想象是用多难的算法，或者是用多复杂的模型。在日常工作中，我们其实都是用比较简单的，比如说九宫格、四象限等等，如果这些能把用户分得很不错，我们是不会做那种极度复杂的模型的。

对于分析师而言，你并不是去做个性化推荐，用户分层肯定还是去给业务方输出策略建议，或者是让你的这个分析能够有更好的下钻维度。所以 其实对于分析这个场景而言，是不需要极度复杂的算法模型的。

我们平时去分析用的这种，比如说高级用户、中级用户、低级用户，或者是高价值低频、低价值高频等等这种类型的用户分层。其实都是为了让业务方更好的理解里面的规律和特点，不需要做的过于复杂。

一、用户画像

1、什么是用户画像

根据用户人口学特征、网络浏览内容、网络社交活动和消费行为等信息而抽象出的一个标签化的用户模型。它的核心工作主要是利用存储在服务器上的海量日志和数据库里的大量数据进行分析和挖掘，给用户贴“标签”。而“标签”是能表示用户某一维度特征的标识，主要用于业务的运营和数据分析。

2、用户画像的作用

作用 说明
精准营销 从粗放式到精细化运营过程中，将用户群体切割成更细的粒度，辅以短信、推送、邮件、活动等手段，驱以关怀、挽回、激励等策略。
了解用户 新品上市，产品早期，产品经理们通过用户调研和访谈的形式了解用户。在产品用户量扩大后，调研的效用较低，这时候就可以辅以用户画像配合研究。方向包括新增的用户有什么特征，核心用户的属性是否变化等等。
数据应用 用户画像是很多数据产品的基础，诸如耳熟能详的推荐系统、广告系统、数据报表，广告基于一系列人口统计相关的标签，性别、年龄、学历、兴趣偏好、手机等等来进行投放的。
数据分析 用户画像可以与业务层面的数据结合，各类标签是多维分析的天然要素，辅助业务决策。标签建立之后就会变成一个维度，然后基于这个维度进行分析就能得到更有有价值的点。

3、用户画像的内容

分类 常见内容
人口特征 性别、年龄、出生日期、星座、地域、教育水平、职业等
社会特征 婚姻情况、家庭情况、收入情况等
兴趣特征 兴趣爱好、使用APP/网站、浏览/收藏内容、互动内容、品牌偏好、产品偏好等
消费特征 购买频次、购买金额、购买品类、购买力水平、购买渠道、价格敏感度等

二、用户生命周期

1、什么是用户生命周期

用户的生命周期，简单来说就是：用户从开始接触产品到离开产品的整个过程

用户生命周期.png

问题1：是否所有用户都会经历完整的用户生命周期？

答：不是，站在整个产品的角度，因为用户分布在不同阶段，所以，可能会走完一个完整的生命周期，也就是所说的引入期、成长期、成熟期、休眠期、流失期，比如：注册-登录-活跃-付费-分享-流失。但是，作为个体用户，用户可能在引入期之后就流失了，比如：用户注册登陆之后，因为新手引导做得不到位，用户直接放弃使用，直接进入了流失期。

问题2：是否所有产品都需要管理用户生命周期？

答：不是，从产品生命周期来看，处于初创期的产品，由于资源不足，用户量级不够，一般可以不做用户生命周期管理。从产品的需求强烈程度和市场供应的情况来看，需求越强烈，供应越稀缺的产品，越不用过多考虑做用户生命周期管理。

2、用户生命周期的作用

我们平时在做用户生命周期的划分，就是把我们当前的用户分隔在这几个用户生命周期的层次里。

我们平时不会仅仅的只是做完这个分层就完了，肯定也会去做这个分层的监控，因为每一个层次的用户的占比和趋势（可以使用百分比堆积图）也是非常重要的。

比如：流失用户的占比变得很高，这个时候其实对我们来说需要去做一个警示的作用，比如说以前我们的流失用户的占比是1%，但是现在我们流失用户高达10%。

（1）首先要看我们当前的这个用户生命周期的分层的算法（划分规则）是不是合理，也就是要确保你的这个分层的这个规则是不是合理的；

（2）有可能仅仅只是因为业务形态发生了变更，或者是一些不可抗力的事情。比如说飞猪，其实今年对飞猪而言，用户的购买的频次一定非常的低，在上半年这种情况，就不能说用户群体流失了，并不是你的用户大批量被竞对这个挖走了，这时候可能就要调整用户的分层规则。

