【原創】如何做用戶生命周期價值分層，這裡有最詳細的步驟！

growth hacking、AHA moment、RFM，這些天天聽到的熱詞是不是還沒有機會操練起來？用戶生命周期價值分層幾乎是每一家互聯網公司都會遇到的問題，快快把它裝進腦袋裡吧。BTW，真的很佩服 的覅後i 的強大的學習--應用--總結能力。姑姑序。

我在神奇工場那段時間，是在公司的用戶增長部。何為用戶增長部，得從用戶增長說起。用戶增長，growth hacking 是這兩年互聯網行業的新秀詞兒，我的理解是指用技術手段來促進用戶流量的增長，並且增長能優秀的超越自然增長幅度。

比如，我們當時有個小組專門負責個性化推送，根據用戶歷史感興趣的業務線、最近幾次瀏覽時間、業務線內帖子詳情頁查看次數等幾個特徵來給用戶推送相關的猜你喜歡帖子，用以站外用戶召回來達到用戶增長。

再比如，我當時通過AHA moment產品留存分析，發現有個產品功能深受用戶喜愛，使用過了這個產品功能的用戶後續留存率遠高於其他功能，那麼負責這個產品功能的小組就開始了一系列的改善行動，比如如何讓新用戶一來就能找到這個功能，比如如何激勵老用戶不間斷的使用這個功能，以此通過留存來達到用戶增長。

再比如，今年3月份，在所有農民工集體湧進我大北京城打工的時候，神奇工場在所有地鐵里部署了楊冪姐姐的廣告，以粗放的廣而告之的形式拉來了跳高式的新用戶流量。

以上我舉的幾個例子，其實就是AARRR，海盜法則中的幾條原理運用。海盜法則是用戶增長的核心理念，是告訴我們要實現用戶增長，能通過拉新、促活、留存、傳播來實現用戶增長，進而實現盈利。

海盜法則最核心的是留存。為什麼？相信大家都已經聽學者說過，互聯網人口紅利已經沒有了，人口就是這麼多了，各位看著辦吧。紅利沒了，那新客保有量沒有前兩年那麼高了，所以各大互聯網公司就開始拚命玩留存了。能把老客再抓回來，比我去找一個新客成本、時間都容易的多。不信，你去問問你們的市場部，拉一個激活新用戶、購買新客戶的成本分別是多少。。。

這也是為什麼，我剛來公司，就在領導的號召下開始做用戶價值分層。做用戶價值分層其意在於進行個性化營銷，作為一個理論指導，通過推送手段，結合個性化內容，最大化地進行老客召回。

————鋪墊完畢的分界線————

以下思路，各位也可以直接復用到自己的工作中去，可以對其中的指標、計算方法等進行貼合自己業務的修改。

原理設想：把我們電商平台的客戶通過生命周期和價值貢獻兩個維度，來將用戶切分成n * m個單元格。深耕細作每個格子里的用戶，使其向上流動，保證整體優秀的用戶越來越多，流失的用戶越來越少。

目的：首先作為公司管理高度，可以為其提供用戶沙盤，有多少比例的用戶處於什麼生命周期，有多少用戶是高度價值貢獻的等。其次作為用戶運營團隊，可以以此為依據進行個性化營銷。比如不同文案關鍵字更適合於哪個群組用戶，最為關鍵的是，針對流失用戶群體使用什麼推送手段、推送時間、關鍵字、價格區間帶、品牌調性等來最大化的進行召回。

————RFM模型即將從你眼前展開————

關於用戶價值分層，業界最權威的是RFM模型。R是指最近一次購買時間，F是指購買次數，M是指消費金額。其實也就是通過用戶的三個特徵，來對用戶進行類別判斷。但並不是說所有公司再用RFM的時候都得是這三個指標。這三個指標只是提供了大概的思路。各位在用的時候應該根據自己的業務進行指標發散。比如：

關於用戶價值分層，業界最權威的是RFM模型。R是指最近一次購買時間，F是指購買次數，M是指消費金額。其實也就是通過用戶的三個特徵，來對用戶進行類別判斷。但並不是說所有公司再用RFM的時候都得是這三個指標。這三個指標只是提供了大概的思路。各位在用的時候應該根據自己的業務進行指標發散。比如：

R是指用戶活躍的時效性，對於我們的業務來講，能判斷用戶時效性的是什麼？瀏覽還是下單？是應該用下單時間還是訂單到貨的時間？

F代表用戶活躍次數，對於我們業務來講，能量化活躍度的指標有哪些？應該用下單次數，還是也應該包含瀏覽次數？下單次數要不要減掉退貨次數？活躍中是否要考慮周末工作日的活躍？

