隨著產(chǎn)品體量越來(lái)越大，用戶量與用戶類型逐漸復(fù)雜化、多樣化，這時(shí)候單一的運(yùn)營(yíng)策略就不足以支撐產(chǎn)品運(yùn)營(yíng)了。筆者為我們提供了一種新思路以及新的運(yùn)營(yíng)策略，重新構(gòu)建用戶運(yùn)營(yíng)體系，有效解決這一難題。

一、方案背景

產(chǎn)品在前期的運(yùn)營(yíng)過(guò)程中，因?yàn)橛脩袅啃。脩粜袨椴环€(wěn)定，所以在運(yùn)營(yíng)的過(guò)程中，針對(duì)不同的業(yè)務(wù)目的在產(chǎn)品中設(shè)計(jì)了很多零散的運(yùn)營(yíng)策略去引導(dǎo)，激活用戶。

隨著產(chǎn)品的不斷發(fā)展，功能增加，用戶量越來(lái)越大，用戶類型也越來(lái)越豐富；但產(chǎn)品的運(yùn)營(yíng)策略也越發(fā)復(fù)雜龐大，對(duì)于后續(xù)的新進(jìn)用戶不太友好，也不利于運(yùn)營(yíng)思路的整理與運(yùn)營(yíng)策略的制定。

故需要對(duì)零散的運(yùn)營(yíng)策略進(jìn)行梳理，在現(xiàn)有用戶數(shù)據(jù)積累的支撐下，重新構(gòu)建成一套完整、清晰、有效的用戶運(yùn)營(yíng)體系。

二、搭建框架

?三、詳細(xì)步驟

1. 梳理產(chǎn)品商業(yè)通路&用戶價(jià)值成長(zhǎng)路徑

1.1?商業(yè)通路分析

• DAU價(jià)值：期望大體量用戶粘性與持續(xù)活躍，產(chǎn)品內(nèi)需要一個(gè)用戶習(xí)慣養(yǎng)成通路。
• GMV價(jià)值：期望用戶有良好的付費(fèi)習(xí)慣，產(chǎn)品內(nèi)需要一個(gè)付費(fèi)行為轉(zhuǎn)化通路。

1.2?用戶價(jià)值成長(zhǎng)路徑分析

2.?基于用戶價(jià)值&個(gè)性角色對(duì)用戶進(jìn)行分層

2.1?基于用戶角色進(jìn)行分層

通過(guò)對(duì)產(chǎn)品進(jìn)行拆解分析，根據(jù)經(jīng)驗(yàn)定性地給產(chǎn)品中不同類型的用戶劃分角色。

2.2?基于生命周期進(jìn)行分層

生命周期是用戶從【接觸產(chǎn)品】到【離開(kāi)產(chǎn)品】的全過(guò)程，首要任務(wù)是如何劃分生命周期？

通過(guò)上面的商業(yè)通路分析，我們了解到產(chǎn)品的商業(yè)價(jià)值體現(xiàn)在DAU與GMV上，所有在用戶生命周期也需要根據(jù)這兩個(gè)價(jià)值進(jìn)行劃分：

將注冊(cè)時(shí)間在15天以上的留存用戶提取出來(lái)，抓取他們?cè)?5天內(nèi)的登陸次數(shù)+使用時(shí)長(zhǎng)+付費(fèi)額度進(jìn)行分析，借此找出高價(jià)值的用戶。

將15天前注冊(cè)的留存用戶進(jìn)行分群：

觀察這批用戶的登陸次數(shù)的分布、平均使用時(shí)長(zhǎng)分布、消費(fèi)額度分布。

通過(guò)數(shù)據(jù)分析發(fā)現(xiàn)，這批留存15天以上用戶的數(shù)據(jù)如下：

• 31%的用戶登陸次數(shù)在1-5次
• 49%的用戶登陸次數(shù)在5-8次
• 20%的用戶登陸次數(shù)在8次以上

• 11%的用戶平均訪問(wèn)時(shí)長(zhǎng)在30分鐘內(nèi)
• 52%的用戶平均訪問(wèn)時(shí)長(zhǎng)在30-120分鐘以內(nèi)
• 37%的用戶平均訪問(wèn)時(shí)長(zhǎng)120分鐘以上

