在Pt學院(yuan)的(de)(de)(de)(de)《用戶(hu)運(yun)營的(de)(de)(de)(de)深度思維與方法(fa)》的(de)(de)(de)(de)分享結束后的(de)(de)(de)(de)提問環(huan)節，有一(yi)(yi)(yi)個(ge)聽眾問我一(yi)(yi)(yi)個(ge)很“實在”的(de)(de)(de)(de)問題，分析和優化用戶(hu)運(yun)營，有哪些模型(xing)。我把一(yi)(yi)(yi)些常用的(de)(de)(de)(de)模型(xing)一(yi)(yi)(yi)一(yi)(yi)(yi)簡單介紹之后，忽然發(fa)現，這已經可以寫一(yi)(yi)(yi)本(ben)(ben)書(shu)(shu)了。不(bu)過，寫一(yi)(yi)(yi)本(ben)(ben)書(shu)(shu)的(de)(de)(de)(de)時間可能(neng)不(bu)夠，但(dan)寫一(yi)(yi)(yi)篇文(wen)章還是完全可行的(de)(de)(de)(de)。
因(yin)此(ci)，正(zheng)好把團(tuan)隊(dui)們(men)這些(xie)年來(lai)做過(guo)的(de)和所想(xiang)的(de)模(mo)(mo)(mo)型(xing)(xing)與(yu)方法，跟大家(jia)簡(jian)要(yao)介紹。當然，文字表述終究(jiu)有(you)限，絕知此(ci)事要(yao)躬行，還是建議(yi)大家(jia)從真正(zheng)的(de)實踐(jian)中(zhong)驗證模(mo)(mo)(mo)型(xing)(xing)，甚至找到自己(ji)的(de)模(mo)(mo)(mo)型(xing)(xing)。另外，在下面(mian)的(de)這些(xie)模(mo)(mo)(mo)型(xing)(xing)中(zhong)，我(wo)難(nan)免不帶著“批判(pan)的(de)”眼(yan)光去看待這些(xie)模(mo)(mo)(mo)型(xing)(xing)，因(yin)為(wei)沒有(you)完美(mei)的(de)模(mo)(mo)(mo)型(xing)(xing)，任(ren)何模(mo)(mo)(mo)型(xing)(xing)均有(you)適用范(fan)圍(wei)和缺(que)陷，真正(zheng)可用的(de)模(mo)(mo)(mo)型(xing)(xing)，永遠來(lai)自于(yu)你(ni)自己(ji)的(de)業務。這13個模(mo)(mo)(mo)型(xing)(xing)分別是：
第一類(lei)：運營思(si)維(wei)模(mo)型(xing)(xing)AARRRAIPLAMOT第二類(lei)：客(ke)戶(hu)認知模(mo)型(xing)(xing)RFM自定義聚類(lei)用戶(hu)活躍度模(mo)型(xing)(xing)用戶(hu)偏好識別(bie)模(mo)型(xing)(xing)第三類(lei)：運營增長(chang)模(mo)型(xing)(xing)留存(cun)曲(qu)線Cohort模(mo)型(xing)(xing)增長(chang)曲(qu)線K因子流失預警模(mo)型(xing)(xing)誘(you)餌(er)、觸點與(yu)規則模(mo)型(xing)(xing)
運營(ying)思維模型(xing)是(shi)那些(xie)“非常正確(que)”但并不能(neng)讓你立即采取行動的(de)(de)(de)模型(xing)。不少人(ren)對這(zhe)些(xie)模型(xing)存在“意見”，正是(shi)因(yin)為他們很正確(que)卻又“無法落地(di)”。另(ling)有聰明(ming)的(de)(de)(de)朋友(you)可能(neng)會覺得，這(zhe)些(xie)模型(xing)都是(shi)“馬后(hou)炮”，這(zhe)不就是(shi)我日常策(ce)略的(de)(de)(de)總(zong)結嘛。話雖如此，這(zhe)些(xie)模型(xing)仍然是(shi)對成功(gong)策(ce)略的(de)(de)(de)簡(jian)單精辟的(de)(de)(de)總(zong)結。
AARRR模(mo)型的(de)適用范圍往(wang)往(wang)在(zai)數字化(hua)產品和服務端(duan)，但對傳統業務也有啟發。但我過去幾(ji)乎都是忽略這個模(mo)型不講，因(yin)為這個模(mo)型最大的(de)問題在(zai)于，它給出了一個“正確的(de)廢話”，卻不能告訴叫你究竟應該怎么做。
AARRR的(de)(de)含義(yi)是(shi)：引(yin)(yin)流(liu)-激活-留存(cun)-變(bian)現(xian)-推(tui)(tui)薦。后面(mian)三個的(de)(de)順序有爭議，不(bu)同的(de)(de)人(ren)(ren)有不(bu)同的(de)(de)解釋。總(zong)體來看(kan)，這(zhe)(zhe)個模(mo)型(xing)的(de)(de)實質仍然是(shi)：引(yin)(yin)流(liu)-互動-轉(zhuan)化(hua)-留存(cun)-推(tui)(tui)薦，是(shi)對(dui)客戶正常的(de)(de)忠誠周期中(zhong)(zhong)一步(bu)步(bu)轉(zhuan)化(hua)進行描(miao)述(shu)的(de)(de)模(mo)型(xing)。很多(duo)人(ren)(ren)認為這(zhe)(zhe)個模(mo)型(xing)是(shi)“新瓶裝舊(jiu)酒”，但事實上，這(zhe)(zhe)個模(mo)型(xing)強調(diao)(diao)了過(guo)去比較少強調(diao)(diao)的(de)(de)客戶經(jing)營策(ce)略(lve)，例如，它強調(diao)(diao)“激活”，也強調(diao)(diao)“推(tui)(tui)薦”，這(zhe)(zhe)是(shi)在數字世(shi)界中(zhong)(zhong)更容易實現(xian)的(de)(de)用戶策(ce)略(lve)，而(er)在傳統世(shi)界中(zhong)(zhong)則相對(dui)較難(nan)。
但事實上，近(jin)年來很多成功的(de)(de)數字經(jing)濟下的(de)(de)客戶增(zeng)長(chang)(chang)(chang)，是否本(ben)質符合AARRR模(mo)型(xing)，也存(cun)在爭議。例如，相當(dang)多的(de)(de)聲音質疑(yi)“小(xiao)藍杯”和“小(xiao)黃(huang)車”之類的(de)(de)增(zeng)長(chang)(chang)(chang)模(mo)式(shi)并(bing)不符合真(zhen)正的(de)(de)AARRR模(mo)型(xing)，只會對(dui)運(yun)營(ying)者有(you)更大的(de)(de)誤(wu)導。對(dui)于(yu)“小(xiao)藍杯”，最大的(de)(de)爭議在于(yu)它(ta)的(de)(de)增(zeng)長(chang)(chang)(chang)并(bing)非來源于(yu)“自(zi)推(tui)薦”，而是來自(zi)于(yu)“利誘推(tui)薦”，即以虧損作(zuo)為代價(jia)進行(xing)補貼，換取用(yong)戶數量后(hou)在資(zi)本(ben)市場實現(xian)變現(xian)的(de)(de)操作(zuo)模(mo)型(xing)。