M代表的是用戶消費金額貢獻度，對於我們業務來講，能量化消費貢獻度的是哪些指標？是用訂單最終金額，還是購物車預消費金額，還是用毛利金額？

如果各位經過了以上的思考，和業務的多輪探討之後，有了清晰的指標體系，那麼恭喜你，你就可以開始著手設計模型了。

——以下是活生生的案例啊——

在我的項目中，我對這三個指標改動最大的是F，活躍度。為什麼？因為我司電商平台有個特點，賣潮牌服飾的，單價較高，潮牌也得一一分辨對比。因此瀏覽次數和下單次數之間的比值比較高，用戶要瀏覽N次才會剁手一次。而且對於電商公司來講，除了登錄瀏覽，還有商品詳情頁的瀏覽、加入購物車是最為重要的購物環節。因此我的活躍度指標中，綜合考慮了下單、詳情頁瀏覽、加購、收藏等行為的次數。但是，單純有次數，還是不能夠區分用戶的活躍度的。比如，你我的次數都一樣，但是你的行為都是雙十一之前發生的，我的是雙十一之後發生的，一個之前一個之後，從時間維度來看，行為密度位置不一樣，導致用戶的活躍度高低就不一樣。另外，不同的行為對活躍度的貢獻也是不一樣的，瀏覽詳情頁一次和加入購物車一次行為權重並不一樣，這個稍微有數據分析功底的就能想明白。因此，還要給不同的行為加上次數權重，以區分不同行為次數的重要性。

我設計出來的活躍度公式如下：

活躍度=a行為次數*每次行為的時間衰減因子*權重+b行為次數*每次行為的時間衰減因子*權重+…+…

因此，我對F活躍度的改造如下兩點：

1. 加入了時間衰減因子。通過時間衰減因子將不同用戶行為發生的密度在時間軸上區隔開來，以消除單純次數帶來的一致性。
2. 加入了各類行為的權重。以區分不同行為對活躍度的貢獻。

在這裡，有的同學要問了，不是R就已經代表了時效性了么，為什麼在活躍度里還要在加上時間衰減因子。因為R只是對最後一次行為的時間概述，而活躍度是全生命鏈的時間密度概述，二者是不一樣的。

還有同學要問了，你這個時間衰減因子是怎麼算的。時間衰減因子在網上有文章專門介紹，指數衰減的時間因子，但是我嘗試了下，如果要用指數衰減的話，3天之前發生的行為就模糊難辨了，因為我改造了下原本的指數衰減，用exp(1/t)

還有同學要問了，你這個權重是怎麼算的。那不好意思，這位同學，你要多看一些機器學習的書籍了。一些數據分析的素養是多看書少看報養成的，不是我教你你就會的。

————厲害了我的妞————

好了，沒同學要發問了吧。那我繼續了哈。

有了用戶在時效性、活躍度、價值貢獻度上的模型之後，下面來講下具體的技術演算法。沒代碼，只是我指導技術進行實現的步驟。這些步驟也是中規中矩的RFM計算過程，但其中在相對值取值上還是根據業務進行了調整，比如區分出來了負價值貢獻度用戶。

步驟如下：

第一步：每位用戶三個指標絕對值的計算

第二步：將絕對值轉為相對值

將三個指標的絕對值降序排列（時效性是升序排列），取五等分，最優異的為5，最差的為1。此步驟的目的是將三個指標作相對值處理，和歸一化異曲同工。

第三步：每個指標的相對值取均值，區分出高低之分

每個指標的五等分值取均值，高於均值的為高，低於均值的為低。

還有同學要問了，咦，你這裡只講到了價值分層，那生命周期劃分呢？

我只能說，這位同學，謝謝你提醒，我都要忘了。關於生命周期劃分，就要文理結合了。文是指可以拍腦洞想想用戶從新手到衰減大約要經歷哪幾個時期。比如成長、成熟、停滯期等。關於生命周期的理論劃分，網上有一堆一堆的資料可以參考哈。但是我們是那種照抄別人的人么？我們不是。我們是那種只拍腦袋就決策的人么？我們不是。因此我們還需要看歷史客戶數據，通過生存分析函數圖來輔助劃分周期。

那個同學又問了，生存分析函數是什麼？這個如果你不知道的話，請回看「手把手教你如何計算用戶活躍時長和能創造的價值」這篇文章。呵呵，當時我起這名也許是腦子進雞湯了。

——模擬出這麼多同學，不累么——

不好意思，被打斷了。繼續哈，通過生存分析函數圖的拐點，結合我們文科設定的周期，來進行一一匹配就好啦~ 比如在用戶7天之內生存曲線圖嚴重下跌，跌到了50%以下，7天之後的生存曲線趨於平緩，那麼7天就是一個拐點。只是簡單舉例，並不是我司真實數據哈。

Okay，至此，我們就得到了用戶價值分層、生命周期兩個維度的數據，接下來就要辛苦我們的技術同學離線計算，產品同學設計原型，前端同學開發部署。部署完之後，運營同學就能很完美的看到用戶沙盤，推送相應率等圖表啦。我們是跟隨CRM後台，部署到了一起。支持個推之後，即時查看不同價值層的用戶響應率。

後續當然還要繼續完善，這只是大數據時代的初級版本。但能把初級版本跑起來就是對目前人工用戶運營的進階代替。

的覅（fiao）後i語錄：

對自己要求不高，能主動用新方法解決老問題就行；對解決工具要求不高，傳統分析工具也能挖掘出閃亮新用法。對分析結果要求不高，仁者見仁智者見智的東西我能達到我的說服目的就行。

———感謝支持霞光里的每一位朋友——

aHR0cDovL3dlaXhpbi5xcS5jb20vci9Uem1RaUozRXo4Q3dyZG5yOTJ4ZA== (二維碼自動識別)

您的問題可以直接在公眾號內回復

也可以發郵件到xiaguangli18@126.com

「霞光里18號」感謝您的關注

內容版權均歸霞光里18號所有

如需轉載、合作請公眾號留言