几何级增长的客户：客户深度运营的13个关键数据模型|运营学社

在Pt学院的《用户运营的深度思维与办法》的共享完毕后的发问环节，有一个听众问我一个很“真实”的问题，剖析和优化用户运营，有哪些模型。我把一些常用的模型逐个简略介绍之后，遽然发现，这现已可以写一本书了。不过，写一本书的时刻或许不行，但写一篇文章仍是彻底可行的。

因而，正好把团队们这些年来做过的和所想的模型与办法，跟咱们扼要介绍。当然，文字表述终究有限，绝知此事要躬行，仍是主张咱们从真实的实践中验证模型，乃至找到自己的模型。别的，鄙人面的这些模型中，我不免不带着“批评的”眼光去看待这些模型，由于没有完美的模型，任何模型均有适用规模和缺陷，真实可用的模型，永久来自于你自己的事务。这13个模型分别是：

第一类：运营思维模型AARRRAIPLAMOT第二类：客户认知模型RFM自定义聚类用户活泼度模型用户偏好辨认模型第三类：运营添加模型留存曲线Cohort模型添加曲线K因子丢失预警模型钓饵、触点与规矩模型

第一类：运营思维模型

运营思维模型是那些“非常正确”但并不能让你当即采纳举动的模型。不少人对这些模型存在“定见”，正是由于他们很正确却又“无法落地”。还有聪明的朋友或许会觉得，这些模型都是“马后炮”，这不便是我日常战略的总结嘛。话虽如此，这些模型依然是对成功战略的简略精辟的总结。

1.AARRR模型

AARRR模型的适用规模往往在数字化产品和服务端，但对传统事务也有启示。但我曩昔几乎都是疏忽这个模型不讲，由于这个模型最大的问题在于，它给出了一个“正确的废话”，却不能告知叫你终究应该怎样做。

AARRR的含义是：引流-激活-留存-变现-引荐。后边三个的次序有争议，不同的人有不同的解说。整体来看，这个模型的实质依然是：引流-互动-转化-留存-引荐，是对客户正常的忠实周期中一步步转化进行描绘的模型。许多人以为这个模型是“新瓶装旧酒”，但事实上，这个模型着重了曩昔比较少着重的客户经营战略，例如，它着重“激活”，也着重“引荐”，这是在数字国际中更简略完结的用户战略，而在传统国际中则相对较难。

但事实上，近年来许多成功的数字经济下的客户添加，是否实质契合AARRR模型，也存在争议。例如，适当多的声响质疑“小蓝杯”和“小黄车”之类的添加形式并不契合真实的AARRR模型，只会对运营者有更大的误导。关于“小蓝杯”，最大的争议在于它的添加并非来历于“自引荐”，而是来自于“威逼引荐”，即以亏本作为价值进行补助，交换用户数量后在资本市场完结变现的操作模型。

“滴滴”某种程度上也是这样的形式——这造成了滴滴直到今天依然严峻亏本。“小黄车”的问题则在于它的用户增量虽然确实来自于运营，但这运营的中心在于供给更具有竞赛力的产品（更好骑的车辆+更宽广的掩盖），而经过引荐（Refer）所带来的用户添加则非常有限。

Facebook和Linkedin常常被作为AARRR的典型比方传达，但简略被忽视的一点是，Facebook和Linkedin都是具有激烈的“网络效应”的产品，因而引荐（Refer）就不再仅仅是一种运营战略，而是由其产品的先天基因所决议的。这是大多数今天的数字产品想要具有，却无法底子具有的特性。那些天然生成具有这样特性的产品，今天早已被开发殆尽。例如七八年前的微信，或是更早的淘宝。

那么，咱们要从AARRR模型中学到什么？它是否并不能真实有用辅导咱们？并非如此，这个模型是一个相似于“check list”的思维，告知了咱们应该将运营作业分为五个需求深化考虑的部分，以及这五个部分之间可以经过运营构建起彼此的相关。当然，在这个模型中必定并未告知你应该怎样做到，因而，需求更具有操作性的模型才干完结AARRR的思维所倡议的成果。在本文后边，咱们会介绍详细的几类更具操作性的模型。

