大家有没有思考过，但我们在谈用户运营时我们究竟在谈什么？提供2个思考给大家：
用户运营为何而存在？
用户运营作为最接近用户、最深入了解用户的一环，一直是互联网从业者永远聊不完的话题。作为产品经理与运营工作中最重要的组成部分，不少人认为互联网本质就是用户思维。
换句话说，一个规划设计极佳的产品，始终都需要有用户为产品和服务买单。举个简单例子，我们每天随处可见各种各样餐厅，无论是连锁品牌，还是小众网红店。
经营目的都是迎来更多食客，创造更多收益。假如餐厅位置偏僻，不靠近商圈也不贴近学校周边，商家也没有营销或者炒作的念头，每天单纯靠天吃饭。光顾的食客主要来自于过往路人或者周边居民，那么这家餐厅恐怕是活不过两个月。但如果充分调动每个到店食客的积极性，例如通过发放积分卡、朋友圈集赞等营销手段，通过这种简单游戏化的方式进行会员管理和社交传播，食客肯定乐于再次光顾，同时也能够影响覆盖更多的潜在食客。更聪明的店家还可以更进一步，建立会员信息库，根据不同时间、性别、年龄差异，推送一些营销活动，更会事半功倍。
线下实体店如此，互联网行业更是如此。如果得不到用户的支持与喜爱，无论界面设计如何超前、新颖，代码如何高效、稳定，其实都毫无用武之地。这个时候，维系产品与用户关系、建互动纽带的便是用户运营。
用户运营的核心目的
用户运营的核心目标是什么？正如我们在上一节提到的，用户运营通过各种手段与渠道将产品与用户联系起来并持续不断的维护这种关系。所有的用户运营都绕不开下面这三个核心目标：
注册用户规模：实现产品目标用户量最大化；
活跃用户规模：保持用户适当活跃频次，并在产生需求时第一时间想起产品；
用户商业化：通过用户来实现产品、服务的营收目标。虽然不同产品在不同发展阶段，对于用户运营的侧重点存在差异，但几乎都可以归因成这三个核心目标。
每款互联网产品想要实现盈利，都需要进行商业化，不管是购买商品还是购买会员服务，亦或是平台售卖广告流量。但商业化的大前提是必须保证活跃用户规模，没有活跃度的产品难以真正找到最恰当的收入来源，而活跃用户规模又受到注册用户规模的制肘。因此，这三个核心目标又是相辅相成的。
那么如何搭建用户运营体系？或者说用户运营体系搭建有什么逻辑可言？
如何搭建用户运营体系
也许在用户数量较低时，粗旷式运营也许能够满足日常的运营需求。但随着产品规模快速扩张，面对越来越多的用户，越来越多元的用户需求与用户场景，体系化的运营策略，成了提高工作效率与效果的重要利器。在具体的用户运营开展前，体系化运营的前提就是建立用户运营的数据指标。
围绕上一章我们提到的用户运营工作的三个核心目标，在搭建用户运营体系时，应按照以下步骤进行：针对不同阶段目标，制定相应用户分群分层模型与指标（如 ARGO 模型、RFM 模型应用）；通过数据分析制定相应运营策略，包括运营周期、推送方式；制定数据效果的评判标准，结合运营数据进行策略迭代。
接下来，我们将按照上述环节一一进行讲解。
1.3.1 注册用户精细分群分层
顾名思义，简单来说就是进行用户分层并标记各种标签。
一千个读者就有一千个哈姆雷特,同样是使用产品，但用户使用产品的理由、满足的需求间存在各种不同的差异。也许 A 用户看中了品牌情怀，B 用户看中了产品性价比高，C 用户看中了产品的服务好。如果不进行用户分群分层，又怎么针对用户的不同需求提供服务呢？因此，在用户运营的过程中，用户分群分层的作用很明显，它帮助我们把用户分成各个层级和群体，然后我们根据各个层级和群体的不同，制定出更精准、更有针对性的运营策略。在这里有几个概念需要明确，即「用户画像」、「用户分群」、「用户分层」，为了保持概念的准确性，在此我们进行简单解释：用户画像 一般包含用户的人本属性，如身份特征、行为特征、消费特征、心理特征、兴趣爱好、渠道属性。具体内容如下：
