相信每個(gè)做用戶運(yùn)營(yíng)的人都會(huì)對(duì)用戶分層及用戶分群都有一定的理解，本文旨在探討我理解的用戶分群與分層，及實(shí)際應(yīng)用中的變通。

談起用戶分層，我們會(huì)想起AARRR模型，談起用戶分群，則會(huì)想起RFM模型，下面我們?cè)敿?xì)看一下：

• AARRR:新增、留存、活躍、付費(fèi)、傳播
• RFM：最近一次消費(fèi)、消費(fèi)頻率、消費(fèi)金額

觀察兩個(gè)模型的指標(biāo)，AARRR模型的指標(biāo)有很明顯的遞進(jìn)關(guān)系，而RFM則是相互獨(dú)立關(guān)系，這個(gè)關(guān)系的區(qū)分，有助于我們區(qū)分用戶分層及用戶分群的概念。

我們?cè)龠M(jìn)一步看RFM模型，假設(shè)R/F/M每個(gè)指標(biāo)均可以把用戶分為兩部分，那RFM模型可以將用戶分為C21C21C21=2*2*2=8種。

如圖所示，RFM模型的目的在于：針對(duì)不同的用戶群做對(duì)應(yīng)的運(yùn)營(yíng)策略。如果我們隨便挑出一個(gè)用戶，這個(gè)用戶屬性為RFM（0,0,1），即重要價(jià)值用戶，是一個(gè)最近消費(fèi)、消費(fèi)頻次較低、消費(fèi)金額較高的用戶；而這個(gè)用戶在AARRR模型中，付費(fèi)行為發(fā)生前的狀態(tài)是不定的。

所以有些時(shí)候，我們做用戶分群，其實(shí)是想綜合地將用戶分層及用戶分群同時(shí)做了，也就是找一個(gè)適合自己的維度（用戶分群實(shí)質(zhì)上就是多維度分析法）進(jìn)行分析。

因?yàn)檫@種綜合的分析更接近用戶分群，那么下面我將統(tǒng)一稱之為用戶分群。

一、做用戶分群需要用結(jié)構(gòu)化思維，遵循MECE原則

結(jié)構(gòu)化思維

指的是自上而下、從整體到局部的一種思考模式，這種思考模式具有很明確的層級(jí)關(guān)系，這與我們常用的線性思維有很大的區(qū)別。結(jié)構(gòu)化思維會(huì)利用一些思維框架來輔助思考，將零碎的信息系統(tǒng)化，使思考更廣闊更全面。

MECE分析法

全稱?Mutually Exclusive Collectively Exhaustive，中文意思是“相互獨(dú)立，完全窮盡”。 也就是對(duì)于一個(gè)重大的議題，能夠做到不重疊、不遺漏的分類，而且能夠借此有效把握問題的核心，并成為有效解決問題的方法。

（這兩塊內(nèi)容均出自 巴巴拉·明托《金字塔原理》，有興趣的可以詳細(xì)閱讀）

結(jié)構(gòu)化思維和MECE分析法的目的相同，均在于分析時(shí)能做到不重疊、不遺漏，保證分析的正確性及完備性。在建立分析指標(biāo)時(shí)，這兩者尤為有用。

二、要想做好用戶分層，必須建立起好的適合的指標(biāo)

指標(biāo)往往是衡量一個(gè)目標(biāo)的單位或者方法，指標(biāo)作為標(biāo)尺讓我們對(duì)目標(biāo)的實(shí)際情況更清晰更明了。

對(duì)指標(biāo)的定義，是尤為重要的。

比如說我們吃重慶小面，老板會(huì)問要微辣、中辣、重辣？作為福建人的你要了一個(gè)微辣，開吃之后辣得不斷喝水，但老板覺得微辣已經(jīng)是最不辣的了，這里面就會(huì)發(fā)現(xiàn)，老板對(duì)微辣的判定標(biāo)準(zhǔn)和你是不一樣的。

還有一個(gè)例子，比如說你發(fā)了一篇文章，評(píng)論全是稱贊之詞，但文章閱讀量很少、轉(zhuǎn)化效果也不好，那你就不能用評(píng)論作為評(píng)論標(biāo)準(zhǔn)。因?yàn)樵诋a(chǎn)生評(píng)論這一環(huán)上已經(jīng)出現(xiàn)了一層漏斗，很多不喜歡的用戶可能什么痕跡也不會(huì)留便離開了。

類似的例子還有很多，就不一一列舉，總之，在制定指標(biāo)時(shí)，需要選擇能完整衡量目標(biāo)的、精確的指標(biāo)。

什么樣的指標(biāo)為好的指標(biāo)呢？

在我看來，好的指標(biāo)應(yīng)該是能客觀分析的核心驅(qū)動(dòng)指標(biāo)，應(yīng)該是一個(gè)比率，好的指標(biāo)不應(yīng)有迷惑性的虛榮指標(biāo)。

舉例來說，活躍率就比活躍數(shù)更能說明問題，一場(chǎng)活動(dòng)中，轉(zhuǎn)化率也比瀏覽量更有說服力。

怎么樣才能找到適合的指標(biāo)呢？

繼續(xù)用結(jié)構(gòu)化思維，自上而下地去分析商業(yè)的業(yè)務(wù)流程，以水果售賣舉例：

從流程角度，對(duì)每一個(gè)步驟都建立對(duì)應(yīng)指標(biāo)，通過進(jìn)貨渠道控制成本，通過商品售賣獲悉銷售及利潤(rùn)，商品售賣與進(jìn)店瀏覽的比值即付費(fèi)轉(zhuǎn)化，通過對(duì)店鋪及商品的優(yōu)化，可以提高這個(gè)比值。