“滴(di)滴(di)”某種程度上(shang)也是(shi)這樣的(de)(de)模式(shi)——這造成了(le)滴(di)滴(di)直到今天仍(reng)然(ran)嚴重虧損。“小黃車”的(de)(de)問題則(ze)在于(yu)它的(de)(de)用(yong)戶增量雖然(ran)確(que)實來自于(yu)運營，但(dan)這運營的(de)(de)核心在于(yu)提供更具有(you)競爭力(li)的(de)(de)產品(pin)（更好騎(qi)的(de)(de)車輛+更廣闊的(de)(de)覆蓋），而通過推薦（Refer）所帶來的(de)(de)用(yong)戶增長則(ze)非常有(you)限(xian)。
Facebook和Linkedin常常被(bei)作為AARRR的(de)(de)(de)典(dian)型(xing)例子傳播，但容易被(bei)忽視的(de)(de)(de)一點(dian)是，Facebook和Linkedin都是具有(you)(you)強烈的(de)(de)(de)“網絡效(xiao)應”的(de)(de)(de)產品(pin)，因此(ci)推薦（Refer）就不再僅(jin)(jin)僅(jin)(jin)是一種運營(ying)策略，而(er)是由(you)其(qi)產品(pin)的(de)(de)(de)先天基因所決(jue)定的(de)(de)(de)。這(zhe)是大(da)多(duo)數今天的(de)(de)(de)數字產品(pin)想(xiang)要擁(yong)有(you)(you)，卻無法根本擁(yong)有(you)(you)的(de)(de)(de)特(te)性(xing)。那(nei)些天生(sheng)擁(yong)有(you)(you)這(zhe)樣特(te)性(xing)的(de)(de)(de)產品(pin)，今天早(zao)已被(bei)開發殆盡。例如七八年(nian)前的(de)(de)(de)微信，或(huo)是更早(zao)的(de)(de)(de)淘(tao)寶。
那么(me)，我們(men)(men)要從AARRR模(mo)型(xing)中(zhong)學到什么(me)？它是否并(bing)不(bu)能(neng)真正有效指導我們(men)(men)？并(bing)非(fei)如此，這(zhe)個模(mo)型(xing)是一個類似于“check list”的思想(xiang)，告訴了我們(men)(men)應該(gai)將(jiang)運營工作分(fen)(fen)為(wei)五個需要深入思考(kao)的部(bu)分(fen)(fen)，以(yi)及這(zhe)五個部(bu)分(fen)(fen)之間可以(yi)通過運營構建起相互的關(guan)聯(lian)。當(dang)然，在這(zhe)個模(mo)型(xing)中(zhong)肯(ken)定并(bing)未告訴你應該(gai)怎么(me)做(zuo)到，因此，需要更(geng)(geng)具(ju)有操(cao)作性的模(mo)型(xing)才能(neng)實現AARRR的思想(xiang)所倡導的結(jie)果。在本文后面，我們(men)(men)會介紹(shao)具(ju)體(ti)的幾類更(geng)(geng)具(ju)操(cao)作性的模(mo)型(xing)。
如(ru)(ru)果數(shu)字世(shi)界(jie)中強(qiang)調(diao)AARRR，那么傳(chuan)統(tong)世(shi)界(jie)的用戶(hu)運(yun)營模型(xing)則是AIPLA，即(ji)Awareness – Interest – Purchase – Loyalty – Advocation（認知-興趣-購買-忠誠-擁護）。僅從(cong)字面上看，你就(jiu)會發現(xian)這個(ge)模型(xing)簡直跟AARRR模型(xing)沒有什么本(ben)質差異。AIPLA描述了傳(chuan)統(tong)世(shi)界(jie)中客戶(hu)的轉化過(guo)(guo)程，即(ji)從(cong)對產品(pin)有所認知，一直到成為“死(si)忠粉”的全過(guo)(guo)程，并強(qiang)調(diao)在此過(guo)(guo)程中各個(ge)階(jie)段應用不同(tong)的運(yun)營策略。的確，AIPLA模型(xing)被廣泛提及，例如(ru)(ru)，阿里(li)的品(pin)牌數(shu)據銀行(xing)的主邏輯，就(jiu)是AIPL（沒有A），騰訊(xun)數(shu)據智庫（TDC）也是如(ru)(ru)此，只是換了同(tong)義詞表述而已，本(ben)質沒有變(bian)化。
上圖：阿里的品牌數據銀(yin)行就(jiu)使用了AIPL模型
上圖(tu)：騰訊數(shu)據智庫也同樣類似于AIPL模型
盡管看起來(lai)幾乎一(yi)樣，但AIPLA與(yu)AARRR還是有(you)所不(bu)同，在于AIPLA強調客戶從一(yi)端（Awareness）到另一(yi)端（Advocate）的(de)有(you)序(xu)的(de)線性(xing)過程，而(er)AARRR中(zhong)(zhong)的(de)RRR則完(wan)全可(ke)能(neng)是無序(xu)的(de)。例如，你(ni)的(de)用(yong)(yong)戶完(wan)全可(ke)以不(bu)購買你(ni)的(de)數字產(chan)品，但仍然可(ke)以非常忠誠地使用(yong)(yong)你(ni)的(de)產(chan)品或跟人推薦你(ni)的(de)產(chan)品，這在傳(chuan)統世界中(zhong)(zhong)這幾乎是不(bu)可(ke)能(neng)的(de)。
因(yin)此，傳統世(shi)界中的(de)(de)AIPLA模型更(geng)強調首尾銜接(jie)的(de)(de)過程化的(de)(de)運營，而數(shu)字世(shi)界中的(de)(de)AARRR則更(geng)多單點的(de)(de)激活(huo)策略。也正是(shi)因(yin)為上面的(de)(de)現象，導致傳統世(shi)界的(de)(de)客戶深(shen)度(du)運營相對于數(shu)字世(shi)界而言總體更(geng)困難。
