數(shù)據(jù)被視為下一個(gè)時(shí)代的新能源，對(duì)于互聯(lián)網(wǎng)企業(yè)來說，掌握用戶數(shù)據(jù)是至關(guān)重要的。企業(yè)需要從用戶行為中洞察和分析，以滿足用戶需求并促使用戶“上癮”，這是產(chǎn)品增長的核心。

企業(yè)與用戶鏈接的渠道經(jīng)歷了三個(gè)發(fā)展階段：

第一個(gè)階段以線下門店為主的單一渠道鏈接；第二階段是以郵件，PC, 網(wǎng)站等為主多渠道鏈接；第三階段，是以移動(dòng)APP為主的全渠道鏈接。

隨著移動(dòng)互聯(lián)網(wǎng)爆發(fā)產(chǎn)生的多種APP，不斷爭奪用戶注意力，搶占用戶時(shí)間，用戶行為軌跡，隨之而來是分散在各處用戶行為數(shù)據(jù)。如此復(fù)雜而繁雜的用戶數(shù)據(jù)，搭建一個(gè)合理且有效的用戶數(shù)據(jù)看板是了解用戶的基礎(chǔ)，也是用戶精細(xì)化運(yùn)營的第一步。

一、搭建用戶數(shù)據(jù)看板

由于用戶作為整個(gè)服務(wù)對(duì)象，針對(duì)用戶的精細(xì)化運(yùn)營需要經(jīng)過：用戶行為數(shù)據(jù)采集 ——用戶標(biāo)簽化/用戶畫像——用戶分層——精細(xì)化運(yùn)營

二、如何采集用戶行為數(shù)據(jù)？

1. 指標(biāo)體系搭建

用戶行為分析指標(biāo)按照不同的分類標(biāo)準(zhǔn)可以分成不同的類別。按照用戶行為軌跡將行為分析指標(biāo)分為渠道類指標(biāo)、訪問類指標(biāo)、轉(zhuǎn)化類指標(biāo)、留存類指標(biāo)及社交類指標(biāo)5類指標(biāo)。通過用戶來源和用戶行為，形成不同的標(biāo)簽，將用戶貼上標(biāo)簽進(jìn)行精細(xì)化運(yùn)營和分層運(yùn)營。

2. 用戶數(shù)據(jù)采集

數(shù)據(jù)采集也叫數(shù)據(jù)埋點(diǎn)、埋碼或者是打點(diǎn)，就是將一套數(shù)據(jù)采集代碼埋入 APP/小程序/WEB 頁面，用戶在觸發(fā)某一事件（瀏覽、點(diǎn)擊等）時(shí)將該行為數(shù)據(jù)進(jìn)行上報(bào)，從而形成用戶行為數(shù)據(jù)表。

埋點(diǎn)方式分以下幾個(gè)種類：

舉個(gè)例子

某電商平臺(tái)首頁有兩個(gè)運(yùn)營位，分別叫 “商品上新” 和 “猜你喜歡”，兩個(gè)運(yùn)營位里分別有新商品的輪播展示和通過算法推薦給用戶的商品輪播展示。業(yè)務(wù)人員提出想要看這兩個(gè)運(yùn)營位內(nèi)商品的點(diǎn)擊次數(shù)和人數(shù)，并且區(qū)分出用戶點(diǎn)擊的是哪個(gè)商品。

既然 “點(diǎn)擊新商品” 和 “點(diǎn)擊推薦商品” 這兩個(gè)事件都屬于點(diǎn)擊，那么在設(shè)計(jì)埋點(diǎn)的時(shí)候需要將這兩個(gè)事件結(jié)合成一個(gè)埋點(diǎn)，并將運(yùn)營位名稱和“商品名稱/ID” 屬性放入該埋點(diǎn)中作為事件屬性進(jìn)行上報(bào)，以區(qū)分用戶點(diǎn)擊的運(yùn)營位信息和商品信息。

三、用戶標(biāo)簽/用戶畫像

用戶全生命周期運(yùn)營是精細(xì)化運(yùn)營的關(guān)鍵，主要是掌握什么人，在什么時(shí)間，處于什么階段，需要準(zhǔn)確且規(guī)范的數(shù)據(jù)支持，需要業(yè)務(wù)數(shù)據(jù)和用戶行為數(shù)據(jù)兩種類型數(shù)據(jù)支持。

