一、什么是用戶運營
用戶運營是指基于用戶全生命周期的管理活動，旨在提高用戶價值和提升銷售額。以逛街購物為例，商家會通過廣告等方式吸引用戶注意，引導用戶完成購買，并在用戶購買過程中提供優質服務，讓用戶實現消費。在用戶生命周期有限的情況下，商家需要通過用戶運營手段，盡可能讓用戶掏更多的錢，從而提升銷售額。
用戶運營的目的是提高用戶轉化率和提高用戶價值。商家可以在用戶全生命周期的各個環節采取相應的運營動作，例如引導用戶完成注冊、首單、提高用戶活躍度等。這些運營動作的目的都是為了提高用戶的價值，從而提升銷售額。概括來說，用戶分析是指通過對用戶行為、數據等進行分析，來提高某些環節的效率。
二、常見用戶分析方法
了解了什么是用戶運營，以及用戶分析要解決的問題后，下面來介紹一下用戶分析的常用方法?；氐角拔闹匈徫锏膱鼍?，可以抽象出一個用戶模型，如下圖所示，誰在多長時間內做了多少次什么行為。這個用戶模型包含許多要素：人物、時間、頻次、行為。進一步壓縮，可以得到一個新的模型圖，即誰做了什么。這個模型的要素只有兩個：用戶屬性和用戶行為。這就是用戶分析可以拆分成的兩個部分，用戶屬性分析和用戶行為分析。
1、 用戶屬性分析
在用戶屬性分析方面，主要解決的問題是商家對用戶的認知和理解，以及如何將有限的資源分配給最有價值的用戶。
用戶分析分為四個常見的場景：用戶特征、用戶畫像、用戶分群和用戶分層。
用戶特征分析旨在揭示人群特點，幫助了解產品消費人群或不同人群間的異同。推薦的分析方法是對比分析和可視化決策樹。用戶特征分析中，所有特征都是通過對比得出的。在分析報告中，如果只給出單一人群的特點，則缺乏說服力。實際操作中，應將目標人群與參照人群進行對比，以得出更準確的結論。例如，在分析雙 11 活動中復購人群的特征時，應將其與未復購人群進行對比。對比分析之后推薦采用可視化決策樹的方法。可視化決策樹是一種機器學習方法，將復購人群和未復購人群標記為 0 和 1，并將各級特征放到可視化決策樹中，以查看每個特征的值分布。這種方法具有很強的可解釋性，業務人員可以直觀地看出每個特征的分值，從而更好地理解分析結果。
用戶畫像解決的問題是商家想知道使用其產品的人是誰。與用戶特征分析不同，用戶畫像是一種基于定性描述的分析方法。在用戶畫像中，TGI 指標很重要，用于計算用戶群中各個指標的趨勢強度，一般 TGI 大于 100 表示在該方面有明顯特征。
用戶分群是將人群劃分成幾個部分，以便為不同的營銷方案制定策略。有兩種方法可以實現用戶分群：業務邏輯和聚類算法。業務邏輯基于對用戶的洞察，而聚類算法則使用常見的 k-means 算法等技術。后文中會具體介紹這種方法。
用戶分層與用戶分群不同，它將人群分成不同的等級，以便為不同的用戶提供不同的服務和資源分配。用戶分層可以解決如何分配資源的問題，并可以為某些用戶提供優先權。在用戶分層中，標準思維非常重要，需要根據一定的標準來衡量用戶。帕累托法則是一種常用的方法，根據用戶的行為累積值將人群分成不同的部分。同時在用戶分層中，也經常會使用到用戶屬性分析方法。
2、用戶行為分析
在用戶行為分析方面，主要解決的問題是了解用戶的行為模式和偏好，從而優化產品和服務，提高用戶滿意度和忠誠度。這里分為四個場景：用戶的 Aha 時刻、用戶留存、用戶流失、用戶生命周期價值。
用戶的 Aha 時刻解決的問題是找到魔法數字，也就是邊際效用分界點。
用戶留存解決的是新用戶留存提升的問題，如何讓新用戶在一定時間內盡可能地活躍。用戶留存分析通常使用統計群分析方法，將某一時間點進入的人群圈起來，并跟蹤隨時間變化的情況。
用戶流失是很多商家頭疼的問題，但如果能夠提前預測到哪些用戶可能會流失，就可以提前進行干預。對于已經流失的用戶，可以分析流失原因來制定召回策略。用戶流失分析有時需要使用機器學習方法，如回歸分析。
用戶生命周期價值是指每個用戶在整個生命周期內會貢獻多少錢，可以用來制定新客的獲客成本或新客的 ROI，以及分析用戶還剩下多少價值。
