在Pt學(xué)院的《用戶運(yùn)營(yíng)的深度思維與方法》的分享結(jié)束后的提問環(huán)節(jié)，有一個(gè)聽眾問我一個(gè)很“實(shí)在”的問題，分析和優(yōu)化用戶運(yùn)營(yíng)，有哪些模型。我把一些常用的模型一一簡(jiǎn)單介紹之后，忽然發(fā)現(xiàn)，這已經(jīng)可以寫一本書了。不過，寫一本書的時(shí)間可能不夠，但寫一篇文章還是完全可行的。
因此，正好把團(tuán)隊(duì)們這些年來做過的和所想的模型與方法，跟大家簡(jiǎn)要介紹。當(dāng)然，文字表述終究有限，絕知此事要躬行，還是建議大家從真正的實(shí)踐中驗(yàn)證模型，甚至找到自己的模型。另外，在下面的這些模型中，我難免不帶著“批判的”眼光去看待這些模型，因?yàn)闆]有完美的模型，任何模型均有適用范圍和缺陷，真正可用的模型，永遠(yuǎn)來自于你自己的業(yè)務(wù)。這13個(gè)模型分別是：
第一類：運(yùn)營(yíng)思維模型AARRRAIPLAMOT第二類：客戶認(rèn)知模型RFM自定義聚類用戶活躍度模型用戶偏好識(shí)別模型第三類：運(yùn)營(yíng)增長(zhǎng)模型留存曲線Cohort模型增長(zhǎng)曲線K因子流失預(yù)警模型誘餌、觸點(diǎn)與規(guī)則模型
運(yùn)營(yíng)思維模型是那些“非常正確”但并不能讓你立即采取行動(dòng)的模型。不少人對(duì)這些模型存在“意見”，正是因?yàn)樗麄兒苷_卻又“無法落地”。另有聰明的朋友可能會(huì)覺得，這些模型都是“馬后炮”，這不就是我日常策略的總結(jié)嘛。話雖如此，這些模型仍然是對(duì)成功策略的簡(jiǎn)單精辟的總結(jié)。
AARRR模型的適用范圍往往在數(shù)字化產(chǎn)品和服務(wù)端，但對(duì)傳統(tǒng)業(yè)務(wù)也有啟發(fā)。但我過去幾乎都是忽略這個(gè)模型不講，因?yàn)檫@個(gè)模型最大的問題在于，它給出了一個(gè)“正確的廢話”，卻不能告訴叫你究竟應(yīng)該怎么做。
AARRR的含義是：引流-激活-留存-變現(xiàn)-推薦。后面三個(gè)的順序有爭(zhēng)議，不同的人有不同的解釋?？傮w來看，這個(gè)模型的實(shí)質(zhì)仍然是：引流-互動(dòng)-轉(zhuǎn)化-留存-推薦，是對(duì)客戶正常的忠誠(chéng)周期中一步步轉(zhuǎn)化進(jìn)行描述的模型。很多人認(rèn)為這個(gè)模型是“新瓶裝舊酒”，但事實(shí)上，這個(gè)模型強(qiáng)調(diào)了過去比較少?gòu)?qiáng)調(diào)的客戶經(jīng)營(yíng)策略，例如，它強(qiáng)調(diào)“激活”，也強(qiáng)調(diào)“推薦”，這是在數(shù)字世界中更容易實(shí)現(xiàn)的用戶策略，而在傳統(tǒng)世界中則相對(duì)較難。
但事實(shí)上，近年來很多成功的數(shù)字經(jīng)濟(jì)下的客戶增長(zhǎng)，是否本質(zhì)符合AARRR模型，也存在爭(zhēng)議。例如，相當(dāng)多的聲音質(zhì)疑“小藍(lán)杯”和“小黃車”之類的增長(zhǎng)模式并不符合真正的AARRR模型，只會(huì)對(duì)運(yùn)營(yíng)者有更大的誤導(dǎo)。對(duì)于“小藍(lán)杯”，最大的爭(zhēng)議在于它的增長(zhǎng)并非來源于“自推薦”，而是來自于“利誘推薦”，即以虧損作為代價(jià)進(jìn)行補(bǔ)貼，換取用戶數(shù)量后在資本市場(chǎng)實(shí)現(xiàn)變現(xiàn)的操作模型。
