用戶分群里最常見的是基于RFM模型的用戶分群研究，本文主要跟大家分享用戶分群的詳細方法論。一起來看看~

用戶分群是用戶體系搭建的基礎(chǔ)，而常見的用戶分群方式是：基于用戶生命周期分群，即界定新用戶、成長用戶、成熟用戶和流失用戶，再在這個基礎(chǔ)上根據(jù)用戶的不同行為標簽做精細化拆分。

用戶分群里最常見的是基于RFM模型的用戶分群研究，通過以下介紹，即可掌握用戶分群的詳細方法論。

一、用戶分群“三步走”方法論

首先，跟大家介紹下用戶分群“三步走”方法論

（1）RFM模型應(yīng)用，根據(jù)用戶歷史行為（訪問頻次、間隔、時長、最近1次訪問距今），對用戶生命周期進行劃分，將用戶劃分為新用戶、成長用戶、成熟用戶、衰退用戶和流失用戶；

目的：初步確認用戶分級與用戶分群運營思路。

（2）以今日頭條極速版為例，跟據(jù)用戶訪問的頁面、消費、金幣賺取、提現(xiàn)、分享和其他行為，對用戶類型進行劃分； 對不同類型的用戶群進行有針對性的運營。

目的：為后續(xù)用戶權(quán)益設(shè)計留作參考。

（3）輸出用戶行為占比分布表（如下展示，以今日頭條極速版為例）

目的：聚類用戶，做更精細化拆分，重點提升留存或其他運營指標（視實際情況而定）。

二、基于RFM模型確認用戶生命周期分布的取數(shù)邏輯

其次，詳細介紹下基于RFM模型確認用戶生命周期分布的取數(shù)邏輯，大多數(shù)公司對運營的數(shù)據(jù)分析能力要求比較高，建議可以去學(xué)習(xí)下RFM模型的基礎(chǔ)原理。

其中最重要一步，拉取當前用戶數(shù)據(jù)，根據(jù)數(shù)據(jù)劃分用戶生命周期，大體需求是形成如下這張表：

協(xié)同BI側(cè)，我們需要做以下準備：

1. 確認取數(shù)維度：用戶userid，取2017&2018同一時間段用戶，如2017.1.1~7.1的用戶&2018.1.1~7.1的用戶（共兩段用戶，同比驗證分層數(shù)據(jù)的準確性），用戶訪問行為進行分析，得出用戶生命周期閾值后，套用在另一段用戶中進行驗證。
2. 跑取以下幾個數(shù)據(jù)指標：90天內(nèi)單個用戶的pv總數(shù)、訪問了X天、訪問頁面數(shù)（按天去重累加）、停留時長（90天內(nèi)所有的停留時長）、訪問天數(shù)（平均間隔、最近1次瀏覽距今X天）、訪問天次（90內(nèi)該用戶來了幾次）。
3. 分別匹配：所有頁面（去除階段性活動頁面）、所有常規(guī)詳情頁。

三、戶生命周期劃分邏輯

以上說了太多的方法論和需求，這里面最重要也是最核心的一件事是確定用戶生命周期劃分邏輯，大致畫了一張思維導(dǎo)圖：

以下是詳細的數(shù)據(jù)分析邏輯介紹，可能需要一些時間領(lǐng)悟，建議日常工作中多多與BI溝通，本人在日常團隊管理中，需要運營同學(xué)具備數(shù)據(jù)分析、處理的基本能力，也會注重培養(yǎng)團隊對于數(shù)據(jù)業(yè)務(wù)領(lǐng)悟能力。

（1）根據(jù)2017年用戶訪問頁面的天數(shù)，劃分為：訪問天數(shù)=1的用戶（用戶群A），訪問天數(shù)>1的用戶（用戶群B）

（2）根據(jù)用戶群B全體用戶的平均訪問間隔天數(shù)，得出用戶的“訪問周期”。

訪問間隔公式：（最晚1次訪問-最早1次訪問）/（訪問次數(shù)-1）；訪問平均間隔公式：訪問間隔總和?/?用戶數(shù)=用戶訪問周期

由此得出用戶訪問周期值，假設(shè)：周期為20。

（3）根據(jù)用戶最后一次訪問時間的分布情況，劃定“活躍用戶”