• 57%的用戶付費(fèi)總額在100以下
• 29%的用戶付費(fèi)總額在100-500之間
• 14%的用戶付費(fèi)總額在500以上

根據(jù)上面分析出的留存用戶行為共性，對(duì)用戶進(jìn)行生命周期劃分：

將之前定義好的個(gè)性角色分層與生命周期分層結(jié)合起來(lái)，將成長(zhǎng)期與成熟期的用戶進(jìn)行二次劃分，將運(yùn)營(yíng)的顆粒度再拆細(xì)一點(diǎn)，搭建用戶的成長(zhǎng)階梯，以便于后續(xù)做更有針對(duì)性的精細(xì)化運(yùn)營(yíng)。

3.?基于用戶分層搭建用戶成長(zhǎng)階梯+運(yùn)營(yíng)模型

3.1?搭建用戶成長(zhǎng)階梯

根據(jù)之前定義好的個(gè)性角色分層與生命周期分層進(jìn)行結(jié)合，將用戶的價(jià)值逐層遞進(jìn)。

?3.2?圍繞用戶成長(zhǎng)階梯梳理用戶運(yùn)營(yíng)模型

?4.?梳理成長(zhǎng)階梯不同階段的成長(zhǎng)路徑，并進(jìn)行篩選（用戶留存與漏斗分析）

通過(guò)桑箕圖，枚舉出用戶不同階段的所有成長(zhǎng)路徑，能夠達(dá)到提升用戶成長(zhǎng)階段的路徑都可以羅列出來(lái)：

?每個(gè)成長(zhǎng)階段，都梳理出幾個(gè)提升的路徑，并通過(guò)漏斗，留存分析等，將每個(gè)階段有運(yùn)營(yíng)價(jià)值的成長(zhǎng)路徑篩選出來(lái)（可多個(gè)）。

以注冊(cè)用戶到新手用戶為例，分析如何篩選出有價(jià)值的成長(zhǎng)路徑，其他階段的用戶群分析過(guò)程也類似。

先通過(guò)頁(yè)面訪問(wèn)路徑并結(jié)合業(yè)務(wù)進(jìn)行分析，挖掘出了用戶從注冊(cè)用戶提升到新手用戶，再到使用產(chǎn)品核心功能的兩條路徑。

接下來(lái)對(duì)這兩條路徑進(jìn)行分析，考慮到兩個(gè)路徑都是屬于主路徑，為了盡量讓用戶在前期的行為符合產(chǎn)品設(shè)計(jì)的預(yù)期，不至于出現(xiàn)過(guò)多選擇而導(dǎo)致流失，這兩條路徑只留下一條；并著重做好相關(guān)的運(yùn)營(yíng)打磨引導(dǎo)工作，分析主要側(cè)重在三個(gè)方面：

1. 哪條路徑更優(yōu)？
2. 大部分用戶符合什么特征？
3. 大部分用戶是否做什么相同的行為？

整理出新用戶到新手用戶的所有成長(zhǎng)路徑：

分析相關(guān)性（哪條路徑更優(yōu)→分析基礎(chǔ)共性→分析行為共性）

先通過(guò)漏斗分析，對(duì)比兩個(gè)轉(zhuǎn)化路徑的轉(zhuǎn)化率。

路徑A漏斗：

路徑B漏斗：

接下來(lái)將這兩個(gè)路徑的轉(zhuǎn)化人群和流失人群分別保存并進(jìn)行對(duì)比分析，主要以用戶的基礎(chǔ)數(shù)據(jù)+用戶的行為數(shù)據(jù)作為分析的維度，看能否挖掘出一些共性，為后續(xù)做路徑優(yōu)化提供決策。

接下來(lái)通過(guò)用戶的屬性，使用事件分析功能，對(duì)這些用戶進(jìn)行多維度的拆解，主要從地區(qū)，性別，年齡等方面進(jìn)行分析。