“滴滴”某種程度上也是這樣的模式——這造成了滴滴直到今天仍然嚴(yán)重虧損。“小黃車”的問題則在于它的用戶增量雖然確實(shí)來自于運(yùn)營(yíng)，但這運(yùn)營(yíng)的核心在于提供更具有競(jìng)爭(zhēng)力的產(chǎn)品（更好騎的車輛+更廣闊的覆蓋），而通過推薦（Refer）所帶來的用戶增長(zhǎng)則非常有限。
Facebook和Linkedin常常被作為AARRR的典型例子傳播，但容易被忽視的一點(diǎn)是，F(xiàn)acebook和Linkedin都是具有強(qiáng)烈的“網(wǎng)絡(luò)效應(yīng)”的產(chǎn)品，因此推薦（Refer）就不再僅僅是一種運(yùn)營(yíng)策略，而是由其產(chǎn)品的先天基因所決定的。這是大多數(shù)今天的數(shù)字產(chǎn)品想要擁有，卻無法根本擁有的特性。那些天生擁有這樣特性的產(chǎn)品，今天早已被開發(fā)殆盡。例如七八年前的微信，或是更早的淘寶。
那么，我們要從AARRR模型中學(xué)到什么？它是否并不能真正有效指導(dǎo)我們？并非如此，這個(gè)模型是一個(gè)類似于“check list”的思想，告訴了我們應(yīng)該將運(yùn)營(yíng)工作分為五個(gè)需要深入思考的部分，以及這五個(gè)部分之間可以通過運(yùn)營(yíng)構(gòu)建起相互的關(guān)聯(lián)。當(dāng)然，在這個(gè)模型中肯定并未告訴你應(yīng)該怎么做到，因此，需要更具有操作性的模型才能實(shí)現(xiàn)AARRR的思想所倡導(dǎo)的結(jié)果。在本文后面，我們會(huì)介紹具體的幾類更具操作性的模型。
如果數(shù)字世界中強(qiáng)調(diào)AARRR，那么傳統(tǒng)世界的用戶運(yùn)營(yíng)模型則是AIPLA，即Awareness – Interest – Purchase – Loyalty – Advocation（認(rèn)知-興趣-購(gòu)買-忠誠(chéng)-擁護(hù)）。僅從字面上看，你就會(huì)發(fā)現(xiàn)這個(gè)模型簡(jiǎn)直跟AARRR模型沒有什么本質(zhì)差異。AIPLA描述了傳統(tǒng)世界中客戶的轉(zhuǎn)化過程，即從對(duì)產(chǎn)品有所認(rèn)知，一直到成為“死忠粉”的全過程，并強(qiáng)調(diào)在此過程中各個(gè)階段應(yīng)用不同的運(yùn)營(yíng)策略。的確，AIPLA模型被廣泛提及，例如，阿里的品牌數(shù)據(jù)銀行的主邏輯，就是AIPL（沒有A），騰訊數(shù)據(jù)智庫(kù)（TDC）也是如此，只是換了同義詞表述而已，本質(zhì)沒有變化。
上圖：阿里的品牌數(shù)據(jù)銀行就使用了AIPL模型
上圖：騰訊數(shù)據(jù)智庫(kù)也同樣類似于AIPL模型
盡管看起來幾乎一樣，但AIPLA與AARRR還是有所不同，在于AIPLA強(qiáng)調(diào)客戶從一端（Awareness）到另一端（Advocate）的有序的線性過程，而AARRR中的RRR則完全可能是無序的。例如，你的用戶完全可以不購(gòu)買你的數(shù)字產(chǎn)品，但仍然可以非常忠誠(chéng)地使用你的產(chǎn)品或跟人推薦你的產(chǎn)品，這在傳統(tǒng)世界中這幾乎是不可能的。
因此，傳統(tǒng)世界中的AIPLA模型更強(qiáng)調(diào)首尾銜接的過程化的運(yùn)營(yíng)，而數(shù)字世界中的AARRR則更多單點(diǎn)的激活策略。也正是因?yàn)樯厦娴默F(xiàn)象，導(dǎo)致傳統(tǒng)世界的客戶深度運(yùn)營(yíng)相對(duì)于數(shù)字世界而言總體更困難。
這也是為什么傳統(tǒng)領(lǐng)域紛紛需要“數(shù)字化轉(zhuǎn)型”的一個(gè)重要的原因，大家需要把線下的運(yùn)營(yíng)線上化，從而更能夠深入運(yùn)營(yíng)客戶。AIPLA模型應(yīng)該怎么落地？這個(gè)模型同樣屬于“思維方式”模型，落地則需要其他工具的幫助。我們后文介紹。
