前段时间写了一篇文章《目标用户群的定位和维系是产品运营的核心》，文中讲述了我们做用户运营最核心的四个过程：
- 目标用户的定位：要足够细分，足够具体，才能足够的聚焦，做的深入。
- 种子用户的运营：更好的验证并完善产品和服务，也是建立品牌传播的基础。
- 目标用户的运营：紧抓目标用户群的需求来构建产品服务能力，快速扩张。
- 目标用户的调整：不断验证当前用户群和目标用户群的一致性，以价值为导向维系或调整我们的目标用户群。
第一阶段：感性化运营
这个阶段多存在运营的初期阶段，依赖早期运营人员的专业能力以及对用户群特性的了解，通俗一点说运营团队和用户群对脾气，双方心有灵犀。比如很多做的非常出色的微信自媒体公众号，在初期完全靠自媒体作者一己之力获得粉丝的欣赏而发展起来的。
图注：我知你不知，你知我不知，到底知不知，我们无所知
但是随着用户的增加，用户群的属性也在开始变得丰富而复杂起来，一种单一的调性不能完全满足所有用户的需求。而且随着运营团队的扩大，运营人员的能力及风格不一，也对运营产生干扰。感性化运营到了一定阶段，可能就会导致忠实用户的沉默甚至流失，新用户缺乏特征。解决这一问题，我们就要通过运营过程的数据分析来找出问题，找出规律，形成比较客观的解决方法。第二阶段：数据化运营
数据化运营顾名思义就是通过数据的分析来指导运营。以微信运营为例，想必做过微信运营人都有体会，每天一早打开微信公众号后台，我们首先要去看用户增长的数据和图文阅读的数据，分析各个渠道的数据，分析某段时间的趋势。看数据能让我们很容易监测我们运营的效果，从而意识到问题。但是只是从这些宏观趋势图上，我们却很难定位问题。 分析问题其实就是寻找问题的因果关系，还是以微信运营为例，内容的质量会影响用户的增减，内容是因，用户是果。但是我们往往是把用户数据和内容数据分别来单看，微信的分析模块也是分开的，不建立数据的关联关系，就很难找到问题的因果关系。 所以数据化运营最重要的是建立起数据的关系，用一个更丰富的全景视图来看运营的状况。 在微信现有数据的基础上，结合自身的业务特点，我做了一个表格，将用户的数据和文章的数据关联起来，每天采集一次。
图注：微信全景数据的表格
采集数据是数据化运营的第一步，我们要先确定我们需要哪些数据，然后才是如何分析哪些数据。（有技术开发能力的团队可以开发一个数据采集和分析的模块，没有技术能力的团队也可以靠excel或者网上一些专门做数据分析的平台来进行多维分析） 建立全景数据视图的目的其实就是为了更直观的做问题的因果分析：- 什么样的内容对新增粉丝的转化率更高？
- 对用户的流失影响最大？
- 对小程序的转化率更高？
图片来源：数据观
第三阶段：精细化运营
随着产品功能的增多和用户的增多，用户需求的多样化和产品服务的多样化之间就存在了匹配和不匹配，选择与不选择，喜欢与不喜欢之间的矛盾，新用户的选择，老用户的活跃、流失就带来了各种各样的原因。而精细化的运营就是通过用户分群，对不同需求的用户匹配不同的服务和内容，从而满足其个性化的需求，从而更好的完成运营中拉新、促活和激活的工作。 既然要给用户分群，我们就要给用户建立画像，更好的区别不同特征的用户的不同需求。用户画像可以从多个维度来描绘，不同的产品类型，用户画像的维度也有不同，以医生的头条–掌上医讯为例，我们从四种维度来建立用户画像。
图注：四种维度建立用户画像
而用户画像的数据来源主要来自三个方面：- 用户的个人资料
- 日常行为标签的累加
- 根据规则进行数据算法的计算
第一步：分群画像，找异同
图注：运营指导模型：AARRR模型
