流程化和精細化是每個運營商都應該具備的基本思維。如果流程化思維是運營商對運營目標的定性思維，那么數據化就是對目標實現路徑和效果的定量描述。它在具體的數據指標上實施您的工作思路，以衡量您的工作效果和目標實現。

建立數據用戶操作的必要性是衡量你工作的價值，實現精細操作的基礎。例如，基于數據的用戶分類和用戶肖像是精細操作的前提。

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

收集用戶數據主要包括用戶基本數據、用戶行為數據和用戶流量數據。

用戶基本數據是指用戶的靜態數據，包括性別、年齡、地區、工作等。這些數據主要通過填寫基本信息來描述用戶是誰。用戶行為數據是用戶在產品上的一系列操作行為 ** ，包括用戶瀏覽、購買、內容貢獻、邀請傳播、社交等行為。這些數據描述了用戶所做的事情，主要依靠數據埋藏點來實現。用戶流量數據是用戶的來源，是基于用戶訪問的網頁端，包括設備、運營商、端口、時間等。這些數據描述了用戶來自哪里。然而，目前的流量數據統計主要來自GA、百度統計等第三方工具不能記錄在數據庫中，即不能與上述用戶基本數據和行為數據一一對應。

以上數據是從產品或第三方工具中獲得的原始數據。為了實現操作目標，還需要在原始數據的基礎上進行數據挖掘和數據分析，并結合操作目標和路徑構建數據操作指標系統。

添加微信號dqc6633 立即加入【火星運營新媒體交流群】

二是構建用戶數據操作指標體系

如果你不能用指標來描述業務，那么你就不能有效地增長它。所以在這個鏈接中要做的就是指標你的業務。數據指標不是恒定的，它依賴于您產品的業務流程或功能流程，與目標和目標實現路徑密切相關。

用戶操作的目的是最大限度地提高用戶價值。如果你是一個電子商務產品，你的目的是讓用戶付費購買商品。如果你是一個社區產品，你的目的是讓用戶貢獻內容來傳播。然而，產品目標和用戶價值的實現是一個循序漸進的過程，也是一個動態演變的過程。有的從潛在用戶注冊為活躍用戶，有的從活躍轉為流失，有的從流失轉為活躍。

上圖中的橙色是用戶狀態的動態演變，紅色是操作目標。根據目標-方式-效果的操作理念，數據分析是將您的目標分割成具體的數據指標作為核心調查指標，利用數據監控目標實現方式來評價效果，比較原設置的核心調查指標，判斷、驗證、糾正、優化工作方式，達到更好、更快的效果。根據這一理念，我們構建了以下數據操作指標系統，每個系統都包含了一系列相關指標。指標系統的構建是基于第一部分收集的用戶數據的數據處理和處理。

1.在從潛在用戶到注冊用戶的新鏈接中，我們需要做的是分析新渠道和各渠道的推廣策略，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用戶數量、用戶獲取成本和新用戶保留率。

新用戶數量：新用戶是指安裝應用程序后首次啟動應用程序的用戶。根據統計時間跨度的不同，分為日、周、月新用戶。新用戶數量指標主要是衡量營銷推廣渠道效果的最基本指標；用戶獲取成本：支付渠道響應渠道的轉化率。新用戶保留率：反映新用戶的質量和與目標用戶的一致性。此外，對于成熟版本的產品，如果用戶保留率發生顯著變化，則表明用戶質量發生顯著變化，這可能是由促銷渠道質量的變化引起的。

2.注冊用戶和活躍用戶活動保留鏈接是運營商的主要工作之一，我們的日常用戶分層分類、用戶增長激勵系統是在這個鏈接中，反映在數據中我們可以建立指標系統包括了解用戶規模和質量系統，了解用戶參與（使用深度）系統和用戶肖像系統的用戶屬性。