2.AIPLA模型

假如数字国际中着重AARRR，那么传统国际的用户运营模型则是AIPLA，即Awareness – Interest – Purchase – Loyalty – Advocation（认知-爱好-购买-忠实-支撑）。仅从字面上看，你就会发现这个模型几乎跟AARRR模型没有什么实质差异。AIPLA描绘了传统国际中客户的转化进程，即从对产品有所认知，一向到成为“死忠粉”的全进程，并着重在此进程中各个阶段运用不同的运营战略。确实，AIPLA模型被广泛提及，例如，阿里的品牌数据银行的主逻辑，便是AIPL（没有A），腾讯数据智库（TDC）也是如此，仅仅换了近义词表述罢了，实质没有改动。

上图：阿里的品牌数据银行就运用了AIPL模型

上图：腾讯数据智库也相同相似于AIPL模型

虽然看起来几乎相同，但AIPLA与AARRR仍是有所不同，在于AIPLA着重客户从一端（Awareness）到另一端（Advocate）的有序的线性进程，而AARRR中的RRR则彻底或许是无序的。例如，你的用户彻底可以不购买你的数字产品，但依然可以非常忠实地运用你的产品或跟人引荐你的产品，这在传统国际中这几乎是不或许的。

因而，传统国际中的AIPLA模型更着重首尾联接的进程化的运营，而数字国际中的AARRR则更多单点的激活战略。也正是由于上面的现象，导致传统国际的客户深度运营相关于数字国际而言整体更困难。

这也是为什么传统范畴纷繁需求“数字化转型”的一个重要的原因，咱们需求把线下的运营线上化，然后更可以深化运营客户。AIPLA模型应该怎样落地？这个模型相同归于“思维办法”模型，落地则需求其他东西的协助。咱们后文介绍。

3.MOT模型

顾客旅程的中心思维——不管它的表现形式是AARRR，仍是AIPLA——都将顾客的购物行为描绘为从认知到爱好，再从爱好转化为购买，以及从购买转化为忠实的一连串先后发生的进程。这一进程被称为顾客旅程。

顾客时刻（Moment of Truth，简称MOT）是顾客旅程中的一些要害“里程碑”似的节点。例如，查找某个产品，又或许把这个产品的信息共享给其他人。这个概念开端来历于宝洁。你可以发挥幻想——一个客户在其消费旅程的全进程中，就像或明或暗若有若无的一条弯弯曲曲的路途，而MOT就像这个路途中心焚烧的火把，指引着这条路的方向。

咱们无法直接操控顾客旅程，但能透过MOT来对顾客旅程施加影响。乃至许多时分，咱们也无需参透顾客旅程终究是什么，咱们仅仅在规划MOT，对这个顾客施加影响，然后让他快速切变到下一个更接近于转化的MOT或许乃至是转化自身。

MOT中又有一类是非常重要的，即ZMOT（Zero Moment of Truth，原初MOT），意思是在某种状况的影响下，一个人开端的一个心理上的活动，让他认识到他需求购买某个东西或许服务。关于Google而言，这个心理上的活动体现为在查找引擎上进行查找。关于阿里而言，这个心理活动起始于一个人开端了一个一段时刻内从未有过的某类产品的查找。别的一个MOT是UMOT（Ultimate Moment of Truth），即终究的MOT，人们在整个购物进程中的终究一个要害时刻，往往便是把自己的产品体会共享出去的时刻。

ZMOT和UMOT的思维来自于谷歌。

图片来自：http://emfluence.com

第二类：客户认知模型

与第一类模型不同，第二类模型是可以让咱们实践操作的模型，并且依据这些操作，咱们可以更深化的了解客户的状况，然后为咱们的运营战略供给依据。

1.RFM

RFM模型的中心用处是对一切的客户进行价值衡量，然后对这些客户进行分类。因而，实质上这个模型是一个非常简略的分类模型。

你可以幻想你是一个农场主，苹果丰收了，你想把苹果分为不同的类别定价售卖。所以你拟定了分类办法：苹果的“肤色”、苹果的巨细，以及苹果的口味。赤色的大苹果且脆甜的归于一类，绿色的大苹果且粉甜的也归于一类，这样大约可以分出8类苹果。然后依照各种类别的苹果进行标价。