這(zhe)也是為什么傳統領域紛紛需(xu)要(yao)(yao)“數字化轉(zhuan)型”的(de)一個重要(yao)(yao)的(de)原因，大家需(xu)要(yao)(yao)把線(xian)下的(de)運(yun)(yun)營線(xian)上化，從而更能夠(gou)深入運(yun)(yun)營客戶(hu)。AIPLA模型應該(gai)怎么落地(di)？這(zhe)個模型同樣屬于“思維方(fang)式”模型，落地(di)則需(xu)要(yao)(yao)其他工具的(de)幫(bang)助(zhu)。我(wo)們后文(wen)介紹。
消費(fei)者旅程的(de)(de)核心思想(xiang)——無論(lun)它(ta)的(de)(de)表(biao)現形式是(shi)AARRR，還是(shi)AIPLA——都將消費(fei)者的(de)(de)購(gou)物(wu)行為描述為從認知到(dao)興趣(qu)，再(zai)從興趣(qu)轉化為購(gou)買(mai)，以及從購(gou)買(mai)轉化為忠誠的(de)(de)一(yi)連串先后發生的(de)(de)過程。這(zhe)一(yi)過程被稱為消費(fei)者旅程。
消費者時刻（Moment of Truth，簡稱MOT）是消費者旅(lv)程(cheng)中的(de)一些(xie)關(guan)鍵(jian)“里程(cheng)碑”似的(de)節(jie)點。例如，搜索(suo)某個(ge)產品(pin)，又或(huo)者把(ba)這個(ge)產品(pin)的(de)信息分(fen)享給其他(ta)人。這個(ge)概念最(zui)初(chu)來(lai)源于寶潔。你可以發揮(hui)想象——一個(ge)客戶在其消費旅(lv)程(cheng)的(de)全過程(cheng)中，就像或(huo)明或(huo)暗(an)若(ruo)隱若(ruo)現的(de)一條彎彎曲曲的(de)道路(lu)，而MOT就像這個(ge)道路(lu)中間燃燒的(de)火把(ba)，指(zhi)引著這條路(lu)的(de)方向。
我(wo)們無法(fa)直接控制(zhi)消費(fei)者(zhe)旅程(cheng)，但能透(tou)過(guo)MOT來對消費(fei)者(zhe)旅程(cheng)施加(jia)(jia)影(ying)響(xiang)。甚至很多時(shi)候，我(wo)們也無需參(can)透(tou)消費(fei)者(zhe)旅程(cheng)到底(di)是(shi)(shi)什(shen)么，我(wo)們只是(shi)(shi)在設(she)計(ji)MOT，對這個消費(fei)者(zhe)施加(jia)(jia)影(ying)響(xiang)，從而讓他快速(su)切變到下一(yi)個更(geng)接近于轉化的MOT或者(zhe)甚至是(shi)(shi)轉化本身(shen)。
MOT中又有(you)一(yi)(yi)類是(shi)非常重要的(de)，即ZMOT（Zero Moment of Truth，原初MOT），意思是(shi)在(zai)某(mou)(mou)種情況的(de)刺激下，一(yi)(yi)個(ge)人(ren)最(zui)(zui)初的(de)一(yi)(yi)個(ge)心(xin)理上的(de)活動(dong)，讓他意識到(dao)他需(xu)要購買某(mou)(mou)個(ge)東西或者服務。對(dui)于Google而言(yan)，這個(ge)心(xin)理上的(de)活動(dong)體現為在(zai)搜(sou)(sou)索引擎上進行(xing)搜(sou)(sou)索。對(dui)于阿里而言(yan)，這個(ge)心(xin)理活動(dong)起始(shi)于一(yi)(yi)個(ge)人(ren)開(kai)始(shi)了一(yi)(yi)個(ge)一(yi)(yi)段時(shi)間(jian)內從未有(you)過的(de)某(mou)(mou)類商品(pin)的(de)搜(sou)(sou)索。另外一(yi)(yi)個(ge)MOT是(shi)UMOT（Ultimate Moment of Truth），即最(zui)(zui)終(zhong)的(de)MOT，人(ren)們(men)在(zai)整個(ge)購物歷程中的(de)最(zui)(zui)后一(yi)(yi)個(ge)關鍵時(shi)刻(ke)(ke)，往往就是(shi)把自己的(de)商品(pin)體驗(yan)分(fen)享出去的(de)時(shi)刻(ke)(ke)。
ZMOT和UMOT的思想(xiang)來自于谷歌。
圖片來自：emfluence.com
與第(di)一類模(mo)型(xing)(xing)不(bu)同，第(di)二類模(mo)型(xing)(xing)是可(ke)以(yi)(yi)讓我(wo)們實際操(cao)作(zuo)的(de)模(mo)型(xing)(xing)，并且(qie)基于這些操(cao)作(zuo)，我(wo)們可(ke)以(yi)(yi)更深入的(de)了解客戶的(de)情況，從(cong)而為我(wo)們的(de)運營策略提供依據(ju)。
RFM模型的(de)核心用途是對所有的(de)客戶(hu)進行價值衡量，然(ran)后對這些客戶(hu)進行分(fen)類。因此，本質上這個模型是一(yi)個非(fei)常(chang)簡單的(de)分(fen)類模型。
你(ni)可(ke)以(yi)(yi)想(xiang)象你(ni)是一(yi)個農(nong)場主，蘋(pin)(pin)(pin)(pin)(pin)果(guo)(guo)豐收了(le)，你(ni)想(xiang)把蘋(pin)(pin)(pin)(pin)(pin)果(guo)(guo)分為不同的(de)(de)類(lei)別(bie)定價售賣(mai)。于(yu)是你(ni)制定了(le)分類(lei)方式(shi)：蘋(pin)(pin)(pin)(pin)(pin)果(guo)(guo)的(de)(de)“膚色(se)”、蘋(pin)(pin)(pin)(pin)(pin)果(guo)(guo)的(de)(de)大(da)(da)小，以(yi)(yi)及蘋(pin)(pin)(pin)(pin)(pin)果(guo)(guo)的(de)(de)口(kou)味。紅色(se)的(de)(de)大(da)(da)蘋(pin)(pin)(pin)(pin)(pin)果(guo)(guo)且脆甜(tian)(tian)的(de)(de)屬于(yu)一(yi)類(lei)，綠色(se)的(de)(de)大(da)(da)蘋(pin)(pin)(pin)(pin)(pin)果(guo)(guo)且粉甜(tian)(tian)的(de)(de)也(ye)屬于(yu)一(yi)類(lei)，這樣大(da)(da)概可(ke)以(yi)(yi)分出8類(lei)蘋(pin)(pin)(pin)(pin)(pin)果(guo)(guo)。然后按照各種(zhong)類(lei)別(bie)的(de)(de)蘋(pin)(pin)(pin)(pin)(pin)果(guo)(guo)進(jin)行標價。
