起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識如何做適合自己產品的用戶分層/用戶分群？
相信每個做用戶運營的人都會對用戶分層及用戶分群都有一定的理解，本文旨在探討我理解的用戶分群與分層，及實際應用中的變通。
談起用戶分層，我們會想起AARRR模型，談起用戶分群，則會想起RFM模型，下面我們詳細看一下：
- AARRR:新增、留存、活躍、付費、傳播
- RFM：最近一次消費、消費頻率、消費金額
觀察兩個模型的指標，AARRR模型的指標有很明顯的遞進關系，而RFM則是相互獨立關系，這個關系的區分，有助于我們區分用戶分層及用戶分群的概念。
我們再進一步看RFM模型，假設R/F/M每個指標均可以把用戶分為兩部分，那RFM模型可以將用戶分為C21C21C21=2*2*2=8種。
如圖所示，RFM模型的目的在于：針對不同的用戶群做對應的運營策略。如果我們隨便挑出一個用戶，這個用戶屬性為RFM（0,0,1），即重要價值用戶，是一個最近消費、消費頻次較低、消費金額較高的用戶；而這個用戶在AARRR模型中，付費行為發生前的狀態是不定的。
所以有些時候，我們做用戶分群，其實是想綜合地將用戶分層及用戶分群同時做了，也就是找一個適合自己的維度（用戶分群實質上就是多維度分析法）進行分析。
因為這種綜合的分析更接近用戶分群，那么下面我將統一稱之為用戶分群。
一、做用戶分群需要用結構化思維，遵循MECE原則
結構化思維
指的是自上而下、從整體到局部的一種思考模式，這種思考模式具有很明確的層級關系，這與我們常用的線性思維有很大的區別。結構化思維會利用一些思維框架來輔助思考，將零碎的信息系統化，使思考更廣闊更全面。
MECE分析法
全稱?Mutually Exclusive Collectively Exhaustive，中文意思是“相互獨立，完全窮盡”。 也就是對于一個重大的議題，能夠做到不重疊、不遺漏的分類，而且能夠借此有效把握問題的核心，并成為有效解決問題的方法。
（這兩塊內容均出自 巴巴拉·明托《金字塔原理》，有興趣的可以詳細閱讀）
結構化思維和MECE分析法的目的相同，均在于分析時能做到不重疊、不遺漏，保證分析的正確性及完備性。在建立分析指標時，這兩者尤為有用。
二、要想做好用戶分層，必須建立起好的適合的指標
指標往往是衡量一個目標的單位或者方法，指標作為標尺讓我們對目標的實際情況更清晰更明了。
對指標的定義，是尤為重要的。
比如說我們吃重慶小面，老板會問要微辣、中辣、重辣？作為福建人的你要了一個微辣，開吃之后辣得不斷喝水，但老板覺得微辣已經是最不辣的了，這里面就會發現，老板對微辣的判定標準和你是不一樣的。
還有一個例子，比如說你發了一篇文章，評論全是稱贊之詞，但文章閱讀量很少、轉化效果也不好，那你就不能用評論作為評論標準。因為在產生評論這一環上已經出現了一層漏斗，很多不喜歡的用戶可能什么痕跡也不會留便離開了。
類似的例子還有很多，就不一一列舉，總之，在制定指標時，需要選擇能完整衡量目標的、精確的指標。
什么樣的指標為好的指標呢？
在我看來，好的指標應該是能客觀分析的核心驅動指標，應該是一個比率，好的指標不應有迷惑性的虛榮指標。
舉例來說，活躍率就比活躍數更能說明問題，一場活動中，轉化率也比瀏覽量更有說服力。
怎么樣才能找到適合的指標呢？
繼續用結構化思維，自上而下地去分析商業的業務流程，以水果售賣舉例：
從流程角度，對每一個步驟都建立對應指標，通過進貨渠道控制成本，通過商品售賣獲悉銷售及利潤，商品售賣與進店瀏覽的比值即付費轉化，通過對店鋪及商品的優化，可以提高這個比值。