RFM便是这样的道理，三个字母就代表了三个分类规范：R和F和M。R即发生购买的日期的接近度，R的值越大，表明买卖是越接近现在发生的，不然则是更久曾经发生的。F是购买频次，F越大，阐明买卖的次数越多。M则是买卖金额，M越大，金额越高。RFM三个规范，往往用数据代笔的程度表明，比方R用1、2、3表明，3表明最近购买，1表明很久曾经购买，2则表明在中心阶段。

假如用最简略的0和1表明，则相同可以把自己的客户分为8类，如下表所示：

当然，你也可以把每个规范都设定5个层次，那么就会有5的3次方供125个类别的客户，如下图所示：

关于不同类型的客户，当即可以有不同的运营战略。比方，关于重要款留客户，需求做的作业，便是AARRR模型中的第二个A，即激活。至于怎么激活，则需求用到别的的模型，也便是咱们后边要介绍的“钓饵、触点、规矩”模型。

RFM主要是用在零售职业中，它并不是对一切职业都有用，原因很简略，由于RFM的R和F对许多职业而言并不存在。比方，学历教育，F或许永久都只需1次。但关于存在高频用户互动的职业，RFM的思维却很有用，即便这个职业并不寻求当即的转化，也便是不太在乎短期内的M，RFM依然可以运用。例如，关于信息流媒体，它并不需求用户在信息流上买东西，相同可以用RFM衡量用户的价值，无非是把M换成别的一个衡量，比方阅览新闻的时刻即可。

RFM价值很大，一方面是它几乎是最简略操作的模型（用excel做一个条件即可），另一方面是它具有很强的适应性。但它的缺陷也很明显，关于客户的分类不行精密，它供给了一个衡量客户“重要度”的头绪，但除此之外，缺少更深化的用于协助运营的信息。

2.自定义的聚类

自定义的聚类与RFM的思维实质上是共同的，差异在于，自定义的聚类是自己挑选规范去给现有的客户做分类。自定义的客户聚类的意图是为了补偿RFM的短板，终究不是一切的业态都是零售业，并且也并不是一切的业态都适合于用简略的层次划分来区隔客户。

自定义的聚类可以自己挑选恣意合理的规范（也便是变量）来聚类客户，并且可以不止三个规范，你乃至可以扩展到十个以上的规范。不过，这个办法明显不能简略运用excel就能做到，而是需求运用数据建模（聚类自身便是一个数据处理的模型）才干完结，例如运用SPSS或SAS东西。

上图：这是最简略的一种聚类——两个变量的聚类

上图：大多数聚类是挑选3个乃至更多变量完结的

自定义聚类的长处在于灵敏，但也有缺陷。聚类模型的算法，假如不加束缚，往往集聚类出远超出你的幻想的数量的客户群，假如你真的用十个以上的规范，或许集聚类出上千个客户群，这样你就无法对这些集体进行解读。最佳实践办法是，挑选3-4个与客户的行为或运营的胜败最相关的规范即可，然后束缚生成聚类的集体的数量，最好10个以内，是简略被处理和了解的。

3.用户活泼度模型

与自定义的聚类相同，用户活泼度模型也是一个完彻底全的自定义的模型。这个模型有别的一个姓名，即engagement index。Engagement index的价值在于衡量不同客户（用户）的活泼度，这个模型与前面的聚类或许RFM的最大差异在于，它彻底不care用户终究是否发生了购买行为，而仅仅只看用户运用你的产品或许与你互动的强度。树立用户活泼度模型并不困难，因而它也是一个极有运用价值的模型。详细办法分为几步：

对一切的顾客触点渠道加监测代码，对一切顾客交互的方位进行埋点，以保证顾客的行为可以悉数被记载；对不同的顾客交互依据其价值构建权重；对每个顾客的总互动行为依据权重核算分值。

