如何做适合自己产品的用户分层用户分群

　　相信每个做用户运营的人都会对用户分层及用户分群都有一定的理解，本文旨在探讨我理解的用户分群与分层，及实际应用中的变通。
　　谈起用户分层，我们会想起AARRR模型，谈起用户分群，则会想起RFM模型，下面我们详细看一下：
　　AARRR：新增、留存、活跃、付费、传播
　　RFM：最近一次消费、消费频率、消费金额
　　观察两个模型的指标，AARRR模型的指标有很明显的递进关系，而RFM则是相互独立关系，这个关系的区分，有助于我们区分用户分层及用户分群的概念。
　　我们再进一步看RFM模型，假设RFM每个指标均可以把用户分为两部分，那RFM模型可以将用户分为C21C21C212228种。
　　如图所示，RFM模型的目的在于：针对不同的用户群做对应的运营策略。如果我们随便挑出一个用户，这个用户属性为RFM（0，0，1），即重要价值用户，是一个最近消费、消费频次较低、消费金额较高的用户；而这个用户在AARRR模型中，付费行为发生前的状态是不定的。
　　所以有些时候，我们做用户分群，其实是想综合地将用户分层及用户分群同时做了，也就是找一个适合自己的维度（用户分群实质上就是多维度分析法）进行分析。
　　因为这种综合的分析更接近用户分群，那么下面我将统一称之为用户分群。
　　一、做用户分群需要用结构化思维，遵循MECE原则
　　结构化思维
　　指的是自上而下、从整体到局部的一种思考模式，这种思考模式具有很明确的层级关系，这与我们常用的线性思维有很大的区别。结构化思维会利用一些思维框架来辅助思考，将零碎的信息系统化，使思考更广阔更全面。
　　MECE分析法
　　全称MutuallyExclusiveCollectivelyExhaustive，中文意思是相互独立，完全穷尽。也就是对于一个重大的议题，能够做到不重叠、不遗漏的分类，而且能够借此有效把握问题的核心，并成为有效解决问题的方法。
　　（这两块内容均出自巴巴拉明托《金字塔原理》，有兴趣的可以详细阅读）
　　结构化思维和MECE分析法的目的相同，均在于分析时能做到不重叠、不遗漏，保证分析的正确性及完备性。在建立分析指标时，这两者尤为有用。
　　二、要想做好用户分层，必须建立起好的适合的指标
　　指标往往是衡量一个目标的单位或者方法，指标作为标尺让我们对目标的实际情况更清晰更明了。
　　对指标的定义，是尤为重要的。
　　比如说我们吃重庆小面，老板会问要微辣、中辣、重辣？作为福建人的你要了一个微辣，开吃之后辣得不断喝水，但老板觉得微辣已经是最不辣的了，这里面就会发现，老板对微辣的判定标准和你是不一样的。
　　还有一个例子，比如说你发了一篇文章，评论全是称赞之词，但文章阅读量很少、转化效果也不好，那你就不能用评论作为评论标准。因为在产生评论这一环上已经出现了一层漏斗，很多不喜欢的用户可能什么痕迹也不会留便离开了。
　　类似的例子还有很多，就不一一列举，总之，在制定指标时，需要选择能完整衡量目标的、精确的指标。
　　什么样的指标为好的指标呢？
　　在我看来，好的指标应该是能客观分析的核心驱动指标，应该是一个比率，好的指标不应有迷惑性的虚荣指标。
　　举例来说，活跃率就比活跃数更能说明问题，一场活动中，转化率也比浏览量更有说服力。
　　怎么样才能找到适合的指标呢？
　　继续用结构化思维，自上而下地去分析商业的业务流程，以水果售卖举例：
　　从流程角度，对每一个步骤都建立对应指标，通过进货渠道控制成本，通过商品售卖获悉销售及利润，商品售卖与进店浏览的比值即付费转化，通过对店铺及商品的优化，可以提高这个比值。
　　当然，用这种方法列举指标的同时，依旧需要注意，找到核心驱动指标，移除虚荣指标，也不要强加指标。
　　三、RFM以及RFM的变种
　　RFM在前文已经谈过，现主要说下如何根据实际情况进行变通。
　　假设需要对一款已经运营了比较久的K12教育类APP做用户分群，我们需要考虑以下几点：
　　1。套用RFM模型时，先对比与RFM模型样本属性的区别。
　　K12教育类的产品，以课程、知识等为主，售卖的是时长，时长会使用户部分复购行为转变为续费，而品类的多寡也会影响用户复购行为的发生。
　　2。需要明确分群的目的，以目的为主线，自上而下梳理分群维度。
　　对于教育类用户来说，站在新增促活角度，分群的目的就是让更多新用户加入，让更多用户处于活跃状态，但我这次分群的目的是则为了提高付费。那我的目的就两个：
　　其一是让已付费状态的用户付更多的费，其二是让未付费状态的用户变成已付费状态。而未付费状态的用户又包含了付费已过期、从未付费过这两类用户，我们对从未付费过的用户再细分下去，就会分为新用户、老用户两类。按照这个思路，层层推敲下去，就是我们最终要的用户分群维度。
　　3。除了主线维度外，有时我们还需要根据实际情况补充其他维度。
　　以K12教育类产品举例，部分产品是增加了学校、班级等属性，部分产品却没有，当然这与产品的定位关系较大，加入学校与班级在一定程度上会提高用户放弃成本（这块暂不展开），所以这些有助于做精细化运营的维度都可以补充进来。
　　综合以上三点，有以下分群维度：
　　接下来，就是对于各维度的定义，即对每一个维度进行定义，正常情况下，我们会考虑以下三点：
　　（1）根据维度原本处于的状态进行区分，如班级维度，由于用户的属性，分为有班级和无班级两种。
　　（2）根据公司数据统计的定义进行区分，如新老用户，假设原有数据统计中将七天内注册用户称之为新用户，在此同样沿用。
　　（3）根据散点图分布进行区分，如使用频率，我们可以根据每个用户在近N天内活跃天数的散点图分布，来定义维度属性。
　　根据以上三点标准，我们可得到下图：（具体定义就不给出了，自己可以尝试）
　　以上，我们已大致完成了对用户的分群工作。
　　四、基于分群后的运营方略才是重头戏
　　我们费了很大的精力去做用户分群，但分群后的运营方略更加重要，需要注意：
　　1。不要因为分群而强行制作有区分的活动或制定区别较大的运营方案。分群后将会面对多个用户群，但有时策划的运营活动可在多个用户群同步执行，这时，就不用刻意区分了。
　　2。要根据运营结果反馈完善分群。一开始做的分群可能会因为一些原因不够完善，通过运营结果可逐步完善。
　　3。善用AB测试评估运营策略的有效性。由于同一分群用户基本变量一致，更适合AB测试，验证运营策略。
　　另外，关于对应运营策略的制定和执行，先不在此赘述。