消費(fèi)者旅程的核心思想——無論它的表現(xiàn)形式是AARRR，還是AIPLA——都將消費(fèi)者的購(gòu)物行為描述為從認(rèn)知到興趣，再?gòu)呐d趣轉(zhuǎn)化為購(gòu)買，以及從購(gòu)買轉(zhuǎn)化為忠誠(chéng)的一連串先后發(fā)生的過程。這一過程被稱為消費(fèi)者旅程。
消費(fèi)者時(shí)刻（Moment of Truth，簡(jiǎn)稱MOT）是消費(fèi)者旅程中的一些關(guān)鍵“里程碑”似的節(jié)點(diǎn)。例如，搜索某個(gè)產(chǎn)品，又或者把這個(gè)產(chǎn)品的信息分享給其他人。這個(gè)概念最初來源于寶潔。你可以發(fā)揮想象——一個(gè)客戶在其消費(fèi)旅程的全過程中，就像或明或暗若隱若現(xiàn)的一條彎彎曲曲的道路，而MOT就像這個(gè)道路中間燃燒的火把，指引著這條路的方向。
我們無法直接控制消費(fèi)者旅程，但能透過MOT來對(duì)消費(fèi)者旅程施加影響。甚至很多時(shí)候，我們也無需參透消費(fèi)者旅程到底是什么，我們只是在設(shè)計(jì)MOT，對(duì)這個(gè)消費(fèi)者施加影響，從而讓他快速切變到下一個(gè)更接近于轉(zhuǎn)化的MOT或者甚至是轉(zhuǎn)化本身。
MOT中又有一類是非常重要的，即ZMOT（Zero Moment of Truth，原初MOT），意思是在某種情況的刺激下，一個(gè)人最初的一個(gè)心理上的活動(dòng)，讓他意識(shí)到他需要購(gòu)買某個(gè)東西或者服務(wù)。對(duì)于Google而言，這個(gè)心理上的活動(dòng)體現(xiàn)為在搜索引擎上進(jìn)行搜索。對(duì)于阿里而言，這個(gè)心理活動(dòng)起始于一個(gè)人開始了一個(gè)一段時(shí)間內(nèi)從未有過的某類商品的搜索。另外一個(gè)MOT是UMOT（Ultimate Moment of Truth），即最終的MOT，人們?cè)谡麄€(gè)購(gòu)物歷程中的最后一個(gè)關(guān)鍵時(shí)刻，往往就是把自己的商品體驗(yàn)分享出去的時(shí)刻。
ZMOT和UMOT的思想來自于谷歌。
圖片來自：emfluence.com
與第一類模型不同，第二類模型是可以讓我們實(shí)際操作的模型，并且基于這些操作，我們可以更深入的了解客戶的情況，從而為我們的運(yùn)營(yíng)策略提供依據(jù)。
RFM模型的核心用途是對(duì)所有的客戶進(jìn)行價(jià)值衡量，然后對(duì)這些客戶進(jìn)行分類。因此，本質(zhì)上這個(gè)模型是一個(gè)非常簡(jiǎn)單的分類模型。
你可以想象你是一個(gè)農(nóng)場(chǎng)主，蘋果豐收了，你想把蘋果分為不同的類別定價(jià)售賣。于是你制定了分類方式：蘋果的“膚色”、蘋果的大小，以及蘋果的口味。紅色的大蘋果且脆甜的屬于一類，綠色的大蘋果且粉甜的也屬于一類，這樣大概可以分出8類蘋果。然后按照各種類別的蘋果進(jìn)行標(biāo)價(jià)。
RFM就是這樣的道理，三個(gè)字母就代表了三個(gè)分類標(biāo)準(zhǔn)：R和F和M。R即發(fā)生購(gòu)買的日期的臨近度，R的值越大，表示交易是越靠近現(xiàn)在發(fā)生的，否則則是更久以前發(fā)生的。F是購(gòu)買頻次，F(xiàn)越大，說明交易的次數(shù)越多。M則是交易金額，M越大，金額越高。RFM三個(gè)標(biāo)準(zhǔn)，往往用數(shù)據(jù)代筆的程度表示，比如R用1、2、3表示，3表示最近購(gòu)買，1表示很久以前購(gòu)買，2則表示在中間階段。
如果用最簡(jiǎn)單的0和1表示，則同樣可以把自己的客戶分為8類，如下表所示：