权重的设置有必定的技巧，一种办法非常片面，但实践上却很有作用，即，直接依据关于顾客行为价值的经验性判别，来给不同类型的顾客互动打分。

别的一种，则是依据各行为与终究转化之间的份额联系进行权重设置。比方，一个最抱负最极点的比方（但这样的比方有助于咱们了解），假如你以为终究的一个转化价值1000分的话，那么转化之前的用户的行为可以依照与转化发生的份额“打分”。例如，每发生1次转化，就需求看产品介绍页面100次，那么检查产品介绍页的行为每发生一次，就值10分。

用户活泼度模型的缺陷在于，有必要运用用户行为剖析东西进行埋点，并且有些东西不支撑自动化的用户活泼度打分，此刻你就有必要导出数据自行核算。nEqual的及策（Jice）东西支撑这一功用，这也是为什么我以为这个东西具有亮点的原因。

几乎一切的高频次客户（用户）互动的业态，都可以运用用户活泼度模型。用户活泼度不只用来衡量用户的价值，也用来衡量流量的质量，所以是非常重要的模型。

4.用户偏好辨认模型

用户偏好辨认模型是一个历史悠久且极有价值的模型。这个模型完结较为杂乱，需求运用算法完结。

完结对用户的偏好进行剖析和辨认的算法与用户活泼度模型实践上有相关，即都是运用用户详细的行为进行判别，差异在于后者仅仅判别活泼度，而前者还要判别人们由于什么（偏好）而活泼。

用户偏好辨认模型取决于算法，可以很简略，也可以非常杂乱（但或许具有更高的精度）。例如，仅仅仅仅用一个维度，即“点击”行为即可以作为用户爱好的特征，然后树立产品（或内容）与行为之间的二元矩阵，即可以求解用户偏好，但这种办法非常粗糙。

假如考虑除了点击之外的更多的行为，例如保藏、点赞、谈论、购买等，那么就需求对用户的不同行为加权，此外，好像RFM模型相同，再将行为发生的次数和新近度也考虑在内，那么整个算法就会变得愈加杂乱，却愈加精确。当然，有没有不需求算法的用户偏好辨认模型？也有，问卷调查便是。只不过，规模太小，功率也太低下了。

用户偏好辨认模型的含义非常巨大，即，经过用户的行为判别用户的爱好，然后给予实践的运营作业以巨大的支撑。用户偏好辨认模型也是引荐引擎的根底之一。当然，它也是DMP和CDP这样的顾客数据渠道给顾客打标签的根底。

第三类：运营添加模型

运营添加模型关于运营作业具有直接的辅导含义，也是我个人以为每一个运营人都应该熟练掌握的模型。

1.留存曲线

留存曲线是最简略的用户运营添加模型。即，它将留存率（或许留存数）依照线性的时刻进行摆放。一个最简略的excel就能表明留存曲线的状况。比方，下图：

留存曲线一般是由留存率组合而成，这样不同基数的集体也可以彼此比较。留存率的不和（用1减去留存率）是丢失率（churn rate）。

丢失率 = 1 – 留存率

留存曲线的斜率是另一个值得重视的目标，并且是一个很有意思的目标。

明显，斜率越高，用户或许客户的留存状况越不抱负。关于不同的生意类型，留存曲线的斜率极限是多少呢？游戏、交际等高频app很重视次日留存率、十日留存率和月度留存率，一般来说，次日留存率应该在30%以上，或许说低于30%就很风险。它们的十日留存率的极限是不能低于15%，月留存率的极限不能低于10%。

快消品的电商则更多看月度留存率，其留存曲线的斜率与品类有很大的联系。假如是什么产品都卖的卖场类电商渠道，次月留存率（指当月发生购买，次月也发生购买的人占当月总购买人群的份额）保持在10%现已适当不错。

整体看，业态和产品，以及营销战略只需有一点差异，留存率就会很不相同，因而，很难有一个职业规范值，比方契合某一个数值就能“生”，达不到某一个数值就会“死”。但你依然可以从留存曲线中看到自己生意是否成功，由于，你很简略在你的当时留存曲线状况下核算未来这群人的收入，并且核算出真实的ROI，例如下面这个比方。