當然，用這種方法列舉指標的同時，依舊需要注意，找到核心驅動指標，移除虛榮指標，也不要強加指標。
三、RFM以及RFM的變種
RFM在前文已經談過，現主要說下如何根據實際情況進行變通。
假設需要對一款已經運營了比較久的K12教育類APP做用戶分群，我們需要考慮以下幾點：
1. 套用RFM模型時，先對比與RFM模型樣本屬性的區別。
K12教育類的產品，以課程、知識等為主，售賣的是時長，時長會使用戶部分復購行為轉變為續費，而品類的多寡也會影響用戶復購行為的發生。
2. 需要明確分群的目的，以目的為主線，自上而下梳理分群維度。
對于教育類用戶來說，站在新增促活角度，分群的目的就是讓更多新用戶加入，讓更多用戶處于活躍狀態，但我這次分群的目的是則為了提高付費。那我的目的就兩個：
其一是讓已付費狀態的用戶付更多的費，其二是讓未付費狀態的用戶變成已付費狀態。而未付費狀態的用戶又包含了付費已過期、從未付費過這兩類用戶，我們對從未付費過的用戶再細分下去，就會分為新用戶、老用戶兩類。按照這個思路，層層推敲下去，就是我們最終要的用戶分群維度。
3. 除了主線維度外，有時我們還需要根據實際情況補充其他維度。
以K12教育類產品舉例，部分產品是增加了學校、班級等屬性，部分產品卻沒有，當然這與產品的定位關系較大，加入學校與班級在一定程度上會提高用戶放棄成本（這塊暫不展開），所以這些有助于做精細化運營的維度都可以補充進來。
綜合以上三點，有以下分群維度：
接下來，就是對于各維度的定義，即對每一個維度進行定義，正常情況下，我們會考慮以下三點:
（1）根據維度原本處于的狀態進行區分，如班級維度，由于用戶的屬性，分為有班級和無班級兩種。
（2）根據公司數據統計的定義進行區分，如新老用戶，假設原有數據統計中將七天內注冊用戶稱之為新用戶，在此同樣沿用。
（3）根據散點圖分布進行區分，如使用頻率，我們可以根據每個用戶在近N天內活躍天數的散點圖分布，來定義維度屬性。
根據以上三點標準，我們可得到下圖：（具體定義就不給出了，自己可以嘗試）
以上，我們已大致完成了對用戶的分群工作。
四、基于分群后的運營方略才是重頭戲
我們費了很大的精力去做用戶分群，但分群后的運營方略更加重要，需要注意：
1. 不要因為分群而強行制作有區分的活動或制定區別較大的運營方案。分群后將會面對多個用戶群，但有時策劃的運營活動可在多個用戶群同步執行，這時，就不用刻意區分了。
2. 要根據運營結果反饋完善分群。一開始做的分群可能會因為一些原因不夠完善，通過運營結果可逐步完善。
3. 善用A/B測試評估運營策略的有效性。由于同一分群用戶基本變量一致，更適合A/B測試，驗證運營策略。
另外，關于對應運營策略的制定和執行，先不在此贅述。
本文由@無花 原創發布于人人都是產品經理，未經作者許可，禁止轉載。
題圖來自Unsplash，基于CC0協議
用戶分群是為了更清楚目前用戶的站位，這當中更重要的是分群后把共性找出來，并定義成為北極星指標，有那種牢一發而動全身的效果的，以便于精細化運營策略的生成，驅動用戶規模和用戶價值的增長。
我有個疑問：您針對很多維度進行分類，得到了很多值，分群其實就是各個維度的值進行組合，那么維度越多，組合也就越多，但是太多反而會很亂也模糊重點，這個問題在制定分群時可以怎么規避和處理呢？
使用頻次是不是目的一的一些指標了呢？沒看懂怎么分的 ??
最后的用戶分群很棒，我延伸一下想法，這種指標越多意味著運營越細致，但是其中會存在很多低效的運營，建議后期對這些分群的用戶進行評價，看看哪個分群的用戶群回報值最大，進行重點運營。
是的，是這樣的。
學習了，贊