當(dāng)然，你也可以把每個(gè)標(biāo)準(zhǔn)都設(shè)定5個(gè)檔次，那么就會(huì)有5的3次方供125個(gè)類別的客戶，如下圖所示：
對(duì)于不同類型的客戶，立即可以有不同的運(yùn)營(yíng)策略。比如，對(duì)于重要挽留客戶，需要做的事情，就是AARRR模型中的第二個(gè)A，即激活。至于如何激活，則需要用到另外的模型，也就是我們后面要介紹的“誘餌、觸點(diǎn)、規(guī)則”模型。
RFM主要是用在零售行業(yè)中，它并不是對(duì)所有行業(yè)都有用，原因很簡(jiǎn)單，因?yàn)镽FM的R和F對(duì)很多行業(yè)而言并不存在。比如，學(xué)歷教育，F(xiàn)可能永遠(yuǎn)都只有1次。但對(duì)于存在高頻用戶互動(dòng)的行業(yè)，RFM的思想?yún)s很有用，即使這個(gè)行業(yè)并不追求立即的轉(zhuǎn)化，也就是不太在乎短期內(nèi)的M，RFM仍然可以使用。例如，對(duì)于信息流媒體，它并不需要用戶在信息流上買東西，同樣可以用RFM衡量用戶的價(jià)值，無非是把M換成另外一個(gè)度量，比如閱讀新聞的時(shí)間即可。
RFM價(jià)值很大，一方面是它幾乎是最容易操作的模型（用excel做一個(gè)條件即可），另一方面是它具有很強(qiáng)的適應(yīng)性。但它的弱點(diǎn)也很明顯，對(duì)于客戶的分類不夠精細(xì)，它提供了一個(gè)衡量客戶“重要度”的線索，但除此之外，缺乏更深入的用于幫助運(yùn)營(yíng)的信息。
自定義的聚類與RFM的思想本質(zhì)上是一致的，區(qū)別在于，自定義的聚類是自己選擇標(biāo)準(zhǔn)去給現(xiàn)有的客戶做分類。自定義的客戶聚類的目的是為了彌補(bǔ)RFM的短板，畢竟不是所有的業(yè)態(tài)都是零售業(yè)，而且也并不是所有的業(yè)態(tài)都適合于用簡(jiǎn)單的層次劃分來區(qū)隔客戶。
自定義的聚類可以自己選擇任意合理的標(biāo)準(zhǔn)（也就是變量）來聚類客戶，并且可以不止三個(gè)標(biāo)準(zhǔn)，你甚至可以擴(kuò)展到十個(gè)以上的標(biāo)準(zhǔn)。不過，這個(gè)方法顯然不能簡(jiǎn)單利用excel就能做到，而是需要利用數(shù)據(jù)建模（聚類本身就是一個(gè)數(shù)據(jù)處理的模型）才能完成，例如使用SPSS或SAS工具。
上圖：這是最簡(jiǎn)單的一種聚類——兩個(gè)變量的聚類
上圖：大多數(shù)聚類是選擇3個(gè)甚至更多變量完成的
自定義聚類的優(yōu)點(diǎn)在于靈活，但也有缺點(diǎn)。聚類模型的算法，如果不加約束，往往會(huì)聚類出遠(yuǎn)超出你的想象的數(shù)量的客戶群，如果你真的用十個(gè)以上的標(biāo)準(zhǔn)，可能會(huì)聚類出上千個(gè)客戶群，這樣你就無法對(duì)這些群體進(jìn)行解讀。最佳實(shí)踐方式是，選擇3-4個(gè)與客戶的行為或運(yùn)營(yíng)的成敗最相關(guān)的標(biāo)準(zhǔn)即可，然后約束生成聚類的群體的數(shù)量，最好10個(gè)以內(nèi)，是容易被處理和理解的。
與自定義的聚類一樣，用戶活躍度模型也是一個(gè)完完全全的自定義的模型。這個(gè)模型有另外一個(gè)名字，即engagement index。Engagement index的價(jià)值在于衡量不同客戶（用戶）的活躍度，這個(gè)模型與前面的聚類或者RFM的最大區(qū)別在于，它完全不care用戶最終是否發(fā)生了購(gòu)買行為，而僅僅只看用戶使用你的產(chǎn)品或者與你互動(dòng)的強(qiáng)度。建立用戶活躍度模型并不困難，因此它也是一個(gè)極有使用價(jià)值的模型。具體方法分為幾步：
