你知道“RFM模型”嗎?
為什么吵?運營和技術吵架很奇怪嗎?吵架還不是因為提需求嘛。
我問他，你知道“RFM模型”嗎?
技術總監大哥先是愣了一下，剛剛駝下去的背像觸電一樣反彈得僵直，咆哮道：“那TM不是商業分析才用的嗎?你一個做內容運營的要那玩意干嘛?啊?你可別忘了，我們是內容社區產品!”
我心想，“呵呵，就喜歡你這一臉沒見過世面的樣子。”
其實，這次我提的需求是這樣的：
自用戶下載后，按照1天、1-3天、3-7天、7-15天、15-30天及以上的時間間隔統計如下數據。
1.統計不同時間間隔內進行注冊的用戶人數;
2.統計不同時間間隔內的用戶平均打開次數;(按注冊/未注冊分別統計)
3.統計不同時間間隔內的用戶平均訪問時長;(按注冊/未注冊分別統計)
4.統計不同時間間隔內訪問各內容版塊的用戶人數及次數;(按注冊/未注冊分別統計)
5.統計不同時間間隔內注冊用戶平均互動次數，包括閱讀文章、點贊、評論、發帖、回帖、收藏等用戶行為數據;
另外，還需對于間隔7天后未登陸的用戶統計其最后一次訪問的具體頁面，主要包括首頁、分類列表頁、內容頁、個人中心頁、獎品列表頁及其他頁面，按頁面分類統計人數。
你看，我只提了6個數據統計的需求(當然，實際上是10個)，過分嗎?過分嗎?過分嗎?
技術總監說我很過分，問我統計這個干嗎?說你知道新增、活躍、流失用戶數據不就行了嗎?提這些數我們需要時間，有些數據根本沒統計還得重新埋統計代碼。
可是，當我看著技術總監那一個月沒洗的藍綠格子襯衫，30歲出頭就隱隱有些發亮的頭頂，連續加班后的空洞眼神……我想也許是我錯了，技術部門連續加班半個月趕新版本，想想我也是挺不應該的。
……
于是，面對可能即將暴走的直男BOSS，我恭恭敬敬的呈上這張表格，當然這個表格的數據是我斗爭勝利后的結果，遵守公司保密協議，對真實數據進行更改，但是變化趨勢是真實的。
一開始我想做用戶生命周期分析模型，所以才向技術部門提出了那些需求。RFM模型是客戶關系管理分析中最常見的一種形式，通過對最近一次消費、消費頻率、消費金額等數據的分析實現用戶分級。
而我所運營的是一個內容社區產品，與商業客戶分析無關，但是我借用RFM模型的分析思路，對用戶進行逐步分級。上圖是對整體用戶的基礎使用行為進行統計，可以得出如下兩個結論：
1.未注冊用戶使用7天后，對產品的熱情快速下降，流失風險增加;
2.注冊用戶使用7天后達到活躍度頂峰，之后一周內逐步降低，趨向平穩。
這兩個結論得出用戶整體生命周期的變化過程，由此可以對7日內未注冊用戶，15日內已注冊用戶發起有針對性的運營活動。
RFM 模型劃分用戶層級需要考慮最近一次消費、消費頻率、消費金額3個維度，而與其對應的，我在劃分用戶層級時，考量的是打開次數、互動次數、使用時長3個維度，由此產生了下面這個表格。
這張表格套用RFM客戶分級表格對用戶進行分級，其中“高”代表高于平均值，“低”代表低于平均值。這個表格主要針對注冊用戶，因為未注冊用戶的首要運營目標是引導注冊。其次關于時間維度的考量會在第三步闡述，這里不做考量。
這個表格在制作完成后，能夠幫助我們有針對性地完成運營目標。
當我們的運營指標以活躍度為主時，可以針對重點激勵用戶和重點促活用戶發起活動，當運營指標以降低流失率為主時，可以為重點節流客戶、一般激勵用戶、一般促活用戶發起活動。
如果以拉新用戶為主要運營目標，在選擇老用戶邀請新用戶的活動形式時，可以向重點核心用戶和重點激勵用戶發起活動。
在具體活動策劃時，需要針對不同層級的用戶特征進行補足，比如向重點促活用戶發起活動，該類用戶特征是打開次數低，那么該如何提高用戶打開次數?比如增加推送頻次、針對其互動內容增加提醒、加強其社交關系鏈等。
在第二步的圖表中，是以打開次數、使用時長、互動次數3項數據指標的平均值作為評判標準，但是需要注意的是，想要使用戶分級更加精準，就不能使用整體用戶數據平均值。
有人可能會有一個疑問，在第一步中提到了用戶生命周期，但是第二步中又以整體用戶平均數據作為標準。這也是我們為什么要進行用戶分級數據細化的原因。
分級細化可以有兩種方式，一種為時間維度，第二種為用戶數量維度。
按時間維度劃分，即按照第一步中所列的1天、3天、7天、15天等時間段內，用戶打開次數、使用時長、互動次數3個維度劃分制作相應的用戶分級模型。這樣做的好處是能夠針對不同階段的用戶進行細分，有針對性的設計運營策略。
第二種為數據維度，按照單一維度對數據指標進行細分，得到相應細分類下的用戶人數，比如下面這張表格。
這里，不得不插入一個吐槽，編數據真的太痛苦了，所以我就簡單一點，能表現這個意思就可以了，數據非常非常不真實。
這個表格可以看出在用戶生命周期的不同階段內，用戶不同打開次數的人數變化，那么如何來定義數據指標的高還是低呢?
