几何级增长的客户：客户深度运营的13个关键数据…

几何级增长的客户：客户深度运营的13个关键数据…

在Pt学院“用户运营的深度思考与方法”分享后的提问环节，有观众问了我一个很“真实”的问题，有哪些模型可以用来分析和优化用户运营。在简单介绍了一些常用的机型后，我突然发现，这已经足够写一本书了。但是，写一本书的时间可能不够，但是写一篇文章是完全可行的。

所以简单介绍一下团队这些年做的和思考的模型和方法也是恰到好处的。当然，书面表达毕竟有限。知道这件事不得不做，建议你从真实实践中验证模型，甚至找到自己的模型。另外，在下面这些模型中，我不禁用“批判”的眼光来看待，因为没有一个完美的模型，任何模型都有其适用范围和缺陷，真正可用的模型总是来自于你自己的企业。这13种型号是:

类型一:运营思维模型AARRRAIPLAMOT类型二:客户认知模型RFM定制聚类用户活动模型用户偏好识别模型类型三:运营增长模型留存曲线队列模型增长曲线K因子流失预警模型诱饵、接触和规则模型

第一类：运营思维模型

运营思维模式是那些“非常正确”但不能让你立即采取行动的模式。很多人对这些模型有“看法”，正是因为它们正确却“无法落地”。其他聪明的朋友可能会觉得这些模型是“马后炮”，这是我日常策略的总结。话虽如此，这些模型仍然是对成功战略的简单而精辟的总结。

1.AARRR模型

AARRR模型常用于数字产品和服务器，但对传统服务也有启发。但我以前几乎忽略了这个模型，因为这个模型最大的问题是，它给出了一个“正确的废话”，但它不能告诉你具体该怎么做。

AARRR的意思是:引流-激活-留存-变现-推荐。后三者的顺序是有争议的，不同的人有不同的解读。总的来说，这个模型的本质仍然是:引流-互动-转化-留存-推荐，这是一个描述客户正常忠诚度循环一步一步的模型。很多人认为这种模式是“新瓶装旧酒”，但实际上，这种模式强调的是过去不太强调的客户管理策略。比如强调“激活”和“推荐”，这是一种在数字世界更容易实现，而在传统世界相对困难的用户策略。

但事实上，近年来数字经济中许多成功的客户增长，是否本质上符合AARRR模型，也是有争议的。比如，相当多的声音质疑“小蓝杯”、“小黄车”等增长模式不符合真正的AARRR模式，只会对运营商产生更大的误导。对于“小蓝杯”，最大的争议在于其成长并非来自“自荐”，而是来自“利诱推荐”，即以亏损为代价补贴换取用户数量，在资本市场变现的运营模式。

某种程度上，“滴滴”也是这样的格局――这导致滴滴直到今天亏损严重。“小黄车”的问题在于，虽然它的用户增长确实来自运营，但这种运营的核心是提供更有竞争力的产品(更好的骑行车辆+更广的覆盖范围)，而推荐带来的用户增长非常有限。

脸书和领英经常作为AARRR的典型被传播，但容易被忽略的是，脸书和领英都是具有很强“网络效应”的产品，所以推荐不再仅仅是一种运营策略，而是由其产品的先天指涉所决定的。这是当今大多数数码产品都想拥有，却根本无法拥有的功能。那些与生俱来就具有这种特性的产品今天已经被开发出来了。比如七八年前的微信，或者更早的淘宝。

那么，我们应该从AARRR模式中学到什么呢？真的不能有效指导我们吗？不是，这个模型是一个类似于“检查表”的思想，告诉我们要把运营分成五个需要深入思考的部分，并且这五个部分可以通过运营相互关联。当然，这个模型肯定没有告诉你怎么做。因此，需要一个更具 *** 作性的模式来实现AARRR思想所倡导的结果。在本文的后面，我们将介绍几个更具 *** 作性的模型。

2.AIPLA模型

如果说数字世界强调的是AARRR，那么传统世界的用户运营模式就是AIPLA，即认知——兴趣——购买——忠诚度——广告。从字面上看，你会发现这个模型和AARRR模型没有本质上的区别。AIPLA描述了传统世界中客户的转化过程，即从了解产品到成为“死忠粉丝”的全过程，强调了在这一过程的各个阶段不同运营策略的应用。事实上，AIPLA模式被广泛提及。比如阿里的品牌数据银行主要逻辑是AIPL(不带A)，腾讯数据智库(TDC)也是如此，只是同义词变了，本质不变。

相对于数字世界而言总体更困难。

这也是传统领域纷纷需要“数字化转型”的重要原因。大家都需要把线下运营做到线上，这样才能更深入的运营客户。AIPLA模型应该如何落地？这个模型也属于“思维方式”模型，落地需要借助其他工具。后面我们会介绍。

