武汉seo
扫码添加武汉seo优化服务微信客服
免费诊断网站,期待与您合作!

本地武汉网络优化公司

5H网络QQ客服:1726663034

浅谈用户运营体系即用户分层和用户分群

作者:5h网络   来源:互联网    发布时间:2022-03-09


  客户分层,是基于大方向的划分,你希看客户朝什么核心目标努力,而客户分群,则是将他们切分更细的粒度提高效果。两者是相辅相成的。

  什么是客户运营?

  它以最大化升级客户价值为目的,根据各类运营手段提高活跃度、留存率或者付费指标。在客户运营体系中,有一个经典的框架叫做aarrr,即新增、留存、活跃、传播、盈利(历史文章已经涉及了)。

  客户分层

  然而,从客户活跃到盈利,不是两个简单的步骤。如果客户打开产品既算活跃,就一定能确保商业模式盈利?优秀的客户运营体系,应该是动态的演进。

  演进是一种金字塔层级的客户群体划分,上下层呈依赖关系。

  首先,客户群体的状态会不断变化。以电商为例,他们会注册,下载,使用产品,会推荐,评价,购买以及付费,也会注销、卸载、和流失。从运营角度看,大家会引导客户做大家想要他做的事(这里是付费),这件事叫核心目标。

  核心目标当然不是一蹴而就的,客户要经历一系列的过程。

  也不是所有的客户会按照大家设想完成步骤,各步骤会呈现漏斗状的转化。大家把整个环节看功能户群体的演进。

  上图就是一个典型的自下而上的演进,概括了客户群体的理想行为。

  既然客户群体是不再是一个简单的整体,运营们也就无法一刀切的粗暴运营了,而是需要依据不同人群针对性运营。这既叫精细化策略,也叫做客户分层。

  它对运营们的最大价值,就是根据分层使用不同策略。

  新客户:我希看他们能下载产品,常用的策略是新客户福利;

  下载客户:我希看他们能使用产品,此时应该用新手引导,让他熟悉。

  活跃客户:我希看加深他们使用产品的频率,那么运营人员要持续的运营,固化客户的使用习惯,而且对产品内容感兴趣;

  兴趣客户:我希看他们完成付费决策,购买商品,运营可以使用不同的促销和营销手段;

  付费客户:这是我的目标客户,我也希看客户能一直维持这状态。

  不同的客户层级,采取的手段不同。运营同样会受资源的限制,当大家只能投进有限资源的时候,往往会选择核心群体,即上文的付费客户们。因为依据28法则,只有核心群体能贡献最大的价值。

  一个典型的例子是,在游戏公司,会有专门的人工客服甚至电话专线服务人民币玩家,声音甜美。普通玩家可能是万年不变的全全自动回复。

  想必大家已经了解分层,那么应该怎么划分?

  实际上分层并没有固定的方式,只能依据产品形态设立因地制宜的体系。不过它有一个中心思想:依据指标划分,因为指标是一种可明确衡量的标准,远优于运营人员的经验直觉。

  上图是一个简化的游戏客户分层,每层指标都是可量化的。为了上下层客户清晰,群体间应尽量独立,即信息处理rmb玩家时,应该把土豪玩家排除,信息处理普通玩家时,应该把结果中包含的上两层排除,这样运营的针对性才强。

  之后运营人员可以依此组建分层报表,根据信息趋势,制定各种方式来提高信息。

  接下来,大家想一下知乎的客户分层是什么样的形式?它的核心是大v生产内容?还是更多客户参与live获得营收?挺难决断的,实际上越来越多运营体系,客户分层是两层结构。

  它以两个相辅相成的核心作目标,以此形成双金字塔分层。

  在这种结构下,它的核心客户,既有内容生产方向的大v,又有消费方向的忠实粉丝,它们代表的是两类运营策略:

  内容生产方向:早期利用邀请制获得各行业的优秀人才,根据运营人员维系关系,而且鼓励生产内容。产品的机制也会激励大v更好的创作和生产。

  内容消费方向:则是找出普通客户的内容兴趣,加以引导,培养他们的付费习惯。增加live、值乎、电子书的曝光,设计各类优惠券促进客户使用。

  这类双金字塔结构,将内容生产者和内容消费者聚合在一起构成了整个平台的良性循环:大v创作内容,吸引普通人,普通人为内容付费,大v获得收益。

  双金字塔结构的客户分层并不少见。以大家熟知的电子商务为例,即有买家,也有卖家。买家的运营方式已经耳熟能详,卖家呢?开店教程、卖家大学、店展装修、曝光位展示、店展后台、各类辅助产品…运营同样需要帮助卖家成长,于是卖家也可以划分成普通卖家、高级卖家、大客户、超级金主这些等级。

  o2o是不是双层结构?当然是。online是客户,offline则是各类线下或者服务实体,只是这些卖家更多是销售地推和市场人员维护,但大家一样可以使用分层的思想往运营。其他还有视频直播的网红和群众,微博的大v和草根,招聘手机应用的公司和员工等等。

