它可能是一个用户运行的文章，范围从浅到深。

编者注：本文来自公众号秦路（ID：tracykanc），作者秦璐; 36氪授权发布。

　什么是用户运营?

它旨在通过各种操作方法最大化用户价值并增强活动，保留或支付指标。在用户操作系统中，有一个名为AARRR的经典框架，它是新的，保留的，活动的，传播的和有利可图的。

但是，从用户活动到盈利能力，没有两个简单的步骤。如果用户打开产品并处于活动状态，则可确保业务模型有利可图。优秀的用户操作系统应该是一个动态的演变。

Evolution是金字塔级用户组划分，上层和下层依赖。

首先，用户社区的状态将不断变化。以电子商务为例。他们将注册，下载，使用产品，推荐，评估，购买和支付，还将取消，卸载和丢失。从运营的角度来看，我们将引导用户做我们希望他做的事情（这里是付费的），这被称为核心目标。

核心目标当然不是​​一次性过程，用户必须经历一系列过程。

并非所有用户都会按照我们设想的步骤进行操作，并且每个步骤都会进行类似漏斗的转换。我们将整个链接视为用户社区的演变。

上图是典型的自下而上的演示文稿，概述了用户社区的理想行为。

由于用户社区不再是一个简单的整体，操作员不能大致全面操作，而是需要根据不同的人群进行操作。这称为细化策略，也称为用户分层。

它对运营商的最大价值在于通过分层使用不同的策略。

新用户：我希望他们可以下载产品，共同的策略是新的用户利益;

下载用户：我希望他们可以使用该产品。在这个时候，他们应该由新手指导他们熟悉。

活跃用户：我想加深他们使用产品的频率，因此运营商必须继续运营，巩固用户习惯，并对产品内容感兴趣;

感兴趣的用户：我希望他们做出付费决定，购买商品，并使用不同的促销和营销工具进行操作;

付费用户：这是我的目标用户，我希望用户可以一直保持这种状态。

不同的用户级别是不同的。运营也受资源限制。当我们只能投资有限的资源时，我们经常选择核心群体，即上述付费用户。因为根据第28条规则，只有核心组才能贡献最大的价值。

一个典型的例子就是在游戏公司中，会有一个特殊的手动客服甚至是电话线来为人民币玩家服务，声音很甜美。普通玩家可能是几千年来不变的自动回复。

大概每个人都知道分层，那么它们应该如何划分呢？

事实上，没有固定的分层方法，只能根据产品形式建立适合当地条件的系统。但它有一个中心思想：

按指标划分，因为指标是一个明确可衡量的标准，远远优于运营商的经验直觉。

上图是游戏用户的简化层，每个级别的指标都是可量化的。为了清楚上层和下层用户，这些组应尽可能独立。在计算人民币玩家时，应排除当地玩家。在计算普通玩家时，应排除结果中包含的上两层，以便操作定位很强。

然后，操作员可以构建分层报告，以各种方式开发数据以改进数据。

接下来，让我们考虑一下用户分层的形式。它是大型V制作内容的核心吗？或者是否有更多用户参与Live以获得收入？事实上很难确定很多操作系统，用户分层它是一个双层结构。

它针对两个互补核心，形成双金字塔层。

在这种结构下，其核心用户，无论是内容制作方向的大V还是消费方向的忠实粉丝，都代表着两种类型的运营策略。

内容制作方向：尽早使用邀请系统，获取各行业优秀人才，通过运营商维护关系，鼓励制作内容。该产品的机制也将激励Big V更好地创造和生产。

内容消费方向：了解普通用户的兴趣，引导他们，培养他们的支付习惯。增加实时，价值和电子书的曝光度，并设计各种优惠券以促进用户使用。

这种双金字塔结构聚合了内容制作者和内容消费者，形成了整个平台的良性循环：大V创作内容吸引普通人，普通人付费内容，大V收益。

双金字塔结构的用户分层并不罕见。

以我们所知的电子商务为例，有买家和卖家。

买家的操作方法很熟悉，卖家？商店教程，卖家大学，商店装饰，曝光展示，商店后台，各种辅助产品和hellip;运营也需要帮助卖家增​​长，因此卖家也可以分为普通卖家，老年卖家，主要客户和超级黄金业主。

