我說:RFM用戶價值模型不管用了
上期我們一起聊了《拆解用戶生命周期,發現它與正態分布曲線之美》,同時筆者也預告了今天我們要聊的內容——「用戶分層模型」,閑話小說,緊接著我們一起看看吧。
《笑傲江湖》里面,令狐沖說道:“我要退出江湖,從此不問江湖之事?!?/p>
任我行接著說了這么一句話:“你怎么退,這個世界有人的地方就有江湖。”
好一句“有人在的地方就是江湖”。
江湖有流派,更有三六九等,其實在一個產品運營生態中用戶也有三、六、九等,這話怎么說?
江湖流派的三六九等有其等級分法,產品中的用戶同樣是要有區別用戶等級的方法,或者說尺度。
有些讀者可能會說,用戶分層這不就是老生常談嗎?
可以簡單粗暴地利用用戶畫像加以區分,想做更精細的也可以用“AARRR模型/用戶生命周期/RFM用戶關鍵行為”方法區分,相信很多讀者都已經看過相關的解釋或者案例分析。
筆者認為面對不同類型的產品,要將用戶分層運營做得更精細,僅僅是采用用戶生命周期或者RFM用戶關鍵行為是不夠好的。
由于筆者之前是負責互聯網金融投資理財類產品運營,接下來筆者會以投資理財產品跟大家聊聊用戶分層的方法論。(一個思維模型,思維模型指人憑借外部活動逐步建立起來并不斷完善著的基本的概念框架、概念網絡。)
首先,大家要明確做用戶分層的目的和意義是啥?
一、運營效能最大化
或者你很早就聽說“分層運營”或者“精細化運營”這個詞語,可能也聽到不同的方法論,但“聽到”距離“做到”還有很長的一段距離。
那么我們為啥要研究用戶,為啥要將用戶分層?
其實,就像上面所說用戶也有5個生命周期,一個運營策略往往是不能夠滿足所有生命周期的用戶需求。
舉個簡單的例子:一般線上的商品其實都不止一個價格,聰明的人會領取店鋪的優惠卡、或者打折券才會死心塌地的決定買買買;而有些人根本不care優惠多少,照樣原價購買。
其實這里還用到經濟學中的“價格歧視”策略,目的是同一件商品滿足了不同支付能力的用戶,最終的結果是GMV的最大化。
同樣,以用戶精細化分層為基礎,將運營手段專業化、模塊化,甚至半自動化執行,而從本質上提升運營工作效率,最終提升產品整體創收。(這里是重點,大家可以思考下如何通過將用戶分層的模型系統化最終產品化,最后做成模塊化、甚至半自動化?)
二、分層研究方法論
在用戶分層運營模型中,RFM模型早已被廣泛深入運用在互聯網公司里,它主要運用三個維度來區分用戶,分別是:
- R(Recency):離某個時間點最近的一次消費,為「近度」維度;
- F(Frequency):一段時間內的消費頻次,為「頻度」維度;
- M(Monetary):對應這段時間內的消費金額,為「額度」維度。
但這并不一定適合每一個產品,也不能最大限度地提升運營效率以及產品創收。
接下來,筆者以互聯網理財產品為例,結合用戶成長周期、用戶年齡段、RF值三個維度的不同階段的貢獻值進行賦值(從1至5分取值),從而進行建模。
- 不變量:用戶年齡段 (綜合運營效率、建模復雜程度等因素,選取年齡段為不變量);
- 變量1:用戶成長周期(用戶成長周期的不同,對運營戰術的考驗關聯較大);
- 變量2:RF值(基于RFM模型,M值即投資金額,綜合用戶投資數據發現,M值跟用戶的年齡段基本呈正比例關系,故其衡量的維度放在了年齡段)。
下面給大家分享賦值過程。
不變量:用戶年齡段
變量1:用戶成長周期
變量2:RF模型
兩變量合并
得出結果
如果根據年齡為不變量,那么可以得出一下5組20個用戶層級。
這樣便可以區分每個年齡段的“流失、被動、疲軟、進步、高價值”5種不同類型的用戶,理論上能夠助力運營者實現更精準地施展運營戰術。
那么,如果根據年齡段、用戶生命周期、RF值都作變量,那可能會得出什么樣的結果?