RFM就(jiu)是(shi)(shi)這樣的道理，三(san)個(ge)字母就(jiu)代(dai)表了(le)三(san)個(ge)分(fen)類標準(zhun)：R和(he)F和(he)M。R即發生(sheng)購買的日(ri)期的臨近(jin)度，R的值越(yue)大，表示(shi)(shi)交易是(shi)(shi)越(yue)靠(kao)近(jin)現在發生(sheng)的，否則(ze)(ze)則(ze)(ze)是(shi)(shi)更久(jiu)以前發生(sheng)的。F是(shi)(shi)購買頻次，F越(yue)大，說(shuo)明交易的次數越(yue)多。M則(ze)(ze)是(shi)(shi)交易金額，M越(yue)大，金額越(yue)高(gao)。RFM三(san)個(ge)標準(zhun)，往往用(yong)數據代(dai)筆(bi)的程度表示(shi)(shi)，比如(ru)R用(yong)1、2、3表示(shi)(shi)，3表示(shi)(shi)最近(jin)購買，1表示(shi)(shi)很(hen)久(jiu)以前購買，2則(ze)(ze)表示(shi)(shi)在中間階(jie)段。
如(ru)果用最簡單的0和1表(biao)示，則同樣可以把自己的客戶(hu)分為8類，如(ru)下表(biao)所(suo)示：
當(dang)然，你也(ye)可(ke)以(yi)把每個標準都設定(ding)5個檔次，那么就會有5的(de)3次方供125個類別的(de)客戶，如下圖所示：
對于(yu)不同(tong)類型(xing)的(de)客戶，立(li)即(ji)可以有不同(tong)的(de)運營策略。比如(ru)，對于(yu)重要挽(wan)留(liu)客戶，需要做的(de)事情，就(jiu)是(shi)(shi)AARRR模(mo)(mo)(mo)型(xing)中的(de)第二個A，即(ji)激活。至于(yu)如(ru)何(he)激活，則需要用(yong)到另外的(de)模(mo)(mo)(mo)型(xing)，也(ye)就(jiu)是(shi)(shi)我們后面要介紹的(de)“誘餌(er)、觸點(dian)、規則”模(mo)(mo)(mo)型(xing)。
RFM主要(yao)(yao)是(shi)用(yong)(yong)在(zai)零售行(xing)業(ye)(ye)中，它并(bing)(bing)不(bu)(bu)是(shi)對所有行(xing)業(ye)(ye)都有用(yong)(yong)，原因(yin)很(hen)簡(jian)單，因(yin)為RFM的(de)(de)R和F對很(hen)多(duo)行(xing)業(ye)(ye)而言并(bing)(bing)不(bu)(bu)存在(zai)。比(bi)如，學歷(li)教(jiao)育，F可能永(yong)遠都只有1次。但(dan)對于存在(zai)高頻用(yong)(yong)戶互動(dong)的(de)(de)行(xing)業(ye)(ye)，RFM的(de)(de)思想卻很(hen)有用(yong)(yong)，即(ji)(ji)使這個行(xing)業(ye)(ye)并(bing)(bing)不(bu)(bu)追求立即(ji)(ji)的(de)(de)轉化(hua)，也(ye)就是(shi)不(bu)(bu)太在(zai)乎短期內的(de)(de)M，RFM仍然可以使用(yong)(yong)。例(li)如，對于信息流(liu)(liu)媒體，它并(bing)(bing)不(bu)(bu)需要(yao)(yao)用(yong)(yong)戶在(zai)信息流(liu)(liu)上買東(dong)西，同樣可以用(yong)(yong)RFM衡量用(yong)(yong)戶的(de)(de)價值，無非是(shi)把M換(huan)成另外一(yi)個度量，比(bi)如閱讀新聞的(de)(de)時間即(ji)(ji)可。
RFM價值很(hen)大，一(yi)方面是它幾乎(hu)是最容易操作(zuo)的(de)(de)(de)模(mo)型(xing)（用(yong)excel做一(yi)個條件即可），另一(yi)方面是它具有(you)很(hen)強的(de)(de)(de)適應(ying)性(xing)。但它的(de)(de)(de)弱點也(ye)很(hen)明顯(xian)，對(dui)于客戶(hu)的(de)(de)(de)分類(lei)不夠(gou)精細，它提供了一(yi)個衡量客戶(hu)“重要度”的(de)(de)(de)線索，但除此之(zhi)外，缺乏(fa)更深入的(de)(de)(de)用(yong)于幫助運營(ying)的(de)(de)(de)信息(xi)。
自(zi)定義(yi)(yi)的(de)(de)(de)聚(ju)類(lei)(lei)與(yu)RFM的(de)(de)(de)思想本質上是(shi)(shi)一致的(de)(de)(de)，區(qu)(qu)別在于，自(zi)定義(yi)(yi)的(de)(de)(de)聚(ju)類(lei)(lei)是(shi)(shi)自(zi)己選(xuan)擇標準去給現有(you)的(de)(de)(de)客(ke)戶(hu)(hu)做分類(lei)(lei)。自(zi)定義(yi)(yi)的(de)(de)(de)客(ke)戶(hu)(hu)聚(ju)類(lei)(lei)的(de)(de)(de)目的(de)(de)(de)是(shi)(shi)為了(le)彌補RFM的(de)(de)(de)短板，畢竟不(bu)是(shi)(shi)所有(you)的(de)(de)(de)業態都是(shi)(shi)零(ling)售業，而且(qie)也(ye)并不(bu)是(shi)(shi)所有(you)的(de)(de)(de)業態都適合(he)于用簡單的(de)(de)(de)層(ceng)次劃分來區(qu)(qu)隔客(ke)戶(hu)(hu)。
自定義的(de)聚類(lei)可以(yi)(yi)(yi)自己選擇任意合理的(de)標準（也就(jiu)是變量）來聚類(lei)客戶，并且可以(yi)(yi)(yi)不(bu)止三個(ge)標準，你甚至可以(yi)(yi)(yi)擴(kuo)展到十個(ge)以(yi)(yi)(yi)上的(de)標準。不(bu)過，這(zhe)個(ge)方(fang)法顯然不(bu)能(neng)簡(jian)單(dan)利用(yong)(yong)excel就(jiu)能(neng)做到，而是需要(yao)利用(yong)(yong)數據(ju)建模(mo)(mo)（聚類(lei)本身(shen)就(jiu)是一個(ge)數據(ju)處理的(de)模(mo)(mo)型）才能(neng)完(wan)成，例如使(shi)用(yong)(yong)SPSS或SAS工具。
上圖：這是最簡單(dan)的一種聚(ju)類——兩個(ge)變量(liang)的聚(ju)類
上圖：大(da)多(duo)數聚類是選擇(ze)3個(ge)甚至更多(duo)變量完成的(de)
