编辑编者按：使用者运营是两个比较乏味的过程，她们需要对使用者展开管理和活跃，以及最后的转化；并且如今的“精细化运营”也是运营人员的一种方式，能更好的活跃和转化；本文作者撷取了关于活跃使用者的分析，她们一起来了解一下。

“活跃使用者是不是精细化运营？使用者多层和使用者科栅究竟G540区别？标语喊了千万遍，精细化若想实现？”

新使用者体验到产品的核心价值前会耗费更多的时间和心力在产品上，渐渐正式成为产品的活跃使用者，活跃使用者是比较普遍认可产品的价值、愿意为产品埋单或科东俄的使用者，她们不仅会贡献自己的价值，对产品的品牌建设也非常关键，所以活跃使用者运营的重要性不言而喻。

活跃使用者的运营是个很大的话题，今天只是试著从许多某一的角度来深入探讨那个问题，虽然不能纸制把那个话题听完Kangra，但希望能Jaunpur，给大家许多路子和思索。

 

01 何谓精细化运营？

过去市场更关注怎样大规模、低成本信用卡业务，随着人口增量渐渐消失，信用卡业务成本愈来愈高，现在，愈来愈多的人关注怎样提升乙烯使用者价值，把钱花在刀柄上，让不同的使用者享受到不同的服务，让使用者感受到温度，让产品有肉体。

于是，“精细化运营”问世了，提到使用者运营，就逃不开“精细化”，它好像已经正式成为运营人的基本职业道德，跟别人交（chui）流（niu）的时候少了这些词语都不唉说你是搞运营的，但精细化运营究竟是什么？又该是不是破冰呢？

所谓精细化，第两个是精确，第三个是行业龙头，二者相得益彰，缺一不可，想想要做到精确就要展开行业龙头，胡须下巴Illiers永远留不住使用者，最理想的情况是三万人巧。但怎样对使用者展开行业龙头呢？这里介绍两种很常用的方法：使用者多层和使用者科栅。

 

02 使用者多层vs使用者科栅

使用者多层vs使用者科栅，貌似差不多，但在功能定位和目标上还是有明显差异的。使用者多层，是如前所述基本路子的分割，你希望使用者朝什么核心目标努力，而用户科栅，则是将她们分割为更细的发射率，易于前瞻性运营提高效果，二者相得益彰。

使用者多层中的层是层次层次，比如她们把使用者从注册登记已经开始使用产品正式成为她们的新使用者已经开始，到正式成为活跃使用者，再到频密活跃或是是付费的忠心使用者，再到后期由于其他同价位的出现或是本身产品功能不再满足需求时使用者已经开始迷惘到最终外流；这两个开发周期也是两个层次，就像总的来看，所以有了那个多层，她们就能比较明晰的知道当前使用者的组成结构，各开发周期使用者成长是否健康。

那这样是不是就足够了呢，她们知道很多领域都存在着一九原则，即20%的人贡献了80%的销售收入，所以对忠心使用者来说，这其中有部分是总和消费较高的军人群体，也有巨富的金主爸爸，对这样的情况她们就要对忠心使用者在展开细化，分成更精细的组。

再比如说，最近产品上新上了信用引导，想看看那个对新使用者留存是否有帮助，或是是开展了一场运营活动，看看核心指标有没有拉升，那个时候就需要对使用者展开进一步行业龙头，出现了科栅；科栅是对多层的进一步行业龙头，科栅后易于针对使用者展开精确地运营动作。

常用的使用者科栅的方法有她们熟悉的RFM、如前所述数据挖掘的Kmeans等等。前者是用最近一次消费时间，消费频次和消费金额来衡量使用者价值，将使用者展开科栅，分成高价值使用者，一般价值使用者，重要挽留使用者等等，但RFM模型的建立需要专家经验，也是说指标的选择以及各指标阈值的确定都必须有业务sense，而不是拍脑袋决定的。

Kmeans主要是通过数据挖掘的方式找出有相似特点的使用者，实现物以类聚人以群分，使用者展开过聚类后通过分析各组的特点也能前瞻性地展开运营。

 

03 使用者多层应用案例

下面她们通过两个案例将使用者多层的理论破冰，案例仅为易于说明问题而虚构。首先她们假设活跃使用者数的变化趋势如下图，乍一看每月的活跃使用者数在持续增长，貌似还不错。

但她们要警惕的是虚荣指标给她们的错觉，她们能把累计的使用者数放进来，也是截止到当前的累计使用者数，活跃使用者数除以累计使用者数得到使用者的活跃度，表征的是活跃使用者占整体的比例，这样一看发现好像比例在渐渐减小。

