综述：

数据分析帮助了解用户、实现目标群体定位、高效营销、营销效果评估、召回流失客户。

分群与分层：分群是对某一特征用户的划分和归组，分层是对全量用户的管理手段。分群也可以理解成是分层的手段。但一个用户不可以属于不同层，但可以属于不同群。“层”是层次——eg：一般用户、VIP用户、价值用户。

用户分群模型

划分阶段

可分为普通用户分群和预测用户分群，具体分为如下五个阶段。

用户分群的五个阶段

不分群：没有针对性，易造成客户反感。

用户信息基本分群：根据用户注册的信息分群，有一定效果，但不佳。

用户画像分群：对年龄、性别、地域、偏好等，即为用户群做“标签”，标签的综合形成用户群的“画像”，较为有效。用户画像主要分类指标：基础属性、短期行为、长期兴趣。

用户行为分群：画像分群的基础上关注用户行为特征，如注册渠道和活跃习惯。

聚类和预测建模分群：聚类形成群里（娱乐型、社交型），建模预测用户之后的态度行为。营销自动化，很有帮助。

分群维度与指标

用户画像——用户属性：用户客观属性。基础属性、短期行为、长期兴趣。（用户使用产品的版本也属于用户属性。）

用户与产品的交互：基本运营模型AARRR。包括单点（用户与产品）、单边（用户与用户，如分享）、双边（意见领袖与用户，即大V的引流）。

活跃于：活跃用户是用户运营的重点，找到自定义时间内的活跃用户，观察其行为特征。

做过/没做过：是否触发指定事件（如是否绑定银行卡、是否点击过广告）

新增于：最近/固定时段，以筛选处新增用户。（如评判某产品最近一个大型市场拉新活动效果）

使用深度：轻度、中度、重度

注：挖掘场景——【新增后】：单独计算每个用户“路转粉”的时间周期，洞察其行为。

交叉分析

分类后可以分成新增用户、活跃用户、流失用户。（注：交叉分析，以RFM模型为例，结合R、F、M三个单维度的值，变成矩阵形式，分块分析用户群。）

常用聚类分群方法

过程：选择聚类变量（用户画像、用户状态特征、用户活跃特征）-->聚类分析-->分析各类用户的特征-->解释

常用1.K-means：简单、直观、快速、对离群值敏感。

常用2.两步聚类：先预聚类（使用BIRCH层次聚类算法构建聚类特征树CFT，分成子类。该步骤能剔除部分离群值），再进行层次聚类（如下图所示，自底向上，以对数似然函数作为距离度量）。该方法能够针对海量数据处理，能够自动标准化数据，处理分类变量和连续变量的混合数据等。

层次聚类过程

聚类模型评判指标：

技术指标：轮廓系数silhouette（-1,1之间，值越大，聚类效果越好）（fpc包），兰德指数rand；R语言中有一个包用30种方法来评价不同类的方法（NbClust），但是速度较慢。

商业指标：分群结果的覆盖率；分群结果的稳定性；分群结果是否从商业上易于理解和执行。

用户分层模型（RFM模型）

通过Rencency（最近一次消费），Frequency（消费频率）、Monetary（消费金额）来判断客户价值。以R、F、M为顺序：

重要价值客户（111）：VIP客户；应保持联系、重点关注。

重要保持客户（011）：一段时间没来的忠实客户；给与优惠券等吸引回流。

重要发展客户（101）：忠诚度不高，很有潜力的用户；必须重点发展，办理会员卡等，提升消费频次。

重要挽留客户（001）：可能是将流失/已流失的用户；应当吸引客户回流，如定期消息推送或优惠政策等。

CLV模型

二八法则

——产品80%的收入都是由20%的用户贡献的，找到核心用户。

用户价值金字塔

用户生命周期分层

AARRR模型

描述产品用户生命周期的一个重要模型，分别为Acquisition（获取用户）、Activation（活跃度）、Retention（留存）、Revenue（收入）、Refer（自传播）。

Acquisition（获取用户）：运营第一步，就是获取用户，获取用户的渠道有很多，比如终端预置、广告等。

Activation（提高活跃度）：好的推广渠道往往是有针对性地圈定了目标人群，他们带来的用户和应用设计时设定的目标人群有很大的吻合度，这样的用户通常比较容易成为活跃用户。

Retention（提高留存率）：提高用户粘性，监控应用的用户流失情况，帮采取相应的手段，在用户离开之前，激励这些用户继续使用应用。（注：留存率跟应用的类型也有很大关系。通常来说，工具类应用的首月留存率可能普遍比游戏类的首月留存率高。）

Revenue（变现）：这是应用运营最核心的一块，分为三种：付费应用、应用内付费、广告。

Refer（自传播）：社交网络+自传播，成本最低，效果也很好。

用户响应模型（购买、流失等）

用户路径分析模型

漏斗模型

通过检测目标流程中起点（用户进入），到最后完成目标动作。这其中经历过的每个节点的用户量与留存量，来考核每个节点的好坏，来找到最需要优化的节点。可以说漏斗模型是用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。找到这个路径中用户流失最多的环节。

纵向对比：也就是让产品与自己历史同期进行对比，这种对比适用于对某一流程或其中某个步骤进行改进或优化的效果监控；

横向对比：通过将本产品的同一流程转化率在竞品中进行横向对比，定位自身产品出现的问题；

来源分类：细分来源或不同的客户类型在转化率上的表现，从而完成客户群体划分。在日常分析中我们通常用于网站广告或推广的效果的评价。

漏斗模型的漏斗颗粒度定义：漏斗模型的核心思想就是分解和归类量化。需要将不同的人群拆分成一个个小的漏斗去逐一分析，一点点去分析结果。

反向漏斗

有时漏斗模型也可以逆向使用，推断产品正常运行所需要的一些基本要素。比如一个主打弹幕的视频网站，用户在一个视频窗口需要热闹的弹幕，至少需要20个人同时在发弹幕。我们假定普通用户中有10%的人会主动发送弹幕，那么这个视频窗口至少需要2000人同时在线才能够让弹幕热闹。从主页点击到该视频窗口的转化率最多也不会超过10%，那么要保证该网站一个视频窗口弹幕能够热闹的发送，网站首页的PV必须超过20000。

由以上的推断，得出了一个网站的弹幕正常运行的要求，依次可得出该网站产品每日需要的流量，根据流量要求即可策划索取所需的资源了。

推荐模型

风险防范模型