用户运营是指基于用户全生命周期的管理活动，旨在提高用户价值和提升销售额。以逛街购物为例，商家会通过广告等方式吸引用户注意，引导用户完成购买，并在用户购买过程中提供优质服务，让用户实现消费。在用户生命周期有限的情况下，商家需要通过用户运营手段，尽可能让用户掏更多的钱，从而提升销售额。

用户运营的目的是提高用户转化率和提高用户价值。商家可以在用户全生命周期的各个环节采取相应的运营动作，例如引导用户完成注册、首单、提高用户活跃度等。这些运营动作的目的都是为了提高用户的价值，从而提升销售额。概括来说，用户分析是指通过对用户行为、数据等进行分析，来提高某些环节的效率。

了解了什么是用户运营，以及用户分析要解决的问题后，下面来介绍一下用户分析的常用方法。回到前文中购物的场景，可以抽象出一个用户模型，如下图所示，谁在多长时间内做了多少次什么行为。这个用户模型包含许多要素：人物、时间、频次、行为。进一步压缩，可以得到一个新的模型图，即谁做了什么。这个模型的要素只有两个：用户属性和用户行为。这就是用户分析可以拆分成的两个部分，用户属性分析和用户行为分析。

1、 用户属性分析

在用户属性分析方面，主要解决的问题是商家对用户的认知和理解，以及如何将有限的资源分配给最有价值的用户。

用户分析分为四个常见的场景：用户特征、用户画像、用户分群和用户分层。

用户特征分析旨在揭示人群特点，帮助了解产品消费人群或不同人群间的异同。推荐的分析方法是对比分析和可视化决策树。用户特征分析中，所有特征都是通过对比得出的。在分析报告中，如果只给出单一人群的特点，则缺乏说服力。实际操作中，应将目标人群与参照人群进行对比，以得出更准确的结论。例如，在分析双 11 活动中复购人群的特征时，应将其与未复购人群进行对比。对比分析之后推荐采用可视化决策树的方法。可视化决策树是一种机器学习方法，将复购人群和未复购人群标记为 0 和 1，并将各级特征放到可视化决策树中，以查看每个特征的值分布。这种方法具有很强的可解释性，业务人员可以直观地看出每个特征的分值，从而更好地理解分析结果。

用户画像解决的问题是商家想知道使用其产品的人是谁。与用户特征分析不同，用户画像是一种基于定性描述的分析方法。在用户画像中，TGI 指标很重要，用于计算用户群中各个指标的趋势强度，一般 TGI 大于 100 表示在该方面有明显特征。

用户分群是将人群划分成几个部分，以便为不同的营销方案制定策略。有两种方法可以实现用户分群：业务逻辑和聚类算法。业务逻辑基于对用户的洞察，而聚类算法则使用常见的 k-means 算法等技术。后文中会具体介绍这种方法。

用户分层与用户分群不同，它将人群分成不同的等级，以便为不同的用户提供不同的服务和资源分配。用户分层可以解决如何分配资源的问题，并可以为某些用户提供优先权。在用户分层中，标准思维非常重要，需要根据一定的标准来衡量用户。帕累托法则是一种常用的方法，根据用户的行为累积值将人群分成不同的部分。同时在用户分层中，也经常会使用到用户属性分析方法。

2、用户行为分析

在用户行为分析方面，主要解决的问题是了解用户的行为模式和偏好，从而优化产品和服务，提高用户满意度和忠诚度。这里分为四个场景：用户的 Aha 时刻、用户留存、用户流失、用户生命周期价值。

用户的 Aha 时刻解决的问题是找到魔法数字，也就是边际效用分界点。

用户留存解决的是新用户留存提升的问题，如何让新用户在一定时间内尽可能地活跃。用户留存分析通常使用统计群分析方法，将某一时间点进入的人群圈起来，并跟踪随时间变化的情况。

用户流失是很多商家头疼的问题，但如果能够提前预测到哪些用户可能会流失，就可以提前进行干预。对于已经流失的用户，可以分析流失原因来制定召回策略。用户流失分析有时需要使用机器学习方法，如回归分析。

