用户分层，是根据大方向的区别，你期望用户朝什么中心方针尽力，而用户分群，则是将他们切分更细的粒度进步作用。两者是相得益彰的。

什么是用户运营？

它以最大化进步用户价值为意图，经过各类运营手法进步活泼度、留存率或许付费方针。在用户运营系统中，有一个经典的结构叫做AARRR，即新增、留存、活泼、传达、盈余（历史文章现已触及了）。

用户分层

可是，从用户活泼到盈余，不是两个简略的进程。假如用户翻开产品既算活泼，就必定能确保商业模式盈余？优异的用户运营系统，应该是动态的演进。

演进是一种金字塔层级的用户集体区别，上基层呈依靠联系。

首要，用户集体的状况会不断改变。以电商为例，他们会注册，下载，运用产品，会引荐，点评，购买以及付费，也会刊出、卸载、和丢失。从运营视点看，咱们会引导用户做咱们想要他做的事（这里是付费），这件事叫中心方针。

中心方针当然不是一蹴即至的，用户要阅历一系列的进程。

也不是一切的用户会依照咱们想象完结进程，各进程会出现漏斗状的转化。咱们把整个环节看作用户集体的演进。

上图便是一个典型的自下而上的演进，归纳了用户集体的抱负行为。

已然用户集体是不再是一个简略的全体，运营们也就无法一刀切的粗犷运营了，而是需求根据不同人群针对性运营。这既叫精细化战略，也叫做用户分层。

它对运营们的最大价值，便是经过分层运用不同战略。

新用户：我期望他们能下载产品，常用的战略是新用户福利；

下载用户：我期望他们能运用产品，此刻应该用新手引导，让他了解。

活泼用户：我期望加深他们运用产品的频率，那么运营人员要持续的运营，固化用户的运用习气，而且对产品内容感爱好；

爱好用户：我期望他们完结付费决议计划，购买产品，运营能够运用不同的促销和营销手法；

付费用户：这是我的方针用户，我也期望用户能一向保持这状况。

不同的用户层级，采纳的手法不同。运营相同会受资源的约束，当咱们只能投入有限资源的时分，往往会挑选中心集体，即上文的付费用户们。由于根据二八规则，只要中心集体能奉献最大的价值。

一个典型的比方是，在游戏公司，会有专门的人工客服乃至电话专线服务人民币玩家，声响香甜。一般玩家或许是万年不变的主动回复。

想必咱们现已了解分层，那么应该怎样区别？

其实分层并没有固定的办法，只能根据产品形状树立量体裁衣的系统。不过它有一个中心思想：根据方针区别，由于方针是一种可明晰衡量的规范，远优于运营人员的经历直觉。

上图是一个简化的游戏用户分层，每层方针都是可量化的。为了上基层用户明晰，集体间应尽量独立，即核算RMB玩家时，应该把土豪玩家扫除，核算一般玩家时，应该把成果中包括的上两层扫除，这样运营的针对性才强。

之后运营人员能够依此构建分层报表，经过数据趋势，拟定各种办法来进步数据。

接下来，咱们想一下知乎的用户分层是什么样的办法？它的中心是大V出产内容？仍是更多用户参加Live获得营收？挺难决断的，其实许多运营系统，用户分层是两层结构。

它以两个相得益彰的中心作方针，以此构成双金字塔分层。

在这种结构下，它的中心用户，既有内容出产方向的大V，又有消费方向的忠诚粉丝，它们代表的是两类运营战略：

内容出产方向：前期运用约请制获得各职业的优异人才，经过运营人员维系联系，而且鼓舞出产内容。产品的机制也会鼓励大V更好的发明和出产。

内容消费方向：则是找出一般用户的内容爱好，加以引导，培育他们的付费习气。添加Live、值乎、电子书的曝光，规划各类优惠券促进用户运用。

这类双金字塔结构，将内容出产者和内容顾客聚合在一起构成了整个渠道的良性循环：大V发明内容，招引一般人，一般人为内容付费，大V获得收益。

双金字塔结构的用户分层并不罕见。以咱们熟知的电子商务为例，即有买家，也有卖家。买家的运营办法现已耳熟能详，卖家呢？开店教程、卖家大学、店肆装饰、曝光位展现、店肆后台、各类辅佐产品…运营相同需求协助卖家生长，所以卖家也能够区别红一般卖家、高档卖家、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则是各类线下或许服务实体，仅仅这些卖家更多是出售地推和商场人员保护，但咱们相同能够运用分层的思想去运营。其他还有视频直播的网红和大众，微博的大V和草根，招聘APP的企业和职工等等。

