如何用数据驱动增长——用户数据模型分析-下篇

数据被视为下一个时代的新能源，对于互联网企业来说，掌握用户数据是至关重要的。企业需要从用户行为中洞察和分析，以满足用户需求并促使用户“上瘾”，这是产品增长的核心。

企业与用户链接的渠道经历了三个发展阶段：

第一个阶段以线下门店为主的单一渠道链接；第二阶段是以邮件，PC, 网站等为主多渠道链接；第三阶段，是以移动APP为主的全渠道链接。

随着移动互联网爆发产生的多种APP，不断争夺用户注意力，抢占用户时间，用户行为轨迹，随之而来是分散在各处用户行为数据。如此复杂而繁杂的用户数据，搭建一个合理且有效的用户数据看板是了解用户的基础，也是用户精细化运营的第一步。

一、搭建用户数据看板

由于用户作为整个服务对象，针对用户的精细化运营需要经过：用户行为数据采集 ——用户标签化/用户画像——用户分层——精细化运营

二、如何采集用户行为数据？

1. 指标体系搭建

用户行为分析指标按照不同的分类标准可以分成不同的类别。按照用户行为轨迹将行为分析指标分为渠道类指标、访问类指标、转化类指标、留存类指标及社交类指标5类指标。通过用户来源和用户行为，形成不同的标签，将用户贴上标签进行精细化运营和分层运营。

2. 用户数据采集

数据采集也叫数据埋点、埋码或者是打点，就是将一套数据采集代码埋入 APP/小程序/WEB 页面，用户在触发某一事件（浏览、点击等）时将该行为数据进行上报，从而形成用户行为数据表。

埋点方式分以下几个种类：

举个例子

某电商平台首页有两个运营位，分别叫 “商品上新” 和 “猜你喜欢”，两个运营位里分别有新商品的轮播展示和通过算法推荐给用户的商品轮播展示。业务人员提出想要看这两个运营位内商品的点击次数和人数，并且区分出用户点击的是哪个商品。

既然 “点击新商品” 和 “点击推荐商品” 这两个事件都属于点击，那么在设计埋点的时候需要将这两个事件结合成一个埋点，并将运营位名称和“商品名称/ID” 属性放入该埋点中作为事件属性进行上报，以区分用户点击的运营位信息和商品信息。

三、用户标签/用户画像

用户全生命周期运营是精细化运营的关键，主要是掌握什么人，在什么时间，处于什么阶段，需要准确且规范的数据支持，需要业务数据和用户行为数据两种类型数据支持。

1. 明确用户生命周期

用户全生命周期是指从用户第一次接触产品开始到用户彻底不用产品为止的整个阶段。以Saas行为，用户生命周期大致可分为：认知，考虑，选项，抉择购买，使用，续约，推荐，流失召回等几个阶段。通过业务数据识别用户的关键动作，能够帮助我们更好的根据AARRR模型确定用户全生命周期。

2. 描绘用户状态

在描绘用户状态的过程中，90%以上的数据依赖语用户行为数据。用用户数据判断哪个功能更好用，偏好哪个类型的商品，观察到用户在每个阶段流失的原因，从而进行有针对性的优化和调整，提升转化率。

3. 确定用户标签和用户画像

用户标签VS用户画像VS用户分群

用户标签——人为定义的，对用户属性和行为高度抽象和提炼的特征（例如：性别，年龄，行为爱好等）

用户画像——对用户个体的特征，属性描述，通常输出形式是个体实例的描述（例如：穿着格子衬衫的小王）

用户分群——建议在同一类特征，属性上的人群。通常基于业务运营的需求，对多个标签筛选，找到相同特征或偏好的用户（例如：购买商品=AJ1，最近流量AJ1商品时间<30天）

