数极客首页

运营进阶 | 利用 RFM 模型轻松实现用户分级运营

半个月前,我和技术总监又吵了一架。

为什么吵?运营和技术吵架很奇怪吗?吵架还不是因为提需求嘛。

我问他,你知道“RFM模型”吗?

技术总监大哥先是愣了一下,刚刚驼下去的背像触电一样反弹得僵直,咆哮道:“那TM不是商业分析才用的吗?你一个做内容运营的要那玩意干嘛?啊?你可别忘了,我们是内容社区产品!”

我心想,“呵呵,就喜欢你这一脸没见过世面的样子。”

t其实,这次我提的需求是这样的:

自用户下载后,按照1天、1-3天、3-7天、7-15天、15-30天及以上的时间间隔统计如下数据

1.统计不同时间间隔内进行注册的用户人数;

2.统计不同时间间隔内的用户平均打开次数;(按注册/未注册分别统计)

3.统计不同时间间隔内的用户平均访问时长;(按注册/未注册分别统计)

4.统计不同时间间隔内访问各内容版块的用户人数及次数;(按注册/未注册分别统计)

5.统计不同时间间隔内注册用户平均互动次数,包括阅读文章、点赞、评论、发帖、回帖、收藏等用户行为数据;

另外,还需对于间隔7天后未登陆的用户统计其最后一次访问的具体页面,主要包括首页、分类列表页、内容页、个人中心页、奖品列表页及其他页面,按页面分类统计人数。

你看,我只提了6个数据统计的需求(当然,实际上是10个),过分吗?过分吗?过分吗?

t技术总监说我很过分,问我统计这个干吗?说你知道新增、活跃、流失用户数据不就行了吗?提这些数我们需要时间,有些数据根本没统计还得重新埋统计代码。

可是,当我看着技术总监那一个月没洗的蓝绿格子衬衫,30岁出头就隐隐有些发亮的头顶,连续加班后的空洞眼神……我想也许是我错了,技术部门连续加班半个月赶新版本,想想我也是挺不应该的。

……

于是,面对可能即将暴走的直男BOSS,我恭恭敬敬的呈上这张表格,当然这个表格的数据是我斗争胜利后的结果,遵守公司保密协议,对真实数据进行更改,但是变化趋势是真实的。

 

运营进阶 | 利用 RFM 模型轻松实现用户分级运营

 

一开始我想做用户生命周期分析模型,所以才向技术部门提出了那些需求。RFM模型是客户关系管理分析中最常见的一种形式,通过对最近一次消费、消费频率、消费金额等数据的分析实现用户分级。

而我所运营的是一个内容社区产品,与商业客户分析无关,但是我借用RFM模型的分析思路,对用户进行逐步分级。上图是对整体用户的基础使用行为进行统计,可以得出如下两个结论:

1.未注册用户使用7天后,对产品的热情快速下降,流失风险增加;

2.注册用户使用7天后达到活跃度顶峰,之后一周内逐步降低,趋向平稳。

这两个结论得出用户整体生命周期的变化过程,由此可以对7日内未注册用户,15日内已注册用户发起有针对性的运营活动。

 

RFM 模型划分用户层级需要考虑最近一次消费、消费频率、消费金额3个维度,而与其对应的,我在划分用户层级时,考量的是打开次数、互动次数、使用时长3个维度,由此产生了下面这个表格。

 

运营进阶 | 利用 RFM 模型轻松实现用户分级运营

这张表格套用RFM客户分级表格对用户进行分级,其中“高”代表高于平均值,“低”代表低于平均值。这个表格主要针对注册用户,因为未注册用户的首要运营目标是引导注册。其次关于时间维度的考量会在第三步阐述,这里不做考量。

这个表格在制作完成后,能够帮助我们有针对性地完成运营目标。

当我们的运营指标以活跃度为主时,可以针对重点激励用户和重点促活用户发起活动,当运营指标以降低流失率为主时,可以为重点节流客户、一般激励用户、一般促活用户发起活动。

如果以拉新用户为主要运营目标,在选择老用户邀请新用户的活动形式时,可以向重点核心用户和重点激励用户发起活动。

在具体活动策划时,需要针对不同层级的用户特征进行补足,比如向重点促活用户发起活动,该类用户特征是打开次数低,那么该如何提高用户打开次数?比如增加推送频次、针对其互动内容增加提醒、加强其社交关系链等。

 

在第二步的图表中,是以打开次数、使用时长、互动次数3项数据指标的平均值作为评判标准,但是需要注意的是,想要使用户分级更加精准,就不能使用整体用户数据平均值。

有人可能会有一个疑问,在第一步中提到了用户生命周期,但是第二步中又以整体用户平均数据作为标准。这也是我们为什么要进行用户分级数据细化的原因。

分级细化可以有两种方式,一种为时间维度,第二种为用户数量维度。

按时间维度划分,即按照第一步中所列的1天、3天、7天、15天等时间段内,用户打开次数、使用时长、互动次数3个维度划分制作相应的用户分级模型。这样做的好处是能够针对不同阶段的用户进行细分,有针对性的设计运营策略。

第二种为数据维度,按照单一维度对数据指标进行细分,得到相应细分类下的用户人数,比如下面这张表格。

 

运营进阶 | 利用 RFM 模型轻松实现用户分级运营

这里,不得不插入一个吐槽,编数据真的太痛苦了,所以我就简单一点,能表现这个意思就可以了,数据非常非常不真实。

这个表格可以看出在用户生命周期的不同阶段内,用户不同打开次数的人数变化,那么如何来定义数据指标的高还是低呢?