接下來(lái)分析用戶的行為特性，通過(guò)事件分析功能，分別對(duì)這批轉(zhuǎn)化成功的用戶進(jìn)行留存相關(guān)的分析，以檢驗(yàn)轉(zhuǎn)化的后續(xù)穩(wěn)定性，并挖掘出留存的關(guān)鍵轉(zhuǎn)化功能，提升價(jià)值的關(guān)鍵功能。

評(píng)估結(jié)果（對(duì)比轉(zhuǎn)化率，對(duì)比留存率）：

1. 2000名新用戶中，走完路徑1的用戶有1238，轉(zhuǎn)化率為74%；路徑2的用戶有1738，轉(zhuǎn)化率為85%?？傻?路徑更優(yōu)。

2. 兩個(gè)路徑加起來(lái)3000多轉(zhuǎn)化成功的用戶中：

• a.?男女比例為77.3%，22.7%。
• b.?一、二線城市的用戶占比為32.3%，3，4線城市占比為67.7%。
• c.?使用了‘關(guān)注主播’功能的用戶中，次留為30%，站內(nèi)平均是20%。

將用戶成長(zhǎng)路徑表里的所有不同提升階段的路徑都分析后，就可以得到一些關(guān)于這些路徑的理解以及數(shù)據(jù)分析展現(xiàn)的結(jié)果，將這些分析結(jié)果整理起來(lái)，為后續(xù)運(yùn)營(yíng)策略提供決策支持。

5.?圍繞用戶成長(zhǎng)路徑進(jìn)行運(yùn)營(yíng)策略的落地

通過(guò)上面的一系列分析，我們已經(jīng)得到了對(duì)不同層次的用戶進(jìn)行提升的洞察。接下來(lái)需要借助這些洞察，對(duì)每個(gè)路徑的各個(gè)不同節(jié)點(diǎn)進(jìn)行運(yùn)營(yíng)策略的設(shè)計(jì)，也就是對(duì)用戶的行為進(jìn)行引導(dǎo)與激勵(lì)，讓用戶按照我們預(yù)設(shè)路徑去走，進(jìn)而完成對(duì)用戶價(jià)值的提升。

進(jìn)行運(yùn)營(yíng)策略設(shè)計(jì)之前需要對(duì)用戶行為進(jìn)行歸類，分為：

• 一次性行為（一般主要存在于主路徑，即首次達(dá)成某個(gè)目標(biāo)，如第一次送禮，第一次開(kāi)播等）。
• 里程碑行為（主要用戶對(duì)用戶累積性行為進(jìn)行激勵(lì)，簽到10天，點(diǎn)贊超過(guò)1000，在線30分鐘等）。
• 持續(xù)性行為（需要用戶持續(xù)執(zhí)行的動(dòng)作，每天登陸?yīng)剟?lì)，每次開(kāi)播等）。

從用戶成長(zhǎng)路徑中找到需要進(jìn)行一次性激勵(lì)或里程碑式激勵(lì)的激勵(lì)點(diǎn)。

從產(chǎn)品功能模塊來(lái)找需要長(zhǎng)期持續(xù)激勵(lì)的激勵(lì)點(diǎn)。

運(yùn)營(yíng)策略設(shè)計(jì)：略

6. 設(shè)計(jì)等級(jí)系統(tǒng)，串聯(lián)起用戶成長(zhǎng)路徑

對(duì)激勵(lì)的用戶行為賦予獎(jiǎng)勵(lì)與成長(zhǎng)值，并依照不同函數(shù)模型構(gòu)建用戶等級(jí)曲線，最后將相應(yīng)的用戶等級(jí)匹配到權(quán)益跟獎(jiǎng)勵(lì)。

成長(zhǎng)體系設(shè)計(jì)方案：略

7. 預(yù)流失預(yù)警與召回機(jī)制設(shè)計(jì)

7.1?定義流失指標(biāo)，并定位出流失人群

通過(guò)對(duì)用戶的回流率進(jìn)行分析發(fā)現(xiàn)，當(dāng)回流率降到5%時(shí)，會(huì)有一個(gè)明顯的拐點(diǎn)，后面數(shù)據(jù)趨向平緩，于是將30天無(wú)登陸定義為流失用戶。