3.MOT模型

消费者之旅的核心思想——无论是AARRR还是aiPLA——将消费者的购物行为描述为从认知到兴趣，再从兴趣到购买，再从购买到忠诚的一系列连续过程。这个过程被称为消费者之旅。

关键时刻(MOT)是消费者旅程中的一些关键“里程碑”节点。例如，搜索产品，或与他人分享关于该产品的信息。这个概念源于宝洁公司。你可以发挥你的想象力——一个客户在他消费旅程的整个过程中就像一条蜿蜒的道路，MOT就像这条道路中间燃烧的火炬，指引着这条道路的方向。

我们不能直接控制消费者的旅程，但我们可以通过MOT来影响它。甚至在很多情况下，我们不需要了解消费者的旅程是什么。我们只是在设计MOT来影响这个消费者，让他快速切换到下一个更接近转型甚至转型本身的MOT。

还有一种MOT很重要，即ZMOT(ZeroMomentofTruth，原创MOT)，是指在某种情境的刺激下，一个人最初的心理活动使他意识到自己需要购买某种东西或服务。对于谷歌来说，这种心理活动体现在搜索引擎上的搜索。对于阿里来说，这种心理活动是从一个人开始寻找一段时间内从未见过的某一种商品开始的。另一个MOT是UMOT(最终的关键时刻)，也就是最后一个MOT。整个购物过程的最后关键时刻，往往是人们分享自己的商品体验的时刻。

ZMOT和UMOT的想法来自谷歌。

emfluence.com 第二类：客户认知模型

与第一种模式不同的是，第二种模式是允许我们实际 *** 作的模式，基于这些 *** 作，我们可以更深入地了解客户的情况，从而为我们的运营策略提供依据。

1.RFM

RFM模型的核心目的是衡量所有客户的价值，然后对他们进行分类。所以本质上，这个模型是一个非常简单的分类模型。

可以想象，你是农民，苹果丰收。你想把苹果分成不同的类别，以固定的价格出售。于是你做了一个分类方法:苹果的“皮色”，苹果的大小，苹果的味道。又大又红的苹果和又脆又甜的苹果是一类，又大又青的苹果和又粉又甜的苹果也是一类，所以苹果大概有8种。然后根据苹果的各种类别标注价格。

RFM就是这样一个真理。三个字母代表三个分类标准:R和F和m，也就是R购买日期的接近程度。R值越大，交易越接近现在，否则，发生在更久以前。f是购买频率。f越大，交易越多。m是交易金额，m越大，金额越高。RFM的三个标准通常用数据重影的程度来表示。例如，R用1，2，3表示，3表示最近购买，1表示很久以前，2表示中间阶段。

如果用最简单的0和1来表示，也可以把客户分成8类，如下表所示:

index的价值在于衡量不同客户（用户）的活跃度，这个模型与前面的聚类或者RFM的最大区别在于，它完全不care用户最终是否发生了购买行为，而仅仅只看用户使用你的产品或者与你互动的强度。建立用户活跃度模型并不困难，因此它也是一个极有使用价值的模型。具体方法分为几步：

在所有消费者接触平台添加监控码，掩埋所有消费者互动位置，确保所有消费者行为都能被记录；

根据不同消费者互动的价值为其构建权重；

根据权重计算每个消费者的总互动行为。

设置权重是有一定技巧的。有一种方法很主观，但其实很有效，就是直接根据对消费者行为价值的经验判断，对不同类型的消费者互动进行评分。

另一种是根据每个行为与最终转化的比例关系来设定权重。举个比较理想和极端的例子(不过这样的例子有助于大家理解)，如果你认为最终的转化值1000分，那么用户在转化前的行为就可以按照与转化的比例来“打分”。比如，每发生一次转化，就需要看100次产品介绍页面，那么每看一次产品介绍页面，就值10分。

用户活跃度模型的缺点是必须使用用户行为分析工具进行嵌入，有些工具不支持自动用户活跃度评分，必须导出数据，自己计算。NEqual的Jice工具支持这个功能，这也是我觉得这个工具有亮点的原因。

几乎所有格式的高频客户(用户)交互都可以使用用户活动模型。用户活跃度不仅用来衡量用户的价值，也用来衡量流量的质量，所以是一个非常重要的模型。

4.用户偏好识别模型

用户偏好识别模型是一个具有悠久历史的有价值的模型。这个模型的实现比较复杂，需要通过算法来实现。

分析和识别用户偏好的算法，其实都与用户活动模型有关，即都是利用用户的具体行为来做出判断。不同的是，后者只判断活动，而前者也判断人们活动是为了什么(偏好)。

用户偏好识别模型取决于算法，可以很简单，也可以很复杂(但可能有更高的准确率)。比如只有一个维度，即“点击”行为，可以作为用户兴趣的特征，然后建立商品(或内容)与行为之间的二元矩阵，即可以求解用户偏好，但这种方法很粗糙。

