在用户分层的过程中，用户分层的结构层次可能会根据不同的活动、不同的场景、不同的行业等发生变化。
稳步发展趋势的倒状漏斗是我们最常见的用户分层结构，即从潜在用户到衰退用户逐渐往下递减。
稳步发展趋势的用户分层结构
但在交易类业务中，如果把激活用户定义为用户进行首单消费，那么我们会期望中间激活的过程尽可能缩短。因为我们希望用户进行首单消费后能尽快产生复购，进入到成熟用户，使整个业务更加成熟和健康。
这种中部激活用户尽可能少、上部潜在用户尽可能多、底部沉淀下来的成熟用户尽可能多，类似沙漏的结构，可以称之为上瘾趋势。
上瘾趋势的用户分层结构
但我们在运营过程中，由于一些策略失误、或者产品本身定位失误、或者用户画像出现问题时，随着时间的演进可能由一个正常的漏斗，变成锥形或者纺锤体的结构。也就是新用户越来越少，中部只进行首单消费的用户越来越多，但复购用户越来越少，衰退用户越来越多。
这可能是因为我们进行的某些活动，吸引到了许多薅羊毛的客户进来。在薅羊毛成功了一次再无下次薅羊毛的机会后，就与我们再也没有关系了。这种用户分层的结构可以称之为羊毛党趋势。
羊毛党趋势的用户分层结构
通过以上三种用户分层结构的举例，是想告诉大家在用户分层时，我们需要既把握局部，也要关注整体的变化。
不是说用户分层完毕后，只针对某一层去制定和执行运营策略，只单点地去看待这件事情。而是需要结合整体不断调优。如果只是单点地去看，就可能导致单点的时候做的非常好，看整体时，就从稳步发展趋势变成了羊毛党趋势。
1
用户分层的三种模型
那么，具体到如何进行用户分层，我们可以根据以下三种模型进行。
一维用户分层模型
一维用户分层模型，基于一个最核心的维度进行用户分层，以一个维度去设计整个用户分层对应的口径。
核心即是关键事件，围绕关键事件我们一般可以将用户分为五个层次。一维用户分层模型也大多成金字塔、漏斗、或者纺锥体形状。
一维用户分层模型举例
在一维用户分层模型里，用户从一层到另一层流动的过程一般都是线性的。从潜在用户、到新用户、到活跃用户、然后到成熟用户、再到衰退用户，是线性变化的过程。
但有时会出现一种情况，经过一段时间的数据监测，会发现有一些用户中间没有经历过激活用户阶段，直接迅速从新用户跳转到成熟用户阶段。这时候就需要我们重新审视用户分层的口径是否合适。
例如，我们把新用户定义为完成注册；把激活用户定义为3天内有回访；把成熟用户定义为完成订单笔数大于3笔。这时候我们会发现，有一部分用户在3天内没有回访，但在已经完成了4笔订单。那么这部分用户就会跳过激活用户，直接成为成熟用户。
原因就在于我们选择核心维度时，引入了两个关键的维度，一个是访问，一个是完成订单。这两个关键事件的设定，就会导致用户出现跳层的情况。如果出现跳层，需要我们重新审视口径，选择同一个维度。
二维用户分层模型
二维用户分层模型基于两个核心维度进行用户分层，最常用的就是四象限模型。
相比一维用户分层模型，二维用户分层模型有一个优势。即分层后的用户会落到不同的象限里，我们就能非常清晰地知道整个运营的重点，即把其他象限的用户往高维度的两个方向迁移。
例如，通过用户购买力和用户渗透力进行用户分层，建立坐标轴，划分为四个象限。运营重点就是把用户往高用户渗透力和高用户购买力的两个方向迁移，到第一象限。
二维用户分层模型举例
在这个二维用户分层模型中，我们需要找到衡量用户购买力的指标是什么？衡量用户渗透力的指标又是什么？指标可能是一个，也可能是一组。
这里的核心难点就在于临界值的选取。由于我们定义了两个维度，然后选取了衡量这两个维度的一系列的指标，那指标之间的临界值该如何确定？像用户购买力，我们把它定义为客单价乘以复购的频率。那么当客单价达到什么临界点时，用户就该从第三象限上升到第二象限呢？
这就需要运营团队与数据团队、分析团队紧密配合。利用现有的历史用户数据，通过二八法则、正态分布等统计学方法，不断挖掘两个维度之间迁移的临界点。
临界点的定义也并不是一次性的，而是动态变化的，是需要我们不断测试、验证、和调优的过程。只有各个团队充分配合，我们才能合适地把不同的用户，归类到不同的象限，再针对不同的象限，去制定不同的运营策略。
三维用户分层模型
三维用户分层模型基于三个核心维度进行用户分层。相比一维、二维用户分层模型都更复杂一些。最常见就是RFM模型。
例如，根据交易类相关的业务定义RFM模型，我们可以选取三个维度：最近一次消费、消费频率、以及消费金额。不同的业务类型，需要我们举一反三，选取合适的RFM指标。
通过这三个维度两两交叉，就可以将用户划分为8个分层：重要价值客户、重要发展客户、重要挽留客户、重要保持客户、一般发展客户、一般价值客户、一般挽留客户、一般保持客户。三维用户分层模型将用户分层又逐渐地去做了一些细化。
通过以上三种用户分层模型，就基本能满足我们日常运营工作中的用户分层需求。
