如何做适合自己产品的用户分层/用户分群?

发布时间:2019/07/12 00:00      浏览:130
作者:无花
来源:人人都是产品经理

谈起用户分层,我们会想起AARRR模型,谈起用户分群,则会想起RFM模型,下面我们详细看一下:


AARRR:新增、留存、活跃、付费、传播


RFM最近一次消费、消费频率、消费金额


观察两个模型的指标,AARRR模型的指标有很明显的递进关系,而RFM则是相互独立关系,这个关系的区分,有助于我们区分用户分层及用户分群的概念。


我们再进一步看RFM模型,假设R/F/M每个指标均可以把用户分为两部分,那RFM模型可以将用户分为C21C21C21=2*2*2=8种。

如图所示,RFM模型的目的在于:针对不同的用户群做对应的运营策略。如果我们随便挑出一个用户,这个用户属性为RFM(0,0,1),即重要价值用户,是一个最近消费、消费频次较低、消费金额较高的用户;而这个用户在AARRR模型中,付费行为发生前的状态是不定的。


所以有些时候,我们做用户分群,其实是想综合地将用户分层及用户分群同时做了,也就是找一个适合自己的维度(用户分群实质上就是多维度分析法)进行分析。


因为这种综合的分析更接近用户分群,那么下面我将统一称之为用户分群


一、做用户分群需要用结构化思维,遵循MECE原则


结构化思维


指的是自上而下、从整体到局部的一种思考模式,这种思考模式具有很明确的层级关系,这与我们常用的线性思维有很大的区别。结构化思维会利用一些思维框架来辅助思考,将零碎的信息系统化,使思考更广阔更全面。


MECE分析法


全称 Mutually Exclusive Collectively Exhaustive,中文意思是“相互独立,完全穷尽”。也就是对于一个重大的议题,能够做到不重叠、不遗漏的分类,而且能够借此有效把握问题的核心,并成为有效解决问题的方法。


(这两块内容均出自 巴巴拉·明托《金字塔原理》,有兴趣的可以详细阅读)


结构化思维和MECE分析法的目的相同,均在于分析时能做到不重叠、不遗漏,保证分析的正确性及完备性。在建立分析指标时,这两者尤为有用。


二、要想做好用户分层,必须建立起好的适合的指标


指标往往是衡量一个目标的单位或者方法,指标作为标尺让我们对目标的实际情况更清晰更明了。


对指标的定义,是尤为重要的。


比如说我们吃重庆小面,老板会问要微辣、中辣、重辣?作为福建人的你要了一个微辣,开吃之后辣得不断喝水,但老板觉得微辣已经是最不辣的了,这里面就会发现,老板对微辣的判定标准和你是不一样的。


还有一个例子,比如说你发了一篇文章,评论全是称赞之词,但文章阅读量很少、转化效果也不好,那你就不能用评论作为评论标准。因为在产生评论这一环上已经出现了一层漏斗,很多不喜欢的用户可能什么痕迹也不会留便离开了。


类似的例子还有很多,就不一一列举,总之,在制定指标时,需要选择能完整衡量目标的、精确的指标。


什么样的指标为好的指标呢?


在我看来,好的指标应该是能客观分析的核心驱动指标,应该是一个比率,好的指标不应有迷惑性的虚荣指标。


举例来说,活跃率就比活跃数更能说明问题,一场活动中,转化率也比浏览量更有说服力。


怎么样才能找到适合的指标呢?


继续用结构化思维,自上而下地去分析商业的业务流程,以水果售卖举例:



从流程角度,对每一个步骤都建立对应指标,通过进货渠道控制成本,通过商品售卖获悉销售及利润,商品售卖与进店浏览的比值即付费转化,通过对店铺及商品的优化,可以提高这个比值。


当然,用这种方法列举指标的同时,依旧需要注意,找到核心驱动指标,移除虚荣指标,也不要强加指标。


三、RFM以及RFM的变种


RFM在前文已经谈过,现主要说下如何根据实际情况进行变通。


假设需要对一款已经运营了比较久的K12教育类APP做用户分群,我们需要考虑以下几点:


1. 套用RFM模型时,先对比与RFM模型样本属性的区别。


K12教育类的产品,以课程、知识等为主,售卖的是时长,时长会使用户部分复购行为转变为续费,而品类的多寡也会影响用户复购行为的发生。


2. 需要明确分群的目的,以目的为主线,自上而下梳理分群维度。


对于教育类用户来说,站在新增促活角度,分群的目的就是让更多新用户加入,让更多用户处于活跃状态,但我这次分群的目的是则为了提高付费。那我的目的就两个:


其一是让已付费状态的用户付更多的费,其二是让未付费状态的用户变成已付费状态。未付费状态的用户又包含了付费已过期、从未付费过这两类用户,我们对从未付费过的用户再细分下去,就会分为新用户、老用户两类。按照这个思路,层层推敲下去,就是我们最终要的用户分群维度。


3. 除了主线维度外,有时我们还需要根据实际情况补充其他维度。


以K12教育类产品举例,部分产品是增加了学校、班级等属性,部分产品却没有,当然这与产品的定位关系较大,加入学校与班级在一定程度上会提高用户放弃成本(这块暂不展开),所以这些有助于做精细化运营的维度都可以补充进来。


综合以上三点,有以下分群维度:


接下来,就是对于各维度的定义,即对每一个维度进行定义,正常情况下,我们会考虑以下三点:


(1)根据维度原本处于的状态进行区分,如班级维度,由于用户的属性,分为有班级和无班级两种。


(2)根据公司数据统计的定义进行区分,如新老用户,假设原有数据统计中将七天内注册用户称之为新用户,在此同样沿用。


(3)根据散点图分布进行区分,如使用频率,我们可以根据每个用户在近N天内活跃天数的散点图分布,来定义维度属性。


根据以上三点标准,我们可得到下图:(具体定义就不给出了,自己可以尝试)

以上,我们已大致完成了对用户的分群工作。


四、基于分群后的运营方略才是重头戏


我们费了很大的精力去做用户分群,但分群后的运营方略更加重要,需要注意:


1. 不要因为分群而强行制作有区分的活动或制定区别较大的运营方案。分群后将会面对多个用户群,但有时策划的运营活动可在多个用户群同步执行,这时,就不用刻意区分了。


2. 要根据运营结果反馈完善分群。一开始做的分群可能会因为一些原因不够完善,通过运营结果可逐步完善。


3. 善用A/B测试评估运营策略的有效性。由于同一分群用户基本变量一致,更适合A/B测试,验证运营策略。


另外,关于对应运营策略的制定和执行,先不在此赘述。

© 2011~2015 3 北京勺海市场调查有限责任公司 | 京ICP备12031756号 | 京公网安备11010802012285号

电话:010-84284411    地址:中国北京朝阳区东三环中路建外SOHO18号楼1506室   技术支持:千晨科技