O2O是一种双层结构吗？

当然。

在线是用户，离线是各种离线或服务实体，但这些卖家更多的是销售和市场人员维护，但我们可以使用分层思路来操作。其他包括网络直播和群众，微博的Big V和草根，招募APP公司和员工等等。

不同的产品可以具有不同的形式，并且同一产品的不同阶段也可以由不同的用户分层。在产品的早期阶段，用户分层的目标是更多的用户和KOL，后来，它将更接近业务方向，这需要灵活的操作分层。

用户分层，一般可以是四层或五层结构，过多的分层会变得复杂，不适合执行操作策略。

用户操作系统是否只有用户分层？不完全是。

用户分层是一种自上而下的结构，但用户社区无法按结构完全汇总。考虑一下，我们通过支付付费用户群来支付它是否已付款，但这个群体也存在差异。有些用户有很多钱，有些用户购买高频，有些用户购买但现在他们不买。如何细分？/P>

如果继续增加层数，条件将变得复杂，业务需求将无法解决。

所以我们使用用户分组的水平结构。同一层中的组继续进行细分，以满足更高的细化需求。

如何理解用户分组，我们采取以下案例描述。

在以消费者为中心的产品中，男性和女性之间存在显着差异，这是两个不同的群体。分组的核心目标是提高运营效率并最大化运营战略的价值。在电子商务产品中，区分男性和女性是正常的，但在工具工具中，可能没有必要。

这是我一直强调的。分层和分组基于构建系统的产品和操作目标。

接下来是分组的实际应用。

RFM模型是客户管理中的经典方法。这是衡量消费者用户价值和盈利能力的典型组合。

它建立在消费模型的基础上，依赖于三个核心指标：消费量，消费频率和最近的消费时间。

消费金额货币：消费金额是营销的黄金指标。第28条规则规定，公司80％的收入来自20％的用户，而这一指标直接反映了用户对企业利润的贡献。

消费频率：消费频率是用户在有限时间内购买的次数。最常购买的用户具有更高的忠诚度。

最近的消费时间，新近度：衡量用户的流失。消费时间越接近当前用户，就越容易维持他们的关系。一年前消费的用户的价值肯定不如一个月消费的那么好。

通过这三个指标，可以很容易地构建一个描述用户消费水平的坐标系，并形成一个包含三个指标的数据立方体：

在坐标系中，三个坐标轴的两端表示从低到高的消耗水平，用户将根据消耗水平落入坐标系。当有足够的用户数据时，我们可以划分大约8个用户组。

例如，如果用户在消费量，消费频率和最近消费时间方面表现良好，那么他是重要的价值用户。

如果最重要的价值用户已经花了很长时间而且还没有花费更多，那么他就成了一个重要的保留用户。因为他曾经非常有价值，我们不希望用户输，所以运营商和营销人员可以回拨这类人群。

图中的不同象限区域对应于不同的消费者群体。你是否愿意简单地将其视为一个人，或者你是否根据人群对待它？

这是RFM模型，它经常用于传统行业，可以在面向消费者的操作系统中移植给我们。它是CRM系统的核心，但却是消费者用户群的核心。

将RFM模型分组有两种主要方式。

一个是建立指标，指标作为划分的基础，类似于用户分层。

判断和指标的制定需要业务专家的经验：

什么样的高消费频率，什么样的低，有多少消费是有价值的，这些都是学习。

它需要不断的纠正和改进。

上图是简化的划分，实际应用将更加复杂，因为指标不一定具有代表性。与收费相关的大部分数据都是长尾的，80％的用户集中在低频低价值范围，20％的用户创造了大部分收入，这就是划分的难度。