接下來展開介紹其中兩個場景，用戶分群和用戶的 Aha 時刻分析。
三、用戶分群：業務邏輯和聚類算法
用戶分群是指將大量用戶劃分成若干個具有相似特征的人群，以便制定針對性的營銷策略。以天貓為例，它將用戶劃分成八大策略人群，如新銳白領、資深中產等。
在進行用戶分群之前，需要明確要解決什么問題。以天貓的八大策略人群為例，這些人群的劃分是為了解決產品組合和定價、開發新品等問題。根據人群畫像，可以了解人群的特征和消費習慣，從而制定不同的營銷策略和產品方案。
以下是用戶分群流程圖：
第一步：需要有一個品牌用戶群。
第二步：準備業務標簽。需要從眾多標簽中找出具有真正業務含義和人群劃分價值的標簽。這與要解決的問題有關，例如，如果要解決定價問題，就需要知道用戶的消費能力，可以使用月均消費頻次和月均消費金額等標簽來衡量。有了這些標簽，就可以進行人群劃分。
第三步：人群劃分。這里用到前文中講到的兩個方法，一個是基于業務邏輯，一個是聚類方法。最終聚類出不同的人群，比如上圖中的三種顏色代表三個人群。聚類出人群之后，還要反過來去看它在不同特征下面的占比。
第四步：為人群找到合適的標簽。計算 TGI 指標或特征占比。TGI 指標大于 100 認為是顯著的，小于 100 認為是不顯著的。最終把每一個標簽過濾出來之后得到定性的描述。如新銳白領、小鎮青年、精致媽媽等。
這里用到兩個工具：聚類算法和業務邏輯。
聚類算法是通過計算人群之間的距離，將人群自動分類。在進行聚類分析時，需要注意選擇合適的指標，并去掉異常值人群和極端人群，再對剩余人群進行分類或圈出不同的人群。K-Means 聚類能夠自動地對多維數據進行聚合。但它的缺點是缺乏業務邏輯和業務含義，要解決這一問題就要加入業務邏輯。用 K-Means 聚類算法劃分完后，如果發現其與業務不相符，那么就需要去調整。
除了用聚類算法之外，還可以用業務邏輯去進行用戶分群。比如將人群和產品的標簽進行交叉，就可以得到不同人群在不同產品標簽下面的特點。例如，可以將年齡劃分成幾個段，然后反過來看每個人群在不同產品標簽下面的特征，例如更加偏好 0-400 元的產品、更加偏好職場穿搭類的產品等。
根據這些特點進行人工聚類，得到不同的人群劃分結果。最后，基于人群劃分結果和產品標簽，可以得到相應的策略，例如針對不同人群的營銷策略、內容制作策略等。這樣的標簽過程可以將業務邏輯和機器學習相結合，從而得到更加準確和更具業務含義的人群劃分結果，并在業務場景中落地。
四、用戶的 Aha 時刻-魔法數字
魔法數字解決的是最終標準閾值的問題，例如劃分會員等級的標準閾值為 1 萬元。為什么是 1 萬而不是 1 萬五或者其它數字，這就是一個標準閾值問題。
先來簡單介紹下留存率。統計某一天注冊的用戶數，以及第二天回來活躍或購買的用戶數，然后將第二天回來的人群去除，就可以得到次日留存率。
比如LinkedIn 發現新用戶在 7 天之內加滿 5 個人，留存率會提高 3 倍。再比如Facebook 發現，新用戶 10 天內關注 7 個人可以提高留存率。
基于這個邏輯，可以得到一個關于留存率與關注人數的關系圖，并通過尋找拐點來確定邊際效用的最大化。拐點是指留存率開始顯著提高的點。從數學上來講，拐點是指曲線的斜率開始明顯下降的點，也就是邊際效用最大的地方。在拐點之前，關注人數的增加對留存率的影響較大，而在拐點之后，關注人數的增加對留存率的影響逐漸減小。這個拐點就是我們的魔法數字。
如果我們找到了某個魔法數字（例如 10 或 3），那就可以將其應用于營銷策略和用戶運營策略中，例如讓用戶關注夠 10 個人或者購買夠 3 次。我們還可以將這個魔法數字作為劃分會員等級的閾值，或者想方設法讓用戶達到這個數字，從而更好地保住客戶。
上圖中展示了一個應用案例。從表格中可以看出價格與綜合滿意度的相關性是最高的，所以可以根據價格去計算回歸，得到計算魔法數字的公式。當然這個數字也需要進一步結合業務去進行驗證。
