數據化用戶運營的示例分析

這篇文章將為大家詳細講解有關數據化用戶運營的示例分析，小編覺得挺實用的，因此分享給大家做個參考，希望大家閱讀完這篇文章后可以有所收獲。

建立數據化用戶運營的必要性一是在于定量衡量你工作的價值，二是實現精細化運營的基礎。

流程化和精細化為每個運營人員都要具備的基本思維，如果說流程化的思考是運營人員對運營目標的定性思考，那么數據化就是對就是對這個目標實現路徑和效果的定量描述，它將你的工作思路落實在具體的數據指標上以衡量你的工作效果和目標實現情況。

建立數據化用戶運營的必要性一是在于定量衡量你工作的價值，二是實現精細化運營的基礎，比如后文提到的建立在數據基礎上的用戶分層分類和用戶畫像就是精細化運營的前提。

數據化用戶運營是利用用戶運營的思路，結合數據分析的思想，業務指導數據，數據驅動業務，實現對用戶的精細化運營，這是數據化用戶運營的核心思想。用戶運營數據化的循環流程如下：用戶數據收集—構建用戶數據化運營指標體系—數據驅動運營。

一、用戶數據收集

用戶數據的收集主要收集包括用戶基本數據、用戶行為數據和用戶流量數據數據。

用戶基本數據指的是用戶的靜態數據，包括性別、年齡、地區、工作等，這類數據描述了用戶是誰，主要靠基本信息填寫來實現。用戶行為數據是用戶在產品上一系列操作行為的集合，哪個用戶在哪個時間點、哪個地方以哪種方式完成了哪類操作，包括用戶瀏覽、購買、內容貢獻、邀請傳播、社交等行為，這類數據描述了用戶干了什么，主要靠數據埋點來實現。用戶流量數據是用戶的來源，是基于用戶訪問的網頁端產生的，包括設備、運營商、端口、時間等，這類數據描述了用戶從哪兒來。不過目前的流量數據統計主要來源于GA、百度統計等第三方工具，無法記錄在數據庫中，也就是還做不到與上述提到的用戶基本數據、行為數據一一對應。

以上數據都是從產品或第三方工具里得到的原始數據，要實現運營目標還需要在原始數據基礎上做數據挖掘和數據分析，結合運營目標和路徑構建數據化運營指標體系。

二、構建用戶數據化運營指標體系

如果你不能用指標來描述業務，那么你就不能有效增長它。那么在本環節要做的就是將你的業務指標化。數據指標不是恒定不變的，它依托于你產品的業務流程或功能流程，和目標及目標實現路徑密切相關。

用戶運營的目的是最大化提升用戶價值，如果你是電商產品，那你的目的就是讓用戶付費購買商品，如果你是社區產品，那你的目的就是讓用戶貢獻傳播內容。但是產品目標和用戶價值的實現是個循序漸進的過程，也是個動態演變的過程，有的從潛在用戶注冊成為活躍用戶，有的從活躍轉為流失，也有的從流失回流到活躍。

上圖中橙色是用戶狀態的動態演變，紅色是運營目標。沿著目標–途徑–效果的運營思路，數據分析就是將你的目標拆分后表現在具體數據指標上作為核心考察指標，利用數據對目標實現途徑的監測來評價效果，對比當初設立的核心考察指標，來判斷、驗證、修正、優化工作途徑，達到更好更快的效果。依照此思想，我們構建如下數據化運營指標體系，每個體系下都包含有一系列相關的指標。指標體系的構建都是在第一部分收集的用戶數據的基礎上通過數據處理、加工來實現的。

1.在從潛在用戶變為注冊用戶的拉新環節，我們要做的是對拉新渠道及在各渠道上采用的推廣策略的分析，通過數據指標評估渠道質量，優化渠道推廣策略。數據指標主要包括新增用戶數、用戶獲取成本，新用戶留存率。

新增用戶數：新增用戶是指安裝應用后，首次啟動應用的用戶。按照統計時間跨度不同分為日、周、月新增用戶。新增用戶量指標主要是衡量營銷推廣渠道效果的最基礎指標；

用戶獲取成本：對于付費渠道反應渠道的轉化率。

新用戶留存率：反應新增用戶的質量，與目標用戶的契合度。另外對于成熟版本的產品，如果用戶留存率有明顯變化，則說明用戶質量有明顯變化，很可能是因為推廣渠道質量的變化所引起的。

渠道A： SEM

渠道B： 微博

2.針對注冊用戶和活躍用戶的促活留存環節是運營人員的最主要工作之一，我們日常所做的用戶分層分類、用戶成長激勵體系等都是在這個環節做的，體現在數據上我們可以設立的指標體系包括了解用戶規模和質量的體系，了解用戶參與度（使用深度）的體系和了解用戶屬性的用戶畫像體系。

（1）用戶規模和質量

活躍用戶指標：活躍用戶指在某統計周期內啟動過應用(APP)的設備數。活躍用戶是衡量應用用戶規模的指標。通常，一個產品是否成功，如果只看一個指標，么這個指標一定是活躍用戶數。活躍用戶數根據不同統計周期可以分為日活躍數(DAU)、周活躍數(WAU)、月活躍數(MAU)，產品類別不同統計周期也不一樣。