身份特征
基于用户自带属性，如性别、地区、学历、城市维度、婚育情况等
行为特征
基于用户本身行为，如活跃时长、APP 启动时段、功能实用等
消费特征
基于消费金额、下单频度、消费周期，如购物类型、消费水平等
心理特征
基于优惠券使用频度、购买品牌分布，如促销敏感度、购物忠诚度等
兴趣爱好
基于购买商品品类、颜色、品牌，如兴趣偏好、颜色偏好等
渠道属性
基于用户来源，如百度、社群、地推、xx 平台信息流广告等用户分层 一般来说，我们结合用户在产品上所处状态作为用户分层的依据，比如我们最常见的 RFM 模型，依托于用户最近一次购买时间、消费频次以及消费金额，通过衡量用户价值与用户创利能力，对用户进行分层。比如，我们结合 RFM 模型，对用户进行划分为 8 个群体，从高消费频次、高消费额、最近消费过的重要价值用户，到低消费频次、低消费额、很久未消费的一般挽留用户。
用户分群
相较于用户分层，用户分群更加聚焦于用户行为表现，比如FUNION推出的智能用户运营的 ARGO 成长模型（详细解读见附录）。举个例子，高消费频次+低消费额、低消费频次+高消费额，这两类用户可能都是某种意义上的高消费用户，但行为特征会存在很大差异，所对应的运营策略也不一样。其实也可以这么理解，用户分群是用户分层的进一步精细化划分。ARGO 成长模型的相关指标有着明显的递进关系，而 RFM 模型则相互独立。解释清楚上述关键词，那么我们继续讲下注册用户精细分群分层。
因为不同行业中，用户分群分层可能是多样性的，用户分群分层在产品发展的不同阶段也有不同的变化，且用户分群分层需要定性与定量。因此我们可以遵循下面这两个原则，帮助我们更好地完成用户分群分层：
（1）精细分群分层，遵循 MECE 原则
在进行注册用户精细分群分层的过程中，我们遵循由麦肯锡提出的 MECE 分析法，这不仅仅是帮助用户运营找到所有影响预期目标的关键因素，并找到所有可能的解决办法，而且有助于对用户、问题或解决方案进行排序、分析，并从中找到令人满意的解决方案。（MECE 分析法，中文意思是“相互独立，完全穷尽”。 也就是对于一个重大的议题，能够做到不重叠、不遗漏的分类，而且能够借此有效把握问题的核心，并成为有效解决问题的方法。——百度百科）
即在确立主要目标的基础上，再逐个往下层层分解，直至所有的细分目标都找到，通过对目标的层层分解，分析出用户的关键行为与目标间的关联。
（2）明确阶段目标，让分群分层更简单
正如用户有生命周期一样，产品与用户运营也有着明显阶段性的目标和策略。产品所处的生命周期阶段不容，对用户运营的要求也不尽相同。
1.3.2 用户忠诚度
产品探索期，一般来说投放费用都十分有限。结合产品定位通过渠道投放等方式获取到目标用户群后，在随时可能改变产品定位的探索阶段，如何将这些客户留在产品中和产品部门一起共同打磨产品，并培养为忠诚用户，成为这个阶段的用户运营以及用户分层的重点。
简单举个子，在产品早期探索阶段，我们以注册用户规模以及活跃用户规模作为业务目标，采取 AIPL 模型「认知-兴趣-购买-忠诚」作为用户的分级依据之一。这个模型对应的也是用户的成长路径，每个用户都是从最初的认知开始，慢慢变成购买或者忠诚用户。所以产品方需要做的，就是引导用户不断往更上一层发展。如果变换成相关业务指标，即最后一次登录、登录频率、使用时长。
AIPL 模型
认知