• 用戶群B中，80%（二八原則）的用戶的平均訪問間隔在30天以內(nèi)。均正好為1.5個訪問周期，即80%的用戶的活躍周期是1.5個訪問周期。由此得出：將1.5個訪問周期作為閾值劃分的界限，最后訪問時間在1.5個周期內(nèi)的用戶，統(tǒng)稱為“活躍用戶”。
• 用戶群B中，當訪問間隔達到60天時，曲線斜率趨于0，此時用戶量達到95%。由此得出：將3個訪問周期作為閾值劃分的界限，最后訪問時間在3個周期內(nèi)的用戶，統(tǒng)稱為“流失用戶”。
• 介于“活躍用戶”和“流失用戶”之間的用戶，即最后一次訪問時間在1.5-3個訪問周期內(nèi)的用戶，為“沉睡用戶”。

（4）在活躍用戶中，再根據(jù)留存率高低，將用戶劃分為成長用戶和成熟用戶

以17年12月31日為限，求出當時的活躍用戶下一個活躍周期內(nèi)的留存率。又因，活躍用戶中，活躍周期內(nèi)留存率高于80%（二八原則）的用戶，全年訪問天數(shù)大于25天。因此，將最后訪問時間在1.5個活躍周期內(nèi)，且訪問天數(shù)大于25天的用戶定為成熟用戶。

在1.5個訪問周期內(nèi)，僅訪問過1次的用戶，定為成長I型用戶（新用戶）。在1.5個訪問周期內(nèi)，且訪問天數(shù)在2-25天，定為成長II型用戶。

（5）最后一步，驗證用戶分群的合理性（以上“三步走”提及）

在這個劃分邏輯下，得出18年1.1~18.7.1不同生命周期的用戶占比數(shù)：同比17年1.1~17.7.1用戶占比是否一致，一致說明分群基本得以驗證，用戶分群數(shù)據(jù)置信度高（輸出以下表格用作驗證）。

可得大致結(jié)論：

1. 2017占比VS2018占比，驗證占比的吻合度。
2. 經(jīng)驗證，用戶占比基本吻合，、如若趨于穩(wěn)定，該劃分方式則成立。
3. 得出18年用戶不同層級占比，結(jié)合用戶占比，拉出重點用戶，進行用戶行為研究~

四、下一階段的運營重點

通過全體用戶訪問天數(shù)分布情況，判斷下一階段的運營重點。

需要注意的是：選取訪問天數(shù)少&占比較高的典型用戶，以新用戶、成長用戶、流失用戶為主，調(diào)研其活躍天數(shù)少的原因，找到運營改進方案。（如果日活是千萬級用戶，基本上超過5％就要拿出來研究了）

根據(jù)用戶流失情況占比進行運營策略制定，需進一步挖掘的問題：

• 用戶瀏覽過多少頁面可以形成高留存（可將高留存的前10%用戶進行針對性分析）？
• 用戶產(chǎn)生哪些行為可以形成高留存？
• 用戶留存占比與訪問天數(shù)的關(guān)系？

如果項目時間允許的話，建議選取典型用戶，進行電話訪談?wù){(diào)研，按照 認知——訪問——動機 的用戶行為路徑，暫擬以下幾個核心問題：

1. 不同階段的用戶，對于**APP的認知？
2. 為什么來？來的動機和訴求？用戶是主動來到（通過分享、應(yīng)用市場下載）還是被利益誘導(dǎo)？
3. 為什么又不來了？是需求已得到滿足or需求得不到滿足？
4. 除進行**行為外（核心行為之一），平時是否參加別的活動？（除核心行為之外你想探究的點）
5. 成長和成熟用戶的頻次、習(xí)慣（是否會受活動、福利影響，是否受內(nèi)容影響、場景影響）？

選取用研人群輸出用戶調(diào)研表（以今日頭條極速版為例）：

最后進行調(diào)研結(jié)論輸出，形成可視化的調(diào)研結(jié)論：

1. 輸出不同層級用戶的調(diào)研結(jié)論；
2. 梳理當前已有的用戶運營策略，匹配到不同的用戶生命周期；
3. 根據(jù)用戶調(diào)研結(jié)果，結(jié)合用戶生命周期，調(diào)整用戶分群維度，優(yōu)化運營模型；
4. 確認優(yōu)先運營的用戶群（提升留存or流失召回），并針對不同類型用戶制定運營策略。

做完了最基礎(chǔ)的用戶分群，下一步即可根據(jù)不同生命周期的用戶行為做進一步分層拆解，如若想搭建大等級體系，則需要對每一個生命周期的用戶做進一步分層。而對于各個生命周期的用戶研究結(jié)論，則能更好地輔助我們制定用戶分層運營策略，進而進一步驗證策略的可行性。

以上，即用戶體系搭建第一步，用戶分群方式，下一篇《用戶體系搭建之用戶精神激勵體系》