终于有人讲透了用户剖析方法论

用户运营是指基于用户全生命周期的控制优惠，旨在提高用户价值和优化开售额。以逛街购物为例，商家会经过广告等形式吸援用户留意，疏导用户成功购置，并在用户购置环节中提供优质服务，让用户成功消费。在用户生命周期有限的状况下，商家须要经过用户运营手腕，尽或许让用户掏更多的钱，从而优化开售额。

用户运营的目的是提高用户转化率和提高用户价值。商家可以在用户全生命周期的各个环节采取相应的运营举措，例如疏导用户成功注册、首单、提高用户生动度等。这些运营举措的目的都是为了提高用户的价值，从而优化开售额。概括来说，用户剖析是指经过对用户行为、数据等启动剖析，来提高某些环节的效率。

了解了什么是用户运营，以及用户剖析要处置的疑问后，上方来引见一下用户剖析的罕用方法。回到前文中购物的场景，可以形象出一个用户模型，如下图所示，谁在多长期间内做了多少次什么行为。这个用户模型蕴含许多要素：人物、期间、频次、行为。进一步紧缩，可以获取一个新的模型图，即谁做了什么。这个模型的要素只要两个：用户属性和用户行为。这就是用户剖析可以拆分红的两个局部，用户属性剖析和用户行为剖析。

1、 用户属性剖析

在用户属性剖析方面，关键处置的疑问是商家对用户的认知和了解，以及如何将有限的资源调配给最有价值的用户。

用户剖析分为四个经常出现的场景：用户特色、用户画像、用户分群和用户分层。

用户特色剖析旨在提醒人群特点，协助了解产品消费人群或不同人群间的异同。介绍的剖析方法是对比剖析和可视化决策树。用户特色剖析中，一切特色都是经过对比得出的。在剖析报告中，假设只给出繁多人群的特点，则不足压服力。实践操作中，应将目的人群与参照人群启动对比，以得出更准确的论断。例如，在剖析双 11 优惠中复购人群的特色时，应将其与未复购人群启动对比。对比剖析之后介绍驳回可视化决策树的方法。可视化决策树是一种机器学习方法，将复购人群和未复购人群标志为 0 和 1，并将各级特色放到可视化决策树中，以检查每个特色的值散布。这种方法具备很强的可解释性，业务人员可以直观地看出每个特色的分值，从而更好地理解剖析结果。

用户画像处置的疑问是商家想知道经常使用其产品的人是谁。与用户特色剖析不同，用户画像是一种基于定性形容的剖析方法。在用户画像中，TGI 目的很关键，用于计算用户群中各个目的的趋向强度，普通 TGI 大于 100 示意在该方面有清楚特色。

用户分群是将人群划分红几个局部，以便为不同的营销打算制订战略。有两种方法可以成功用户分群：业务逻辑和聚类算法。业务逻辑基于对用户的洞察，而聚类算规律经常使用经常出现的 k-means 算法等技术。后文中会详细引见这种方法。

用户分层与用户分群不同，它将人群分红不同的等级，以便为不同的用户提供不同的服务和资源调配。用户分层可以处置如何调配资源的疑问，并可以为某些用户提供优先权。在用户分层中，规范思想十分关键，须要依据必定的规范来权衡用户。帕累托规律是一种罕用的方法，依据用户的行为累积值将人群分红不同的局部。同时在用户分层中，也经常会经常使用到用户属性剖析方法。

2、用户行为剖析

在用户行为剖析方面，关键处置的疑问是了解用户的行为形式和偏好，从而优化产品和服务，提高用户满意度和忠实度。这里分为四个场景：用户的 Aha 时辰、用户留存、用户散失、用户生命周期价值。

用户的 Aha 时辰处置的疑问是找到魔法数字，也就是边沿成效分界点。

用户留存处置的是新用户留存优化的疑问，如何让新用户在必定期间内尽或许地生动。用户留存剖析通经常常使用统计群剖析方法，将某一期间点进入的人群圈起来，并跟踪随期间变动的状况。

用户散失是很多商家头疼的疑问，但假设能够提早预测到哪些用户或许会散失，就可以提早启动干预。关于曾经散失的用户，可以剖析散失要素来制订召回战略。用户散失剖析有时须要经常使用机器学习方法，如回归剖析。