从数据提取和开发的优先级角度看，用户标签主要分三层：事实标签、模型标签、预测标签

事实标签：来自原始的数据提取和统计（用户所在地区，年龄，购买偏好）

模型标签：来源规则的定义和模型计算（比如用户是高价值用户等）

预测标签：参考已有的数据来预测用户的行为和偏好（比如用户对科技感产品投入会增加）

搭建标签体系，可以形成更精确的用户画像，让业务人员对用户更加了解；用户标签是用户画像的基础，用户画像是用户精细化运营的基础。

通过数据的积累建立的用户标签和用户画像，进而形成用户分群，对不同用户进行不同的运营策略，比如：当用户A的标签“营销敏感型”“价格敏感”“热卖品偏好”等标签时，推送活动折扣和热卖品信息转化更好；当用户B的标签是“新品偏好”“客单价高”“忠诚用户”的标签时，推送高精尖新品的转化率会更高

用户标签指定规则不难，但是维护和优化的成本较高；大多数用户标签会随业务场景和平台发展变化，用户角色和用户信任度也会改变；所以需要对系统规则进行定期信息同步。

更新周期：定期更新；实时更新；每日更新；不定期更新；

更新维度：产品价格变更，业务变更，目标变更

更新权限：运营人员，产品技术，数据分析

标签类型：有效标签，一次性标签，废弃标签

四、用户分层

用户分层是在特定维度或指标下按照特定规则标准，划分出不同行为特征的用户类型。

常见的用户分层模型有：

1. RFM模型（Recently + Frequency + Monetary）

R——衡量用户的新鲜度，消费时间越近的用户，越容易维系客户关系

F——频次，用户在段时间内购买的次数，购买次数越高，则忠诚度越高

M——消费金额，提现用户购买力和企业的价值贡献

常见的RFM指标只获取各个指标的平均数，而忽略了指标的整体数量的分布和集合极值的影响，可以采用专家确定，根据历史经验确定业务的频次和数据；参数配置：可以通过配置不同时间段的权重，控制灵活调整规则。

2. 用户全生命周期分层模型

根据用户在产品交互行为和交易行为，对用户的价值阶段进行分层。

例如在一个新款APP的用户，下载和注册属于导入期用户；浏览和首次购买视为成长期用户；多次复购是成熟期用户；运营的目标是将大量的用户引入成为成熟期用户，且保持导入期用户的增长；那如何引导导入期用户向成长期和成熟期用户过渡，成为运营的核心。

3. AARRR模型

AARRR模型涉及到Acquisition 用户获取，Activation 用户激活，Retention 用户留存，Revenue用户变现，Refer 用户推荐，代表这用户的五个阶段

结合用户交易行为和交互行为，可以划分为不同用户等级，指定不同的运营策略。

比如：用户A新注册但较活跃，可以划分为“新注册活跃用户”；用户B注册后进行多次购买，可以划分为“高价值用户”；用户C多次购买并进行分享推荐，可以划分为“高价值传播性用户”。

4. 其他可用的分层模型

常见的模型还有用户金字塔模型，用户养成模型等，用户上瘾hook模型等；对于不同的模型，底层逻辑都是相似的，在基础模型的基础上进行变形，更符合业务发展需要。

例如：

RFM模型转化成RFA模型

针对非交易类型产品而言，流量可能是产品最核心点，可以采用Action动作，即用户做过的事情替代Monetary来衡量用户对产品价值的接受度。 比如，阅读类产品，可以选择“阅读时长”“笔记数量”“阅读字数”等来评价用户对产品的喜爱程度，结合上“最后一次登录时间”和“使用频次”构建成RFA的用户分层模型。

从三维到二维的演变

借用“市场增长率”和“相对市场份额”来评估产品潜力，是可以将RFM进行降维，选取2×2矩阵演变，拆分成”RXF” 或者”RXM” “FXM”矩阵，用户分为4类制定不同的运营策略，简易化精细运营策略

从三维到一维的演变

利用一个简单的指标进行用户分层，比如一个AB测试中，运营只想关注在AB两个环境下，用户的复购率对比，则可以将“复购次数”或者“复购率”做为单独的运营指标进行衡量。更简单明了看出整个实验数据

RFM结合标签

比如运营人员希望对“沉睡期用户”进行唤醒，除了划分出“沉睡期用户”外，再结合RFM模型对用户历史行为进行拆分，找到沉睡时间短、购买频次高且购买金额较大的一波用户，实施更加精准的唤醒策略。

RFM模型是一种思考方式，但不是唯一的结果，理解经典的底层逻辑，可以让我们将其用于不同的场景，不同的业务。