【万字长文】一篇文章看懂用户建模及三个方向的应用

本文作者：金璞互联网用户运营第一人，第一位在国内提出用户运营理论并应用于新浪微博，亲历微博千万级用户增长的互联网人。本文是金璞老师近日梳理完善的用户建模实操手册，万字长文，干货满满，值得收藏。

在互联网这个江湖，用户运营已经成为公司标配。那用户运营的岗位职责到底是什么？

很多公司把社群运营、客服等和人打交道的都归为用户运营，这和我2012年在国内互联网产品首度提出用户运营这个概念（可参见2012年6月发表的《如何做好用户运营》）有所违背。

从本质上来说，用户运营是运营策略的定位，明确产品的目标用户定位、商业市场份额、当前用户增长策略、增量空间等，在此基础上确定其他诸如活动运营、内容运营、社群运营等运营手段的应用和组合。

所以，真正的用户运营，也是现在更加广泛被接受认可的策略运营，年薪百万算是起薪～

而用户运营有几个看家本领，除了上面提到的对宏观商业环境的洞察外，用户建模、用户成长体系、用户激励体系的三板斧是一个用户运营可以从战略到策略执行落地的关键。

今天，金老师整理了三板斧中的第一板斧和第二板斧，万字长文，带大家看看用户建模的逻辑和切入口，以及在用户活跃、用户流失、用户召回上的建模应用，包含最后不同用户模型交叉后的用户成长路径的设计搭建。

希望能够帮助大家在迈向年薪百万运营人的路上添砖加瓦～

目录1、用户建模的价值和逻辑 ；2、用户建模示例1：用户活跃度模型的搭建及应用； 3、用户建模示例2：用户流失模型的搭建及应用； 4、用户建模示例3：用户行为模型的搭建及应用； 5、不同用户模型的交叉应用；

1、用户建模的价值和逻辑

用户建模说白了是根据用户特征进行用户分类的过程，所以关键在于“用户特征”上。

但是用户特征千千万，你来自北京周口，我来自云南元谋，她每天发博3000，他只能发博20，我每天抖音刷10条，你每天抖音刷300条停不下来等等等等。

用户行为千差万别，都说一千个人眼中有一千个哈姆雷特，难道我有多少用户就要分多少类吗？

当然不是，有多少用户分多少类，然后1v1的精细化服务，这不是运营，这是客服～

客服现在还讲究将普遍问题产品化来提升效率呢～以“降本提效”作为核心工作能力的运营怎么能干性价比这么低的事情呢？！所以，别着急，我们慢慢来。 首先我们来看看用户都有哪些特征呢？比如上面提到的地域、发博、浏览，扩展开来你一定马上能想到：性别、年龄、兴趣、分享、购买、月消费额、登录、点赞、评论、开团、拼团等等等等。

那么我们来总结一下，这些用户特征无非就是两种：用户属性特征和用户行为特征。

用户属性特征就是用户与身俱来很难改变的特征，比如地域、年龄、性别、兴趣等。

而用户行为特征就是用户做出的行为所表现出来的喜好，比如登录、点赞、评论等。所以用户建模的切入点，无非就是用户属性和用户行为。

在用户属性特征上，比如地域，广东地区的朋友和北京地区的朋友在习惯和喜好上还真是有着天壤之别，比如春节吃不吃饺子、甜汤圆还是咸汤圆等等天人交战一年数次。

比如，一线城市和三线城市的消费能力。

再聚焦一些，对于K12在线教育类产品来说，用户的地域属于带来了用户需求的截然不同。

一线城市的家长对英语类在线教育产品的诉求是北美或者英国城市纯正美音或者英音发音的外教老师的言传身教。

而对于三四线城市的家长来说，他们的诉求更多是希望能够得到一线城市的教育资源而已。

而用户的行为特征就更有价值了，她喜不喜欢我们的产品？是怎么在使用我们的产品？使用过程中有没有明显的偏好？如果我希望她付费或者帮我拉个新朋友进来，从目前她的行为特征上看是否容易成功？等等等等。