假定你为了获取当月新增的用户，付出了500元的本钱，而这些新增用户当月现已给你带来了1000美元的收入。假定每个月这些用户的购买倾向都没有发生明显改动，那么未来若干个月，这些用户中留存的人必定还会持续购买，并且购买的金额跟着丢失的份额而平等下降。如下图：

500元的投入，换得未来7430元以上的收益，感觉是适当不错的运营成果。

2.Cohort模型

我在多处都着重过Cohort模型的价值。Cohort模型最重要的作用便是剖析不同客户集体的留存状况，然后协助剖析更好的留存是怎么发生的，并辅导运营提高留存。Cohort实质上便是不同类人群的留存曲线的仓库。

Cohort模型的长处在于，你可以只用excel就完结悉数的建模，并且加上excel的“条件格局”的“色带”功用，几乎好用极了。如下图所示：

Cohort剖析还没有一个一切人都一致运用的翻译。有的说是同期群剖析，有的说是同类群剖析，有的说是行列剖析，有的说是代代剖析，有的还说是行列时刻序列剖析。咱们可以参阅维基百科：https://zh.wikipedia.org/wiki/%E9%98%9F%E5%88%97%E7%A0%94%E7%A9%B6，找找自己觉得适宜的译名。

我自己倾向于同类群剖析这个译法，由于虽然它用在不一起刻周期的比较中很常用，却不只仅如此，它相同可以用于不同类型（比方来自不同流量来历）的用户集体之间的留存状况比照。

不管哪种叫法，cohort剖析在有数据运营范畴都变得非常重要。原因在于，跟着流量经济的退避，精耕细作的互联网运营特别需求细心洞悉留存状况。Cohort剖析最大的价值也正在于此。Cohort剖析经过对性质彻底相同的可比照集体的留存状况的比较，来发现哪些要素影响短、中、长时间的留存。

Cohort剖析遭到欢迎的另一个原因是它用起来非常简略，但却非常直观。相较于比较繁琐的丢失（churn）剖析，RFM或许用户聚类等，cohort只用简略的一个excel表，乃至连四则运算都不必，就直接描绘了用户在一段时刻周期（乃至是整个LTV）的留存（或丢失）改动状况。乃至，cohort还能帮你做猜测。

除了用Excel的朴实数字化的表明，cohort相同可以用图形化的办法来表达。例如，下图中展现了每个月在随后若干月的留存用户数量（面积图），以及每个月的总用户数量（赤色的粗线）。这个图比较直观的反映了，在2018年3月份的新用户，留存状况要明显优于其他月份。

上图来自于：https://www.cnblogs.com/shaocf/articles/9600384.html

Cohort模型非常重要

3.添加曲线

添加曲线有J和S型两种。以及影响添加曲线构型的外部要素K。

添加曲线模型来自于生物界研讨，即研讨一个物种的扩张才干终究有多强。假如没有外部环境的压力（食物竞赛、天敌、生存环境不变且不会由于数量添加而恶化等），那么明显物种会成几何级数量添加，就跟细菌割裂相同。这会发生一个J型曲线。不然，则是S型曲线。今天咱们可以看到的添加，基本上都是S型曲线。而，为了让S型曲线可以向J型方向移动（这是一切运营人的愿望），有必要改动外部的环境K。简略讲，运营作业的中心，便是改动K。

实战中添加曲线应该怎么运用？坦率讲，添加曲线并不是一个非常能落地的模型，或许说，它归于一个“相比照较理论化”的模型。这个模型更像是一个衡量好坏的目标，CEO或许会非常喜爱，尤其是看到用户的添加曲线走出一个相似“J型”的时分。但这个曲线可以多大程度辅导深度运营？确实非常有限。