如果考虑到点击之外的更多行为，比如收藏、点赞、评论、购买等。，那么我们需要权衡用户的不同行为。此外，像RFM模型一样，如果将行为的数量和新近性也考虑在内，整个算法将变得更复杂和更精确。当然，有没有不需要算法的用户偏好识别模型？是的，问卷调查是。但是范围太小，效率太低。

用户偏好识别模型的意义是很大的，就是通过用户的行为来判断用户的兴趣，从而给实际 *** 作很大的支持。用户偏好识别模型也是推荐引擎的基础之一。当然，这也是DMP、CDP等消费者数据平台给消费者贴标签的基础。

第三类：运营增长模型

成长模型对运营有直接的指导意义，也是我个人认为每个运营者都应该熟练掌握的模型。

1.留存曲线

留存曲线是最简单的用户运营增长模型。也就是说，它根据线性时间排列保留率(或保留数)。最简单的excel可以表示保留曲线的情况。例如，如下图:

策略只要有一点区别，留存率就会很不相同，因此，很难有一个行业标准值，比如符合某一个数值就能“生”，达不到某一个数值就会“死”。但你仍然可以从留存曲线中看到自己生意是否成功，因为，你很容易在你的当前留存曲线情况下计算未来这群人的收入，并且计算出真正的ROI，例如下面这个例子。

假设你当月为了获取新用户付出了500元的成本，而这些新用户当月已经给你带来了1000美元的收入。假设这些用户的购买倾向每个月都没有明显的变化，那么在接下来的几个月里，这些用户的剩余用户肯定会继续购买，购买量会随着流失比例等量递减。如下图:

zh.wikipedia.org/wiki/%E9%98%9F%E5%88%97%E7%A0%94%E7%A9%B6，找找自己觉得合适的译名。

我更倾向于对等组分析的翻译方法，因为虽然常用于不同时间段的对比，但不仅如此，还可以用于不同类型用户群(如来自不同流量来源)的留存对比。

不管叫什么，队列分析在数据 *** 作领域变得非常重要。原因在于，随着流量经济的退却，集约化的互联网运营尤其需要仔细洞察留存情况。队列分析的最大价值也在这里。队列分析通过比较具有相同性质的可比群体的保持力，找出哪些因素影响短期、中期和长期的保持力。

队列分析流行的另一个原因是它使用起来非常简单，但是非常直观。相比于繁琐的流失分析、RFM或用户聚类，cohort只用了一张简单的excel表，甚至没有四次运算，直接描述了一段时间内(甚至整个LTV)用户留存(或流失)的变化。甚至，队列可以帮你做预测。

除了Excel的纯数字表示，cohort还可以用图形表示。比如下图显示了之后几个月的留存用户数(区域图)和每个月的总用户数(红色粗线)。这个数字直观的反映了2018年3月的新用户留存明显好于其他月份。

cnblogs.com/shaocf/articles/9600384.html

队列模型非常重要。

3.增长曲线

有两种类型的增长曲线:J和S..以及影响生长曲线形状的外部因素k。

生长曲线模型来源于生物学研究，即一个物种的扩张能力有多强。如果没有外界环境的压力(食物竞争，天敌，不变的生存环境，没有因数量增加而恶化等。)，那么很明显物种的数量会呈几何级数增长，就像细菌分裂一样。这将产生一个J形曲线。否则就是S型曲线。我们今天能看到的增长基本上是一条S型曲线。但是，要想让S型曲线向J型方向移动(这是所有经营者的梦想)，就必须改变外部环境K。简单来说，运营的核心就是换k。

之列。该模型最早由纷析咨询（FenxiData）提出并使用。

这个模型强调所有细节中的 *** 作由“诱饵、人脉、规则”三个要素组成。运营战略的核心就是围绕这三个要素进行设计。

比如2017年某KOL代言宝马Mini，就是诱饵、人脉、规则的统一。诱饵，当然是有特殊颜色的限量版Mini，价格更便宜；联系点是这个网络名人和微信微信官方账号平台；规则是先到先得。于是短时间内就卖出了100台。但这个案例只是一个简单的例子。如今的 *** 作远比网络名人复杂。

例如，下面展示了一个2B企业的“全客户生命周期”的“诱饵、接触和规则”战略。因为保密，不能把所有的都展示出来，但是大家已经能看懂了。

为什么这个模型把“接触”作为一个重要的元素？原因是只有接触才能作为数据载体来追踪用户，从而为我们建立用户偏好识别模型(第二类，第四类，你们还记得吗)。这些标签进一步帮助我们选择“诱饵”，建立更合理的“规则”。

这个模型 *** 作性很强，所以篇幅有限，这里就不赘述了。