1. 明確用戶生命周期

用戶全生命周期是指從用戶第一次接觸產(chǎn)品開始到用戶徹底不用產(chǎn)品為止的整個(gè)階段。以Saas行為，用戶生命周期大致可分為：認(rèn)知，考慮，選項(xiàng)，抉擇購買，使用，續(xù)約，推薦，流失召回等幾個(gè)階段。通過業(yè)務(wù)數(shù)據(jù)識(shí)別用戶的關(guān)鍵動(dòng)作，能夠幫助我們更好的根據(jù)AARRR模型確定用戶全生命周期。

2. 描繪用戶狀態(tài)

在描繪用戶狀態(tài)的過程中，90%以上的數(shù)據(jù)依賴語用戶行為數(shù)據(jù)。用用戶數(shù)據(jù)判斷哪個(gè)功能更好用，偏好哪個(gè)類型的商品，觀察到用戶在每個(gè)階段流失的原因，從而進(jìn)行有針對(duì)性的優(yōu)化和調(diào)整，提升轉(zhuǎn)化率。

3. 確定用戶標(biāo)簽和用戶畫像

用戶標(biāo)簽VS用戶畫像VS用戶分群

• 用戶標(biāo)簽——人為定義的，對(duì)用戶屬性和行為高度抽象和提煉的特征（例如：性別，年齡，行為愛好等）
• 用戶畫像——對(duì)用戶個(gè)體的特征，屬性描述，通常輸出形式是個(gè)體實(shí)例的描述（例如：穿著格子襯衫的小王）
• 用戶分群——建議在同一類特征，屬性上的人群。通?；跇I(yè)務(wù)運(yùn)營的需求，對(duì)多個(gè)標(biāo)簽篩選，找到相同特征或偏好的用戶（例如：購買商品=AJ1，最近流量AJ1商品時(shí)間<30天）

從數(shù)據(jù)提取和開發(fā)的優(yōu)先級(jí)角度看，用戶標(biāo)簽主要分三層：事實(shí)標(biāo)簽、模型標(biāo)簽、預(yù)測標(biāo)簽

1. 事實(shí)標(biāo)簽：來自原始的數(shù)據(jù)提取和統(tǒng)計(jì)（用戶所在地區(qū)，年齡，購買偏好）
2. 模型標(biāo)簽：來源規(guī)則的定義和模型計(jì)算（比如用戶是高價(jià)值用戶等）
3. 預(yù)測標(biāo)簽：參考已有的數(shù)據(jù)來預(yù)測用戶的行為和偏好（比如用戶對(duì)科技感產(chǎn)品投入會(huì)增加）

搭建標(biāo)簽體系，可以形成更精確的用戶畫像，讓業(yè)務(wù)人員對(duì)用戶更加了解；用戶標(biāo)簽是用戶畫像的基礎(chǔ)，用戶畫像是用戶精細(xì)化運(yùn)營的基礎(chǔ)。

通過數(shù)據(jù)的積累建立的用戶標(biāo)簽和用戶畫像，進(jìn)而形成用戶分群，對(duì)不同用戶進(jìn)行不同的運(yùn)營策略，比如：當(dāng)用戶A的標(biāo)簽“營銷敏感型”“價(jià)格敏感”“熱賣品偏好”等標(biāo)簽時(shí)，推送活動(dòng)折扣和熱賣品信息轉(zhuǎn)化更好；當(dāng)用戶B的標(biāo)簽是“新品偏好”“客單價(jià)高”“忠誠用戶”的標(biāo)簽時(shí)，推送高精尖新品的轉(zhuǎn)化率會(huì)更高

用戶標(biāo)簽指定規(guī)則不難，但是維護(hù)和優(yōu)化的成本較高；大多數(shù)用戶標(biāo)簽會(huì)隨業(yè)務(wù)場景和平臺(tái)發(fā)展變化，用戶角色和用戶信任度也會(huì)改變；所以需要對(duì)系統(tǒng)規(guī)則進(jìn)行定期信息同步。

• 更新周期：定期更新；實(shí)時(shí)更新；每日更新；不定期更新；
• 更新維度：產(chǎn)品價(jià)格變更，業(yè)務(wù)變更，目標(biāo)變更
• 更新權(quán)限：運(yùn)營人員，產(chǎn)品技術(shù)，數(shù)據(jù)分析
• 標(biāo)簽類型：有效標(biāo)簽，一次性標(biāo)簽，廢棄標(biāo)簽

四、用戶分層

用戶分層是在特定維度或指標(biāo)下按照特定規(guī)則標(biāo)準(zhǔn)，劃分出不同行為特征的用戶類型。

常見的用戶分層模型有：

1. RFM模型（Recently + Frequency + Monetary）

R——衡量用戶的新鮮度，消費(fèi)時(shí)間越近的用戶，越容易維系客戶關(guān)系

F——頻次，用戶在段時(shí)間內(nèi)購買的次數(shù)，購買次數(shù)越高，則忠誠度越高

M——消費(fèi)金額，提現(xiàn)用戶購買力和企業(yè)的價(jià)值貢獻(xiàn)