  不同产品的形态会有不同,同一产品的不同阶段,也可以用不同的客户分层。一款产品早期,客户分层的目标是更多的客户和kol,后期,会更贴近商业方向,这就需要运营设立灵活的分层了。

  客户分层,一般45层结构就可以了,过多的分层会变得复杂,不最适合运营策略的执行。

  客户分群

  客户运营体系是否只有客户分层?不彻底是。

  客户分层是上下结构,可是客户群体并不能以结构作为彻底概括。简单想一下吧,大家以是否付费划出了付费客户群体,可是这部分群体也有不同,有客户一掷千金,有客户高频购买,有客户曾经购买但是现在不买了,这该怎么细分?

  如果继续增加层数,条件会变得复杂,也解决不了业务服务需求。

  于是,大家使用水平结构的客户分群。将相同分层内的群体继续切分,满足更高的精细化需要。

  怎么理解客户分群,大家拿以下的案例说明。

  男女性别在以消费为核心的产品中会呈现显著的差别,它就是两个相异的群体。分群的核心目标是提高运营效果,将运营策略的价值最大化,在电商产品中,区分男女很正常,但是在工具类的手机应用中,或许就没有必要性了。

  这也是我一直强调的,分层和分群,都是以产品和运营目标为依据才能建立体系。

  接下来是分群的实际运用。

  rfm模型是客户管理中的经典方法,它用以衡量消费客户的价值和创利水平,是一个典型的分群。

  它依托收费的1个核心指标:消费金额、消费频率和最近一次消费时间,以此来组建消费模型。

  消费金额monetary:消费金额是营销的黄金指标,28法则指出,公司80%的收进来自20%的客户,该指标直接反运客户的对公司利润的贡献。

  消费频率frequency:消费频率是客户在限定的期间内购买的次数,最常购买的客户,忠诚度也越高。

  最近一次消费时间recency:衡量客户的流失,消费时间越接近当前的客户,越非常容易维系与其的关系。1年前消费的客户价值肯定不如一个月才消费的客户。

  根据这1项指标,大家很非常容易组建出一个描述客户消费水平的坐标系,以1个指标形成一个信息立方体:

  坐标系上,1个坐标轴的两端代表消费水平从低到高,客户会依据其消费水平,落到坐标系内。当有足够多的客户信息,大家就能以此划分大约8个客户群体。

  比如客户在消费金额、消费频率、最近一次消费时间中都表现优秀,那么他就是重要价值客户。

  如果重要价值客户最近一次消费时间距今比较久远,没有再消费了,他就变成重要挽留客户。因为他曾经很有价值,大家不希看客户流失,所以运营人员和市场人员可以专门针对这一类人群唤回。

  图中不同的象限区域,都对应不同的消费人群。大家是愿意简单地视为一体往运营,还是依据人群差别对待呢?

  这就是rfm模型,曾经在传统行业被频繁运用,而在以消费为主的运营体系中能够移植过来为大家所用,它既是crm系统的核心,而是消费型客户分群的核心。

  rfm模型的主流分群方式有两种。

  一种是建立指标,以指标作为划分依据,和客户分层差不多。

  指标的判断和设立,需要业务服务专家的经验:什么样的算高消费频率,什么样的算低,消费多少金额算有价值,这些都是学问。而且需要不断修正和改进。

  上图是一个简化的划分,实际运用会更复杂,因为指标未必有代表性。大部分收费相关的信息,都会呈长尾分布,80%客户都集中在低频低金额的区间,20%的客户却又创造了大部分营收,这是划分的难点。