用户生命周期价值是指每个用户在整个生命周期内会贡献多少钱，可以用来制定新客的获客成本或新客的 ROI，以及分析用户还剩下多少价值。

接下来展开介绍其中两个场景，用户分群和用户的 Aha 时刻分析。

三、用户分群：业务逻辑和聚类算法

用户分群是指将大量用户划分成若干个具有相似特征的人群，以便制定针对性的营销策略。以天猫为例，它将用户划分成八大策略人群，如新锐白领、资深中产等。

在进行用户分群之前，需要明确要解决什么问题。以天猫的八大策略人群为例，这些人群的划分是为了解决产品组合和定价、开发新品等问题。根据人群画像，可以了解人群的特征和消费习惯，从而制定不同的营销策略和产品方案。

以下是用户分群流程图：

第一步：需要有一个品牌用户群。

第二步：准备业务标签。需要从众多标签中找出具有真正业务含义和人群划分价值的标签。这与要解决的问题有关，例如，如果要解决定价问题，就需要知道用户的消费能力，可以使用月均消费频次和月均消费金额等标签来衡量。有了这些标签，就可以进行人群划分。

第三步：人群划分。这里用到前文中讲到的两个方法，一个是基于业务逻辑，一个是聚类方法。最终聚类出不同的人群，比如上图中的三种颜色代表三个人群。聚类出人群之后，还要反过来去看它在不同特征下面的占比。

第四步：为人群找到合适的标签。计算 TGI 指标或特征占比。TGI 指标大于 100 认为是显著的，小于 100 认为是不显著的。最终把每一个标签过滤出来之后得到定性的描述。如新锐白领、小镇青年、精致妈妈等。

这里用到两个工具：聚类算法和业务逻辑。

聚类算法是通过计算人群之间的距离，将人群自动分类。在进行聚类分析时，需要注意选择合适的指标，并去掉异常值人群和极端人群，再对剩余人群进行分类或圈出不同的人群。K-Means 聚类能够自动地对多维数据进行聚合。但它的缺点是缺乏业务逻辑和业务含义，要解决这一问题就要加入业务逻辑。用 K-Means 聚类算法划分完后，如果发现其与业务不相符，那么就需要去调整。

除了用聚类算法之外，还可以用业务逻辑去进行用户分群。比如将人群和产品的标签进行交叉，就可以得到不同人群在不同产品标签下面的特点。例如，可以将年龄划分成几个段，然后反过来看每个人群在不同产品标签下面的特征，例如更加偏好 0- 元的产品、更加偏好职场穿搭类的产品等。

根据这些特点进行人工聚类，得到不同的人群划分结果。最后，基于人群划分结果和产品标签，可以得到相应的策略，例如针对不同人群的营销策略、内容制作策略等。这样的标签过程可以将业务逻辑和机器学习相结合，从而得到更加准确和更具业务含义的人群划分结果，并在业务场景中落地。

四、用户的 Aha 时刻-魔法数字

魔法数字解决的是最终标准阈值的问题，例如划分会员等级的标准阈值为 1 万元。为什么是 1 万而不是 1 万五或者其它数字，这就是一个标准阈值问题。

先来简单介绍下留存率。统计某一天注册的用户数，以及第二天回来活跃或购买的用户数，然后将第二天回来的人群去除，就可以得到次日留存率。

比如LinkedIn 发现新用户在 7 天之内加满 5 个人，留存率会提高 3 倍。再比如Facebook 发现，新用户 10 天内关注 7 个人可以提高留存率。

基于这个逻辑，可以得到一个关于留存率与关注人数的关系图，并通过寻找拐点来确定边际效用的最大化。拐点是指留存率开始显著提高的点。从数学上来讲，拐点是指曲线的斜率开始明显下降的点，也就是边际效用最大的地方。在拐点之前，关注人数的增加对留存率的影响较大，而在拐点之后，关注人数的增加对留存率的影响逐渐减小。这个拐点就是我们的魔法数字。

如果我们找到了某个魔法数字（例如 10 或 3），那就可以将其应用于营销策略和用户运营策略中，例如让用户关注够 10 个人或者购买够 3 次。我们还可以将这个魔法数字作为划分会员等级的阈值，或者想方设法让用户达到这个数字，从而更好地保住客户。

上图中展示了一个应用案例。从表格中可以看出价格与综合满意度的相关性是最高的，所以可以根据价格去计算回归，得到计算魔法数字的公式。当然这个数字也需要进一步结合业务去进行验证。