7.2?構(gòu)建不同層級(jí)的流失用戶結(jié)構(gòu)圖，分析流失用戶行為

• 是否流程環(huán)節(jié)問(wèn)題：以新手期，成長(zhǎng)期，成熟期為分析維度，分析流失用戶的占比。
• 是否用戶質(zhì)量問(wèn)題導(dǎo)致：分析不同渠道的流失用戶占比。
• 是否特定用戶群?jiǎn)栴}：分析用戶的基礎(chǔ)屬性，性別，地域，年齡，興趣等是否類似。
• 是否特定行為/功能問(wèn)題：分析流失場(chǎng)景，用戶做了什么行為/使用什么功能。

下面以新手期為例，分析流失用戶行為，其他階段的用戶群分析過(guò)程也類似。

分析流失用戶特征，建立流失用戶分級(jí)預(yù)警數(shù)據(jù)庫(kù)。

對(duì)用戶進(jìn)行分群：

分析新手期用戶每天的平均使用時(shí)長(zhǎng)：

分析每周登陸次數(shù)：

前面分析觀察到，“關(guān)注主播”這個(gè)功能會(huì)大大提升留存，所以對(duì)這個(gè)功能也進(jìn)行分析，分析用戶關(guān)注的主播數(shù)。

對(duì)數(shù)據(jù)進(jìn)結(jié)果行可視化展示：

根據(jù)數(shù)據(jù)分析，總結(jié)出新手期用戶流失的特征：

• 55%的用戶來(lái)源于地推二維碼
• 98%的用戶每日使用時(shí)長(zhǎng)為30分鐘以下
• 93%的用戶每日登陸次數(shù)在2次以下
• 92%的用戶關(guān)注的主播不到2個(gè)

7.3?監(jiān)控?cái)?shù)據(jù)，進(jìn)行新手期預(yù)流失用戶建模

• 地推注冊(cè)的用戶天然流失率高，質(zhì)量差。
• 連續(xù)3天每日登陸次數(shù)在2次以下標(biāo)記為預(yù)流失用戶。
• 度過(guò)注冊(cè)期并活躍但沒(méi)有關(guān)注主播的用戶標(biāo)記為預(yù)流失用戶。
• 連續(xù)3天每日在線時(shí)長(zhǎng)少于30分鐘的用戶標(biāo)記為預(yù)流失用戶。

……

7.4?制定召回策略，建立自動(dòng)召回協(xié)同體系

召回策略：略

相關(guān)閱讀

萬(wàn)元懸賞數(shù)據(jù)高手｜2019「友盟杯」數(shù)據(jù)分析大賽報(bào)名啟動(dòng)！

你的堅(jiān)持值得被肯定｜2019「友盟杯」數(shù)據(jù)分析大賽結(jié)果公布

一款家居后APP，如何用增長(zhǎng)黑客方法實(shí)現(xiàn)從0到40萬(wàn)增長(zhǎng)？

產(chǎn)品高于需求：低頻產(chǎn)品也可以有高用戶活躍度

渠道評(píng)估怎么做，才能讓App假量灰產(chǎn)無(wú)處遁形？

我的朋友老曹，居然用數(shù)據(jù)工具搞了這么多事

拆解主要數(shù)據(jù)，分析社交類產(chǎn)品的數(shù)據(jù)運(yùn)營(yíng)方法

如何利用數(shù)據(jù)驅(qū)動(dòng)，從0.5到1搭建App積分體系？

場(chǎng)景分析：游戲關(guān)卡難度對(duì)玩家流失的影響

以抖音和陸金服為例，解構(gòu)數(shù)據(jù)分析三個(gè)核心原理

用AB實(shí)驗(yàn)分析個(gè)人中心的首頁(yè)改版

作者：AFen

本文為「人人都是產(chǎn)品經(jīng)理」社區(qū)和友盟＋聯(lián)合舉辦的“2019「友盟杯」數(shù)據(jù)分析大賽”中獲獎(jiǎng)作品，未經(jīng)作者及平臺(tái)許可，禁止轉(zhuǎn)載

本文部分?jǐn)?shù)據(jù)有脫敏處理，非全部真實(shí)數(shù)據(jù)

題圖來(lái)自Unsplash，基于CC0協(xié)議