上图是指导我们运营工作的AARRR模型，首先运营的主要工作是拉新、促活和留存，那么我们首先要分析新用户长什么样，活跃用户长什么样，流失用户长什么样，才能更好的来调整产品和服务来满足各个群体的需求，让现存用户更活跃，让流失用户回来，让新用户进来。以我们掌上医讯这个产品为例，我们根据用户使用产品状况把用户进行了分层，如下表所示：
图注：用户群细分规则说明
然后再结合用户画像的数据，最终得到如下一个分群用户的画像数据分析。
图注：用户分群的用户画像分析，行为数据省略
为了更直观的分析，我们可以把不同用户群的画像以及变化通过图形的方式展示出来（有技术能力的团队，最好还是直接开发出一套用户分层分析的数据视图看板出来），限于篇幅就不展示了。 上表还可以按照使用度+基础属性、使用度+行为属性的不同组合再进行细分，更加针对性的描述用户画像。比如，做病例运营的同事可能更关心活跃用户中关心病例的人群有什么特点？比如产品经理可能更关注活跃用户中高年资医生主要使用哪些服务？ 根据AARRR模型，运营的最高境界是要做用户的转化，从而获取收入，实现病毒式的传播。所以针对活跃用户，我们还可以根据用户的价值再进行分群，比如普通用户、传播用户、付费用户、B端价值用户等，原理都是一样的。第二步：分析原因，找对策
当我们的运营人员看到这个表格的时候，大家发现有些地方和之前的感觉完全不对，比如活跃用户的职称分布，我们一直以为主要以年轻的低年资医生为主，但是却发现高年资的医生比例已经超出了行业的人群比例，而且这部分人群更有价值，这部分就可以修订为我们的目标人群。比如我们的目标人群中有肿瘤科，但是在我们的活跃用户里肿瘤科的医生占比却没想象的高，那么会不会和我们的内容比例有关系，和我们推广的渠道有关系，再结合其他数据（比如内容的画像）来找差异。 我们再深入的分析用户群体画像，仅仅基础属性是不够的，我们还要分析用户的行为属性。活跃的用户的行为和流失用户的行为之间有什么差别，什么原因造成的这个差别。活跃的用户和流失的用户在基础属性上相同的用户群体，他们在行为上又有什么差别。 找到原因，那就想解决方案，这时候要产品和运营一起抓，运营调整见效快，但产品调整更长远。比如运营会适当的加大肿瘤科内容的比重以及推荐力度，多做一些肿瘤科的内容专题，从而提升肿瘤医生的活跃度和留存率；而产品可以升级肿瘤频道，推出更多服务满足肿瘤科医生，改进内容推荐算法，更好的推荐内容。第三步：执行监控，看效果
找到对策，具体对策对不对，效果怎么样，这就需要我们在执行的过程中，不断的监控数据。我们不仅要关注用户的增长趋势，而且我们每周都要更新我们的用户画像数据，看人群的转化率，看和目标用户群的匹配度，过程中我们根据效果进行不断的调整。 从另外一个方面，我们不仅仅只关注用户增长的数量，我们也要关注用户群体的质量，从而满足AARRR整个模型的要求，实现运营的目标。简单做了一个数据监控图（如下图所示），纵坐标代表用户的活跃程度，横坐标代表用户的价值，如果随着运营的改进和升级，数据沿着红色箭头的方向增大，说明我们运营策略和执行过程是正确的，反之则需要我们再按照以上过程去调整。
图注：监控活跃用户中的价值用户的比例，数据为示例，不具备可参考性
结语
梳理完这些方法和模型，的确可以指导团队更好的进行分析思考，更有针对性的做方案，开展运营活动。但是真正执行起来却发现，其实并没有那么容易，存在各种各样的问题：- 想要的数据没有！
- 用户行为没记或者不全！
- 用户画像没有建立！
- 没有自动化程序来统计分析，完全手工效率太低！
【转载说明】 若上述素材出现侵权，请及时联系我们删除及进行处理：8088013@qq.com