用户生命周期价值是指每个用户在整个生命周期内会奉献多少钱，可以用来制订新客的获客老本或新客的 ROI，以及剖析用户还剩下多少价值。

接上去展开引见其中两个场景，用户分群和用户的 Aha 时辰剖析。

三、用户分群：业务逻辑和聚类算法

用户分群是指将少量用户划分红若干个具备相似特色的人群，以便制订针对性的营销战略。以天猫为例，它将用户划分红八大战略人群，如新锐白领、资深中产等。

在启动用户分群之前，须要明白要处置什么疑问。以天猫的八大战略人群为例，这些人群的划分是为了处置产品组合和定价、开发新品等疑问。依据人群画像，可以了解人群的特色和消费习气，从而制订不同的营销战略和产品打算。

以下是用户分群流程图：

第一步：须要有一个品牌用户群。

第二步：预备业务标签。须要从泛滥标签中找出具备真正业务含意和人群划分价值的标签。这与要处置的疑问无关，例如，假设要处置定价疑问，就须要知道用户的消费才干，可以经常使用月均消费频次和月均消费金额等标签来权衡。有了这些标签，就可以启动人群划分。

第三步：人群划分。这里用到前文中讲到的两个方法，一个是基于业务逻辑，一个是聚类方法。最终聚类出不同的人群，比如上图中的三种色彩代表三团体群。聚类出人群之后，还要反过去去看它在不同特色上方的占比。

第四步：为人群找到适宜的标签。计算 TGI 目的或特色占比。TGI 目的大于 100 以为是清楚的，小于 100 以为是不清楚的。最终把每一个标签过滤进去之后获取定性的形容。如新锐白领、小镇青年、粗劣妈妈等。

这里用到两个工具：聚类算法和业务逻辑。

聚类算法是经过计算人群之间的距离，将人群智能分类。在启动聚类剖析时，须要留意选用适宜的目的，并去掉意外值人群和极其人群，再对残余人群启动分类或圈出不同的人群。K-Means 聚类能够智能地对多维数据启动聚合。但它的缺陷是不足业务逻辑和业务含意，要处置这一疑问就要参与业务逻辑。用 K-Means 聚类算法划分完后，假设发现其与业务不相符，那么就须要去调整。

除了用聚类算法之外，还可以用业务逻辑去启动用户分群。比如将人群和产品的标签启动交叉，就可以获取不同人群在不同产品标签上方的特点。例如，可以将年龄划分红几个段，而后反过去看每团体群在不同产品标签上方的特色，例如愈加偏好 0- 元的产品、愈加偏好职场穿搭类的产品等。

依据这些特点启动人工聚类，获取不同的人群划分结果。最后，基于人群划分结果和产品标签，可以获取相应的战略，例如针对不同人群的营销战略、内容制造战略等。这样的标签环节可以将业务逻辑和机器学习相联合，从而获取愈加准确和更具业务含意的人群划分结果，并在业务场景中落地。

四、用户的 Aha 时辰-魔法数字

魔法数字处置的是最终规范阈值的疑问，例如划分会员等级的规范阈值为 1 万元。为什么是 1 万而不是 1 万五或许其它数字，这就是一个规范阈值疑问。

先来便捷引见下留存率。统计某一天注册的用户数，以落第二天回来生动或购置的用户数，而后将第二天回来的人群去除，就可以获取次日留存率。

比如LinkedIn 发现新用户在 7 天之内加满 5 团体，留存率会提高 3 倍。再比如Facebook 发现，新用户 10 天内关注 7 团体可以提高留存率。

基于这个逻辑，可以获取一个关于留存率与关注人数的相关图，并经过寻觅拐点来确定边沿成效的最大化。拐点是指留存率开局清楚提高的点。从数学过去讲，拐点是指曲线的斜率开局清楚降低的点，也就是边沿成效最大的中央。在拐点之前，关注人数的参与对留存率的影响较大，而在拐点之后，关注人数的参与对留存率的影响逐渐减小。这个拐点就是咱们的魔法数字。

假设咱们找到了某个魔法数字（例如 10 或 3），那就可以将其运行于营销战略和用户运营战略中，例如让用户关注够 10 团体或许购置够 3 次。咱们还可以将这个魔法数字作为划分会员等级的阈值，或许千方百计让用户到达这个数字，从而更好地保住客户。

上图中展现了一个运行案例。从表格中可以看出多少钱与综合满意度的相关性是最高的，所以可以依据多少钱去计算回归，获取计算魔法数字的公式。当然这个数字也须要进一步联合业务去启动验证。