用户完整的行为特征能够帮我们大概率地还原这个用户的真实画像，再配合用户属性特征，我们的用户建模就完美了～

而在用户的行为特征模型中，有一个模型最关键，他适用于所有的互联网产品，就是用户活跃度，我们常说的DAU、MAU、DAU/MAU、MAU/DAU等等就在此列。

只是不同属性的互联网产品，对于用户使用活跃度的期翼不同，活跃度的颗粒度有所区别，但是一个产品的活跃度指标直接关系着这个产品的价值。

这也是为什么我们看到不论是创业公司出去要融资，还是要上市的招股书，还是上市后的财报，DAU和MAU都是非常关键，必须公布的数据。

而用户规模，累计注册用户数越往后期，越不重要。

因为有多少用户并不重要，有多少活跃用户才重要，只有活跃用户才有可能产生商业价值，而不再活跃的用户，他只是注册过，现在他轻轻的走了，不带走一片云彩，自然也不会带来一分钱～ 所以总结下来，基本上要为自己的业务的精细化运营服务，用户建模有用户属性和用户行为两个切入口。

考虑到用户活跃度太过重要，几乎是建模第一步的必备款，所以把用户活跃度作为一个独立的切入口后面单独讲。

我们可以大致分为三个用户建模的切入口：用户属性、用户产品行为、用户活跃度。 

2、用户建模示例1：用户活跃度模型的搭建及应用

用户活跃度模型，从建模的目标上就是要把不同活跃度的用户拆分开来。

用户活跃度模型的应用场景是：区分不同活跃度的用户，针对不活跃的用户启动针对性的活跃度提升的运营策略，针对活跃用户启动针对性的加强忠诚度，引导带动不活跃用户的运营策略。

它的建模搭建的思路是如何来的呢。 2011年我刚加入新浪微博的时候，我的KPI就是要提高DAU和MAU，从做法上来说，就是2012年2月我总结发表的《如何做好用户运营》里面强调的：开源节流保活跃了。

开源就是开注册的源，让更多的新用户进来； 节流是节流失的流，让更少的老用户流失； 保活跃就是让池子里的用户更加活跃，包括让不活跃的用户变活跃，活跃的用户保持活跃度产生忠诚度等。 

这三方面的手段中，开源和节流对应着DAU和MAU的增长，而保活跃对应着DAU/MAU的增长。

DAU/MAU的指标就是一个测量已有用户池子活跃度的指标，其中的DAU取当月的每日DAU的平均值。

如果DAU/MAU=1，那么说明用户每天都来，所以DAU和MAU相等，而这个值的最低线就是0.03左右，即所有的用户一个月只来一天。

所以DAU/MAU的数值是一个介于0.03-1之间数字，数字越高，活跃度越高。

我曾经给一家K12的英语教育机构做商业化的顾问，我问他们目前商业化的困境是什么，是用户规模不够、转化率低、客单价低还是什么呢？

CEO说他们的用户量没有问题，但是转化率低，MAU有几百万用户，但是实际的购买用户量一直上不去，所以希望我解决付费转化的问题。

作为一个K12线上产品，MAU几百万的量级确实不小，为什么没有转化呢，我决定看看他们的用户活跃度情况。

我跟他要了产品的DAU/MAU，结果这个数字大约在0.05左右，这个数字远低于我的预期，要知道这就意味着大量的MAU用户在一个月中只来了一天。

这一天很可能就是注册当天，而英语学习是一个需要坚持，最好每天输入，最次一周一次是必要节奏，所以基本上可以判断，这个产品的用户留存率非常低。

大量用户只是被投放扫中，注册后便流失，所以对于他们的商业化的症结完全不在转化率，而在实际活跃用户规模上。

所以，这个指标能够帮助我们大概判断产品的健康情况。

回来说我们的开源节流保活跃。开源和节流的手法，在当年的《如何做好用户运营》里面已经有了比较详细的说明，这里不展开，未来找时间再补充迭代，我们来看看DAU/MAU这个数字怎么提高。 看着这个目标我有点发愁，每天上来这几千万用户，我要怎么把活跃度提上来呢？