自定義聚類的(de)(de)(de)優點(dian)在于靈活，但也有缺點(dian)。聚類模型的(de)(de)(de)算法，如果不(bu)加約(yue)束，往(wang)(wang)往(wang)(wang)會聚類出遠超出你的(de)(de)(de)想象的(de)(de)(de)數(shu)量的(de)(de)(de)客(ke)戶(hu)(hu)群，如果你真(zhen)的(de)(de)(de)用(yong)十個(ge)(ge)以上的(de)(de)(de)標準(zhun)，可(ke)能會聚類出上千個(ge)(ge)客(ke)戶(hu)(hu)群，這(zhe)樣你就無法對這(zhe)些(xie)群體(ti)進行解讀。最(zui)佳實踐方式是，選擇3-4個(ge)(ge)與(yu)客(ke)戶(hu)(hu)的(de)(de)(de)行為或運營的(de)(de)(de)成敗(bai)最(zui)相關的(de)(de)(de)標準(zhun)即(ji)可(ke)，然后約(yue)束生(sheng)成聚類的(de)(de)(de)群體(ti)的(de)(de)(de)數(shu)量，最(zui)好10個(ge)(ge)以內，是容易(yi)被處理(li)(li)和理(li)(li)解的(de)(de)(de)。
與自定義的聚類一樣，用戶活躍度模型也是一個完完全全的自定義的模型。這個模型有另外一個名字，即engagement index。Engagement index的(de)(de)價值在(zai)(zai)于衡量不同(tong)客戶(hu)（用(yong)戶(hu)）的(de)(de)活(huo)躍度，這個模(mo)型與前(qian)面的(de)(de)聚類或者RFM的(de)(de)最(zui)大區(qu)別在(zai)(zai)于，它完全(quan)不care用(yong)戶(hu)最(zui)終是否發(fa)生了購買行為(wei)，而僅僅只(zhi)看用(yong)戶(hu)使用(yong)你(ni)的(de)(de)產品或者與你(ni)互動的(de)(de)強度。建(jian)立用(yong)戶(hu)活(huo)躍度模(mo)型并不困難，因此它也是一個極有(you)使用(yong)價值的(de)(de)模(mo)型。具體方法分(fen)為(wei)幾(ji)步：
權重的(de)設置有一定的(de)技巧(qiao)，一種方(fang)法非常(chang)主觀，但實際上卻很有作用(yong)，即，直接根據對(dui)于消費(fei)者(zhe)行(xing)為價值(zhi)的(de)經驗性(xing)判斷，來(lai)給不(bu)同類(lei)型的(de)消費(fei)者(zhe)互(hu)動打分。
另外一種，則是根據各行(xing)(xing)為與最終(zhong)轉(zhuan)(zhuan)化之間的(de)比例(li)關系進行(xing)(xing)權重設(she)置。比如(ru)，一個最理想(xiang)最極端的(de)例(li)子（但這樣(yang)的(de)例(li)子有助于大家理解），如(ru)果你認為最終(zhong)的(de)一個轉(zhuan)(zhuan)化價(jia)值1000分(fen)的(de)話，那(nei)么轉(zhuan)(zhuan)化之前的(de)用戶的(de)行(xing)(xing)為可(ke)以按照與轉(zhuan)(zhuan)化發生(sheng)(sheng)的(de)比例(li)“打分(fen)”。例(li)如(ru)，每(mei)發生(sheng)(sheng)1次轉(zhuan)(zhuan)化，就需要看商(shang)品介紹頁(ye)面100次，那(nei)么查看商(shang)品介紹頁(ye)的(de)行(xing)(xing)為每(mei)發生(sheng)(sheng)一次，就值10分(fen)。
用(yong)戶(hu)(hu)活(huo)躍度(du)模型(xing)的缺點在于，必(bi)須利用(yong)用(yong)戶(hu)(hu)行為分(fen)析工具進行埋點，并且有(you)些工具不支(zhi)(zhi)持(chi)自(zi)動(dong)化的用(yong)戶(hu)(hu)活(huo)躍度(du)打(da)分(fen)，此時你就必(bi)須導出數據(ju)自(zi)行計(ji)算(suan)。nEqual的及策（Jice）工具支(zhi)(zhi)持(chi)這一功能，這也(ye)是為什么我認為這個工具具有(you)亮點的原因。
幾乎所(suo)有(you)的高頻次客戶（用(yong)戶）互動的業態(tai)，都可以(yi)使(shi)用(yong)用(yong)戶活(huo)躍度模型(xing)。用(yong)戶活(huo)躍度不僅用(yong)來(lai)衡量用(yong)戶的價值(zhi)，也用(yong)來(lai)衡量流量的質量，所(suo)以(yi)是(shi)非常重要的模型(xing)。
用(yong)戶偏好識別模(mo)型(xing)是一個歷(li)史悠久且(qie)極有價值的模(mo)型(xing)。這(zhe)個模(mo)型(xing)實(shi)現(xian)較為復雜，需要利用(yong)算法(fa)實(shi)現(xian)。
實現對用戶(hu)的偏(pian)(pian)好(hao)進(jin)行分析和識別(bie)的算法與用戶(hu)活躍(yue)度(du)(du)模型實際上有關聯，即都是利用用戶(hu)具體的行為進(jin)行判斷(duan)，區別(bie)在于后者只是判斷(duan)活躍(yue)度(du)(du)，而前者還(huan)要判斷(duan)人(ren)們因(yin)為什么(me)（偏(pian)(pian)好(hao)）而活躍(yue)。
用(yong)戶(hu)(hu)偏好識別模型取決(jue)于算法，可(ke)以很簡單，也可(ke)以非(fei)常(chang)復雜（但(dan)(dan)可(ke)能具有更高的(de)精(jing)度）。例如，僅(jin)僅(jin)只是用(yong)一個維度，即“點擊”行(xing)為(wei)即可(ke)以作為(wei)用(yong)戶(hu)(hu)興(xing)趣的(de)特征，然后建立商(shang)品（或內容）與行(xing)為(wei)之(zhi)間的(de)二元(yuan)矩(ju)陣，即可(ke)以求解用(yong)戶(hu)(hu)偏好，但(dan)(dan)這種(zhong)方式非(fei)常(chang)粗糙(cao)。
如(ru)果考慮(lv)除了(le)(le)點擊之外的更多(duo)的行(xing)為(wei)，例(li)如(ru)收藏(zang)、點贊、評論、購買等(deng)，那么(me)就(jiu)需要(yao)對(dui)用戶的不同行(xing)為(wei)加權(quan)，此外，如(ru)同RFM模型一樣，再將(jiang)行(xing)為(wei)發(fa)生的次數和新近(jin)度(du)也(ye)考慮(lv)在內，那么(me)整(zheng)個算法就(jiu)會變(bian)得更加復雜，卻更加準確。當(dang)然(ran)，有(you)沒有(you)不需要(yao)算法的用戶偏好識(shi)別(bie)模型？也(ye)有(you)，問(wen)卷調(diao)查就(jiu)是。只不過，范圍(wei)太小，效率也(ye)太低下了(le)(le)。