變量1:用戶年齡段
變量2:成長周期+RF值
得出結果
根據年齡段、成長周期、RF值三個作為變量,得出以下5組44個用戶層級。
三、分層用戶的類型
綜上所述,我們根據年齡段、用戶生命周期、RF值這三個維度進行賦值,然后變換變量得出的A、B兩種用戶分層模型。
模型A
模型B
到這兒,我們得出了貢獻程度高低的“流失、被動、疲軟、進步、活躍”5種類型的用戶,理論上能助力運營者更加直觀地更精準對不同類型的用戶制定不同運營戰術。
四、小結
筆者認為,一個好的用戶分層運營機制應該是自定義的,既可以根據用戶的單一特性進行運營,又可以多維度的自定義選擇多個變量進行運營。
好啦,關于用戶群的一種分層方法論就嘮嗑到這兒。
這是基于運營的角度結合用戶與產品之間的關系得出的用戶分層研究理論,這種基于行為數據的用戶分層模型,后臺的數據怎么跑,怎么根據用戶類型貼上用戶標簽,甚至說怎么根據用戶標簽去將運營戰術模塊化,半自動化等等就先不在這里討論?;蛟S還有很多不嚴謹的地方,權當給大家提供一種思路也好。
以用戶畫像為基礎,從人群細分、用戶觸達再到運營決策以及后面效果分析的鏈路閉環中,運營圈內通過數據驅動運營及決策支持已成為共識。
而在數據驅動運營方面,用戶分層只是數據驅動運營的一個縮影,一個基點。
筆者相信,在逐步成熟的大數據環境下,數據驅動運營將會全景展示用戶的發展軌跡與階段特征,能夠獲得更快速和精準的結果,能夠有效地幫助企業最大限度挖掘用戶價值,驅動業務增長,實現企業的精益成長。
下期預告
下期我們主要聊聊用戶精益運營,先上圖捋一捋先,欲知后事如何,請看下回分解。
作者:圣杰,一個樂觀而幽默的理想主義者。交流微信:heezha。
本文由 @圣杰 原創發布于人人都是產品經理。未經許可,禁止轉載
題圖由正版圖庫 圖蟲創意 授權
請教一下,兩變量合并 ,成長/RF模型的值咋算出來的,沒看懂,新手1點分都有有嗎?
賦值
最近也在做用戶分層,用RFM 模型先在進行數據劃分,但由于產品形態的問題,FM 指標和消費無關,是產品的使用頻率和使用深度,但是又因為用戶數據很特殊,總是感覺不貼合。
目前在做用戶的分層,發現由于產品業務形態的原因,RFM模型與用戶生命周期模型基本重合在一起了,RF的數值劃分直接可以用來定義生命周期的各個節點。
什么產品呢?直覺告訴我能將RFM模型還有生命周期模型重合的產品很少。又或者是你們對用戶運營的指標有些差異。這篇文章的目的就不再闡述,也只是一個大概的思路,我最近還在以這個思路不斷完善,不斷修正。有興趣可以關注我:運營進化史,一起探討。
我們的產品是比較單純的交易型業務,最核心的指標只有一個:付費?;赗F兩值直接衍生出用戶的生命周期模型,當然重合的原因跟業務簡單,產品建設較為簡陋有關系,一些非核心的指標跟數據目前也無從獲取。只能先做起來,再慢慢改善進步了。
嗯,我理解你的說法。我這兩年運營的產品是金融理財相關,包括基金投資。在運營方面,有類似政策、監管等等很多原因的阻礙,導致很多金融產品很難推動各項運營指標。但這正是產品彎道超車的機會,需要強運營推動。我認為在互聯網商業中,運營并不是簡單地以交易/付費為目標,運營更多時間承擔的是過程,鋪墊,所以才有那么多垂直細分的運營崗位,以及運營指標把。
最后呢 分層出來了 可以做什么 舉一個場景化的例子啊 案例
授人以魚不如授人以漁 ??
這是提示:以用戶精細化分層為基礎,將運營手段專業化、模塊化,甚至半自動化執行,而從本質上提升運營工作效率,最終提升產品整體創收。
大神加微信請請教請教
哈嘍~可以jia我一起探討。作為一個運營人,相信你能找到我的。
求請教
哈嘍~可以跟我,一起探討。作為一個互聯網人,相信你能找到我的。
你怕是看錯了我找誰
一起交流,怕啥,干就完了哈。
哈嘍~可以跟我,一起探討。作為一個運營人,相信你能找到我的。