我总不能对着所有的几千万用户做提升活跃度的策略吧，毕竟这其中还有天天来的呢，这样对他们势必是个打扰。

我需要针对不同活跃度的用户启动不同的策略，所以把活跃度不同的用户根据一定的标准拆出来，成为了当务之急。

周活跃度模型

这里我当年踩过一个坑，我首先从周活跃度模型切入，设想以周为单位拆分用户活跃度。

比如：每周来1天，每周来2天，每周来3天一直到每周来7天的用户。

所以列了下面一个数据表头，提交给我们的数据分析师，请他帮我把微博上某一天的DAU用户根据其前推一周的登录微博的天数，拆分7个活跃度的等级，记录在这个表格中。见配图

但是数据出来后，很快就发现，这个模型并不成立。

我们都知道，如果要做数据分类的时候，制定的分类标准应该让数据能够相对均匀地分到各个分类中，如果大量的数据都集中在某几个分类下，其他分类下几乎没有数据，那就说明这个分类方式是失效的。 数据分析师的数据反馈后，我非常难过的发现，DAU的前推一周的用户活跃度基本上集中在C、D、E这几类，后面的数据相比前面这三类在量级上差别较大。这表示大量的人一周就来0到2天。

现在回头想，这其实非常合理，除了微信这样用来取代短信电话的APP，2016年的DAU/MAU数据能够达到0.77，而同期今日头条是0.42，网易新闻0.43，淘宝0.29，腾讯新闻0.39，百度地图0.12。

这意味着什么？意味着即便如新闻网站网易、腾讯、今日头条等，用户的使用习惯也到不了两天中来一天，这算到周活跃里面就是平均活跃度一周在3天左右。

月活跃度模型

所以周活跃度模型显然并不适合微博。所以下一步怎么办呢？

当时的下一步就是想，那我必须把前推一周没有登录的用户拆出来，如果一周都不来一次，那是两周来一次？还是三周来一次？还是一个月来一次？ 所以索性扩展到月活跃周期来看看用户在一个月中的活跃分布情况，表头和前面周活跃一样的形式，但是拉长了测算周期为一个月，为了方便后续应用，约定不同的自然月都以平均30天为记，然后拆出了一天的用户DAU中，在前推30天中的活跃天数统计表。 这个数据表分析师反馈时，我们判断分布上已经均匀了很多，但是还不能用于应用，因为加上前30天没有活跃的用户，一共31个分类的用户模型用起来太冗余，不方便通过产品形态去落地执行。

我们必须对用户模型进行进一步的精简和合并，以更好地应用到产品生态的策略上。这个时候我们想到的就是合并同类项。

合并同类项能够帮助我们精简目前的31个分类，合并同类项的业务逻辑就是将相似的不同分类用户进行合并。那么怎么判断他们相似呢？

我们又回到了属性和行为的判断上，但是用户那么多属性特征、那么多行为特征，如果都放上，势必出来的又是一个千人千面的用户画像，无法合并同类项。

所以我们回归到数据分析的一个大原则：业务导向上。

所谓的业务导向就是我们的数据分析要数据源于业务，最终的分析结果又能回到业务中去指导业务。

很多人觉得这个原则听起来怎么像是废话，别着急，这个原则听起来谁都懂，用起来还特别好用，但是有些人就是不知道怎么用。 在业务导向的原则下，我们考虑建立用户活跃度模型的原本目的是什么？是为了能够将不同活跃度的用户拆分出来，对低活跃度的用户，我们会采取一定的引导策略，可能是加关注、可能是引导其转发微博，来提升其用户活跃度。

或者再回溯底层一些，在微博这个产品生态中，我们期待的活跃的优质用户是什么样的？

我们其实不仅期待他们每天都来，我们还期望他们每天发微博、转发、评论互动、点赞、围观热门微博、加更多人的关注、拥有更多粉丝等等。

这是我们期待的一个优质的用户画像。

在这样的思考下，我们再回到刚才的月活跃模型中，记录不同活跃天数用户的核心行为数据，然后把数据量相近的相邻活跃天数的用户进行合并同类项，最终得出4-8类用户类别，这是比较合理的分类模型。

