运营数据分析模型—用户分层分析-Toy模板网

这篇具有很好参考价值的文章主要介绍了运营数据分析模型—用户分层分析。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

用户分层模型

分层分析法是根据数据分析对象的特征，按照一定的标志（指标），把数据分析对象划分为不同的部分和类型来进行研究，以揭示其内在的联系和规律性。

业务经营最忌吃大锅饭，对待用户一视同仁。当用户只有几千几万的时候，尚谈不上精细化运营，但当用户规模达到几十万上百万甚至更高数量级的时候，如果还用同一种策略去经营客户，结果不会好到哪里去，原因在于当用户规模起来的时候，用户画像中的各个特征也将逐步出现“群体聚合”现象，群体特征越来越清晰，不仅将个体带来的偶然性特征逐步抹平，还将衍生出越来越多的小群体，也就是“物以类聚，人以群分”。在这种情况下小群体间的特征差异越来越大，越来越明显，再用同一种策略去经营，对部分小群体可能是精准的，对部分小群体可能是“隔靴搔痒”，对部分小群体可能是“对牛弹琴”。所以才需要精细化经营，将整体客群按照业务经营规则划分为多个小群体，然后再分析每个小群体的用户画像特征，继而为每个小群体制定经营策略，提升每个小群体的经营效果，而精细化经营的典型工具就是用户分层模型

用户分层模型，是根据业务经营策略和经营目的，按照业务经营指标体系将用户分为多个客群，每个客群都能反映业务经营的实际情况。用户分层模式是从业务经营目标出发的用户分类体系。分类只是将用户划分到不同的客群中，各个客群是平等的，而分层的意义在于客群间开始有了重要性、优先级和等级之分，即每个客群拥有不同的“阶级地位”，处于高层级的客群一般代表了高价值、高贡献、高质量和高活跃的用户，是产品的核心用户，处于低层级的客群一般代表了低价值、低贡献、低质量和低活跃的用户，是产品的潜在用户。

分层的目的就是为了便于对比，把总体中具有不同性质的对象区分开，把性质相同的对象合并在一起，保持各层内对象属性的相似性、层与层之间属性的差异性，以便进一步运用各种数据分析方法来揭示内在的数量关系，因此分层法必须与对比法结合运用。

运营数据分析模型—用户分层分析

分层分析在日常工作中应用的比较多的是用户分层与分群，比如在发优惠券的时候，可以通过红包，满减，限时券还有积分券等方式。我们可以针对不同的用户发送不同的优惠券以达到精细化运营的效果。那么当我们在做数据分析时，也可以从结果将用户进行分层来进行判断，这时同样也可以得到优化和改进业务的建议。

运营数据分析模型—用户分层分析

说了完用户分层，接下来我们说说用户分群。用户分群和用户分层其实是相关联的，用户分群是对用户分层的补充，当用户差异性较大，层级上不能再做用户细分时，可以考虑将同一个分层内的群体继续切分，满足更高的精细化运营需要。

分层与业务

用户分层不是目的，而是过程。通过用户分层来深入洞察和掌握用户的构成以及特点，最终目的是制定精准高效的营销策略。不要为了用户分层而分层，为了用户分层而使用很多看上去很高深但是无用的算法和模型等，脱离了业务，脱离了营销，那可真是纸上谈兵，味同嚼蜡。

用户分层通常是对已经拥有产品账号或标识符的用户进行分层，包括游客和注册用户等，即分析的是产品的自有用户，不包括游离在产品外的用户。从业务经营角度出发，用户分层实际是用户营销价值和用户贡献的分层，更关注于站在商业层面来考量用户分层。这个时候用户分层的规则是人为确定，并且分层本身是动态的，会随着业务经营策略的变化而变化。前文提过产品的生命周期，当产品在发展初期时，用户规模是重要的北极星指标，那么在用户分层中“注册状态”就占较高的权重，这样用户分层的规则强依赖“注册状态”；当产品进入成熟期，用户质量是重要的北极星指标，那么在用户分层中“活跃、留存、营收”就占较高的权重，而“注册状态”的权重将降低甚至可以忽略。很明显，在产品的初期和成熟期，用户分层是完全不同的。

而有些时候提到的游客、注册用户、潜在用户等，都属于用户结构范畴。用户结构的特点是结构本身不会随着产品发展而改变，不管产品在什么阶段，总有游客、注册用户或潜在用户，这些结构是不会变化的，变化的只是每个结构中的客群数量，好比一栋住宅，楼的结构不会变，每层楼8户人家，变的只是有人搬进搬出，有人喜添贵子的住客数量而已