下面这个曲线，是某微信大众号用户添加的曲线，看起来进入2019年之后，添加状况好于过往。

4.K因子

K因子是一个很简略了解的模型，或许说它是一个很简略的目标，用来衡量“裂变”和“病毒传达”（这两个名词实质上没有差异），即一个建议引荐的用户可以带来多少新用户。

K因子以1为分界线，假如大于1，那么传达会越来越扩张，像细胞割裂一般。例如，癌细胞，由于癌细胞短时刻内只会割裂不会逝世，因而它的K因子值是2。K是2的状况现已非常吓人。但假如你的产品，一个人能传给百个人，并且能依照这个份额一向传下去，那么K或许等于100。

最需求把K因子作为KPI查核的生意是“传销”，由于它一旦K大于1，就能剥削巨大的财富。不过它是违法的。

咱们大部分看到的内容传达，或许裂变玩法的K值都会很快小于1。唯有用金钱影响并无限层级返佣的传达活动才简略让K大于1，但这等同于传销。

核算K因子值很简略，例如下图：

A建议了一次引荐，成果带来了B和别的一个用户。然后B也发生了一次引荐，又带来了三个用户。不过橙色符号的用户都没有发生引荐行为，也就没有发生新的用户。这个简略的传达进程，K因子值是2次引荐，发生了5个新用户（由于B也是新用户），K因子=2.5。

下图则是别的一种状况，有ABCD四个原生用户，他们都建议了引荐，但是只需A分缘好，带来了两个新用户，但这两个新用户都没有建议引荐。C分缘也将就，带来了一个新用户。C带来的新用户E也建议了引荐，惋惜并没有发生更多用户。因而，K因子值是5次引荐，只发生了3个新用户，K因子=0.6。

Adjust核算了许多的app的K因子，他们终究发现K因子确实在app中存在，但并不适用于当时市场上的大多数app。Adjst在30%的样本中发现了K因子。在这些样本中，数据团队得出K因子的中值为0.45。这意味着（依照样本中值的运用运转状况）每100个付费装置将带来45个额定的天然装置。而这仅仅是中值，样本中有些运用收成了数百，乃至是数千次额定装置，但也有许多app彻底没有任何用户引荐发生的装置。

K因子自身在实践中更多协助咱们衡量传达，尤其是裂变传达的作用。

5.丢失预警模型

严厉来讲，丢失预警模型不能算是一个模型，而更像是一个数据发掘办法。丢失预警常用决策树来进行数据发掘，依据历史上的丢失人群，依据附着在他们身上的各种变量核算他们的特征，然后将这些特征放在不一起刻段的其他丢失数据中进行验证，然后得到一个猜测模型。

丢失预警许多运用于游戏、零售、订阅服务、SaaS类型的软件产品等职业。

由于涉及到数据发掘，太过于技能和操作性，详细的内容本文就不再多介绍了。

6.钓饵、触点与规矩模型

这个模型并不是直接的数据化模型，但却是用户深度运营的极为重要的办法模型，一起需求全程运用数据才干落地，因而也将它放入数据模型之列。该模型最早由纷析咨询（Fenxi Data）提出并运用。

这个模型着重在一切细节的运营作业都由“钓饵、触点和规矩”三个要素构成。运营战略的中心，便是在这三个元素上进行规划。

例如，2017年某KOL代言宝马Mini的活动，便是钓饵、触点和规矩的一致。钓饵，当然是限量版特别色彩的Mini，以及更廉价的价格；触点，是这个网红，以及微信大众号渠道；规矩，则是先到先得。所以在短时刻内出售了100台。但这个事例仅仅一个简略的比方，今天的运营远比网红带货要杂乱。

例如，下面展现了一个2B事务的“全客户生命周期”的“钓饵、触点和规矩”的战略，由于保密的联系，咱们无法展现一切内容，但咱们现已可以意会。

为什么这个模型会将“触点”也作为一个重要的元素，原因在于，唯有触点可以作为追寻用户的数据载体，然后为咱们树立用户偏好辨认模型（第二类，第4个，咱们还记得吗）。而这些标签，又进一步协助咱们挑选“钓饵”以及树立更合理的“规矩”。

这个模型非常具有操作性，限于篇幅联系，不再赘述。