指标通常除以描述性统计的分位数，中位数，第一个四分位数和第三个四分位数。

另一种是使用算法通过数据挖掘建立用户分组而无需人工分割。最常见的算法称为KMeans聚类算法。核心思想是“事物是聚集的，人们是分组的”。

我们使用来自互联网上公司的数据对Python进行建模，首先不进行z-score处理，并清理异常极端情况。

上图中的三列数据是标准化后的用户消费数据。值越接近0，它越接近平均值。 r值是最近的消耗时间，因此值越小，时间越接近，值越大，表示消耗越长。

通过RFM的三个指标（称为机器学习中的特征），首先建立视觉散点图。下图是最近的电荷R和电荷量M的散点图。每个点代表用户的电荷相关数据。

在散点图上，暂时不会看到用户分组规则，只能进行初步判断。大多数数据处于集中趋势。

由于KMeans算法的核心思想是“对象被聚类并且人们被分组”，因此它使用距离作为目标函数。简而言之，两个用户越接近，它们越可能相似，因此KMeans找到类似的群组，称为群集。群集和群集之间的距离越大，用户组就越独立。这称为分组。群集中的距离越紧凑，用户就越相似。这称为聚类。

说出图表：

由红色圆圈标记的这些用户更可能是相似的并且属于同一用户组。因为它们接近于R和M的两个指标，所以它们都是低成本且最近消费的人口。

至于是否，让算法解决它，没有演示具体的算法原理和过程。我们假设我们可以对五类用户进行分类，然后看看这些组是什么样的。

上图中的不同颜色是算法计算的用户组。

红色用户组：代表高消费量，因为数量稀少，所以在上次消费时间没有明显区别，但不会太长。这些是产品的父亲和黄金所有者。

绿色用户组：代表有丢失倾向的用户。这些用户不会消耗太多，并且操作可以采用适当的恢复策略。

紫色用户组：代表最近消费和花费较少的用户，操作需要挖掘他们的价值来发展和培养。

青色和蓝色似乎没有清楚地区分。那么让我们改变散点图的维度吗？

切换到指标R和F后，这是另一个视角。青色用户组的消费时间多于蓝色用户组，蓝色用户消费频率相对较差，需要更多的激励。紫色用户社区的消费频率相当高。

此时，用户社区已经明确区分。您能否准确地总结这些用户的特征？虽然长尾形式会在一定程度上影响数据分布的可读性，但操作仍可用于不同的组。 。

通过散点图矩阵观察最终结果（图片可能定义不明确）：

以上是RFM模型的内容。它动态地为用户提供消费者档案，为营销，销售，产品和运营人员提供精细操作的基础。

这也是数据挖掘在用户操作中的应用之一，我们必须了解。

如何分组是一个学习问题，分组数量少，歧视程度不明显;如果有更多的部门，没有商业价值，你如何在20多个团体中运作？在数据和业务之间获取组的数量。平衡。

总之，分组方法，一种是通过指标和属性手动划分用户组。另一类是通过数据挖掘为业绩提供业务成果。无论如何，最终目标是提高运营效率和价值。

我们可以使用RFM模型来扩大我们的思维，我们可以发挥新的技巧吗？你可以尝试一下。

财务：投资金额，投资频率，最新投资时间;

直播：观看直播时间，上次观看时间和奖励金额;

内容：评论数量，评论数量，评论数量;

网站：登录次数，登录持续时间，上次登录时间;

游戏：等级，游戏持续时间，游戏充值金额;

这些是我的简单参考，不一定准确，作为其他山脉的石头供您参考。不同的产品有不同的分组策略。例如，酒店产品，住宿不是一个坚实的需求，是否有必要加入时间维度？也许住宿条件会更好分。

需要注意的是，组的数量不固定，可以是两个或四个，具体取决于业务需求，主要是为了覆盖大多数用户。只是不太多，一个是复杂的，第二个是KMeans聚类在多功能方面不好。

通过用户分层和用户分组，您必须已经理解了用户操作系统的基石。

用户分层是基于分工的总体方向，您希望用户朝着什么样的核心目标努力;

用户分组是将它们分成更精细的粒度。这两者是互补的。

如果用户足够大，分层和分组可能不是一个好方法，因为用户组的属性粒度随产品进一步扩展，无论细分多少，都难以满足用户的复杂性，这在各种平台类型。产品。此时，有必要引入UserProfile系统。此时，用户分层和分组只是肖像的一部分。

« 不是观众？如何吸引用户，使用H5营销将以更少的努力做更多的事情 | 广告组的关键词如何优化，解决关联度低的问题？ »