用户分析，看这一篇就够了思维导图

在策略层，用户分析要着力解决三个核心问题：

很难有一个业务满足所有层次人的需求，必须有所取舍。在业务到一定规模之前，得先服务好某一个群体，才能建立品牌形象和口碑。因此，用户价值分层分析，是非常重要的。并且不能光看实际用户的数据，还得和目标群体做对比，来判断是否打造的品牌还不够高端，还得再加码。

在数据上，观察培养与筛选的区别，主要看用户的需求是否会随着与我司关系深入而增加，以及能否被我司营销行为影响。如果经过长期相处与反复投放，都很难提升用户表现，则说明至少在当下我司力所能及的范围内，用户是无法被培养的。如果有某些措施能明显提升用户表现，则说明这个手段是好的培养手段。

如果用户行为本身发生的很随机，则测算可以简化。比如啤酒、瓜子、矿泉水一类零食，用户购买可能完全是临时起意，没啥深入思考，也没啥忠诚度可言。此时只靠按单次广告投放核算成本即可。只要每次投出去的商品能赚钱就行。

比较有挑战的是需要培养才见效的用户。比如做美容，可能头三次都是为了吸引用户充卡加会员做的体验服务，收费很少，只有在体验期充卡的才能赚回利润。这时候就得把握：有多大比例用户转化，转化用户利润是否能覆盖体验用户的成本。

解决了策略问题以后，汇总的输出成果就是一张用户价值分布地图（如下图），在这里要清晰的展示：

到了执行层面，用户分析反而变得简单了。因为在执行层，核心解决的问题就是：如何让用户响应我的策略。一条具体的策略，比如“促进用户二次消费”，落实到执行层，就是具体的：

这一整套信息推送到用户身上，之后期待用户能产生响应（如下图）：

此时，可以利用历次数据，同时给用户和业务打标。

这些标签是可以直接指导业务行为的。在已知用户偏好的情况下，可以直接按标签组合，生成运营策略，所谓的自动化营销（Marketing Automatic简称MA）就是这个思路。

也可以把一个用户群体的所有标签摆在一起，看群体需求。比如发现高价值群体都更偏好某一类产品，则可以相应开发搭配产品、升级版产品。

也可以基于执行层的结果，反向影响策略。比如原来用户成长轨迹里，在1个月左右有明显转折。经过运营操作，用户生命周期已延长，到3个月，但响应成本也在增加。此时可以考虑在第2、3个月，阶梯性增加高利润产品推送，来弥补成本损失，保持高收益。

什么很多公司的用户分析做不出东西来，原因已经很清晰了。

这样总是没头苍蝇一样，肯定没结论积累。当然，不见得每个公司的运营，都能很清醒的先定策略，再做执行，再复盘积累标签。很多公司的运营，也是头疼医头、脚疼医脚，看着活跃低了就上大转盘，看着新人少了就砸一波流量，看着转化低了就猛发券。这样在执行层做出来的事情很零散，对积累数据经验是很不利的。

但是作为数据分析人员，策略层的洞察是不依赖执行的，完全可以自己多做，这样加深了自己的策略认知，再回头看执行层的数据，也更容易得出结论来。看到这，肯定有同学想看：用户标签到底怎么打。