  指标一般用描述性统计的分位数,以中位数、第一4分位数、第14分位数等划分。

  另外一种是用算法,根据信息挖掘建立客户分群,不需要人工划分。最常见的算法叫kmeans聚类算法,核心思想是「物以类聚,人以群分」。

  大家以网上某公司的信息开展python建模,首先无量纲化(z-score)处理,而且清洗掉异常极值。

  上图的1列信息是经过标准化后的客户消费信息。值越接近0,说明离平均水平越近。r值因为是最近一次消费时间,所以值越小,说明时间越接近,值越大,说明消费越久远。

  根据rfm1个指标(在服务器学习中叫做特征),先建立可视化的散点图。下图是最近一次收费r和收费金额m的散点图。每一个点都代表着一位客户的收费相关信息。

  散点图上暂时看不出客户分群的规律,只能初步判断,大部分的信息呈集中趋势。

  既然kmeans算法的核心思想是「物以类聚,人以群分」,它就是以距离作为目标函数。简而言之,在距离上越接近的两个客户,其相似的可能性也越大,于是kmeans就把相似的群体找出来,叫做簇。簇与簇之间的距离越大,客户群体间越独立,这叫群分;簇内的距离越紧凑,说明客户们越相似,这叫类聚。

  根据图表说话:

  红圈标出的这些客户,更有可能相似,属于相同客户群体。因为他们在r和m这两个指标上,信息接近,都处于消费金额较低,且近期有消费的人群。

  至于是不是,让算法解决吧,主要的算法原理和过程就不演示了。大家假设能划分出5类客户群体,然后看下这些人群是什么样的。

  上图的不同颜色,就是算法信息处理出的客户群体。

  红色客户群体:代表的是高消费金额,因为数量稀少,所以在最近一次消费时间上没有明显区分,不过并不久远。这些都是产品的爸爸和金主。

  绿色客户群体:代表的是有流失倾向的客户,这些客户消费金额不太多,运营可以采取适当的挽回策略。

  紫色客户群体:代表的是近期消费,消费金额较少的客户,运营需要挖掘他们的价值,往发展和培养。

  青色和蓝色似乎不能明显区分。那大家改一下散点图的维度呢?

  改用指标r和f后,则是另外一种视角。青色客户群体比蓝色客户群体有过更多的消费次数,蓝色客户的消费频率比较差,更需要激励。紫色客户群体有着相当高的消费频率。

  到此,客户群体已经明显区分,大家是否能准确概述这些客户的特点了呢?虽然从信息分布上,长尾形态会一定程度影响可读性,但运营还是能针对不同群体作出相应的运营手段。

  根据散点图矩阵观察最终的结果(图片可能清晰度不佳):

  以上就是rfm模型的内容。它能动态的提供客户的消费轮廓,给市场、销售、产品和运营人员提供精细化运营的依据。这也是信息挖掘在客户运营的运用之一,大家要了解。

  怎么划分群体是一门学问,划分的群体少了,区分度不明显;划分的多了,则没有业务服务价值,210一些群体你怎么往运营?群体数量,是要在信息和业务服务间取得平衡。

  总而言之,分群的方法,一类是根据指标和属性人工的划分出客户群体。另外一类是根据信息挖掘,给结果赋予业务服务意义。反正最终的目的是提高运营效果和价值。

  大家可以用rfm模型,试着将思维更开阔一下,能不能玩出新花样?彻底可以尝试。

  金融:投资金额、投资频率、最近一次投资时间;

  直播:观看直播时长、最近一次观看时间、打赏金额;

  内容:评论次数、评论字数、评论被点赞数;

  网站:登录次数、登录时长、最近一次登录时间;

  游戏:等级、游戏时长、游戏充值金额。

  这些是我简单列举的参考,未必准确,作为大家参考的他山之石。不同产品的分群策略也不一样,比如酒店产品,住宿不是一个固态的需求,是否需要加进时间的维度呢?也许住宿条件会更好分群。

  需要注意的是,群体数量并不固定,可以是两个,也可以是4个,主要就看业务服务需求,主要是能囊括大部分客户。只是别太多,一来复杂,2来kmeans聚类在多特征的表现不算好。

  根据客户分层和客户分群,想必大家已经了解了客户运营体系的基石。客户分层,是基于大方向的划分,你希看客户朝什么核心目标努力,而客户分群,则是将他们切分更细的粒度提高效果。两者是相辅相成的。

  如果客户大到一定量级,分层和分群就未必是好的方法,因为客户群的属性粒度特征跟着产品进一步扩大,不论怎么细分都难以满足客户的复杂性,常见于各类平台型产品。这时候需要引进客户画像(userprofile)体系,此时的客户分层和分群,都只是画像的一部分了。