不同产品的形状会有差异，同一产品的不同阶段，也能够用不同的用户分层。一款产品前期，用户分层的方针是更多的用户和KOL，后期，会更靠近商业方向，这就需求运营树立灵敏的分层了。

用户分层，一般四五层结构就能够了，过多的分层会变得杂乱，不适合运营战略的履行。

用户分群

用户运营系统是否只要用户分层？不完满是。

用户分层是上下结构，可是用户集体并不能以结构作为彻底归纳。简略想一下吧，咱们所以否付费划出了付费用户集体，可是这部分集体也有差异，有用户挥金如土，有用户高频购买，有用户从前购买可是现在不买了，这该怎样细分？

假如持续添加层数，条件会变得杂乱，也处理不了事务需求。

所以，咱们运用水平结构的用户分群。将同一个分层内的集体持续切分，满意更高的精细化需求。

怎样了解用户分群，咱们拿下面的事例阐明。

男女性别在以消费为中心的产品中会出现显着的差异，它便是两个相异的集体。分群的中心方针是进步运营作用，将运营战略的价值最大化，在电商产品中，区别男女很正常，可是在东西类的APP中，或许就没有必要性了。

这也是我一向着重的，分层和分群，都是以产品和运营方针为根据才干树立系统。

接下来是分群的实践使用。

RFM模型是客户办理中的经典办法，它用以衡量消费用户的价值和创利才能，是一个典型的分群。

它依托收费的三个中心方针：消费金额、消费频率和最近一次消费时刻，以此来构建消费模型。

消费金额Monetary：消费金额是营销的黄金方针，二八规则指出，企业80%的收入来自20%的用户，该方针直接反使用户的对企业赢利的奉献。

消费频率Frequency：消费频率是用户在限制的期间内购买的次数，最常购买的用户，忠诚度也越高。

最近一次消费时刻Recency：衡量用户的丢失，消费时刻越挨近当时的用户，越简略维系与其的联系。1年前消费的用户价值必定不如一个月才消费的用户。

经过这三项方针，咱们很简略构建出一个描绘用户消费水平的坐标系，以三个方针构成一个数据立方体：

坐标系上，三个坐标轴的两头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，咱们就能以此区别大约八个用户集体。

比方用户在消费金额、消费频率、最近一次消费时刻中都体现优异，那么他便是重要价值用户。

假如重要价值用户最近一次消费时刻距今比较长远，没有再消费了，他就变成重要款留用户。由于他从前很有价值，咱们不期望用户丢失，所以运营人员和商场人员能够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。咱们是乐意简略地视为一体去运营，仍是根据人群差异对待呢？

这便是RFM模型，从前在传统职业被频频使用，而在以消费为主的运营系统中能够移植过来为咱们所用，它既是CRM系统的中心，而是消费型用户分群的中心。

RFM模型的干流分群办法有两种。

一种是树立方针，以方针作为区别根据，和用户分层差不多。

方针的判别和树立，需求事务专家的经历：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，这些都是学识。而且需求不断修正和改善。

上图是一个简化的区别，实践使用会更杂乱，由于方针未必有代表性。大部分收费相关的数据，都会呈长尾散布，80%用户都会集在低频低金额的区间，20%的用户却又发明了大部分营收，这是区别的难点。

方针一般用描绘性计算的分位数，以中位数、第一四分位数、第三四分位数等区别。

别的一种是用算法，经过数据发掘树立用户分群，不需求人工区别。最常见的算法叫KMeans聚类算法，中心思想是「物以类聚，人以群分」。

咱们以网上某公司的数据进行Python建模，首要无量纲化(z-score)处理，而且清洗掉反常极值。

上图的三列数据是经过规范化后的用户消费数据。值越挨近0，阐明离平均水平越近。r值由所以最近一次消费时刻，所以值越小，阐明时刻越挨近，值越大，阐明消费越长远。

经过RFM三个方针（在机器学习中叫做特征），先树立可视化的散点图。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则，只能初步判别，大部分的数据呈会集趋势。

