运营进阶 | 利用 RFM 模型轻松实现用户分级运营

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。

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。

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。

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。

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。

本文作者张小坏，来自“鸟哥笔记知识网红孵化群”。