而微博也在这样的模型测算中，最终拆分了：低频用户、中低频用户、中高频用户、高频用户和全勤用户。

完成了分类之后，我们就可以为用户打上活跃度的标签，每个用户登录后，根据其活跃度标签触发不同的提升活跃度的策略，这就是线上精细化运营的实现思路。

总结：用户活跃度模型是一个非常经典，而且对于达到一定用户体量的产品在进行精细化运营前进行用户分类时最常用的一个模型，也是资本市场最关注的一个模型。DAU/MAU的数值代表了这个模型的优劣。 当然，并不是所有的产品模型都要追求这个指标越高越好，就像前面列举不同的产品的指标存在差异。并不是微信做的就比今日头条好，而是产品的使用场景决定了它基础的使用频次。像微信这样解决每日用户沟通需求的IM产品，使用频次自然会高于用户购物的产品，你总不能要求用户每天像和家人、同事联系沟通一样的频率，必须每天来平台买个东西吧～ 所以我们在面对自己的产品的时候，要知道自己的DAU/MAU到底多少是健康的，首先设想一下用户对产品的需求频次常规是多少？其次不妨参考一下业内的竞争对手如果有上市公司的，看看他们的DAU/MAU大约在多少，做一个对标。之后再来确定对于自己的产品来说，用周活跃度模型好，还是月活跃度模型好。

3、用户建模示例2：用户流失模型的搭建及应用

我们在做月活跃度模型合并同类项时，大家可能已经发现，其实我们交叉了另外一个行为模型，就是微博上的用户特有行为，包含加关注、转发、发博等，那么这个就是用户行为模型了。 用户行为模型，从建模的目标上就是要把不同行为特征的用户拆分开来，就是找到什么样的用户喜欢做什么样的事情。

用户行为模型的应用层面上有两个方向：1、用户关键行为指标定位：我们将不同活跃度的用户的相同行为特征进行对比，其中差异大的指标定义为关键性指标，并对不活跃用户进行该关键性为指标的重点引导，以促进其成为活跃用户。2、用户单一行为指标定位：我们通过用户模型拆分出不同用户的行为喜好特征，已知用户喜欢什么，就给他什么，从逻辑上来说这能够促使他更加活跃。

下面我们就这两个应用方向来分别讨论。

1、 用户关键行为指标定位

即我们将不同活跃度的用户的相同行为特征进行对比，其中差异大的指标定义为关键性指标，并对不活跃用户进行该关键性为指标的重点引导，以促进其成为活跃用户。 为第一个应用方向服务的用户行为模型的搭建思路是如何的呢？ 还是以微博用户为例，我们后续正好可以延续讲不通用户模型的交叉应用。从目标上，我们就是为了了解一个微博的使用用户到底在微博上喜欢做什么？

初期，我们把所有微博上用户常规会有的行为都列出来，包含：登录、发博、转发、评论、点赞、加关注、粉丝数、互粉数、是否上传头像、是否填写性别、教育信息等等个人信息等，这些还是微博主站的核心行为，没有拆解比如其中用微盘的、看小视频的、在PC登录还是移动端登录的、哪里注册来的，等等。

我们先聚焦在微博主站的核心行为上。但是即便这样，也还是行为参数有点多，我们需要有一个判断，哪个行为的差异会影响我们的核心指标？

没错，就是影响我们的DAU、MAU？所以从业务导向原则上看，用户行为的模型，需要帮助我们明确出来，哪些行为的数据差异决定了用户是否活跃。

所以我们列出的初始用户行为数据表单是这样的，见配图：

在上述表单中，个人资料填写部分还可以包含性别更改、地域、年龄、职业经历等。 数据出来后，很快我们就会发现不同频次的用户，某些行为的数据差异化很小，某些行为的数据差异化很大，这个时候，差异性很大的指标就可以被我们认定为影响用户活跃度的关键性指标。

比如，低频用户中上传头像的比例为20%，而高频用户中上传头像的比例为80%，则说明上传头像是非常重要的一个关键性指标。（当然还可以进而分析上传头像的用户中，为真实头像的占比如何。） 这里展开讲一下，很多产品认为上传头像不过是个装扮小功能，不涉及用户的核心功能使用。

