为什么几乎所有的互联网产品，当用户量比较大的时候，都会进行用户分层？
主要是因为，用户量大的时候，千人千面的个性化需求和普适的运营策略的矛盾就会成为当前产品的主要矛盾。用户特征的差异导致了用户个性化诉求，也催生了精细化运营的需求。
一谈到用户分层，大家的脑海中可能会浮现出这些词汇：核心用户，种子用户，氪金用户，白嫖用户，活跃用户，流失用户，内容创作用户及内容消费用户。
例如，抖音的用户，就可以粗略划分为内容创作者和内容消费者，当然这两者还可以继续细分。
产品最核心的利益诉求是盈利，这个利不管是金钱还是流量，都需要进行用户分层，对不同层级的用户采用不同的运营策略，进行精细化运营，才能达到运营资源的最大化利用和产品效益的最大化。
用户分层的本质是一种以用户特征、用户行为等为中心对用户进行细分的精细化运营的手段。
下面来分别介绍下4种常见的用户分层的方法。
一、用户价值区隔分层
用户价值区隔分层，又分为两个维度：第一，依靠用户生命周期定义对用户进行价值区隔；第二，依靠用户关键行为对用户进行价值区隔。
用户生命周期定义必然与用户价值成长路径有关。不同类型的产品有不同的价值成长路径。按照产品是否付费及产品的使用频率，可以将不同产品的价值成长路径划分为四个象限：
用户生命周期模型大家应该都不陌生，一般用户的生命周期会分为5个阶段，当然不是说每个用户都会经历完整的生命周期，这只是一个一般模型。
（1）导入期：用户注册后，刚刚上手，对产品还不熟悉，对产品能带来什么价值也还不熟悉。在数据上的定义是，刚刚注册，尚未体验核心功能流程（核心功能流程需要事先定义并埋点做统计）
（2）成长期：对产品有了一定的了解，对产品提供的用户价值比较认可，已经建立起了初步的使用习惯，会定期使用产品。在数据上的定义是，已经体验过核心功能流程，使用频率和使用时长大于或等于定义的最小阈值，例如，每周登录三次，每次使用时长10分钟。
（3）成熟期：对产品已经形成了高度的使用依赖和习惯，使用频率和使用时长显著高，能够贡献较高的价值。数据上的定位为，使用频率，使用时长大于或等于某个阈值（根据产品来定），或者付费频率和价值达到一定阈值
（4）休眠期：曾经是成熟期用户，但是现在已经不再访问或使用产品，或者访问频次越来越低。数据上的定义为，超过10天（具体情况具体分析）未使用产品。
（5）流失期：已经长时间不登录产品，甚至已经卸载产品的用户。数据上的定义为，超过30天（自定义）未使用产品的用户。
另一种，用户价值区隔分层的方法是根据用户的关键行为来进行划分。最典型且常用的方法是RFM方法。RFM分别代表用户三种关键行为：
R（Recency），距离最近一次交易
F（Frequency），交易频次
M（Monetary），交易金额
通过RFM方法可以将用户分成8大类型
（图片不太高清，凑合着看哈）
我们需要对每个用户分析他的RFM值，然后确定用户的类型。使用RFM方法进行分层主要分为以下步骤：
抓取数据，只需要定好RFM三个维度的抓取原则，然后麻烦开发小哥或者数据分析师小姐姐就可以了。
定义RFM三个维度的中值，一般有三个常见的方法：
所有数据的平均值或中值
基于一个业务节点的重要值，例如投资理财类的R值，一般是1个月，因为发工资才有钱投资
以二八法则进行推算，80%的用户集中在低频低金额区间，20%的用户集中在高频高金额区间
Means聚类算法，这个如果数据分析师小姐姐懂得话，就最好了
后面如何进行数据分析的方法，在这里就不细说了，在网上有很多教大家使用RFM的文章。
RFM方法的核心逻辑是找出影响用户价值高低的关键行为，然后进行交叉分析和用户划分。所以RFM模型并不一定就是上述的含义，在不同领域可以是不同的定义。例如：
金融领域，R代表最近一次投资的时间，F代表投资频率，M代表投资金额；