新增用戶指標：新增用戶量指標在前面說過是衡量推廣渠道效果的主要指標；另外新增用戶占活躍用戶的比例也可以用來用于衡量產品健康度。比例過高時要特別關注留存率。

用戶留存率指標：用戶留存率是指在某一統計時段內的新增用戶數中再經過一段時間后仍啟動該應用的用戶比例。用戶留存率可重點關注次日、7日、14日以及30日留存率。留存率一方面反映用戶質量，一方面也反映產品吸引力。留存率出現異常時可在這兩方面查找原因。

用戶構成指標：用戶構成是對統計周期內活躍用戶的構成進行分析，以周活躍用戶為例，周活躍用戶包括本周回流用戶、連續活躍n周用戶、忠誠用戶等，有助于通過新老用戶結構了解活躍用戶健康度。

單用戶活躍天數指標：是在統計周期內，平均每個用戶在應用的活躍天數。如果統計周期比較長，如統計周期一年以上，郡么，每個用戶的總活躍天數基本可以反映用戶在流失之前在APP上耗費的天數，這是反映用戶質量尤其是用戶活躍度很重要的指標。

（2）用戶參與度

用戶參與度體系是衡量用戶活躍度的重要指標體系。活躍在不同的產品中的定義不同，如電商產品中的活躍可以定義為購買，社區產品中的活躍可以定義為內容貢獻。因此下面的三個指標在不同的產品中可以做不同演化。

啟動次數=購買次數=內容貢獻次數；

最近一次使用=最近一次消費=最近一次內容貢獻；

使用時長=消費額=內容貢獻量；

使用時間間隔=購買頻率=內容貢獻頻率。

啟動次數：指在某統計周期內用戶啟動應用的次數。在進行數據分析時，一方面要關注啟動次數的總量走勢，另一方面，則需要關注人均啟動次數，即同一統計周期的啟動次數與活躍用戶數的比值，如人均日啟動次數，則為日啟動次數與日活躍用戶數的比值，反映的是每天每用戶平均啟動次數。

最近一次使用：用戶最近一次使用距離現在的時間，通過維度和分布的分析，也可在一定程度上反應活躍度。

使用時長：指在某一統計統計周期內所有從APP啟動到結束使用的總計時長。使用時長還可以從人均使用時長（使用總時長和活躍用戶數的比值）、單次使用時長（使用總時長和啟動次數）等角度進行分析，是衡量產品活躍度、產品質量的重要指標。

使用時間間隔：使用時間間隔是指同用戶相鄰兩次啟動的時間間隔。我們通常要分析使用時間間隔分布，一般統計一個月內應用的用戶使用時間間隔的活躍用戶數分布。也可以通過不同統計周期(時間點不同，但跨度相同)的使用時間間隔分布的差異，以發現用戶體驗的問題。

訪問頁面：訪問頁面數指用戶一次啟動訪問的頁面數。我們通常要分析訪問頁面數分布，即統計一定周期內(如1天、7天或30天)應用的訪問頁面數的活躍用戶數分布，如訪問1-2頁的活躍用戶數、3-5頁的活躍用戶數、6-9頁的活躍用戶數、10-29頁的活躍用戶數、30-50頁的活躍用戶數，以及50頁以上的活躍用戶數。同時，我們可以通過不同統計周期(但統計跨度相同，如都為7天)的訪問頁面分布的差異，以便于發現用戶體驗的問題。

在以上用戶參與度指標中，我們可以選取一個可以反映主運營目標的指標，如消費額，搭建用戶等級模型（用戶分層），也可以選取多個相關指標，如最近一次消費時間R，消費頻率F，消費額M搭建常用的RFM用戶模型。

作用在于可以根據構建出的模型中的不同等級（用戶分層）或不同區域（RFM模型）的用戶的特征制定針對性的運營策略或制定層級間轉化的用戶激勵體系。

以問答社區為例，主要KPI是內容數量和質量，體現在用戶所貢獻內容獲取的認可數上，通過數據收集整理得出用戶認可數分布如下，我們以用戶認可數為指標建立用戶分層。

可以看出分布近似于對數正太分布，通過類似分布直方圖定義第一，第二，第三四分位點作為臨界值，將用戶劃分為普通用戶、內容生產者、內容貢獻者和大V四個等級用戶。

當用戶量足夠大時，每一層用戶等級里的用戶特征也表現出很大差異性，比如內容貢獻者一層里，有人以發表文章為主，頻率低，單篇認可數高；有人以問答為主，頻率高，單篇認可數低；這就結合RFM模型對每一層內用戶再做細分。

再比如有人是3年以下，有人是5年以上，有人喜歡社交類內容，有人喜歡電商類內容，這就就可以結合下文介紹的用戶畫像對用戶做更精細屬性描述，做到更精細化運營的效果。

RFM模型

關于“數據化用戶運營的示例分析”這篇文章就分享到這里了，希望以上內容可以對大家有一定的幫助，使各位可以學到更多知識，如果覺得文章不錯，請把它分享出去讓更多的人看到。