殊不知小小的头像具有非常明显的蝴蝶效应。同样以SNS社区为例，上传的头像能够在虚拟社区中让对方第一眼了解这个虚拟id背后的喜好。

如果是真实头像就有更大概率让真实的朋友认出自己，对于用户更快更好地构建用户关系有着不可磨灭的作用。

在SNS社区中，用户希望留下更少的个人信息，却希望找到更多的朋友。结果是上来闷头找了半天朋友，却没有被朋友认出来而忽略，默默无闻地流失。

而这样的用户由于留下信息太少，产品机制上也很难帮助其找到关系、构建圈子。

当然，头像跟活跃留存是相关关系，但是不能确定因果。我们很难说清楚是因为有头像导致活跃，还是活跃导致加头像，或者是其他因素同时促进了活跃和加头像。但是引导没有上传头像的用户上传头像总不是一个错误的决策。

再回到数据表单上，如果低频用户的人均互粉数是50，而高频用户的人均互粉数是60，中频用户的人均互粉数是53，那么说明互粉数并不会对用户的活跃度带来关键的影响，可以从将该行为从我们此次的用户行为模型中拿掉，以后不用再关注用户的互粉数。 当然，我上面示例只拿了一周的数据，我们做建模最好能取用更长时间段内的数据表现，至少两个月及以上，数据相对问题才能成为参考，如果数据波动较大，则无法成为建模的基础数据。

至此，通过前面的不同活跃度用户行为基础数据的对比分析后，我们就可以保留一部分关键性的指标，比如上面举例的是否上传头像，舍弃非关键性的指标，比如上面举例的互粉数。 在产品层面的应用上，当我们发现一个打着“低频”标签的用户登录上来，判断到他还没有上传头像，那么二话不说，马上触发引导他去上传头像，越真实越好～

2、用户成熟度模型

用户单一行为指标定位即我们通过用户模型拆分出不同用户的行为喜好特征，已知用户最喜欢什么，就给他什么，从逻辑上来说这能够促使他更加活跃。 为第二个应用方向服务的用户行为模型的搭建思路是如何的呢？

这里我要举我参与的，数据相关畅销书《数源思维》作者，前新浪数据中心资深分析师，前赛迪顾问研究总监，目前是北京首钢园产业部部长，乐创教育合伙人的@仓剑 老师主导的用户成熟度模型。

PS：仓剑老师也是我的知识星球（金璞和运营高管朋友们）里的嘉宾，互动很多，欢迎大家到那里活捉他。

https://t.zsxq.com/aAe6Mfy (二维码自动识别)

用户成熟度模型就是还原微博上用户除活跃度外的核心使用行为，对用户进行行为特征的分类，并根据该行为特征进行专项引导的模型。

在搭建的思路上，就是提取用户的多种行为，进行归一分析，找到其中最聚焦稳定的行为，作为该用户的行为特征标签。

具体的核算方法非常专业，这里不做详细的展开，我记录当时的计算方法和最终的用户模型分类供大家参考。

计算方法：

选择用户行为：登录方式、登录、原创、转发、评论、被转发、被评论、加关注、取消关注、

被关注定义：用户成熟度，即用户行为的稳定值，稳定值=用户4周行为数的平均波动程度。稳定值最高3分，最低0分，波动越小，分数越高，代表用户越成熟。

最终，得出的用户成熟度模型的分类如下：

有了用户的单一行为特征后，我们可以和活跃度模型一样，为每一个用户打上成熟度的标签。

用户一上来我们就知道这个用户是喜欢只浏览不发言，还是喜欢发发发，或者喜欢转转转？那你还不知道要给他推荐什么内容吗？ 此外，成熟度模型不仅根据用户行为特征进行了分类，而且结合用户活跃度模型的变化，隐形反映了不同类行为特征用户的活跃度差异。

在活跃度的表现上：全面稳定型>原创稳定型>转发稳定型>浏览稳定型>不稳定型。

总结：用户行为模型是提高用户活跃度基础上非常重要的用户模型，只有知道用户的行为特征和喜好，才能知道什么样的引导不会让用户反感，什么样的引导能够促进用户活跃。本质上来说，用户行为模型也是在帮助产品还原刻画出来在自己的产品生态中，优质用户的画像。一个优质用户，首先一定是最活跃的，其次更重要的就是他的活跃中具备了这样、那样、那那样的行为特征。这也为我们后续搭建用户成长体系打下地基。这部分，这里还是要卖官子，我们在最后的不同用户模型的交叉应用中，展开说明。