權(quán)重的設(shè)置有一定的技巧，一種方法非常主觀，但實(shí)際上卻很有作用，即，直接根據(jù)對(duì)于消費(fèi)者行為價(jià)值的經(jīng)驗(yàn)性判斷，來給不同類型的消費(fèi)者互動(dòng)打分。
另外一種，則是根據(jù)各行為與最終轉(zhuǎn)化之間的比例關(guān)系進(jìn)行權(quán)重設(shè)置。比如，一個(gè)最理想最極端的例子（但這樣的例子有助于大家理解），如果你認(rèn)為最終的一個(gè)轉(zhuǎn)化價(jià)值1000分的話，那么轉(zhuǎn)化之前的用戶的行為可以按照與轉(zhuǎn)化發(fā)生的比例“打分”。例如，每發(fā)生1次轉(zhuǎn)化，就需要看商品介紹頁(yè)面100次，那么查看商品介紹頁(yè)的行為每發(fā)生一次，就值10分。
用戶活躍度模型的缺點(diǎn)在于，必須利用用戶行為分析工具進(jìn)行埋點(diǎn)，并且有些工具不支持自動(dòng)化的用戶活躍度打分，此時(shí)你就必須導(dǎo)出數(shù)據(jù)自行計(jì)算。nEqual的及策（Jice）工具支持這一功能，這也是為什么我認(rèn)為這個(gè)工具具有亮點(diǎn)的原因。
幾乎所有的高頻次客戶（用戶）互動(dòng)的業(yè)態(tài)，都可以使用用戶活躍度模型。用戶活躍度不僅用來衡量用戶的價(jià)值，也用來衡量流量的質(zhì)量，所以是非常重要的模型。
用戶偏好識(shí)別模型是一個(gè)歷史悠久且極有價(jià)值的模型。這個(gè)模型實(shí)現(xiàn)較為復(fù)雜，需要利用算法實(shí)現(xiàn)。
實(shí)現(xiàn)對(duì)用戶的偏好進(jìn)行分析和識(shí)別的算法與用戶活躍度模型實(shí)際上有關(guān)聯(lián)，即都是利用用戶具體的行為進(jìn)行判斷，區(qū)別在于后者只是判斷活躍度，而前者還要判斷人們因?yàn)槭裁矗ㄆ茫┒钴S。
用戶偏好識(shí)別模型取決于算法，可以很簡(jiǎn)單，也可以非常復(fù)雜（但可能具有更高的精度）。例如，僅僅只是用一個(gè)維度，即“點(diǎn)擊”行為即可以作為用戶興趣的特征，然后建立商品（或內(nèi)容）與行為之間的二元矩陣，即可以求解用戶偏好，但這種方式非常粗糙。
如果考慮除了點(diǎn)擊之外的更多的行為，例如收藏、點(diǎn)贊、評(píng)論、購(gòu)買等，那么就需要對(duì)用戶的不同行為加權(quán)，此外，如同RFM模型一樣，再將行為發(fā)生的次數(shù)和新近度也考慮在內(nèi)，那么整個(gè)算法就會(huì)變得更加復(fù)雜，卻更加準(zhǔn)確。當(dāng)然，有沒有不需要算法的用戶偏好識(shí)別模型？也有，問卷調(diào)查就是。只不過，范圍太小，效率也太低下了。
用戶偏好識(shí)別模型的意義非常巨大，即，通過用戶的行為判斷用戶的興趣，從而給予實(shí)際的運(yùn)營(yíng)工作以巨大的支持。用戶偏好識(shí)別模型也是推薦引擎的基礎(chǔ)之一。當(dāng)然，它也是DMP和CDP這樣的消費(fèi)者數(shù)據(jù)平臺(tái)給消費(fèi)者打標(biāo)簽的基礎(chǔ)。
運(yùn)營(yíng)增長(zhǎng)模型對(duì)于運(yùn)營(yíng)工作具有直接的指導(dǎo)意義，也是我個(gè)人認(rèn)為每一個(gè)運(yùn)營(yíng)人都應(yīng)該熟練掌握的模型。
留存曲線是最簡(jiǎn)單的用戶運(yùn)營(yíng)增長(zhǎng)模型。即，它將留存率（或者留存數(shù)）按照線性的時(shí)間進(jìn)行排列。一個(gè)最簡(jiǎn)單的excel就能表示留存曲線的情況。比如，下圖：
留存曲線一般是由留存率組合而成，這樣不同基數(shù)的群體也可以相互比較。留存率的反面（用1減去留存率）是流失率（churn rate）。