常見的RFM指標(biāo)只獲取各個(gè)指標(biāo)的平均數(shù)，而忽略了指標(biāo)的整體數(shù)量的分布和集合極值的影響，可以采用專家確定，根據(jù)歷史經(jīng)驗(yàn)確定業(yè)務(wù)的頻次和數(shù)據(jù)；參數(shù)配置：可以通過配置不同時(shí)間段的權(quán)重，控制靈活調(diào)整規(guī)則。

2. 用戶全生命周期分層模型

根據(jù)用戶在產(chǎn)品交互行為和交易行為，對(duì)用戶的價(jià)值階段進(jìn)行分層。

例如在一個(gè)新款A(yù)PP的用戶，下載和注冊(cè)屬于導(dǎo)入期用戶；瀏覽和首次購買視為成長期用戶；多次復(fù)購是成熟期用戶；運(yùn)營的目標(biāo)是將大量的用戶引入成為成熟期用戶，且保持導(dǎo)入期用戶的增長；那如何引導(dǎo)導(dǎo)入期用戶向成長期和成熟期用戶過渡，成為運(yùn)營的核心。

3. AARRR模型

AARRR模型涉及到Acquisition 用戶獲取，Activation 用戶激活，Retention 用戶留存，Revenue用戶變現(xiàn)，Refer 用戶推薦，代表這用戶的五個(gè)階段

結(jié)合用戶交易行為和交互行為，可以劃分為不同用戶等級(jí)，指定不同的運(yùn)營策略。

比如：用戶A新注冊(cè)但較活躍，可以劃分為“新注冊(cè)活躍用戶”；用戶B注冊(cè)后進(jìn)行多次購買，可以劃分為“高價(jià)值用戶”；用戶C多次購買并進(jìn)行分享推薦，可以劃分為“高價(jià)值傳播性用戶”。

4. 其他可用的分層模型

常見的模型還有用戶金字塔模型，用戶養(yǎng)成模型等，用戶上癮hook模型等；對(duì)于不同的模型，底層邏輯都是相似的，在基礎(chǔ)模型的基礎(chǔ)上進(jìn)行變形，更符合業(yè)務(wù)發(fā)展需要。

例如：

RFM模型轉(zhuǎn)化成RFA模型

針對(duì)非交易類型產(chǎn)品而言，流量可能是產(chǎn)品最核心點(diǎn)，可以采用Action動(dòng)作，即用戶做過的事情替代Monetary來衡量用戶對(duì)產(chǎn)品價(jià)值的接受度。 比如，閱讀類產(chǎn)品，可以選擇“閱讀時(shí)長”“筆記數(shù)量”“閱讀字?jǐn)?shù)”等來評(píng)價(jià)用戶對(duì)產(chǎn)品的喜愛程度，結(jié)合上“最后一次登錄時(shí)間”和“使用頻次”構(gòu)建成RFA的用戶分層模型。

從三維到二維的演變

借用“市場增長率”和“相對(duì)市場份額”來評(píng)估產(chǎn)品潛力，是可以將RFM進(jìn)行降維，選取2×2矩陣演變，拆分成”RXF” 或者”RXM” “FXM”矩陣，用戶分為4類制定不同的運(yùn)營策略，簡易化精細(xì)運(yùn)營策略

從三維到一維的演變

利用一個(gè)簡單的指標(biāo)進(jìn)行用戶分層，比如一個(gè)AB測試中，運(yùn)營只想關(guān)注在AB兩個(gè)環(huán)境下，用戶的復(fù)購率對(duì)比，則可以將“復(fù)購次數(shù)”或者“復(fù)購率”做為單獨(dú)的運(yùn)營指標(biāo)進(jìn)行衡量。更簡單明了看出整個(gè)實(shí)驗(yàn)數(shù)據(jù)

RFM結(jié)合標(biāo)簽

比如運(yùn)營人員希望對(duì)“沉睡期用戶”進(jìn)行喚醒，除了劃分出“沉睡期用戶”外，再結(jié)合RFM模型對(duì)用戶歷史行為進(jìn)行拆分，找到沉睡時(shí)間短、購買頻次高且購買金額較大的一波用戶，實(shí)施更加精準(zhǔn)的喚醒策略。

RFM模型是一種思考方式，但不是唯一的結(jié)果，理解經(jīng)典的底層邏輯，可以讓我們將其用于不同的場景，不同的業(yè)務(wù)。