用(yong)(yong)戶(hu)偏好識(shi)別模型的(de)意義(yi)非常巨(ju)大，即，通過(guo)用(yong)(yong)戶(hu)的(de)行為判斷用(yong)(yong)戶(hu)的(de)興趣，從而給予實際(ji)的(de)運營工作以(yi)巨(ju)大的(de)支持。用(yong)(yong)戶(hu)偏好識(shi)別模型也是推(tui)薦引擎的(de)基(ji)礎(chu)之(zhi)一。當然，它(ta)也是DMP和CDP這樣的(de)消費(fei)者(zhe)數據平臺給消費(fei)者(zhe)打(da)標(biao)簽的(de)基(ji)礎(chu)。
運營增長模型對于(yu)運營工(gong)作具(ju)有(you)直接的指導意義(yi)，也(ye)是我(wo)個人(ren)(ren)認為每一個運營人(ren)(ren)都應該熟練(lian)掌握的模型。
留存(cun)曲線(xian)是最簡(jian)(jian)單(dan)的(de)用戶運營增長(chang)模型。即，它將(jiang)留存(cun)率(lv)（或者留存(cun)數）按照(zhao)線(xian)性的(de)時間(jian)進行排(pai)列。一個最簡(jian)(jian)單(dan)的(de)excel就(jiu)能表示(shi)留存(cun)曲線(xian)的(de)情況。比(bi)如(ru)，下圖(tu)：
留存(cun)曲(qu)線一般(ban)是由留存(cun)率(lv)組合而成，這樣不(bu)同基(ji)數的(de)群體也可以相互(hu)比較。留存(cun)率(lv)的(de)反面（用1減去留存(cun)率(lv)）是流失率(lv)（churn rate）。
流(liu)失(shi)率 = 1 – 留存(cun)率
留存曲線(xian)的(de)斜率是(shi)另一個值(zhi)得關注的(de)指標(biao)，而且是(shi)一個很有意思的(de)指標(biao)。
顯然，斜率(lv)越高，用戶(hu)或者客戶(hu)的(de)(de)(de)留存(cun)(cun)(cun)情(qing)況越不(bu)理想。對(dui)于(yu)不(bu)同的(de)(de)(de)生意類型，留存(cun)(cun)(cun)曲線的(de)(de)(de)斜率(lv)極限是多少呢？游(you)戲、社交等高頻app很(hen)關注次(ci)日留存(cun)(cun)(cun)率(lv)、十日留存(cun)(cun)(cun)率(lv)和(he)月(yue)度留存(cun)(cun)(cun)率(lv)，一般(ban)而(er)言，次(ci)日留存(cun)(cun)(cun)率(lv)應該在30%以(yi)上，或者說低于(yu)30%就很(hen)危險。它們的(de)(de)(de)十日留存(cun)(cun)(cun)率(lv)的(de)(de)(de)極限是不(bu)能(neng)低于(yu)15%，月(yue)留存(cun)(cun)(cun)率(lv)的(de)(de)(de)極限不(bu)能(neng)低于(yu)10%。
快消品的電商(shang)則(ze)更多(duo)看(kan)月度留存率，其(qi)留存曲(qu)線的斜率與品類有很(hen)大的關系(xi)。如(ru)果是(shi)什么(me)商(shang)品都賣(mai)的賣(mai)場類電商(shang)平臺，次月留存率（指當月發(fa)生購買(mai)(mai)，次月也發(fa)生購買(mai)(mai)的人占當月總購買(mai)(mai)人群的比例）保(bao)持在10%已經相當不(bu)錯。
總體(ti)看，業態和商品，以及營銷(xiao)策(ce)略只要(yao)有(you)(you)一(yi)點區別，留存率(lv)就會很(hen)不相(xiang)同，因此，很(hen)難有(you)(you)一(yi)個(ge)行業標準(zhun)值(zhi)，比(bi)如(ru)(ru)符合(he)某一(yi)個(ge)數(shu)值(zhi)就能“生”，達不到某一(yi)個(ge)數(shu)值(zhi)就會“死”。但你(ni)仍(reng)然可以從(cong)留存曲線(xian)中看到自(zi)己生意是否成(cheng)功(gong)，因為，你(ni)很(hen)容易(yi)在你(ni)的當前留存曲線(xian)情況下計算未來這群人的收入，并且(qie)計算出真正的ROI，例如(ru)(ru)下面這個(ge)例子。
假設你(ni)(ni)為了獲(huo)取當月新增的(de)用(yong)戶(hu)(hu)，付出了500元的(de)成本，而這(zhe)些(xie)新增用(yong)戶(hu)(hu)當月已經給你(ni)(ni)帶(dai)來了1000美元的(de)收入。假設每個月這(zhe)些(xie)用(yong)戶(hu)(hu)的(de)購(gou)買(mai)(mai)傾向都沒有發(fa)生明顯變(bian)化(hua)，那(nei)么未來若干個月，這(zhe)些(xie)用(yong)戶(hu)(hu)中(zhong)留存(cun)的(de)人肯定還(huan)會繼(ji)續購(gou)買(mai)(mai)，并(bing)且購(gou)買(mai)(mai)的(de)金額隨(sui)著流失(shi)的(de)比例而同等下(xia)降。如下(xia)圖：
500元(yuan)的(de)投入(ru)，換得未來7430元(yuan)以上的(de)收(shou)益，感(gan)覺是相當不(bu)錯的(de)運(yun)營(ying)成績(ji)。
我在(zai)多處都強調(diao)過Cohort模型的價值。Cohort模型最(zui)重要的作(zuo)用就是(shi)分析(xi)不同客戶群(qun)體的留(liu)存(cun)情況，從(cong)而幫助分析(xi)更(geng)好(hao)的留(liu)存(cun)是(shi)如何(he)產生(sheng)的，并指導運營提升留(liu)存(cun)。Cohort本(ben)質上就是(shi)不同類人(ren)群(qun)的留(liu)存(cun)曲線的堆棧(zhan)。
Cohort模(mo)型的優點在于，你可以只用excel就完成全部的建(jian)模(mo)，而且加(jia)上excel的“條件格式(shi)”的“色帶”功能，簡(jian)直好用極了。如(ru)下圖所示：
Cohort分析還沒有一個所有人都統一使用的翻譯。有的說是同期群分析，有的說是同類群分析，有的說是隊列分析，有的說是世代分析，有的還說是隊列時間序列分析。大家可以參考維基百科：zh.wikipedia.org/wiki%，找(zhao)(zhao)找(zhao)(zhao)自己(ji)覺得合適的譯名。
我(wo)自己傾向于同類(lei)群(qun)分析這個譯法，因為盡管它用在不(bu)(bu)(bu)(bu)同時間(jian)周(zhou)期的(de)比(bi)較中很常用，卻(que)不(bu)(bu)(bu)(bu)僅(jin)僅(jin)如此，它同樣(yang)可以用于不(bu)(bu)(bu)(bu)同類(lei)型（比(bi)如來(lai)自不(bu)(bu)(bu)(bu)同流量(liang)來(lai)源）的(de)用戶群(qun)體之間(jian)的(de)留(liu)存情況對比(bi)。