有的时候还能听到一种说法，用户转化漏斗的每一层也是用户分层。严格意义上，用户漏斗不是用户分层，原因在于用户漏斗的每一层是有严格的先后顺序的，漏斗中的每一层用户都是从上一层而来，而用户分层之间并没有如此的顺序要求

RFM 模型

从本质上来说，RFM模型是一个用户的分群和分层模型，即在运营过程中根据RFM规则将用户分成多个群体，多用于电商产品的用户分层，即根据R（Recency，即最近一次购买的时间）、F（Frequency，即消费频率）、M（Monetary，即消费金额，也就是用户贡献的价值）来区分高频次、高活跃度、高净值的用户，这样就可以对他们采取不同的营销方案，更细化我们的运营，这就是其价值所在，如图6-6所示。

**消费金额Monetary：**衡量用户对企业利润的贡献，消费金额越高的用户，价值也就越高。

**消费频率Frequency：**衡量用户的忠诚度，是用户在限定的期间内购买的次数，最常购买的用户，忠诚度也越高。

**最近一次消费时间Recency：**衡量用户的流失，消费时间越接近当前的用户，越容易维系与其的关系。1年前消费的用户价值肯定不如一个月才消费的用户。

运营数据分析模型—用户分层分析

RFM有3个指标，每个指标里有两种行为，一种叫1，一种叫0。例如R，1就是离现在的时间很近，0就是离现在的时间很远；F，1就是消费频率高，0就是消费频率低。RFM这3个指标具有明显的电商、用户特征，多用于电商行业用户分析。那如果不是电商行业，可以用这个模型吗？比如说我想看一下哪些是爆款视频，哪些是爆款产品，这些可以做吗？这个模型背后的数学原理是什么？怎样能让它用于更多场合呢？

RFM模型背后的数学原理，叫三因素两水平分类器

运营数据分析模型—用户分层分析

2³=8这里的“2”指的就是图6-7左边的1和0，也就是指标的两个值，而“3”指的是3个指标，“8”指的就是各自带有两种行为的3个指标所产生的8种结果，也就是可以分出8个客群。

那么，在其他场景中，这个模型就一定也得是3个指标，并且每个指标只能有两种行为吗？这个在网上并没有明确的答案，但可以告诉大家：不是的。

进化的RFM模型

进化的RFM模型将RFM模型的数学原理发扬光大，扩充了其适用范围，任何业务、任何产品、任何用户都可以用进化后的RFM模型来解决分层和分群问题。

这个进化的RFM模型做了以下优化

不再局限于R-F-M，而是根据业务需求自定义3个核心指标。
不再局限于每个指标只有0和1这两个值，而是根据业务需求自行制定每个指标值的区间和数量。

运营数据分析模型—用户分层分析

把RFM模型中的R、F、M这3个值换成X、Y、Z，让这个模型扩展到更多领域，这里的X、Y、Z就可以根据业务需求换成不同的指标，然后再按指标的顺序赋值，可以是0和1，也可以是1、2、3、4、5，后面将有案例说明。

进化的RFM模型使用流程：

第一步：确定X、Y、Z的指标。根据业务需求来定，这个没有固定答案，可以是当前的北极星指标和伴随指标，可以是当前业务的核心KPI。

特别需要指出的是，这里虽然还是3个指标（X-Y-Z），但并不局限于3个指标，不过这样的话，就会产生一个很有趣的现象，这个分类器所分出来的客群数量就爆炸了。假如PV、UV和CTR不能帮助业务很好地完成分类，那么就增加产品等级来帮助分类。从上述计算公式可知，指标增加1个，指数就要加1，客群数量将呈现指数级增长，如图6-9所示。

运营数据分析模型—用户分层分析

第二步：确定X、Y、Z 3个指标的排序。一般来说，X、Y、Z本身是没有排序的，但是在很多分析工具里面，由于工具本身的限制，实质上是需要你对X、Y、Z有个业务上的认知，也就是要有排序
第三步：确定X、Y、Z这3个指标的值。接下来就是确定这3个指标的值的计算规则，一般按业务需求来确定值的数量和计算规则。需要注意的是：
1. 不一定是0和1，可以是多个值。
2. 一般来说每个指标有3～4个值，当指标超过5个值之后，会有3000多个分类，这对实际工作来说并无价值，分得太细了，跟明细表没什么区别。
3. X、Y、Z的指标可以有不同等的值，比如说X是2个值，Y是3个值，Z是4个值。

当指标的数量和指标值的数量增加时，会造成客群数量爆炸，大幅度提升运营分析的难度，故一般需要合理控制指标数量和指标值的数量，

运营数据分析模型—用户分层分析