這個是由自己來定義的，憑經驗。我個人的定義方法是將整體數據從高到低排序，前20%為高，后80%為低，這也符合經濟學中的二八定律，大名叫巴萊多定律(立馬提升逼格)。
再插個題外話，我按照二八定律來定義指標并不是因為巴萊多定律，在傳統的社區用戶分級中，是按3%的核心用戶，7%的活躍用戶，20%的普通用戶和70%的路人用戶來劃分的，所以我略微縮小普通用戶范圍，按照二八法則來定義。
按照數據維度劃分用戶等級后，能夠出現打開次數、使用時長、互動次數3個數據維度的分析結果，那么如何套用到整體用戶分級模型中呢?
這正是技術大哥咆哮的一個主要原因，因為在這里需要技術部門開發一個數據分析系統，通過對單一用戶3項指標的判斷，來完成用戶分級。當然，如果是5萬以內的用戶量級，使用 Excel 中的函數也可以實現。
通過對用戶分級數據的細化，能夠更準確的進行用戶分級，從而指導我們對相應人群發起活動。
我在講完上面這些東西之后，技術總監緩緩地把自己堆在了椅子上，抬頭問我，“這些數據我可以給你統計，但是用戶閱讀、點贊、發帖、回帖、收藏這些數據真的有必要單獨統計嗎?”
事實上，之所以提這些數據統計，(還有一些其他更加細化的數據統計內容，由于保密協議，就不透露了。)是為了更具體的分析用戶行為，有針對性發起活動。
以用戶互動為例，作為內容社區產品，用戶互動主要包括閱讀、評論、點贊、發帖、回帖等方面，在統計出相應數據后，針對弱項進行補足。
在用戶分級模型中，重點激勵用戶是運營的重點，其用戶特征為互動次數低，那么通過對互動行為的數據統計，可以找出其低的原因。對于看文章多，發文章少的用戶，可以通過活動誘導其增加發帖量;對于評論少的用戶，可以發起評論有獎、跟帖刷樓的活動。
說完這個，技術總監瀏覽了一下我的需求列表，突然挺直了腰板問我：“還有特么的7日后未登陸用戶最后一次訪問什么頁面，這你拿來干嘛?喂狗狗都以為你在懲罰他!”
呵，我只說了一句話：我要看看用戶流失是不是因為遇到了 bug!
其實做這項統計主要為了分析用戶的流失原因。比如用戶訪問首頁后流失，可能是因為用戶在首頁找不到想看的內容，對產品失去信心。在個人中心頁流失，可能是因為個人中心內沒有足夠的利益誘導來留住用戶。
只是分析最后一個頁面，并不能準確的分析出流失原因，有條件的話可以對用戶最后一次使用的整體流程進行分析，之所以沒提這個需求，是因為我怕技術總監會吊死在我的工位上。
總而言之，通過對具體用戶行為的數據分析，是為了分析用戶的弱項，從而利用運營手段進行補足。
最后總結：用戶分級是為了指導運營方法
很多運營同學都會有這樣一個感覺，辛辛苦苦做完了運營數據分析，卻發現沒有什么指導作用。
這也是為什么我要提出這么多細化的數據分析需求的原因，如果我們單純從拉新、活躍、留存、流失這幾個數據來分析的話，很難找到用戶行為背后的原因。
通過建立用戶分級模型，在日后的實際運營工作中，可以有針對性的發起運營活動。這樣做有什么好處?能夠在有限的運營資源的情況下，更好達成運營目標。
舉個例子，我們發起一項誘導發帖的活動，按照常規做法，是基于社區屬性和用戶的話題熱衷度來進行設計，但是有用戶分級模型后，我們可以針對重點激勵用戶、重點節流用戶和一般激勵用戶這3個層級的用戶推送活動，同時分析3個層級用戶中發帖量低的用戶特征，設置話題主題和激勵獎勵。
如果面向全站用戶發起活動，我們會發現活躍用戶永遠是那么一小部分人，隨著用戶生命周期的變化，如果不能及時補充，就會造成整體社區活躍度下降。
以上就是上海網站設計提供的內容，如果想要了解關于商城網站制作公司案例及幾何與網頁設計，可直接點擊查看