當(dāng)然，用這種方法列舉指標(biāo)的同時(shí)，依舊需要注意，找到核心驅(qū)動(dòng)指標(biāo)，移除虛榮指標(biāo)，也不要強(qiáng)加指標(biāo)。

三、RFM以及RFM的變種

RFM在前文已經(jīng)談過，現(xiàn)主要說下如何根據(jù)實(shí)際情況進(jìn)行變通。

假設(shè)需要對(duì)一款已經(jīng)運(yùn)營(yíng)了比較久的K12教育類APP做用戶分群，我們需要考慮以下幾點(diǎn)：

1. 套用RFM模型時(shí)，先對(duì)比與RFM模型樣本屬性的區(qū)別。

K12教育類的產(chǎn)品，以課程、知識(shí)等為主，售賣的是時(shí)長(zhǎng)，時(shí)長(zhǎng)會(huì)使用戶部分復(fù)購(gòu)行為轉(zhuǎn)變?yōu)槔m(xù)費(fèi)，而品類的多寡也會(huì)影響用戶復(fù)購(gòu)行為的發(fā)生。

2. 需要明確分群的目的，以目的為主線，自上而下梳理分群維度。

對(duì)于教育類用戶來說，站在新增促活角度，分群的目的就是讓更多新用戶加入，讓更多用戶處于活躍狀態(tài)，但我這次分群的目的是則為了提高付費(fèi)。那我的目的就兩個(gè)：

其一是讓已付費(fèi)狀態(tài)的用戶付更多的費(fèi)，其二是讓未付費(fèi)狀態(tài)的用戶變成已付費(fèi)狀態(tài)。而未付費(fèi)狀態(tài)的用戶又包含了付費(fèi)已過期、從未付費(fèi)過這兩類用戶，我們對(duì)從未付費(fèi)過的用戶再細(xì)分下去，就會(huì)分為新用戶、老用戶兩類。按照這個(gè)思路，層層推敲下去，就是我們最終要的用戶分群維度。

3. 除了主線維度外，有時(shí)我們還需要根據(jù)實(shí)際情況補(bǔ)充其他維度。

以K12教育類產(chǎn)品舉例，部分產(chǎn)品是增加了學(xué)校、班級(jí)等屬性，部分產(chǎn)品卻沒有，當(dāng)然這與產(chǎn)品的定位關(guān)系較大，加入學(xué)校與班級(jí)在一定程度上會(huì)提高用戶放棄成本（這塊暫不展開），所以這些有助于做精細(xì)化運(yùn)營(yíng)的維度都可以補(bǔ)充進(jìn)來。

綜合以上三點(diǎn)，有以下分群維度：

接下來，就是對(duì)于各維度的定義，即對(duì)每一個(gè)維度進(jìn)行定義，正常情況下，我們會(huì)考慮以下三點(diǎn):

（1）根據(jù)維度原本處于的狀態(tài)進(jìn)行區(qū)分，如班級(jí)維度，由于用戶的屬性，分為有班級(jí)和無班級(jí)兩種。

（2）根據(jù)公司數(shù)據(jù)統(tǒng)計(jì)的定義進(jìn)行區(qū)分，如新老用戶，假設(shè)原有數(shù)據(jù)統(tǒng)計(jì)中將七天內(nèi)注冊(cè)用戶稱之為新用戶，在此同樣沿用。

（3）根據(jù)散點(diǎn)圖分布進(jìn)行區(qū)分，如使用頻率，我們可以根據(jù)每個(gè)用戶在近N天內(nèi)活躍天數(shù)的散點(diǎn)圖分布，來定義維度屬性。

根據(jù)以上三點(diǎn)標(biāo)準(zhǔn)，我們可得到下圖：（具體定義就不給出了，自己可以嘗試）

以上，我們已大致完成了對(duì)用戶的分群工作。

四、基于分群后的運(yùn)營(yíng)方略才是重頭戲

我們費(fèi)了很大的精力去做用戶分群，但分群后的運(yùn)營(yíng)方略更加重要，需要注意：

1. 不要因?yàn)榉秩憾鴱?qiáng)行制作有區(qū)分的活動(dòng)或制定區(qū)別較大的運(yùn)營(yíng)方案。分群后將會(huì)面對(duì)多個(gè)用戶群，但有時(shí)策劃的運(yùn)營(yíng)活動(dòng)可在多個(gè)用戶群同步執(zhí)行，這時(shí)，就不用刻意區(qū)分了。

2. 要根據(jù)運(yùn)營(yíng)結(jié)果反饋完善分群。一開始做的分群可能會(huì)因?yàn)橐恍┰虿粔蛲晟?，通過運(yùn)營(yíng)結(jié)果可逐步完善。

3. 善用A/B測(cè)試評(píng)估運(yùn)營(yíng)策略的有效性。由于同一分群用戶基本變量一致，更適合A/B測(cè)試，驗(yàn)證運(yùn)營(yíng)策略。

另外，關(guān)于對(duì)應(yīng)運(yùn)營(yíng)策略的制定和執(zhí)行，先不在此贅述。

本文由@無花 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖來自Unsplash，基于CC0協(xié)議