对于像这种特殊情况的时候，我们一定要去调整我们用户生命周期的分层规则，所以在平时我们都会去做这种监控报表，以便更好的发现问题。也就是说在平时工作的时候，一定要有这种去做监控的意识。

image-20210212153421755.png

我们在来看一下用户分层的具体的一些作用，用户分层，实际上就是要把用户分为新用户、活跃用户、召回用户，活跃用户中可能还有一些核心用户、流失用户，这些东西的核心都是为了更好的去做运营。

image-20210212162136588.png

（1）获客：做获客的时候，我们要去做营销渠道的效果评估去提升我们获取新客的效率，你得让你的投入产出比尽可能的高，这样你的公司才不会赔本。

（2）新用户：会涉及新用户的分析，比如什么样的人可能成为我们的新用户？我们新用户他首单购买的时候都有哪些特点？这些特点可以转化为我们去做这种新客获取的目标用户的一些特征。另外我们还可以去看这些新用户他们是怎么变成我们的复购用户的（不可能只希望他在你这支持下一单是吧）？用户怎么去完成它的第二次订单？这些肯定都会有一系列的特征和特点，我们把这些特征和特点分析出来，然后就找到这些用户，然后要把这些用户按层次分好，然后再去按每个层次的用户特点进行深挖，然后就可以进一步的去支持运营的具体的措施。

（3）活跃用户：会员等级，让用户通过会员等级享受的一些特殊的服务来持续保持对平台的粘性，如酒店会员、淘宝京东会员等等，通过会员等级的服务来让用户保留会员权限或者进行消费提供会员等级以便享受更多的会员服务。

活跃用户会有一些是这种vip用户，在活跃用户中去挖掘核心的忠诚用户是特别关键的，因为很多的APP都是有很多人都是撸羊毛的，在这些人身上，你根本就赚不到什么钱；还有一些行业，比如游戏，都是二八法则的，相当于是20%的人，他们在游戏的平台里面充钱，然后养活整个平台的这些营收。虽然这个用户群体很小，但是因为他们的贡献值很多，所以基本上每一个平台，对于核心关键用户都会有一定的奖励手段或者特殊服务手段。

（4）流失用户：有的时候活跃用户也会因为一些原因（比如说你的价格、品类、提供的服务等等），导致用户不太满意然后流失到其他的平台；

（5）召回用户：有些用户未必是完全流失，有可能是有一段时间没来了，但可能偶尔会打开我们的app看一下，但他未必下单，这个时候就需要采取一些召回的手段（如果送一些优惠券、短信提醒、推送等等）。

争取不要让用户在休眠期真的流失，因为根据以前做过的各个业务的的ABtest对流失用户的召回效果其实都是极差的，所以现在很多公司很少的对流失用户进行召回了，一般只有在预算特别充足的时候才会去对流失用户做一些运营的手段。现在基本上平时都是围绕着新用户、活跃用户、休眠期的用户去进行一系列的运营措施。

那么，不同层次的用户，在公司里都是怎么去分层的呢？平时做用户生命周期的划分，并不是按照这种多么复杂的模型去划分，而是按照这种用户行为特征，或者是一些业务上的一些特点去做的划分，然后用来支撑用户生命周期的分层。

给大家举个脉脉的例子以便更好的理解：

image-20210212154959962.png

（1）导入期：把用户细分为潜在用户和新用户，潜在用户都有哪些特征时，我们给他算在潜在用户呢首先？

这些用户可能就是你重点要去做拉新的潜在用户，然后直到这个人完成了注册，然后它就算是我们的一个新用户（电商类的APP一般是按照下单之后作为新用户）。

（2）成长期：分为活跃用户和留存用户，那么对于活跃用户而言都有什么样的特征呢？

留存用户，基本上我们指的都是这种3天、7天、15天、30天持续登录的用户，每一家公司对留存用户的定义都是不一样的，甚至是同一家公司的不同业务，对于留存用户的定义也是不一样的，具体这个用户他应该具备什么样的特征，或者是什么样的特征下，我们给他归类为留存用户，这个都需要结合我们实际的业务场景去进行划分。

（3）成熟期：成熟期是成长期又是进阶了一层，在脉脉上去买会员服务的人，其实是不多的，所以我们把整个成熟期的这个标准限定的高一点，需要购买会员的用户才算是这个成熟用户；或者是购买其他用户提供的服务，比如说答疑；或者是每天使用时长达到多少小时的用户。

（4）休眠期：距离上一次活跃已过多少天的注册用户，距离今天的启动天数的这个差值，然后你可以去做一个卡点，那这个卡点我们也不是完全拍脑门做的，也是会把这个每一天就是距离上一次启动APP，然后间隔多少天的这些人数就把这个分布图做出来，然后去找一个拐点，来决定到底把沉睡用户标记为多少天没有访问我的APP是比较合适的。

（5）流失用户：卸载的用户或者距离上次活跃已过多少天，这个天数就要远比沉睡用户的天数要多的多。已卸载的数据是很难获取的，所以基本上在日常去操作的时候，都是以这个距离上次活跃已过多少天的这个用户，作为一个流失的判断，这个就是日常工作中特别特别常见的一种用户生命周期的划分形式。

