你知道“RFM模型”吗?
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。”
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?
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。
第一步,用户整体生命周期分析
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。
第二步,实施用户层级划分
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。
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。
第三步,细化用户分级数据
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。
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。
第四步,分析用户行为,发起运营活动
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。
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。
最后总结:用户分级是为了指导运营方法
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。
本文作者张小坏,来自“鸟哥笔记知识网红孵化群”。