一、什么是用戶運(yùn)營

用戶運(yùn)營是指基于用戶全生命周期的管理活動，旨在提高用戶價(jià)值和提升銷售額。以逛街購物為例，商家會通過廣告等方式吸引用戶注意，引導(dǎo)用戶完成購買，并在用戶購買過程中提供優(yōu)質(zhì)服務(wù)，讓用戶實(shí)現(xiàn)消費(fèi)。在用戶生命周期有限的情況下，商家需要通過用戶運(yùn)營手段，盡可能讓用戶掏更多的錢，從而提升銷售額。

用戶運(yùn)營的目的是提高用戶轉(zhuǎn)化率和提高用戶價(jià)值。商家可以在用戶全生命周期的各個(gè)環(huán)節(jié)采取相應(yīng)的運(yùn)營動作，例如引導(dǎo)用戶完成注冊、首單、提高用戶活躍度等。這些運(yùn)營動作的目的都是為了提高用戶的價(jià)值，從而提升銷售額。概括來說，用戶分析是指通過對用戶行為、數(shù)據(jù)等進(jìn)行分析，來提高某些環(huán)節(jié)的效率。

二、常見用戶分析方法

了解了什么是用戶運(yùn)營，以及用戶分析要解決的問題后，下面來介紹一下用戶分析的常用方法。回到前文中購物的場景，可以抽象出一個(gè)用戶模型，如下圖所示，誰在多長時(shí)間內(nèi)做了多少次什么行為。這個(gè)用戶模型包含許多要素：人物、時(shí)間、頻次、行為。進(jìn)一步壓縮，可以得到一個(gè)新的模型圖，即誰做了什么。這個(gè)模型的要素只有兩個(gè)：用戶屬性和用戶行為。這就是用戶分析可以拆分成的兩個(gè)部分，用戶屬性分析和用戶行為分析。

1、 用戶屬性分析

在用戶屬性分析方面，主要解決的問題是商家對用戶的認(rèn)知和理解，以及如何將有限的資源分配給最有價(jià)值的用戶。

用戶分析分為四個(gè)常見的場景：用戶特征、用戶畫像、用戶分群和用戶分層。

用戶特征分析旨在揭示人群特點(diǎn)，幫助了解產(chǎn)品消費(fèi)人群或不同人群間的異同。推薦的分析方法是對比分析和可視化決策樹。用戶特征分析中，所有特征都是通過對比得出的。在分析報(bào)告中，如果只給出單一人群的特點(diǎn)，則缺乏說服力。實(shí)際操作中，應(yīng)將目標(biāo)人群與參照人群進(jìn)行對比，以得出更準(zhǔn)確的結(jié)論。例如，在分析雙 11 活動中復(fù)購人群的特征時(shí)，應(yīng)將其與未復(fù)購人群進(jìn)行對比。對比分析之后推薦采用可視化決策樹的方法。可視化決策樹是一種機(jī)器學(xué)習(xí)方法，將復(fù)購人群和未復(fù)購人群標(biāo)記為 0 和 1，并將各級特征放到可視化決策樹中，以查看每個(gè)特征的值分布。這種方法具有很強(qiáng)的可解釋性，業(yè)務(wù)人員可以直觀地看出每個(gè)特征的分值，從而更好地理解分析結(jié)果。

用戶畫像解決的問題是商家想知道使用其產(chǎn)品的人是誰。與用戶特征分析不同，用戶畫像是一種基于定性描述的分析方法。在用戶畫像中，TGI 指標(biāo)很重要，用于計(jì)算用戶群中各個(gè)指標(biāo)的趨勢強(qiáng)度，一般 TGI 大于 100 表示在該方面有明顯特征。

用戶分群是將人群劃分成幾個(gè)部分，以便為不同的營銷方案制定策略。有兩種方法可以實(shí)現(xiàn)用戶分群：業(yè)務(wù)邏輯和聚類算法。業(yè)務(wù)邏輯基于對用戶的洞察，而聚類算法則使用常見的 k-means 算法等技術(shù)。后文中會具體介紹這種方法。