無論哪種叫法，cohort分(fen)析(xi)(xi)(xi)在有數(shu)據運營領(ling)域都變得(de)十分(fen)重要。原因(yin)在于，隨著(zhu)流量經濟(ji)的(de)(de)退卻，精耕細(xi)作的(de)(de)互聯網運營特別需要仔(zi)細(xi)洞察留存情況。Cohort分(fen)析(xi)(xi)(xi)最大的(de)(de)價(jia)值也正在于此。Cohort分(fen)析(xi)(xi)(xi)通(tong)過對性質完全一樣的(de)(de)可對比(bi)群(qun)體(ti)的(de)(de)留存情況的(de)(de)比(bi)較，來(lai)發現哪些因(yin)素影響短、中、長期的(de)(de)留存。
Cohort分(fen)析受到歡迎的(de)另一個原(yuan)因是它用(yong)起來十(shi)分(fen)簡(jian)單，但卻十(shi)分(fen)直觀。相較于比較繁瑣的(de)流失（churn）分(fen)析，RFM或者用(yong)戶聚(ju)類等，cohort只用(yong)簡(jian)單的(de)一個excel表，甚至連四則運(yun)算(suan)都不用(yong)，就直接描述了(le)用(yong)戶在一段時間(jian)周(zhou)期（甚至是整個LTV）的(de)留存（或流失）變化(hua)情(qing)況。甚至，cohort還能幫你做預測(ce)。
除了用Excel的(de)(de)純粹數(shu)字化(hua)的(de)(de)表示(shi)，cohort一樣可(ke)以用圖形(xing)化(hua)的(de)(de)方式來表達。例(li)如，下圖中(zhong)展現了每個月(yue)在隨后若干月(yue)的(de)(de)留存用戶數(shu)量(liang)(liang)（面(mian)積圖），以及(ji)每個月(yue)的(de)(de)總用戶數(shu)量(liang)(liang)（紅色的(de)(de)粗線）。這個圖比(bi)較直觀的(de)(de)反映了，在2018年3月(yue)份的(de)(de)新用戶，留存情(qing)況要顯(xian)著(zhu)優于其他月(yue)份。
上圖來自于：cnblog.com/shaocf/arti
Cohort模型(xing)非常(chang)重要
增長曲線有J和(he)S型兩(liang)種。以及影響(xiang)增長曲線構(gou)型的外部(bu)因(yin)素K。
增(zeng)長(chang)曲(qu)線(xian)模型(xing)(xing)來自于生(sheng)物(wu)(wu)界研究，即(ji)研究一個物(wu)(wu)種(zhong)的(de)擴張(zhang)能力究竟(jing)有(you)多(duo)強。如果(guo)沒有(you)外(wai)部環境(jing)的(de)壓(ya)力（食物(wu)(wu)競(jing)爭、天敵、生(sheng)存環境(jing)不變(bian)且(qie)不會因為數量增(zeng)加(jia)而(er)惡化(hua)等），那么顯然物(wu)(wu)種(zhong)會成幾何級數量增(zeng)長(chang)，就(jiu)跟細菌分(fen)裂一樣。這會產生(sheng)一個J型(xing)(xing)曲(qu)線(xian)。否則(ze)，則(ze)是S型(xing)(xing)曲(qu)線(xian)。今天我們能夠(gou)看到的(de)增(zeng)長(chang)，基本上都(dou)是S型(xing)(xing)曲(qu)線(xian)。而(er)，為了(le)讓S型(xing)(xing)曲(qu)線(xian)能夠(gou)向(xiang)J型(xing)(xing)方向(xiang)移動（這是所有(you)運(yun)營人的(de)夢想），必(bi)須改變(bian)外(wai)部的(de)環境(jing)K。簡單講，運(yun)營工(gong)作的(de)核心，就(jiu)是改變(bian)K。
實(shi)戰中增長(chang)曲(qu)線應該如(ru)何(he)使用？坦率講(jiang)，增長(chang)曲(qu)線并不是(shi)(shi)一(yi)個非常能(neng)落地的(de)模(mo)型，或者說，它屬(shu)于一(yi)個“相對比較理(li)論(lun)化(hua)”的(de)模(mo)型。這個模(mo)型更像是(shi)(shi)一(yi)個衡量好壞的(de)指標，CEO可能(neng)會非常喜歡(huan)，尤其是(shi)(shi)看到用戶(hu)的(de)增長(chang)曲(qu)線走(zou)出一(yi)個類似“J型”的(de)時候。但(dan)這個曲(qu)線能(neng)夠多大(da)程(cheng)度指導深(shen)度運(yun)營？確實(shi)非常有限。
下面這個曲(qu)線(xian)，是某微(wei)信公眾(zhong)號用戶增(zeng)長的曲(qu)線(xian)，看(kan)起來進入2019年之(zhi)后，增(zeng)長情況好于過(guo)往。
K因(yin)子是一(yi)個(ge)(ge)很容易理解的模型(xing)，或者說它是一(yi)個(ge)(ge)很簡單的指標，用來衡(heng)量“裂變”和“病毒(du)傳播”（這兩個(ge)(ge)名詞本質(zhi)上沒有區別），即一(yi)個(ge)(ge)發(fa)起推薦的用戶可(ke)以帶來多少新用戶。
K因子(zi)以1為分界線，如果大于1，那么傳播會越(yue)來越(yue)擴張(zhang)，像細(xi)(xi)胞分裂一(yi)(yi)般。例(li)如，癌細(xi)(xi)胞，因為癌細(xi)(xi)胞短時(shi)間內只會分裂不會死亡，因此它的(de)K因子(zi)值是(shi)2。K是(shi)2的(de)情況已(yi)經非常嚇人(ren)。但如果你的(de)產(chan)品(pin)，一(yi)(yi)個人(ren)能傳給百個人(ren)，并且能按照這個比例(li)一(yi)(yi)直傳下去，那么K可(ke)能等于100。
最需要(yao)把(ba)K因子作為KPI考核的生意是“傳(chuan)銷”，因為它(ta)一(yi)旦K大(da)于1，就能(neng)聚(ju)斂巨大(da)的財(cai)富。不過它(ta)是違法的。
我們大(da)(da)部分看到的(de)內容傳播，或者裂變玩法的(de)K值都會很(hen)快小于1。唯有用金錢(qian)刺(ci)激(ji)并無限層級(ji)返傭的(de)傳播活動才(cai)容易讓K大(da)(da)于1，但這等同于傳銷(xiao)。
計算K因子值很簡單，例如下圖(tu)：