(1)用戶規模和質量

活躍用戶指標：活躍用戶指在統計周期內啟動應用程序(APP)設備數量。活躍用戶是衡量用戶規模的指標。通常，如果一個產品成功，只看一個指標，那么這個指標必須是活躍用戶的數量。根據不同的統計周期，活躍用戶數量可分為日活躍用戶數量(DAU)、周活躍數(WAU)、月活躍數(MAU)，不同類別的產品統計周期也有所不同。新用戶指標：新用戶數量指標是衡量推廣渠道效果的主要指標；新用戶占活躍用戶的比例也可用于衡量產品健康。當比例過高時，應特別注意保留率。用戶保留率指標：用戶保留率是指在一定統計期間的新用戶數量中啟動應用程序的用戶比例。用戶保留率可以集中在第二天、7天、14天和30天。保留率一方面反映了用戶的質量，另一方面也反映了產品的吸引力。當保留率異常時，您可以在這兩個方面找到原因。用戶組成指標：用戶組成是分析統計周期內活躍用戶的組成。以每周活躍用戶為例，每周活躍用戶包括本周回流用戶和持續活躍用戶n周用戶、忠誠用戶等，有助于通過新舊用戶結構了解活躍用戶的健康狀況。單用戶活動天數指標：在統計周期中，每個用戶在應用程序中的平均活動天數。如果統計周期相對較長，如統計周期超過一年，縣，每個用戶的總活動天數基本上可以反映用戶在流失前APP這是反映用戶質量特別是用戶活動的重要指標。

(2)用戶參與度

用戶參與系統是衡量用戶活動的重要指標系統。不同產品中活躍的定義是不同的。例如，電子商務產品中的活動可以定義為購買，社區產品中的活動可以定義為內容貢獻。因此，以下三個指標可以在不同的產品中進化。

啟動次數=購買次數=內容貢獻次數；最新使用；=最新消費=最新內容貢獻；使用時間長；=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：指用戶在統計周期內啟動應用程序的次數。在數據分析中，一方面要注意啟動次數的總趨勢，另一方面要注意人均啟動次數，即同一統計周期的啟動次數與活躍用戶的比例。例如，人均日啟動次數是日啟動次數與日活躍用戶的比例，反映了每個用戶每天的平均啟動次數。最新使用：通過維度和分布分析，用戶也可以在一定程度上反映以在一定程度上反映活動。使用時間：指統計周期內的一切APP從開始到結束的總使用時間。使用時間也可以從人均使用時間（總使用時間與活躍用戶數量的比例）、單次使用時間（總使用時間和啟動次數）等角度進行分析，是衡量產品活動和產品質量的重要指標。使用時間間隔：使用時間間隔是指與用戶相鄰兩次啟動的時間間隔。我們通常需要分析使用時間間隔的分布，一般來說，統計一個月內使用時間間隔的活躍用戶數量的分布。您還可以通過使用時間間隔分布的差異（不同的時間點，但相同的跨度）來發現用戶體驗的問題。訪問頁面：訪問頁面數量是指用戶一次啟動訪問的頁面數量。我們通常需要分析訪問頁面數量的分布，即統計一定周期內（如1天、7天或30天）的訪問頁面數量，如訪問1-2頁、3-5頁、6-9頁、10-29頁、30-50頁、50頁以上。同時，我們可以通過不同的統計周期（但統計跨度相同，如7天）訪問頁面分布的差異，以發現用戶體驗的問題。

在上述用戶參與指標中，我們可以選擇一個能夠反映主要運營目標的指標，如消費量、構建用戶級模型（用戶級別）或多個相關指標，如最新消費時間R，消費頻率F，消費額M搭建常用的RFM用戶模型。

其功能是根據模型中構建的不同等級（用戶分層）或不同區域（RFM模型)用戶的特點是制定有針對性的操作策略或層次轉換的用戶激勵系統。

以問答社區為例，主要是KPI它是內容的數量和質量，反映在用戶貢獻的內容獲得的識別數量上。通過數據收集和整理，用戶識別數量分布如下。我們以用戶識別數量為指標，建立用戶分層。

可以看出，分布類似于對數正太分布，第一、第二、第三、四分位作為臨界值，用戶分為普通用戶、內容制作人、內容貢獻者和大用戶V四級用戶。

當用戶數量足夠大時，每個用戶級別的用戶特征也表現出很大的差異。例如，在內容貢獻者層面，有些人主要發表文章，頻率低，單個認可度高；有些人主要是問答，頻率高，單個認可度低；這是結合RFM模型細分每層用戶。

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

(3)用戶肖像

用戶肖像是通過各種數據概述用戶輪廓，可以定義用戶屬性指標可以放在用戶肖像中，包括性別、年齡、教育、收入、支出、職業、行業、個人興趣、商業興趣、社會關系等，數據越多，用戶輪廓越清晰，相應的操作策略越有針對性。

3.我們每天在手機上收到各種短信，PUSH、奇怪的電話，郵箱經常收到廣告郵件，越來越準確地戳你的點，促使你再次啟動app，如果你很久沒用這個的話app然后，這很可能是基于數據分析的召回措施，試圖恢復丟失的用戶。