用戶分層與用戶分群不同，它將人群分成不同的等級，以便為不同的用戶提供不同的服務(wù)和資源分配。用戶分層可以解決如何分配資源的問題，并可以為某些用戶提供優(yōu)先權(quán)。在用戶分層中，標(biāo)準(zhǔn)思維非常重要，需要根據(jù)一定的標(biāo)準(zhǔn)來衡量用戶。帕累托法則是一種常用的方法，根據(jù)用戶的行為累積值將人群分成不同的部分。同時(shí)在用戶分層中，也經(jīng)常會使用到用戶屬性分析方法。

2、用戶行為分析

在用戶行為分析方面，主要解決的問題是了解用戶的行為模式和偏好，從而優(yōu)化產(chǎn)品和服務(wù)，提高用戶滿意度和忠誠度。這里分為四個(gè)場景：用戶的 Aha 時(shí)刻、用戶留存、用戶流失、用戶生命周期價(jià)值。

用戶的 Aha 時(shí)刻解決的問題是找到魔法數(shù)字，也就是邊際效用分界點(diǎn)。

用戶留存解決的是新用戶留存提升的問題，如何讓新用戶在一定時(shí)間內(nèi)盡可能地活躍。用戶留存分析通常使用統(tǒng)計(jì)群分析方法，將某一時(shí)間點(diǎn)進(jìn)入的人群圈起來，并跟蹤隨時(shí)間變化的情況。

用戶流失是很多商家頭疼的問題，但如果能夠提前預(yù)測到哪些用戶可能會流失，就可以提前進(jìn)行干預(yù)。對于已經(jīng)流失的用戶，可以分析流失原因來制定召回策略。用戶流失分析有時(shí)需要使用機(jī)器學(xué)習(xí)方法，如回歸分析。

用戶生命周期價(jià)值是指每個(gè)用戶在整個(gè)生命周期內(nèi)會貢獻(xiàn)多少錢，可以用來制定新客的獲客成本或新客的 ROI，以及分析用戶還剩下多少價(jià)值。

接下來展開介紹其中兩個(gè)場景，用戶分群和用戶的 Aha 時(shí)刻分析。

三、用戶分群：業(yè)務(wù)邏輯和聚類算法

用戶分群是指將大量用戶劃分成若干個(gè)具有相似特征的人群，以便制定針對性的營銷策略。以天貓為例，它將用戶劃分成八大策略人群，如新銳白領(lǐng)、資深中產(chǎn)等。

在進(jìn)行用戶分群之前，需要明確要解決什么問題。以天貓的八大策略人群為例，這些人群的劃分是為了解決產(chǎn)品組合和定價(jià)、開發(fā)新品等問題。根據(jù)人群畫像，可以了解人群的特征和消費(fèi)習(xí)慣，從而制定不同的營銷策略和產(chǎn)品方案。

以下是用戶分群流程圖：

第一步：需要有一個(gè)品牌用戶群。

第二步：準(zhǔn)備業(yè)務(wù)標(biāo)簽。需要從眾多標(biāo)簽中找出具有真正業(yè)務(wù)含義和人群劃分價(jià)值的標(biāo)簽。這與要解決的問題有關(guān)，例如，如果要解決定價(jià)問題，就需要知道用戶的消費(fèi)能力，可以使用月均消費(fèi)頻次和月均消費(fèi)金額等標(biāo)簽來衡量。有了這些標(biāo)簽，就可以進(jìn)行人群劃分。

第三步：人群劃分。這里用到前文中講到的兩個(gè)方法，一個(gè)是基于業(yè)務(wù)邏輯，一個(gè)是聚類方法。最終聚類出不同的人群，比如上圖中的三種顏色代表三個(gè)人群。聚類出人群之后，還要反過來去看它在不同特征下面的占比。

第四步：為人群找到合適的標(biāo)簽。計(jì)算 TGI 指標(biāo)或特征占比。TGI 指標(biāo)大于 100 認(rèn)為是顯著的，小于 100 認(rèn)為是不顯著的。最終把每一個(gè)標(biāo)簽過濾出來之后得到定性的描述。如新銳白領(lǐng)、小鎮(zhèn)青年、精致媽媽等。