这个是由自己来定义的,凭经验。我个人的定义方法是将整体数据从高到低排序,前20%为高,后80%为低,这也符合经济学中的二八定律,大名叫巴莱多定律(立马提升逼格)。

再插个题外话,我按照二八定律来定义指标并不是因为巴莱多定律,在传统的社区用户分级中,是按3%的核心用户,7%的活跃用户,20%的普通用户和70%的路人用户来划分的,所以我略微缩小普通用户范围,按照二八法则来定义。

按照数据维度划分用户等级后,能够出现打开次数、使用时长、互动次数3个数据维度的分析结果,那么如何套用到整体用户分级模型中呢?

这正是技术大哥咆哮的一个主要原因,因为在这里需要技术部门开发一个数据分析系统,通过对单一用户3项指标的判断,来完成用户分级。当然,如果是5万以内的用户量级,使用 Excel 中的函数也可以实现。

通过对用户分级数据的细化,能够更准确的进行用户分级,从而指导我们对相应人群发起活动。

 

我在讲完上面这些东西之后,技术总监缓缓地把自己堆在了椅子上,抬头问我,“这些数据我可以给你统计,但是用户阅读、点赞、发帖、回帖、收藏这些数据真的有必要单独统计吗?”

事实上,之所以提这些数据统计,(还有一些其他更加细化的数据统计内容,由于保密协议,就不透露了。)是为了更具体的分析用户行为,有针对性发起活动。

以用户互动为例,作为内容社区产品,用户互动主要包括阅读、评论、点赞、发帖、回帖等方面,在统计出相应数据后,针对弱项进行补足。

t在用户分级模型中,重点激励用户是运营的重点,其用户特征为互动次数低,那么通过对互动行为的数据统计,可以找出其低的原因。对于看文章多,发文章少的用户,可以通过活动诱导其增加发帖量;对于评论少的用户,可以发起评论有奖、跟帖刷楼的活动。

说完这个,技术总监浏览了一下我的需求列表,突然挺直了腰板问我:“还有特么的7日后未登陆用户最后一次访问什么页面,这你拿来干嘛?喂狗狗都以为你在惩罚他!”

呵,我只说了一句话:我要看看用户流失是不是因为遇到了 bug!

其实做这项统计主要为了分析用户的流失原因。比如用户访问首页后流失,可能是因为用户在首页找不到想看的内容,对产品失去信心。在个人中心页流失,可能是因为个人中心内没有足够的利益诱导来留住用户。

只是分析最后一个页面,并不能准确的分析出流失原因,有条件的话可以对用户最后一次使用的整体流程进行分析,之所以没提这个需求,是因为我怕技术总监会吊死在我的工位上。

总而言之,通过对具体用户行为的数据分析,是为了分析用户的弱项,从而利用运营手段进行补足。

 

很多运营同学都会有这样一个感觉,辛辛苦苦做完了运营数据分析,却发现没有什么指导作用。

这也是为什么我要提出这么多细化的数据分析需求的原因,如果我们单纯从拉新、活跃、留存、流失这几个数据来分析的话,很难找到用户行为背后的原因。

通过建立用户分级模型,在日后的实际运营工作中,可以有针对性的发起运营活动。这样做有什么好处?能够在有限的运营资源的情况下,更好达成运营目标。

举个例子,我们发起一项诱导发帖的活动,按照常规做法,是基于社区属性和用户的话题热衷度来进行设计,但是有用户分级模型后,我们可以针对重点激励用户、重点节流用户和一般激励用户这3个层级的用户推送活动,同时分析3个层级用户中发帖量低的用户特征,设置话题主题和激励奖励。

如果面向全站用户发起活动,我们会发现活跃用户永远是那么一小部分人,随着用户生命周期的变化,如果不能及时补充,就会造成整体社区活跃度下降。

t

给大家推荐我国新一代大数据用户行为分析与数据智能平台:数极客(https://www.shujike.com),是支持无埋点、前端埋点、后端埋点、API导入四种混合数据采集方式,整合分析用户行为数据和业务数据,可以自动监测网站、APP、小程序等多种渠道推广效果分析,是增长黑客们必备的互联网数据分析软件。数极客支持实时多维分析、漏斗分析、留存分析、路径分析等十大数据分析方法以及APP数据分析网站统计网站分析小程序数据统计用户画像等应用场景,业内首创了六种提升转化率的数据分析模型,是用户行为分析领域首款应用定量分析与定性分析方法的数据分析产品

发表评论

评论已关闭。

相关文章