流失率 = 1 – 留存率
留存曲線的斜率是另一個(gè)值得關(guān)注的指標(biāo)，而且是一個(gè)很有意思的指標(biāo)。
顯然，斜率越高，用戶或者客戶的留存情況越不理想。對(duì)于不同的生意類型，留存曲線的斜率極限是多少呢？游戲、社交等高頻app很關(guān)注次日留存率、十日留存率和月度留存率，一般而言，次日留存率應(yīng)該在30%以上，或者說低于30%就很危險(xiǎn)。它們的十日留存率的極限是不能低于15%，月留存率的極限不能低于10%。
快消品的電商則更多看月度留存率，其留存曲線的斜率與品類有很大的關(guān)系。如果是什么商品都賣的賣場(chǎng)類電商平臺(tái)，次月留存率（指當(dāng)月發(fā)生購(gòu)買，次月也發(fā)生購(gòu)買的人占當(dāng)月總購(gòu)買人群的比例）保持在10%已經(jīng)相當(dāng)不錯(cuò)。
總體看，業(yè)態(tài)和商品，以及營(yíng)銷策略只要有一點(diǎn)區(qū)別，留存率就會(huì)很不相同，因此，很難有一個(gè)行業(yè)標(biāo)準(zhǔn)值，比如符合某一個(gè)數(shù)值就能“生”，達(dá)不到某一個(gè)數(shù)值就會(huì)“死”。但你仍然可以從留存曲線中看到自己生意是否成功，因?yàn)?，你很容易在你的?dāng)前留存曲線情況下計(jì)算未來這群人的收入，并且計(jì)算出真正的ROI，例如下面這個(gè)例子。
假設(shè)你為了獲取當(dāng)月新增的用戶，付出了500元的成本，而這些新增用戶當(dāng)月已經(jīng)給你帶來了1000美元的收入。假設(shè)每個(gè)月這些用戶的購(gòu)買傾向都沒有發(fā)生明顯變化，那么未來若干個(gè)月，這些用戶中留存的人肯定還會(huì)繼續(xù)購(gòu)買，并且購(gòu)買的金額隨著流失的比例而同等下降。如下圖：
500元的投入，換得未來7430元以上的收益，感覺是相當(dāng)不錯(cuò)的運(yùn)營(yíng)成績(jī)。
我在多處都強(qiáng)調(diào)過Cohort模型的價(jià)值。Cohort模型最重要的作用就是分析不同客戶群體的留存情況，從而幫助分析更好的留存是如何產(chǎn)生的，并指導(dǎo)運(yùn)營(yíng)提升留存。Cohort本質(zhì)上就是不同類人群的留存曲線的堆棧。
Cohort模型的優(yōu)點(diǎn)在于，你可以只用excel就完成全部的建模，而且加上excel的“條件格式”的“色帶”功能，簡(jiǎn)直好用極了。如下圖所示：
Cohort分析還沒有一個(gè)所有人都統(tǒng)一使用的翻譯。有的說是同期群分析，有的說是同類群分析，有的說是隊(duì)列分析，有的說是世代分析，有的還說是隊(duì)列時(shí)間序列分析。大家可以參考維基百科：zh.wikipedia.org/wiki%，找找自己覺得合適的譯名。
我自己傾向于同類群分析這個(gè)譯法，因?yàn)楸M管它用在不同時(shí)間周期的比較中很常用，卻不僅僅如此，它同樣可以用于不同類型（比如來自不同流量來源）的用戶群體之間的留存情況對(duì)比。
無論哪種叫法，cohort分析在有數(shù)據(jù)運(yùn)營(yíng)領(lǐng)域都變得十分重要。原因在于，隨著流量經(jīng)濟(jì)的退卻，精耕細(xì)作的互聯(lián)網(wǎng)運(yùn)營(yíng)特別需要仔細(xì)洞察留存情況。Cohort分析最大的價(jià)值也正在于此。Cohort分析通過對(duì)性質(zhì)完全一樣的可對(duì)比群體的留存情況的比較，來發(fā)現(xiàn)哪些因素影響短、中、長(zhǎng)期的留存。