越往后可能还会有四维、五维用户分层模型，但通过人工的方式往往很难处理这么多维度的数据。例如在推荐场景下，可能会选取十几个用户特征制定推荐算法，这时候就更依赖机器学习和数据团队的能力，而不是运营团队所能解决的了。
2
如何基于用户分层构建运营策略
用户分层完毕后，我们便可以基于此构建整体的运营策略。
整体思路
以基于用户生命周期分层的一维用户分层模型为例。用户从潜在用户、新用户、激活用户、成熟用户、衰退用户、到沉睡用户、再到流失用户，大概有七个阶段。
在用户生命周期运营的过程中，需要通过不断地运营将潜在用户和新用户往激活用户做迁移；将沉睡用户和流失用户重新激活；将衰退用户往成熟用户做迁移。上图中的箭头标注了我们运营的大方向和最终实现目标。
在不同的用户生命周期阶段，我们要解决不同的问题，定义不同的运营目标。
例如，在早期，如何有效衡量获客效率？如何正确转化用户？在中期，如何把新用户和激活用户培养成高价值用户？如何在成为高价值用户后延长他的生命周期？挖掘LTV？在后期，如果一个用户已经沉睡或者流失，该如何去唤醒、怎么去召回……
针对这些目标，即可制定一一对应的运营策略。例如在如何培养高价值用户时，会有渠道联动运营、交叉营销等运营策略。
具体案例
在应用用户分层去制定运营策略时，建议大家也可以列出一个类似的表格，来比较清晰的梳理。
这里把我们之前针对用户分层的定义，用诙谐化的语言表示了一下，把用户分为：潜客、新客、活客、老客、怨客、睡客和死客。
用户之所以从老客变得开始衰退了，可能是对产品不满意、或者对服务不满意，因此会产生一些抱怨，即为怨客；抱怨了一段时间后不再使用产品，就成为了睡客；有的客户把产品卸载了，不采纳我们的服务了，那就是死客。
举一个针对老客的例子，来制定运营策略。
确定阶段目标
在老客阶段，我们的运营目标就是要尽量提高用户的长期购买价值。
选定衡量指标
在大多数交易类场景里，提高用户的长期购买价值的核心指标就是提升复购率。但复购率提升只是一个结果，为了得到这个结果，需要我们对过程进行干预。
这里最直接的做法，就是把整个复购的路径进行拆解。老客复购时的整个路径可能是：先打开APP然后看首页。因为他已经是一个老客，所以想买什么东西，第一反正就是去APP搜索，有着非常明确的购物目标。那么，在搜索结果页里，我们就可以去做一些帮助复购率提升的事情。
此外，从搜索结果页、到活动落地页、到详情页、再到购物车页，都要去做更细致的一些拆解。拆解完复购的流程，我们需要去挑出一些核心的衡量指标，例如：
- 次月留存率。如果用户没有留存就没有复购。
- 决策间隔时长。每一次复购中，我们希望老客尽快完成整个过程，决策间隔时长越短越好。
- 连带率。复购并不指用户每一次来只买一件商品就叫复购。我们其实希望用户每一次来能够多买几样商品，这样整个效率会有非常大的提升。所以商品的连带率，也是需要考虑到的指标。
揣摩用户体感
针对复购用户，我们还需要再去进行一次用户分层，把复购用户拆解为低频复购用户、中频复购用户和高频复购用户三类人群。然后再针对这三类人群制定非常细的运营策略。
制定运营策略时，要回归到整个用户的直观感受上。很多时候我们其实是为了做这件事情而去做，很少站在用户的角度上思考：用户怎么看待我们的运营策略？用户怎么看待我们基于给他的分层进行的“套路”？
用户体感要分成几个方面考虑：用户对新品的好奇感和探索、对好货的购买欲、对优惠力度的偏好度、对积分权限的直观感觉、对运营活动感觉特别好玩、对小游戏的参与感等。
制定运营策略
所有运营策略最终要回归到客户的直观感受上。而具体会落到哪个用户体感上，通过表格的形式列出来后，相应的运营策略就会非常的清晰。
例如，最终可能就会落到新品上的试用、先用后付；优惠力度上的满减、折扣、清仓等。这些就是具体的执行动作，也就是我们的运营策略。
综上，便是基于用户分层构建运营策略的全流程。
最后，在我们的运营策略落地执行时，有一个通用的东西要去综合考量，那就是给某层用户某种运营策略时，推送的内容、样式、时机、间隔以及通道是什么？
所有的运营策略执行时都离不开用用户体感的考量。例如，推送的内容是满减，那么：
- 如何能够通过一段特别有吸引力的话术，把满减的运营策略传递出去？
- 如何选择合适的样式（图片、文章、短视频等）让满减的运营策略让用户看了之后觉得优惠力度特别大，回归到他的体感上？
- 如何选择合适的时机，应该在什么时候去给用户推送策略，才能打开率最大化？
- 如何确定运营策略的间隔，策略之间需要反复推送，需要间隔多久，是一天还是一周？还是更短的时间？
- 如何选择用户的触达通道？是站内弹窗、还是APP Push、还是在直播间里去直播、还是直接用短信的形式发优惠券？
这些都是我们在运营策略落地执行时，需要全面考虑到的。
微信扫一扫 