4、用户建模示例3：用户行为模型的搭建及应用

既然讲了用户活跃度和用户行为模型，那么第三个不妨来讲讲用户流失模型，这其实也是用户活跃度模型的衍生，流失用户即活跃度为0的用户，已经流失不再使用产品的用户。

但是流失用户完全放在活跃度模型中来做，而且非常的重要。

那是因为用户流失模型的目标就是把流失用户根据一定的行为特征进行分类，在应用层面有两个方向：

1、 流失用户召回：应用于流失用户的召回，针对不同的用户特征启动不同的用户召回策略； 2、 用户防流失：应用于不活跃用户的防流失，我们已经知道了流失用户的特征，那么当不活跃用户出现了流失用户的特征的时候，说明他出现了流失预警，需要启动相应的防流失策略；

用户流失模型搭建的切入点是如何的呢？ 在搭建用户流失模型前，我们需要先明确流失用户的定义，也就是对于我们的产品来说，什么样的用户才被认定为流失用户。

流失用户定义

流失用户的定义可不是我们自己拍脑袋定义的，而是要看看用户的真实行为来判断，多长的时间窗内用户都没有使用，那么这个用户应该被定义为流失用户。

这里要强调一下：流失的概念，必须是长时间持续未使用，这需要和前面的用户活跃度概念相区别。

我们在计算用户活跃度的时候，MAU的统计方式就是这一个月里你只要使用过一次就算有过一次活跃，至于他在一个月中每天都来，而且一天使用好几次，还是就来一次，都属于MAU中的活跃用户。

而流失用户的统计方式，则是在一个持续的时间窗内一直没有使用过，一次都没有，才被计算为是流失。

所以流失用户要如何定义呢？

假设我们以周为颗粒度计算用户的流失周期，选取某一日（3月1日）注册的用户，假设为100人，这100个用户在注册后的第二天（3月2日）没有使用产品的有90人，也就意味着其中有10个人，在注册后的第二天就又来使用了产品。

到了从第二天开始的一周后（3月2日-8日）仍然没有使用过产品的有60人，那也就是说，在刨去第二天的剩下的六天（3月3日-8日）内，曾经来使用过产品的用户有30人，那么加上注册第二天就来的用户，就是一共有40人在注册后的一周时间内，曾经使用过产品。

这里需要强调的是，我们完全不关注这40个人在这一周时间里到底来了几次，只要他来过，就从“未使用人数”的数据表单中去除。

所以可预见的，随着注册后周数的推移，“未使用人数”的数据一定是持续下降的趋势，因为只要在周数的推移中，有用户回来使用，就会被从这个表单中去掉，即便他次日来了之后就再也没有回来使用过。 根据这样的逻辑，我们模拟了下面这样一张图表。

从图表分析我们可以得知： 1， 当曲线趋于平稳时，说明我们的自然流失趋于平稳，即如果这个时候用户还留存着，基本上他就能留存很久，比较具有稳定性。

换句话说，到了这个时间点，该主动回来的用户都回来了，没有回来的，就意味着已经流失了。

因为后面随着周数的推移，回来的用户已经微乎其微。那么我们就可以以这个时间点来定义我们的流失。如上图，我们就可以定义该产品用户如果连续五周没有使用，即可判断为流失；

2， 自然流失率：以上图为例，当天注册用户100个，其中有20个在此后五周完全没有使用行为，则该日的注册用户自然流失率为20/100=20%； 定义了流失用户后，我们回到用户流失模型的两个应用方向分别来构筑模型。

流失用户召回

即应用于流失用户召回，针对不同的用户特征启动不同的用户召回策略；我们需要为流失用户进行分类。

看到这里，你可能会说，那太容易了，所有用户都已经被打上了成熟度的标签，那么流失用户在流失前也大概率被打上了成熟度的标签，他喜欢转转转、还是看看看？

通过不同的召回渠道触达他的时候记得引导他还是转转转、或者看看看不就行了吗。

也就是说，做法上我们可以直接取用前面用户单一行为模型即用户成熟度模型得出的用户行为特征的分类。

这里，我们必须明确一点，流失用户就意味着用户已经离开产品，而能够触达到他的召回手段的展现形式是相对单一的，不论是召回邮件、短信、手机push，都只能以内容呈现为主。