Cohort分析受到歡迎的另一個(gè)原因是它用起來十分簡(jiǎn)單，但卻十分直觀。相較于比較繁瑣的流失（churn）分析，RFM或者用戶聚類等，cohort只用簡(jiǎn)單的一個(gè)excel表，甚至連四則運(yùn)算都不用，就直接描述了用戶在一段時(shí)間周期（甚至是整個(gè)LTV）的留存（或流失）變化情況。甚至，cohort還能幫你做預(yù)測(cè)。
除了用Excel的純粹數(shù)字化的表示，cohort一樣可以用圖形化的方式來表達(dá)。例如，下圖中展現(xiàn)了每個(gè)月在隨后若干月的留存用戶數(shù)量（面積圖），以及每個(gè)月的總用戶數(shù)量（紅色的粗線）。這個(gè)圖比較直觀的反映了，在2018年3月份的新用戶，留存情況要顯著優(yōu)于其他月份。
上圖來自于：cnblog.com/shaocf/arti
Cohort模型非常重要
增長(zhǎng)曲線有J和S型兩種。以及影響增長(zhǎng)曲線構(gòu)型的外部因素K。
增長(zhǎng)曲線模型來自于生物界研究，即研究一個(gè)物種的擴(kuò)張能力究竟有多強(qiáng)。如果沒有外部環(huán)境的壓力（食物競(jìng)爭(zhēng)、天敵、生存環(huán)境不變且不會(huì)因?yàn)閿?shù)量增加而惡化等），那么顯然物種會(huì)成幾何級(jí)數(shù)量增長(zhǎng)，就跟細(xì)菌分裂一樣。這會(huì)產(chǎn)生一個(gè)J型曲線。否則，則是S型曲線。今天我們能夠看到的增長(zhǎng)，基本上都是S型曲線。而，為了讓S型曲線能夠向J型方向移動(dòng)（這是所有運(yùn)營(yíng)人的夢(mèng)想），必須改變外部的環(huán)境K。簡(jiǎn)單講，運(yùn)營(yíng)工作的核心，就是改變K。
實(shí)戰(zhàn)中增長(zhǎng)曲線應(yīng)該如何使用？坦率講，增長(zhǎng)曲線并不是一個(gè)非常能落地的模型，或者說，它屬于一個(gè)“相對(duì)比較理論化”的模型。這個(gè)模型更像是一個(gè)衡量好壞的指標(biāo)，CEO可能會(huì)非常喜歡，尤其是看到用戶的增長(zhǎng)曲線走出一個(gè)類似“J型”的時(shí)候。但這個(gè)曲線能夠多大程度指導(dǎo)深度運(yùn)營(yíng)？確實(shí)非常有限。
下面這個(gè)曲線，是某微信公眾號(hào)用戶增長(zhǎng)的曲線，看起來進(jìn)入2019年之后，增長(zhǎng)情況好于過往。
K因子是一個(gè)很容易理解的模型，或者說它是一個(gè)很簡(jiǎn)單的指標(biāo)，用來衡量“裂變”和“病毒傳播”（這兩個(gè)名詞本質(zhì)上沒有區(qū)別），即一個(gè)發(fā)起推薦的用戶可以帶來多少新用戶。
K因子以1為分界線，如果大于1，那么傳播會(huì)越來越擴(kuò)張，像細(xì)胞分裂一般。例如，癌細(xì)胞，因?yàn)榘┘?xì)胞短時(shí)間內(nèi)只會(huì)分裂不會(huì)死亡，因此它的K因子值是2。K是2的情況已經(jīng)非常嚇人。但如果你的產(chǎn)品，一個(gè)人能傳給百個(gè)人，并且能按照這個(gè)比例一直傳下去，那么K可能等于100。
最需要把K因子作為KPI考核的生意是“傳銷”，因?yàn)樗坏㎏大于1，就能聚斂巨大的財(cái)富。不過它是違法的。
我們大部分看到的內(nèi)容傳播，或者裂變玩法的K值都會(huì)很快小于1。唯有用金錢刺激并無限層級(jí)返傭的傳播活動(dòng)才容易讓K大于1，但這等同于傳銷。
計(jì)算K因子值很簡(jiǎn)單，例如下圖：
A發(fā)起了一次推薦，結(jié)果帶來了B和另外一個(gè)用戶。然后B也發(fā)生了一次推薦，又帶來了三個(gè)用戶。不過橙色標(biāo)記的用戶都沒有發(fā)生推薦行為，也就沒有產(chǎn)生新的用戶。這個(gè)簡(jiǎn)單的傳播過程，K因子值是2次推薦，產(chǎn)生了5個(gè)新用戶（因?yàn)锽也是新用戶），K因子=2.5。