已然KMeans算法的中心思想是「物以类聚，人以群分」，它便是以间隔作为方针函数。简而言之，在间隔上越挨近的两个用户，其类似的或许性也越大，所以KMeans就把类似的集体找出来，叫做簇。簇与簇之间的间隔越大，用户集体间越独立，这叫群分；簇内的间隔越紧凑，阐明用户们越类似，这叫类聚。

经过图表说话：

红圈标出的这些用户，更有或许类似，归于同一个用户集体。由于他们在R和M这两个方针上，数据挨近，都处于消费金额较低，且近期有消费的人群。

至所以不是，让算法处理吧，详细的算法原理和进程就不演示了。咱们假设能区别出五类用户集体，然后看下这些人群是什么样的。

上图的不同色彩，便是算法核算出的用户集体。

赤色用户集体：代表的是高消费金额，由于数量稀疏，所以在最近一次消费时刻上没有显着区别，不过并不长远。这些都是产品的爸爸和金主。

绿色用户集体：代表的是有丢失倾向的用户，这些用户消费金额不太多，运营能够采纳恰当的拯救战略。

紫色用户集体：代表的是近期消费，消费金额较少的用户，运营需求发掘他们的价值，去开展和培育。

青色和蓝色好像不能显着区别。那咱们改一下散点图的维度呢？

改用方针R和F后，则是别的一种视角。青色用户集体比蓝色用户集体有过更多的消费次数，蓝色用户的消费频率比较差，更需求鼓励。紫色用户集体具有适当高的消费频率。

到此，用户集体现已显着区别，咱们是否能精确概述这些用户的特点了呢？尽管从数据散布上，长尾形状会必定程度影响可读性，但运营仍是能针对不同集体作出相应的运营手法。

经过散点图矩阵调查终究的成果 (图片或许明晰度欠安)：

以上便是RFM模型的内容。它能动态的供给用户的消费概括，给商场、出售、产品和运营人员供给精细化运营的根据。这也是数据发掘在用户运营的使用之一，咱们要了解。

怎样区别集体是一门学识，区别的集体少了，区别度不显着；区别的多了，则没有事务价值，二十几个集体你怎样去运营？集体数量，是要在数据和事务间获得平衡。

总而言之，分群的办法，一类是经过方针和特点人工的区别出用户集体。别的一类是经过数据发掘，给成果赋予事务含义。横竖终究的意图是进步运营作用和价值。

咱们能够用RFM模型，试着将思想更开阔一下，能不能玩出新花样？彻底能够测验。

金融：出资金额、出资频率、最近一次出资时刻；

直播：观看直播时长、最近一次观看时刻、打赏金额；

内容：谈论次数、谈论字数、谈论被点赞数；

网站：登录次数、登录时长、最近一次登录时刻；

游戏：等级、游戏时长、游戏充值金额。

这些是我简略罗列的参阅，未必精确，作为咱们参阅的参考之资。不同产品的分群战略也不相同，比方酒店产品，住宿不是一个固态的需求，是否需求参加时刻的维度呢？或许住宿条件会更好分群。

需求留意的是，集体数量并不固定，能够是两个，也能够是四个，详细就看事务需求，主要是能包括大部分用户。仅仅别太多，一来杂乱，二来KMeans聚类在多特征的体现不算好。

经过用户分层和用户分群，想必咱们现已了解了用户运营系统的柱石。用户分层，是根据大方向的区别，你期望用户朝什么中心方针尽力，而用户分群，则是将他们切分更细的粒度进步作用。两者是相得益彰的。

假如用户大到必定量级，分层和分群就未必是好的办法，由于用户群的特点粒度特征跟着产品进一步扩展，不论怎样细分都难以满意用户的杂乱性，常见于各类渠道型产品。这时分需求引进用户画像（UserProfile）系统，此刻的用户分层和分群，都仅仅画像的一部分了。