這一階段主要是對流失原因的分析** 回收方案的制定，用數據指標來衡量工作效果。它反映在數據指標上，包括損失率、到達率、打開率、打開點擊率和回流率。

損失率：損失率和保留率是一對概念，統計時間后不再使用產品的用戶比率，兩個指標一般采用同期組的計算方法，但由于損失率有一定的滯后性，通常通過查詢保留率來預測損失率。

到達率：推送到達用戶手機或電子郵件的比率。打開率：用戶可以看到推送打開的比率。打開點擊率：用戶打開后點擊內容/鏈接的比率。返回率：返回用戶數與統計周期內丟失用戶的比率。

我們的目標是回流失去的用戶，但不是一蹴而就的。后四個指標層層遞進，形成轉換漏斗。推送形式、推送時間、標題、發件人是否正式、發送對象是否準確、實際內容是否與標題一致，甚至頁面布局都會影響每一層的轉換。

三、數據驅動用戶操作

有了結構化的數據指標系統，但它不能被視為一個完整的操作系統。數據本身毫無價值，只有成為策略才有價值。我們構建的數據指標服務于決策，幫助我們制定和優化操作策略。

通過數據，我們不僅要知道是什么和有多少，還要知道為什么？這是數據驅動業務的關鍵。數據驅動業務體現在兩個方面：

一是利用數據優化操作策略，如用戶保留率低，保留率與用戶質量和產品吸引力有關，通過渠道分析發現用戶質量沒有問題，通過用戶損失分析發現主要損失階段在初始接觸期，發現原因，優化產品穩定性、易用性和新用戶指導。

二是數據驗證操作策略。例如，如果您想啟動新的用戶激勵措施，但不確定是否會比原來的方式有更好的結果。此時，通過合理的方式AB對比數據可以為您提供決策依據。

數據分析找出原因和操作策略優化是一個重復的過程，我們以用戶的防流失為例。

防止用戶損失的核心是降低用戶損失率或延長用戶的生命周期（當損失不可避免時）。用戶損失的原因非常不同，有些在推廣過程中吸引了大量的低價值用戶，有些用戶對產品不感興趣，有些使用興奮和興趣，只找到用戶損失的原因，有效地防止用戶損失和用戶召回策略，這需要依靠數據指標系統來解釋問題。

1.不同渠道用戶流失率分析

渠道A：SEM

渠道B：微博

全站用戶

通過對不同渠道用戶流失的分析，我們會發現不同渠道的用戶流失率明顯不同，用戶流失率也不同于整個棧。

第一周，渠道A---通過SEM注冊產品的用戶流失為34%，而渠道B---通過微博注冊產品的用戶流失率為54%。為什么渠道A的用戶情況會明顯好于渠道B？無論是渠道A主動搜索關鍵詞或渠道B有興趣點擊推廣鏈接，用戶需求基本一致，否則會在注冊階段丟失。

因為SEM是付費推廣，微博是免費自然流量，運營是為了提高SEM投入產出比，渠道A用戶進入產品頁面后，會有專門的著陸頁面介紹產品，而微博直接鏈接到活動頁面，用戶對產品的認知較差，導致用戶流失增加。

通過為微博用戶添加新的用戶引導功能，操作可以繼續觀察微博博過來的新用戶的數據。如此反復不斷優化策略。

2.不同生命周期用戶流失率分析

通過使用時長和使用頻次兩個指標將用戶生命周期劃分為為接觸適應期、探索成長期、成熟穩定期、衰退期，不同時期的用戶人數和流失率統計如下：

從上表可以看出，在用戶剛開始接觸產品的探索適應期流失率偏高，有很大改進空間。根據我們用戶運營的經驗，在此階段用戶流失的原因一般包括新手引導體驗差、訪問速度慢、學習成本高、內容不匹配等，而這些在數據上都會有所體現，通過相應數據的分析查找原因，并制定相關的用戶策略，再繼續觀察數據，反復優化策略。

以上以防止用戶流失為例來說明如何利用數據來驅動用戶運營，其它環節大同小異，利用用戶運營的思想，結合數據分析的思路，選定合理的數據指標體系，精準分析原因，制定相應策略，重新觀察數據優化策略。

四、總結

1.搭建數據化用戶運營體系的流程為：

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。

2.根據用戶在產品的周期建立結構化數據指標體系，將用戶運營工作數據化。

3.數據驅動業務，通過數據查找制定相應運營策略并通過繼續觀察數據不斷優化。

作者袁會會，一年內容和用戶運營實習工作經驗，參與社區運營和在線教育產品的運營。