A發(fa)(fa)起了(le)一次推(tui)薦，結果帶(dai)來(lai)了(le)B和(he)另(ling)外一個(ge)用戶。然后B也發(fa)(fa)生(sheng)了(le)一次推(tui)薦，又帶(dai)來(lai)了(le)三個(ge)用戶。不過橙色標記的用戶都(dou)沒有發(fa)(fa)生(sheng)推(tui)薦行為，也就沒有產生(sheng)新的用戶。這(zhe)個(ge)簡單的傳播過程(cheng)，K因子值是2次推(tui)薦，產生(sheng)了(le)5個(ge)新用戶（因為B也是新用戶），K因子=2.5。
下圖則(ze)是另外一種情況，有(you)(you)(you)ABCD四個原生(sheng)用(yong)(yong)(yong)戶(hu)(hu)，他們都發起(qi)了(le)(le)推薦(jian)(jian)，可是只有(you)(you)(you)A人(ren)(ren)緣(yuan)好(hao)，帶來了(le)(le)兩(liang)個新用(yong)(yong)(yong)戶(hu)(hu)，但這兩(liang)個新用(yong)(yong)(yong)戶(hu)(hu)都沒(mei)有(you)(you)(you)發起(qi)推薦(jian)(jian)。C人(ren)(ren)緣(yuan)也湊(cou)合，帶來了(le)(le)一個新用(yong)(yong)(yong)戶(hu)(hu)。C帶來的新用(yong)(yong)(yong)戶(hu)(hu)E也發起(qi)了(le)(le)推薦(jian)(jian)，可惜并沒(mei)有(you)(you)(you)產生(sheng)更多用(yong)(yong)(yong)戶(hu)(hu)。因此，K因子值是5次推薦(jian)(jian)，只產生(sheng)了(le)(le)3個新用(yong)(yong)(yong)戶(hu)(hu)，K因子=0.6。
Adjust統計了(le)大量的(de)app的(de)K因子(zi)，他(ta)們(men)最終發現K因子(zi)的(de)確在(zai)app中(zhong)存在(zai)，但并不適用(yong)(yong)(yong)于當(dang)前(qian)市場上的(de)大多數app。Adjst在(zai)30%的(de)樣(yang)本中(zhong)發現了(le)K因子(zi)。在(zai)這(zhe)些樣(yang)本中(zhong)，數據團隊得(de)出K因子(zi)的(de)中(zhong)值(zhi)為0.45。這(zhe)意味(wei)著（按照樣(yang)本中(zhong)值(zhi)的(de)應用(yong)(yong)(yong)運行情況）每100個付費安(an)裝(zhuang)將帶(dai)來45個額外的(de)自然(ran)安(an)裝(zhuang)。而這(zhe)僅僅是(shi)中(zhong)值(zhi)，樣(yang)本中(zhong)有(you)些應用(yong)(yong)(yong)收獲(huo)了(le)數百，甚(shen)至是(shi)數千(qian)次額外安(an)裝(zhuang)，但也有(you)很多app完全沒(mei)有(you)任何(he)用(yong)(yong)(yong)戶推薦產生的(de)安(an)裝(zhuang)。
K因(yin)子(zi)本身在實踐中更多幫(bang)助我(wo)們衡量傳播，尤其是(shi)裂變(bian)傳播的效果(guo)。
嚴(yan)格來講，流(liu)(liu)失(shi)預警(jing)模型不能算是(shi)一個模型，而更像是(shi)一個數據(ju)(ju)挖(wa)掘方法。流(liu)(liu)失(shi)預警(jing)常用決策樹(shu)來進(jin)(jin)行數據(ju)(ju)挖(wa)掘，基(ji)于歷史上(shang)(shang)的(de)流(liu)(liu)失(shi)人群(qun)，根據(ju)(ju)附著(zhu)在他們(men)身上(shang)(shang)的(de)各(ge)種變量計算他們(men)的(de)特征(zheng)，然后將這些特征(zheng)放在不同時間段(duan)的(de)其他流(liu)(liu)失(shi)數據(ju)(ju)中進(jin)(jin)行驗證，從而得(de)到一個預測模型。
流(liu)失預(yu)警大(da)量應用于游戲、零售、訂閱(yue)服務、SaaS類(lei)型的軟(ruan)件產品等行業。
由于涉及到數(shu)據挖(wa)掘，太過于技術和操作性，具體的內(nei)容本文就不再多介紹了。
6.誘(you)餌(er)、觸點與規則模型(xing)
這個模型(xing)并不是直接(jie)的(de)(de)數(shu)據化(hua)模型(xing)，但(dan)卻是用(yong)戶深度(du)運營的(de)(de)極為重要的(de)(de)方法模型(xing)，同時需要全程利用(yong)數(shu)據才(cai)能(neng)落地，因此也將它放(fang)入數(shu)據模型(xing)之列。該模型(xing)最(zui)早由紛(fen)析咨詢（Fenxi Data）提(ti)出并使(shi)用(yong)。
這個(ge)模型(xing)強(qiang)調在所有細節的運(yun)(yun)營工作都由“誘(you)餌、觸點和規則”三個(ge)要素構成。運(yun)(yun)營策略的核心(xin)，就是在這三個(ge)元素上進行設計。
例(li)如，2017年某KOL代言寶(bao)馬Mini的活(huo)動，就是(shi)(shi)誘餌、觸點和規(gui)(gui)則(ze)的統一。誘餌，當然(ran)是(shi)(shi)限量版特殊顏色的Mini，以及更便宜的價格；觸點，是(shi)(shi)這個網(wang)紅，以及微(wei)信(xin)公(gong)眾(zhong)號平臺；規(gui)(gui)則(ze)，則(ze)是(shi)(shi)先到先得。所以在短時間內銷售了100臺。但這個案例(li)只是(shi)(shi)一個簡單的例(li)子，今天的運(yun)營遠比(bi)網(wang)紅帶(dai)貨要復雜。
例如，下面展示了一個2B業務(wu)的(de)(de)“全客戶(hu)生命周期”的(de)(de)“誘(you)餌、觸點(dian)和規則”的(de)(de)策略(lve)，因為保密的(de)(de)關系(xi)，我們無法展示所有內(nei)容，但(dan)大家已經可以意會(hui)。
為(wei)什么這(zhe)個模(mo)型會(hui)將“觸點”也作(zuo)為(wei)一(yi)(yi)個重(zhong)要的元素，原因在于，唯有觸點能夠作(zuo)為(wei)追(zhui)蹤用戶的數據載體，從而為(wei)我(wo)們建立用戶偏好(hao)識別模(mo)型（第二類，第4個，大家還(huan)記(ji)得嗎）。而這(zhe)些標簽，又進(jin)一(yi)(yi)步幫助(zhu)我(wo)們選擇“誘餌(er)”以及建立更合理的“規則(ze)”。
這(zhe)個模型十分具有操(cao)作(zuo)性，限(xian)于篇幅關系，不再(zai)贅(zhui)述。
原(yuan)文作者(zhe)：宋星