所以成熟度模型在成型后发现应用在活跃用户身上比较有效，应用在流失用户身上就有点不适用。那么既然无论什么召回手段都主要以内容呈现为主，那我们只能在内容上下功夫了。

所以我们需要第三套完全独立的内容推荐相关的用户模型，就是用户兴趣模型。

我们通过分析用户发布、关注、转发的内容，来为用户的兴趣打上标签，之后就根据用户的兴趣标签，在召回内容中推送相应的内容即可。这个模型就不再展开了。 当然，这个过程中，你可能会面临另一个问题是，流失用户在流失前什么都没干就走了，就像流失用户定义的时候，注册后那20个用户一样，注册即流失，他没有任何行为，我什么兴趣标签也无法提取到怎么办？

那确实没办法，只有一个补漏的办法，就是尽可能地提高命中率，最好的方法就是推送热门内容。热门内容是经过用户验证最大概率命中用户的内容，在流失用户身上的命中概率是相同的。

用户防流失

即应用于不活跃用户的防流失，我们已经知道了流失用户的特征，那么当不活跃用户出现了流失用户的特征的时候，说明他出现了流失预警，需要启动相应的防流失策略。

应用于参考不同频次的用户的行为特征来构建行为模型的做法，为流失用户进行行为特征的拆解，找到对于流失用户的关键性指标。

这个模型搭建的思路其实和我们做用户关键行为指标定位时候的用户行为模型是一样的，我们只是把表格更新为：

通过这个数据表单的分析，可以帮助我们定位流失用户和高频活跃用户的行为差异关键性指标，这个指标就可以帮助我们提前找到有流失倾向的用户。 即当用户的流失关键性指标开始出现下滑时，说明该用户是潜在的流失用户，需要提前接入放流失预警策略，以防止其彻底流失。 比如高频用户的人均上月均转发数是50，而流失用户的人均流失前月均转发数是5，那么我们可以判断，用户是否在持续保持转发微博的习惯，是判断一个用户是否存在流失风险的关键性指标。

那么当一个用户的该数据出现下滑，比如从原来月均转发30条，下滑到月均转发只有15条了，那么他可能离流失已经不远了，抓紧启动防流失策略吧。 防流失策略怎么定？前面已经有那么多完备的用户行为模型和兴趣模型了，还愁不知道他在微博上到底想做什么？喜欢什么吗？

已经知道他喜欢什么了，就别拗着用户了，迎着喜好上吧～

总结用户流失模型在大体量用户产品中的应用相对比较广泛，因为用户体量足够大，就意味着最核心的刚需目标用户基本上已经收入囊中，下一步需要拓展临界市场的用户了。比如原本定位25岁到35岁的北上广女性用户，一共5000万用户你已经圈进来4000万了，那就别和剩下的1000万较劲了，因为各种原因撬动他们可能难于上青天，即便如微信，也不是撬动了所有的用户不是？所以你可能会考虑将目标用户拓展为25到40岁的北上广女性用户，或者25岁到35岁一二线城市的女性用户，或者甚至25-35岁北上广男性和女性用户等。但是，拓展临界市场一定意味着用户代际的冲突，因为目标用户定位发生变化，原本的产品文化也需要进一步的拓展，那么对早期的核心用户来说势必是一种文化挑战。如果代际冲突处理不好的话，很有可能造成早期核心用户的离开，那么相比开拓新用户，这会更加得不偿失。所以在开拓新用户之前，首先需要自查的是，已经圈进来的这4000万用户都还在活跃吗？还有有不少用户其实已经流失了？如果有超过1000万，甚至2000万用户流失了的话，不妨先就当下的目标用户群体启动流失召回方案和防流失策略。

tips：关于如何应对代际冲突，金璞老师有在星球（知识星球上搜索“金璞和运营高管朋友们”）回答相关问题，欢迎进星球查看哦~

https://t.zsxq.com/aAe6Mfy (二维码自动识别)