直播领域，R代表最近一次观看直播的时间，F代表观看频次，M代表观看总时长；
游戏领域，R代表最近一次玩游戏的时间，F代表游戏频次，M代表游戏时长。还可以定义为，R代表最近一次游戏充值的时间，F代表充值频率，M代表充值金额。
RFM只是代表一种分层的思维方式，任何产品，我们都可以定义影响用户的关键行为，然后定义出这些行为的指标，再对这些指标进行交叉分析，来完成对用户的分层。
二、AARRR模型分层
听说过增长黑客的同学，对这个模型肯定不陌生。AARRR模型不仅可以用来做增长，也可以用来做用户分层。
获取用户：下载未注册，或完成注册但无进一步行为。这一阶段要关注不同渠道的注册转化率，优化渠道资源投放。
提高活跃度：已注册，但是未完成产品的核心流程体验。这一阶段需要加强引导用户完成核心流程。
提高留存率：体验了核心流程，但是持续留存时长不高。针对留存问题进行分析，然后给出具体的运营策略。
病毒式传播：活跃频次超过一定阈值的用户。通过工具优化，刺激用户进行传播
获取收入：活跃度和留存时长超过一定阈值的用户，针对特定用户，结合特定的场景加强对于付费的引导
AARRR是一个比较粗略的用户分层模型，适用于产品比较初级的阶段，这个阶段用户量说大不大，说小不小，且公司的数据体系可能尚未搭建起来的阶段。
三、用户身份区隔分层
一说到用户身份，大家第一时间联想到的词，是不是KOL。在内容社区，用户的身份一般都会至少分为KOL和普通用户两种，对于这两种用户，运营的策略肯定不同。
只有当产品所在的领域中，用户的行为特征和诉求差异较大时，使用身份区隔的方式进行分层就会比较合适。例如，微博，至少就能分为：明星用户，KOL用户，活跃用户和普通用户。
如何梳理产品的用户身份区隔模型？问自己三个问题：
用户之间是否存在关系？
某类用户是否会因贡献的内容，稀缺性而产生用户阶层
用户之间是否可以在自然状态下实现阶层的进阶。
如果用户之间不存在关系，那么不适用身份区隔分层模型。
如果存在关系，并且会因为贡献内容或稀缺性产生用户阶层，那么就根据贡献度或稀缺性搭建用户分层模型。
如果不同阶层的用户可以自然进阶，那么就根据进阶的阶层搭建用户分层模型。
四、用户需求区隔分层
用户需求区隔分层，主要分为两个维度：
用户自然属性，主要依赖用户的基础数据，包括性别，年龄，职业，收入等；
用户个性化需求，主要依赖用户的行为数据，个人消费偏好，个人场景偏好。
所以，用户需求区隔分层，主要就是通过分析用户是否在这两个维度上，用户的需求有明显的差异，判断的方法两种，经验洞察和数据说话。
在具体操作时，可以使用单个维度进行区分，也可以使用两个维度进行交叉分析。
选择一个维度进行区分，例如，典型的产品美柚，在用户不同的状态下，备孕，怀孕，辣妈，会推送不同的内容。例如，婚介类产品，针对不同年龄层次，不同性别的用户也会进行用户需求的区隔分层。
选择两个维度进行交叉分析，例如购物类产品，就会根据用户的性别，年龄和消费偏好的属性，给用户推送不同的产品。
用户分层的主要目的是为了后面的用户精细化运营，最终要实现的目标是以最小的运营成本实现产品收益的最大化。
用户分层的两大核心：一是不同层级的用户可以用明确的数据标签，属性标签定义出来，这样才能实现用户标签自动化；二是不同层级的用户运营的策略是有针对性且稳定的。
用户分层常用的4大方法：
用户价值区隔分层，包括用户生命周期和RFM方法
AARRR模型，适用于产品比较初级的阶段，是一种简单粗略的分层方法
用户身份区隔分层，适用于产品的用户有联系，并且会因为贡献度或稀缺性而产生明显的阶层区隔的产品
用户需求区隔分层，简答的说就是用户在产品的需求是否会因为用户特征的不同而不同。
还没有评论，来说两句吧...