在通过渠道投放等手段获取到第一批种子用户后，当一个用户第一次使用产品时，用户运营促使用户去习惯使用产品，帮助用户建立起「我是你第一选择」的使用习惯，让用户有对应需求时能够在第一时间想起自己的产品。比如电商产品，就需要在渠道投放、落地页、启动页等触点向用户传达：使用我们的产品可以保证安全、实惠、方便快捷地购买到所需商品。
兴趣
用户对我们的产品与服务感到满意且有趣，这是忠诚的基础。如果用户感到不满或无趣，就连使用习惯也无法培养起来。很多满意度都体现在微小细节上，我们将用户在产品中核心转化路径进行提炼，思考在每一环节用户到底需要的是什么？在用户的预期下该如何满足用户需求才能达成最好效果？随着用户习惯的养成，用户流失情况也将得到有效遏制。
购买
用户对我们的产品与服务产生情感，用户感知到我们不再是冷冰冰的客服，用户乐于与我们表达情感，而有感情的用户就是我们常说的活跃用户。与此同时，用户认可我们的产品与服务，并愿意付钱为之买单。
忠诚
在用户和产品服务建立情感后，用户就很容易对产品产生忠诚度，产品服务也就越容易成为用户需求场景下的唯一/第一选择。与此同时，忠诚用户也是我们常提到的核心用户，忠诚用户会对产品的核心业务产生极大的影响，比如知乎、微博的大 V和 KOL，或者游戏产品的鲸鱼玩家（实力氪金大佬）。
所以，基于用户忠诚度的养成计划，我们可以根据不同阶段的用户诉求，设计更合理的内容。例如针对认知型用户，可以进行种草推荐，激发他们的兴趣；对于兴趣型用户，需要了解他们未行动的原因，解决转化阻碍；对于购买型用户，需要唤醒需求刺激更多下单；而对于忠诚型的用户，则可以进行更多体验细节的优化，让他们更加简单、效率地完成购买。
1.3.3 用户价值与用户创利能力
在业务发展期，我们拥有了远超产品探索期的用户量。在拥有海量用户的同时，我们也需要投入大量的人力成本、运营成本去维系这些用户。但我们打造产品，始终需要平衡投入成本，也需要有人为产品与服务买单。因此，在业务发展阶段，我们以活跃用户规模以及用户商业化作为业务目标，采取 RFM 模型作为用户的分级依据之一。RFM 模型作为一个存在已久的用户价值模型，被广泛应用于传统、销售行业。
首先解释一下 RFM 模型的构成：
Recency：最近一次消费，即用户距离当前最后一次消费的时间。最近一次消费的时间距今越短，对我们来说更有价值，更可能有效地去触达他们。
Frequency：消费频次，用户在一段时间内，在产品内的消费频次。
Monetary：消费金额，即用户的价值贡献。
基于这三个维度，我们将每个维度划分为高、中、低三种情况，并构建出完整的用户价值象限。
通过上面的 RFM 模型，我们可以更加直观的把用户划分为 8 个不同层级。如果能够找出产品内用户隶属于以上 8 类中的哪一类，就可以针对性的制定运营策略。比如某用户最近一次消费时间距今比较久远，没有再消费了，但是累计消费金额和消费频次都很高，说明这个用户曾经很有运营价值（属于 “重要保持客户”重要保持客户），我们不希望他流失。所以，运营人员就需要专门针对这类型用户，设计召回用户运营策略，这也是 RFM 模型的核心价值。
在划分完不同层级后，最困难的事情在于如何制定每个值的高、中、低评判标准。一般而言，在结合实际场景需求的同时，我们可以通过散点图进行大致的区分。
通过散点图，我们可以比较直观的看清用户分布情况。进行确定评判标准时，尽可能的将密集部分划分在一起，促使用户群体的行为共性更大。与此同时，需要我们在实际运营过程中进行不断调整。如果面临超大规模的数据时，如果能通过聚类分析等手段，可以得到更加科学精准的结果，从而帮助我们进行标准制定。