5、不同用户模型的交叉应用

不论是用户月活跃度模型做归类，还是用户防流失模型中，我们都交叉应用了用户关键行为指标的模型。

这样做的好处除了产生了一个全新的用户模型外，还辅助我们明确了相应的运营策略，及相应在产品机制上的落地。 以用户防流失策略的设计为例，之前我们的防流失工作重点都在流失用户的行为特征分析上，旨在提前找到潜在流失用户。那么找到后怎么办？

我们上面说迎着用户的特征拼命上，那么怎么迎呢？

这里我们就展开讲一下用户防流失模型和用户成熟度模型、用户月活跃度模型的交叉应用场景。我们通过用户成熟度模型和月活跃度模型的交叉，我们将用户拆成3（高频、中频、低频）*5（不成熟、不成熟、原创、转发、浏览）=15中用户，然后根据月活跃度模型和用户行为交叉后定位的关键性指标罗列，我们得到了一张交叉表如下：

这张表要怎么用呢？ 刚才我们是着重看流失用户的特征，现在我们也列出了优质用户的特征，在同一张表中。

我们基本上可以确定低频用户是潜在流失用户的重灾区，那么我们的策略逻辑就是，当低频用户的某个关键行为指标下降到流失预警线（如之前举例高频用户的人均上月均转发数是50，流失用户是5，我们设定当用户的这个数值下滑15为流失预警线），我们就需要启动防流失策略。

而防流失策略是根据用户成熟度模型来确定的，如果该低频用户的关键行为指标D下降到预警线，而通过成熟度标签发现他属于浏览型的用户。

那么我们大致可以判断他最近活跃度下降可能是因为新鲜可看的内容变少了，赶紧启动新一轮的兴趣+热门的内容及人的推荐，让他更多关注起来吧～

这就是我们的运营策略的梳理思路了，有了这个思路之后，我们将其应用在产品机制中，当用户登录，判断其防流失各关键行为指标数据是否下滑到预警线，判断其成熟度标签，启动策略。

这就是我们的用户成长体系的完整设计逻辑，让一个用户从不活跃用户成长成为活跃用户，思路上就是限定为优质用户长什么样，然后让和优质用户具有相同特征的用户都变成他那样。

在我们的应用中，既有每天来看微博，但是从来不发言的用户，那么当我们遇到来微博只是看，从来不发言的用户也不用非引导他转发、评论，只要像那位只看不发言的高频用户那样，让他关注更多好玩的账号和内容就好了。 下图就是我在新浪微博的时候根据以上三个模型交叉应用后的用户成长体系——欢迎页项目的对新用户和不活跃老用户的运营策略以及在产品端的覆盖和实现逻辑

最后的总结：综合前面的内容，我们通过这样的万字长文，来详细拆解了在互联网产品中，用户运营的用户为什么要做用户建模，以及用户建模的搭建逻辑和常规切入点。不仅如此，我们还就几大常规切入点进行了啰啰嗦嗦的详细步骤的还原。最后我们将不同的用户模型如何交叉应用，辅助运营决策，最终落地为产品策略帮助我们切实提高DAU、MAU和DAU/MAU这几个产品的核心指标。今天这篇算是对我2012年2月发表的《如何做好用户运营》的补充，在开源节流保活跃的基础上，当时由于限于篇幅（因为把开源节流保活跃的逻辑讲清楚已经1万多字了），对于保活跃的三板斧：用户建模、用户成长体系、用户激励体系，基本上都只提了概念。那么为什么说保活跃的三板斧是用户建模、用户成长和用户激励呢？其实也很好理解，今天我们讲了用户建模，帮助我们分好了用户类别，然后我们交叉后生成了合理的我们期待中的用户成长路径，期待着那些不优质不活跃的用户都能朝着我们画好的成长路径一路狂奔，变成最终我们理想中的优质用户的模样。那么在这个过程中，为什么用户那么听话？我们就需要设计合理有效的一套完整的用户激励体系去引导用户，以达成我们的目标。为什么三板斧只讲了两板，第二板还只开了个头？不好意思，还是限于篇幅，哈哈，那么期待我下次的长文咯～