下圖則是另外一種情況，有ABCD四個(gè)原生用戶，他們都發(fā)起了推薦，可是只有A人緣好，帶來了兩個(gè)新用戶，但這兩個(gè)新用戶都沒有發(fā)起推薦。C人緣也湊合，帶來了一個(gè)新用戶。C帶來的新用戶E也發(fā)起了推薦，可惜并沒有產(chǎn)生更多用戶。因此，K因子值是5次推薦，只產(chǎn)生了3個(gè)新用戶，K因子=0.6。
Adjust統(tǒng)計(jì)了大量的app的K因子，他們最終發(fā)現(xiàn)K因子的確在app中存在，但并不適用于當(dāng)前市場(chǎng)上的大多數(shù)app。Adjst在30%的樣本中發(fā)現(xiàn)了K因子。在這些樣本中，數(shù)據(jù)團(tuán)隊(duì)得出K因子的中值為0.45。這意味著（按照樣本中值的應(yīng)用運(yùn)行情況）每100個(gè)付費(fèi)安裝將帶來45個(gè)額外的自然安裝。而這僅僅是中值，樣本中有些應(yīng)用收獲了數(shù)百，甚至是數(shù)千次額外安裝，但也有很多app完全沒有任何用戶推薦產(chǎn)生的安裝。
K因子本身在實(shí)踐中更多幫助我們衡量傳播，尤其是裂變傳播的效果。
嚴(yán)格來講，流失預(yù)警模型不能算是一個(gè)模型，而更像是一個(gè)數(shù)據(jù)挖掘方法。流失預(yù)警常用決策樹來進(jìn)行數(shù)據(jù)挖掘，基于歷史上的流失人群，根據(jù)附著在他們身上的各種變量計(jì)算他們的特征，然后將這些特征放在不同時(shí)間段的其他流失數(shù)據(jù)中進(jìn)行驗(yàn)證，從而得到一個(gè)預(yù)測(cè)模型。
流失預(yù)警大量應(yīng)用于游戲、零售、訂閱服務(wù)、SaaS類型的軟件產(chǎn)品等行業(yè)。
由于涉及到數(shù)據(jù)挖掘，太過于技術(shù)和操作性，具體的內(nèi)容本文就不再多介紹了。
6.誘餌、觸點(diǎn)與規(guī)則模型
這個(gè)模型并不是直接的數(shù)據(jù)化模型，但卻是用戶深度運(yùn)營(yíng)的極為重要的方法模型，同時(shí)需要全程利用數(shù)據(jù)才能落地，因此也將它放入數(shù)據(jù)模型之列。該模型最早由紛析咨詢（Fenxi Data）提出并使用。
這個(gè)模型強(qiáng)調(diào)在所有細(xì)節(jié)的運(yùn)營(yíng)工作都由“誘餌、觸點(diǎn)和規(guī)則”三個(gè)要素構(gòu)成。運(yùn)營(yíng)策略的核心，就是在這三個(gè)元素上進(jìn)行設(shè)計(jì)。
例如，2017年某KOL代言寶馬Mini的活動(dòng)，就是誘餌、觸點(diǎn)和規(guī)則的統(tǒng)一。誘餌，當(dāng)然是限量版特殊顏色的Mini，以及更便宜的價(jià)格；觸點(diǎn)，是這個(gè)網(wǎng)紅，以及微信公眾號(hào)平臺(tái)；規(guī)則，則是先到先得。所以在短時(shí)間內(nèi)銷售了100臺(tái)。但這個(gè)案例只是一個(gè)簡(jiǎn)單的例子，今天的運(yùn)營(yíng)遠(yuǎn)比網(wǎng)紅帶貨要復(fù)雜。
例如，下面展示了一個(gè)2B業(yè)務(wù)的“全客戶生命周期”的“誘餌、觸點(diǎn)和規(guī)則”的策略，因?yàn)楸Ｃ艿年P(guān)系，我們無法展示所有內(nèi)容，但大家已經(jīng)可以意會(huì)。
為什么這個(gè)模型會(huì)將“觸點(diǎn)”也作為一個(gè)重要的元素，原因在于，唯有觸點(diǎn)能夠作為追蹤用戶的數(shù)據(jù)載體，從而為我們建立用戶偏好識(shí)別模型（第二類，第4個(gè)，大家還記得嗎）。而這些標(biāo)簽，又進(jìn)一步幫助我們選擇“誘餌”以及建立更合理的“規(guī)則”。
這個(gè)模型十分具有操作性，限于篇幅關(guān)系，不再贅述。
原文作者：宋星