這里用到兩個(gè)工具：聚類算法和業(yè)務(wù)邏輯。

聚類算法是通過計(jì)算人群之間的距離，將人群自動分類。在進(jìn)行聚類分析時(shí)，需要注意選擇合適的指標(biāo)，并去掉異常值人群和極端人群，再對剩余人群進(jìn)行分類或圈出不同的人群。K-Means 聚類能夠自動地對多維數(shù)據(jù)進(jìn)行聚合。但它的缺點(diǎn)是缺乏業(yè)務(wù)邏輯和業(yè)務(wù)含義，要解決這一問題就要加入業(yè)務(wù)邏輯。用 K-Means 聚類算法劃分完后，如果發(fā)現(xiàn)其與業(yè)務(wù)不相符，那么就需要去調(diào)整。

除了用聚類算法之外，還可以用業(yè)務(wù)邏輯去進(jìn)行用戶分群。比如將人群和產(chǎn)品的標(biāo)簽進(jìn)行交叉，就可以得到不同人群在不同產(chǎn)品標(biāo)簽下面的特點(diǎn)。例如，可以將年齡劃分成幾個(gè)段，然后反過來看每個(gè)人群在不同產(chǎn)品標(biāo)簽下面的特征，例如更加偏好 0-400 元的產(chǎn)品、更加偏好職場穿搭類的產(chǎn)品等。

根據(jù)這些特點(diǎn)進(jìn)行人工聚類，得到不同的人群劃分結(jié)果。最后，基于人群劃分結(jié)果和產(chǎn)品標(biāo)簽，可以得到相應(yīng)的策略，例如針對不同人群的營銷策略、內(nèi)容制作策略等。這樣的標(biāo)簽過程可以將業(yè)務(wù)邏輯和機(jī)器學(xué)習(xí)相結(jié)合，從而得到更加準(zhǔn)確和更具業(yè)務(wù)含義的人群劃分結(jié)果，并在業(yè)務(wù)場景中落地。

四、用戶的 Aha 時(shí)刻-魔法數(shù)字

魔法數(shù)字解決的是最終標(biāo)準(zhǔn)閾值的問題，例如劃分會員等級的標(biāo)準(zhǔn)閾值為 1 萬元。為什么是 1 萬而不是 1 萬五或者其它數(shù)字，這就是一個(gè)標(biāo)準(zhǔn)閾值問題。

先來簡單介紹下留存率。統(tǒng)計(jì)某一天注冊的用戶數(shù)，以及第二天回來活躍或購買的用戶數(shù)，然后將第二天回來的人群去除，就可以得到次日留存率。

比如LinkedIn 發(fā)現(xiàn)新用戶在 7 天之內(nèi)加滿 5 個(gè)人，留存率會提高 3 倍。再比如Facebook 發(fā)現(xiàn)，新用戶 10 天內(nèi)關(guān)注 7 個(gè)人可以提高留存率。

基于這個(gè)邏輯，可以得到一個(gè)關(guān)于留存率與關(guān)注人數(shù)的關(guān)系圖，并通過尋找拐點(diǎn)來確定邊際效用的最大化。拐點(diǎn)是指留存率開始顯著提高的點(diǎn)。從數(shù)學(xué)上來講，拐點(diǎn)是指曲線的斜率開始明顯下降的點(diǎn)，也就是邊際效用最大的地方。在拐點(diǎn)之前，關(guān)注人數(shù)的增加對留存率的影響較大，而在拐點(diǎn)之后，關(guān)注人數(shù)的增加對留存率的影響逐漸減小。這個(gè)拐點(diǎn)就是我們的魔法數(shù)字。

如果我們找到了某個(gè)魔法數(shù)字（例如 10 或 3），那就可以將其應(yīng)用于營銷策略和用戶運(yùn)營策略中，例如讓用戶關(guān)注夠 10 個(gè)人或者購買夠 3 次。我們還可以將這個(gè)魔法數(shù)字作為劃分會員等級的閾值，或者想方設(shè)法讓用戶達(dá)到這個(gè)數(shù)字，從而更好地保住客戶。

上圖中展示了一個(gè)應(yīng)用案例。從表格中可以看出價(jià)格與綜合滿意度的相關(guān)性是最高的，所以可以根據(jù)價(jià)格去計(jì)算回歸，得到計(jì)算魔法數(shù)字的公式。當(dāng)然這個(gè)數(shù)字也需要進(jìn)一步結(jié)合業(yè)務(wù)去進(jìn)行驗(yàn)證。