读懂用户运营体系：用户分层和分群思维导图

内容生产方向：早期利用邀请制获得各行业的优秀人才，通过运营人员维系关系，并且鼓励生产内容。产品的机制也会激励大V更好的创作和生产。内容消费方向：则是找出普通用户的内容兴趣，加以引导，培养他们的付费习惯。增加Live、值乎、电子书的曝光，设计各类优惠券促进用户使用。

这类双金字塔结构，将内容生产者和内容消费者聚合在一起构成了整个平台的良性循环：大V创作内容，吸引普通人，普通人为内容付费，大V获得收益。

双金字塔结构的用户分层并不少见。以我们熟知的电子商务为例，即有买家，也有卖家。买家的运营方式已经耳熟能详，卖家呢？开店教程、卖家大学、店铺装修、曝光位展示、店铺后台、各类辅助产品…运营同样需要帮助卖家成长，于是卖家也可以划分成普通卖家、高级卖家、大客户、超级金主这些等级。

O2O是不是双层结构？当然是。online是用户，offline则是各类线下或者服务实体，只是这些卖家更多是销售地推和市场人员维护，但我们一样可以使用分层的思想去运营。其他还有视频直播的网红和群众，微博的大V和草根，招聘APP的企业和员工等等。

不同产品的形态会有差异，同一产品的不同阶段，也可以用不同的用户分层。一款产品早期，用户分层的目标是更多的用户和KOL，后期，会更贴近商业方向，这就需要运营设立灵活的分层了。

用户分层，一般四五层结构就可以了，过多的分层会变得复杂，不适合运营策略的执行。

用户分群

用户运营体系是否只有用户分层？不完全是。

用户分层是上下结构，可是用户群体并不能以结构作为完全概括。简单想一下吧，我们以是否付费划出了付费用户群体，可是这部分群体也有差异，有用户一掷千金，有用户高频购买，有用户曾经购买但是现在不买了，这该怎么细分？

如果继续增加层数，条件会变得复杂，也解决不了业务需求。

于是，我们使用水平结构的用户分群。将同一个分层内的群体继续切分，满足更高的精细化需要。

怎么理解用户分群，我们拿下面的案例说明。

男女性别在以消费为核心的产品中会呈现显著的区别，它就是两个相异的群体。分群的核心目标是提高运营效果，将运营策略的价值最大化，在电商产品中，区分男女很正常，但是在工具类的APP中，或许就没有必要性了。

这也是我一直强调的，分层和分群，都是以产品和运营目标为依据才能建立体系。

接下来是分群的实际应用。

RFM模型是客户管理中的经典方法，它用以衡量消费用户的价值和创利能力，是一个典型的分群。

它依托收费的三个核心指标：消费金额、消费频率和最近一次消费时间，以此来构建消费模型。

消费金额Monetary：消费金额是营销的黄金指标，二八法则指出，企业80%的收入来自20%的用户，该指标直接反应用户的对企业利润的贡献。消费频率Frequency：消费频率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。

坐标系上，三个坐标轴的两端代表消费水平从低到高，用户会根据其消费水平，落到坐标系内。当有足够多的用户数据，我们就能以此划分大约八个用户群体。

比如用户在消费金额、消费频率、最近一次消费时间中都表现优秀，那么他就是重要价值用户。

如果重要价值用户最近一次消费时间距今比较久远，没有再消费了，他就变成重要挽留用户。因为他曾经很有价值，我们不希望用户流失，所以运营人员和市场人员可以专门针对这一类人群唤回。

图中不同的象限区域，都对应不同的消费人群。大家是愿意简单地视为一体去运营，还是根据人群区别对待呢？

这就是RFM模型，曾经在传统行业被频繁应用，而在以消费为主的运营体系中能够移植过来为我们所用，它既是CRM系统的核心，而是消费型用户分群的核心。

RFM模型的主流分群方式有两种。

一种是建立指标，以指标作为划分依据，和用户分层差不多。

指标的判断和设立，需要业务专家的经验：什么样的算高消费频率，什么样的算低，消费多少金额算有价值，这些都是学问。并且需要不断修正和改进。

上图是一个简化的划分，实际应用会更复杂，因为指标未必有代表性。大部分收费相关的数据，都会呈长尾分布，80%用户都集中在低频低金额的区间，20%的用户却又创造了大部分营收，这是划分的难点。