她们能继续行业龙头，能根据累计使用者数计算出新增使用者数，发现活跃使用者中很大比例是新增的使用者。

相似地，她们能把累计使用者分为新使用者和老使用者，把活跃使用者分为新活跃使用者和老活跃使用者，相似的，能得到新老使用者的活跃度，她们发现老使用者的活跃度更低了。

她们想要看老使用者中究竟是是不是了？她们把活跃使用者再展开行业龙头，分成活跃、不活跃使用者2大类，活跃使用者她们包括了新活跃使用者和老使用者活跃，然后老使用者活跃我们又分成了一般活跃使用者，忠心使用者和回流使用者，不活跃使用者主要包括迷惘使用者和外流使用者。

她们发现老使用者活跃主要是因为一般活跃和忠心使用者的活跃都很少，但新使用者很多，说明她们需要做好新使用者引导和留存，同时促使使用者向忠心使用者转化。

进而能通过对每个月使用者展开行业龙头，分析同一月份不同层次的使用者构成，从而判断使用者成长的健康状况。

但为了更加明晰，她们按照活跃、不活跃分别看使用者的构成，这样的话能更清楚地看到各层使用者的健康状态。

使用者是在产品的开发周期中不断成长的，她们除了会看某个时间点使用者的活跃组成情况，她们可能还要关注使用者的成长路径：每天有多少新增使用者变成了活跃使用者？有多少活跃使用者变得不活跃？有多少忠心使用者变得不活跃？又有多少外流使用者被她们召回等，这样有助于她们更直观地分析使用者的去向，更精确地功能定位问题，从而前瞻性地展开动作。

比如能通过桑基图的形式展示某产品1月份新增使用者在接下来的成长路径，发现在2月份有相当比例的使用者没有再活跃而变成迷惘使用者，需要及时通过运营手段触达这部分使用者，以防止其在3月份外流。

相似地，对某段时间的活跃使用者或是迷惘使用者，也能通过类似的方式展开监控，以便及时了解使用者的去向，及时展开干预，以防使用者外流。

 

04 使用者科栅应用案例

以上通过两个案例讲述了使用者多层的路子和方法，下面再通过两个案例介绍使用者科栅的应用。使用者科栅中有许多比较常用的方法；比如能通过经验型的RFM模型，从不同维度对使用者展开评价，进而分割成不同价值的使用者展开运营；或是通过大数据挖掘的聚类算法等，挖掘大量使用者的相似特征实现物以类聚人以群分的目的。

这些方法已经很成熟了，而且很多人已经耳熟能详了，就不在这里赘述了。今天给大家介绍另外一种比较重要的科栅方法—同期群分析，所谓同期群分析是针对多层使用者的进一步行业龙头，对处于相同开发周期的使用者展开科栅，看相似科栅的效果。

一般来说，同期群需要满足：处于相同开发周期，比如研究的都是新使用者，或是具有共同的行为使用者，这样群内她们能看时间上的变化趋势，不同群之间对比能看效果，一般用来衡量产品或是运营优化方案

前后的效果；比如2月份她们上了两个新功能，导致3月、4月的新使用者留存明显好于1/2月，通过对爹带钱1、2月的新使用者留存和迭代后3、4月新使用者留存的同期群对比发现优化方案效果显著。

她们通过两个案例来说明同期群分析的具体应用，假设她们拿到某个店铺的销售数据，通过数据发现，虽然每个月的销售额和客户数持续增长，但客户的ARPU却在持续下降，客户的购买力是在渐渐减弱么？

为了探究那个原因，她们先把客户展开多层，分为新老使用者，然后分别对新老使用者展开同期群分析。

她们首先对1-4月份的新使用者的ARPU展开同期群分析，即取每个月的新增使用者作为两个同期群，研究不同同期群在首月及以后的ARPU变化情况，发现随着时间的推移，1-4月份新增的使用者首月的ARPU在不断提高，说明新使用者的购买力是在不断增强的，那就很有可能是老使用者的购买力下降了。

相似地，她们对老使用者展开同期群分析，发现随着时间的推移，老使用者的ARPU在渐渐降低，是老使用者的购买力下降导致整体使用者的ARPU下降。

 

05 总结

本文试著从活跃使用者的运营出发，深入探讨怎样将活跃使用者的精细化运营破冰，以及实现精细化运营的2种重要的方法—用户多层和使用者科栅，并分别通过案例逐步展示了2种方法应用的详细步骤，希望通过理论结合案例的方式将人人吹捧却又鲜有实现的精细化运营破冰。

但不可否认的是，活跃使用者的运营绝不是说掌握了这些方法就能高枕无忧，使用者的认知和需求都在随着互联网的高速发展而不断变化。

她们不能指望通过许多固定的方法套路就能搞定使用者，一切方法套路都是为了尽可精确地了解使用者，为使用者持续提供有肉体的产品、高质量的服务才是让产品长久不衰最高端的方法套路。