1.3.4 用户生命周期
当进入产品成熟期，盈利需求被提到更高的优先级。不仅仅是过往对于重要价值用户的运营，我们也希望进行更加精细的划分，将更多的用户转化成为重要价值用户。我们会发现有处于不同生命阶段的用户，此时建议大家通过用户价值、用户行为等多个维度共同对用户进行分层。
用户生命旅程
结合 ARGO 成长模型以及我们的业务，基于用户行为，我们可以将用户划分为获客转化（Acquisition）、活客粘客（Retention）、创造价值（Growth）的 3 个阶段。
通过渠道投放、推广活动，我们开始不断获取新用户，并通过对影响用户转化的关键用户行为进行归因分析和洞察，确定用户关键的转化路径，从而判定用户是否为新用户，是否引导用户发现产品价值。之后，通过各种交互或触达手段，引导用户形成使用习惯，成为活跃用户。在后续的运营工作中，通过日常的用户互动，提供给用户最佳的用户体验，促进用户留存、活跃、忠诚。并通过各类具体运营活动和触点，引导用户实现最终的产品价值交换，如购买产品或者服务。
1.3.5 其他
除了上述常见模型，还有其他的分层模型可以依据实际的业务场景，帮助我们进行用户分层。
正态分布模型
当用户运营资源非常有限时，我们可以使用正态分布模型。比如二八法则即属于正态分布形式，80%的用户处于价值曲线的平均值附近，而剩下的 20%的用户才是主要的利润来源。一般而言，正态分布模型从利润贡献和用户数量两个维度进行建模，大家会发现提供营收最多的客户是极少数。因为运营成本和突发状况造成用户流失，造成亏本的也是少数，大多数利润都集中在一个恒定值附近。基于上述情况，我们就可以分配更多的运营资源去重点维护高利润用户，同时对于占据大部分公司运营资源，但对提供利润有限的客户进行适当的资源调整。而大多数在恒定值附近的客户则进行标准化服务，节省资源，降低边际成本。所以，用户体系建立，就是为了方便进行不同的运营策略优化，进而完成最终的业务指标——利润。
品类综合偏好
品类综合偏好对于电商而言，与品类具有紧密关系；而对于内容产品而言，与内容种类紧密相连。现在获取内容或者购买商品渠道愈发多元化，用户对不同品类商品/内容都可能选择不同渠道。品类综合偏好，通过用户搜索、浏览、关注、购买品类商品的次数、频率等行为来计算品类权重，而从对用户进行分层、分群，以便更好的进行用户运用，最终促进用户的购买。
用户活跃度
用户活跃度分层在各类网站的用户运营中运用的非常多，通常使用 PV、停留时长、发帖数等来划分用户活跃度。对于电商或者新零售来说，最重要的还是购买行为。可以根据用户近期购买频次，按一定的规则划分成新用户、活跃用户、沉睡客户和流失用户，活跃用户可以进一步划分成高、中、低频。
购物决策力
购物决策力是通过用户购买商品的行为来描绘区分用户购物时的决策方式，对用户进行分群分层。用户可划分为购物冲动型、反复犹豫型、理性比较型等等。购物决策类型可以增进客服对用户心理的了解，或提升优惠券的使用情况，从而提高最终购买率，降低退换货率。了解不同购物人群的比例，还可以用于产品设计，根据用户下单前浏览时间、浏览 SKU 数量、首次浏览到购买时长等特征做聚类，从而实现个性化推荐或者推送相关的用户运营活动。
促销敏感
常见的促销类型有单品折扣促销、满减促销、加购等等，不同用户对于不同的促销方式有着不同偏好。我们可以在获知用户愿意接受的促销方式后，进行定向营销，可以有效避免运营成本浪费，提高相应品类、相应活动的购买转化率。
欢迎在在线提问板块更多数字营销问题，可以直接留言FUNION！