如何延长用户生命周期？比如巴巴农场、签到、定期的去给用户推送各种活动、赠送抵用券、活动任务，这些都可以延长我们的用户生命周期，而且从数据来看，签到、送优惠等对于延长用户生命周期和增加用户的粘性是真的有效的。

平时在做用户分层和分类的时候，要尽可能的按照MECE的形式去进行划分，不让一个用户处于重叠的状态，分类和分层的时候都是都是按照一层层去过滤的方式来确认的。

三、RFM模型

所谓用户分层，是一种对用户进行群组划分的方法，通过分析用户在产品内留下的各种数据（比如评论数据、转发数据、点赞数据等），根据不同的分层定义将用户划分成不同的层级。

1、RFM模型

RFM模型：按照R(recency—近度)、F(frequency—频度)、M(monetary—额度)三个维度进行细分客户群体

2、RFM模型的应用

通过RFM三个维度进行细分然后把我们的用户去分为八类客户，但是在日常工作中真的用这个三个维度去进行划分的场景还是挺少的，因为有的时候四象限就足够了，四象限就是你三个维度中挑两个（两两组合）做分析。

通过RFM分析将客户群体划分成一般保持客户、一般发展客户、一般价值客户、一般挽留客户、重要保持客户、重要发展客户、重要价值客户、重要挽留客户等八个级别。

交易额的高低，或者是这个用户的支付能力，对于平台来说，太太太重要了，不管你频次有多高，你交易额不高，你也不能吃重要用户，很多时候我们对于这一些特别大额的用户都是更加细心的，这类用户的运营、用户关系的维护都是要花尽心思的。基本上很多这个公司都有这种KA部门，那KA一般都是我们平时说的需要关键去对接的大客户部门。

类别 R F M 运营策略
重要价值用户 高 高 高 保持好现状
重要发展用户 高 低 高 提高用户的消费频率（也有可能是新用户）
重要保持用户 低 高 高 要留住用户
重要挽留用户 低 低 高 要留住用户并提高用户的消费频率（也有可能是特定周期产品的用户）
一般价值用户 高 高 低 要提高用户的消费力度
一般发展用户 高 低 低 要提高用户的消费频率和力度
一般保持用户 低 高 低 要留住用户并且提高用户的消费力度（可能有很多撸羊毛的）
一般挽留用户 低 低 低 要各方面进行提高（成本有限的情况下不会特意对这一类的用户进行运营营销）
image-20210212162322651.png

高频高价值、高频低价值、低频高价值和低频低价值这个四象限法用的就是M和F去做的，这种形式，其实在日常工作中是最最最常见的，八类其实有一点点多，做分析的时候，可以先优先尝试用这两个指标去做，不一定每一次都要去做RFM的，在F和M分完之后觉得效果不佳，然后还需要再进一次深入的时候再把R加进来，这样你的整个分析的困难或者是一些规律的发现要更容易一点，因为有时候维度太多了，不太容易找一些关键性的结论点。

总结：

1、可视化是做用户画像分析的关键；

可视化是我们做用户画像分析的一个关键，就基本上做用户画像的分析报告对于可视化的要求都非常的高，一定要去这个多多学习各种各样的可视化技巧。

2、利用用户生命周期的特点进行策略输出；

利用生命周期的特点进行策略输出，为什么需要我们去做策略输出呢？因为有的时候这个运营或者是产品同事，他们未必有那么好的去做用户特征的这种抽象和阈值划分的这种能力，这些工作有一些都是分析师去做的，最后分析师制定出我们的这些用户特征都有哪些这个具体的指标、或者是哪些具体的行为？

定义好之后让运营同学投入使用，比如他们给活跃用户发的券什么样的？给新用户发的券是什么样的？等等。

3、巧用用户分层发现业务问题

就是我们要学会用用户分层来发现业务问题，实怎么发现有问题呢？就比如说我们平时去监测这个四象限的这个占比其实就可以发现一定的这个业务问题，比如说我们的高频高价值用户的占比变多了，那肯定是好事，那就说明我们现在的越来越好了；但是如果说我们的低频低价值 用户变多了，那这个时候就相当于是给你发了一个警示，就是告诉你现在不能再这样养尊处优，你现在的业务线已经有很大的威胁了，你需要去发起一系列的运营的策略，来让整个的用户分层的结构回归到正常的水平。

这些都是我们平时去做分析的一些手段，我们去做交易额或者是异常分析都会用到这些用户分层，比如说我们的这个交易额下降了，那这个下降是因为高频高价值的交易额下降了？还是说低频高价值的用户购买金额变少了？等等，这都是你可以查找问题的一个维度和很好的一个方法。

上一篇下一篇

猜你喜欢

热点阅读