指标一般用描述性统计的分位数，以中位数、第一四分位数、第三四分位数等划分。

另外一种是用算法，通过数据挖掘建立用户分群，不需要人工划分。最常见的算法叫KMeans聚类算法，核心思想是「物以类聚，人以群分」。

我们以网上某公司的数据进行Python建模，首先无量纲化(z-score)处理，并且清洗掉异常极值。

上图的三列数据是经过标准化后的用户消费数据。值越接近0，说明离平均水平越近。r值因为是最近一次消费时间，所以值越小，说明时间越接近，值越大，说明消费越久远。

通过RFM三个指标（在机器学习中叫做特征），先建立可视化的散点图。下图是最近一次收费R和收费金额M的散点图。每一个点都代表着一位用户的收费相关数据。

散点图上暂时看不出用户分群的规律，只能初步判断，大部分的数据呈集中趋势。

既然KMeans算法的核心思想是「物以类聚，人以群分」，它就是以距离作为目标函数。简而言之，在距离上越接近的两个用户，其相似的可能性也越大，于是KMeans就把相似的群体找出来，叫做簇。簇与簇之间的距离越大，用户群体间越独立，这叫群分；簇内的距离越紧凑，说明用户们越相似，这叫类聚。

红圈标出的这些用户，更有可能相似，属于同一个用户群体。因为他们在R和M这两个指标上，数据接近，都处于消费金额较低，且近期有消费的人群。

至于是不是，让算法解决吧，具体的算法原理和过程就不演示了。我们假设能划分出五类用户群体，然后看下这些人群是什么样的。

上图的不同颜色，就是算法计算出的用户群体。

红色用户群体：代表的是高消费金额，因为数量稀少，所以在最近一次消费时间上没有明显区分，不过并不久远。这些都是产品的爸爸和金主。绿色用户群体：代表的是有流失倾向的用户，这些用户消费金额不太多，运营可以采取适当的挽回策略。紫色用户群体：代表的是近期消费，消费金额较少的用户，运营需要挖掘他们的价值，去发展和培养。

青色和蓝色似乎不能明显区分。那我们改一下散点图的维度呢？

改用指标R和F后，则是另外一种视角。青色用户群体比蓝色用户群体有过更多的消费次数，蓝色用户的消费频率比较差，更需要激励。紫色用户群体拥有相当高的消费频率。

到此，用户群体已经明显区分，大家是否能准确概述这些用户的特点了呢？虽然从数据分布上，长尾形态会一定程度影响可读性，但运营还是能针对不同群体作出相应的运营手段。

以上就是RFM模型的内容。它能动态的提供用户的消费轮廓，给市场、销售、产品和运营人员提供精细化运营的依据。这也是数据挖掘在用户运营的应用之一，大家要了解。

怎么划分群体是一门学问，划分的群体少了，区分度不明显；划分的多了，则没有业务价值，二十几个群体你怎么去运营？群体数量，是要在数据和业务间取得平衡。

总而言之，分群的方法，一类是通过指标和属性人工的划分出用户群体。另外一类是通过数据挖掘，给结果赋予业务意义。反正最终的目的是提高运营效果和价值。

我们可以用RFM模型，试着将思维更开阔一下，能不能玩出新花样？完全可以尝试。

金融：投资金额、投资频率、最近一次投资时间；直播：观看直播时长、最近一次观看时间、打赏金额；内容：评论次数、评论字数、评论被点赞数；网站：登录次数、登录时长、最近一次登录时间；游戏：等级、游戏时长、游戏充值金额。

这些是我简单列举的参考，未必准确，作为大家参考的他山之石。不同产品的分群策略也不一样，比如酒店产品，住宿不是一个固态的需求，是否需要加入时间的维度呢？也许住宿条件会更好分群。

需要注意的是，群体数量并不固定，可以是两个，也可以是四个，具体就看业务需求，主要是能囊括大部分用户。只是别太多，一来复杂，二来KMeans聚类在多特征的表现不算好。

通过用户分层和用户分群，想必大家已经了解了用户运营体系的基石。用户分层，是基于大方向的划分，你希望用户朝什么核心目标努力，而用户分群，则是将他们切分更细的粒度提高效果。两者是相辅相成的。

如果用户大到一定量级，分层和分群就未必是好的方法，因为用户群的属性粒度特征随着产品进一步扩大，不论怎么细分都难以满足用户的复杂性，常见于各类平台型产品。这时候需要引入用户画像（UserProfile）体系，此时的用户分层和分群，都只是画像的一部分了。