探讨我理解的用户分群与分层，及实际应用中的变通。

谈到用户分层，我们会想到AARR模型，谈到用户分组，就会想到RFM模型，下面我们详细看一看：AARRR:新增、保留、活跃、付费、传播RFM：AARR模型的指标在最近的消费、消费频率和消费金额观察中有明显的递进关系，而RFM则是相互独立的。这种关系的区别，帮助我们区分用户分层和用户分组的概念。让我们进一步看看RFM模型，假设R/F每个指标都可以将用户分为两部分，那么RFM模型可以将用户分为C21C21=2*2*2=8。让我们进一步看看RFM模型，假设R/F/M每个指标可以将用户分为两部分，RFM模型可以将用户分为C21C21C21=2*2*2=8。如图所示，RFM模型的目的是为不同的用户群体制定相应的操作策略。如果我们随意挑选用户，用户属性为RFM(0、0、1)，即重要价值用户，是最近消费频率低、消费金额高的用户；在AARR模型中，付费行为发生前的状态不确定。所以有时候，当我们做用户分组时，我们实际上是想同时做用户分层和用户分组，也就是说，找到一个合适的维度（用户分组本质上是多维分析方法）进行分析。因为这种综合分析更接近用户群，所以我统一称之为用户群。1、作为一个用户群体，我们需要使用结构化思维。遵循MECE原则，结构化思维是指从上到下、从整体到局部的思维模式。这种思维模式有着非常明显的层次关系，这与我们常用的线性思维大不相同。结构化思维将利用一些思维框架来帮助思维，系统化零碎的信息，使思维更加广泛和全面。MECE分析法全称 MutuallyExclusiveCollectivelyExhaustive，中文的意思是“相互独立，完全耗尽”。也就是说，对于一个重大问题，它可以不重叠或遗漏分类，有效把握问题的核心，成为解决问题的有效途径。（这两个内容都来自巴巴拉·明托的金字塔原理，感兴趣的人可以详细阅读）结构化思维和MECE分析方法的目的是不重叠或遗漏分析，以确保分析的正确性和完整性。这两者在建立分析指标时尤为有用。2、为了做好用户分层工作，我们必须建立一个合适的指标。指标通常是衡量目标的单位或方法。指标作为标尺，使我们对目标的实际情况更加清晰。对指标的定义尤为重要。比如我们吃重庆面，老板会问微辣、中辣、重辣？作为福建人，你想要一点辣。吃完后，你不停地喝水，但老板认为微辣是最不辣的。你会发现老板对微辣的判断标准与你不同。另一个例子是，如果你发表一篇文章，评论都是赞美，但文章阅读量很少，转换效果不好，你就不能把评论作为评论标准。因为在评论链接中出现了一层漏斗，许多不喜欢的用户可能不会留下任何痕迹。还有很多类似的例子，所以我们不一一列举。总之，在制定指标时，需要选择能够完全衡量目标的准确指标。什么样的指标是好的？在我看来，好的指标应该是客观分析的核心驱动指标，应该是比例，好的指标不应该是混淆的虚荣指标。比如活跃率比活跃数更能说明问题，在一个活动中，转化率也比浏览量更有说服力。如何找到合适的指标？继续运用结构化思维，从上到下分析业务流程，以水果销售为例：从过程的角度，建立相应的指标，通过采购渠道控制成本，通过商品销售了解销售和利润，商品销售和浏览比例为付费转换，通过商店和商品的优化，可以提高比例。当然，在用这种方法列出指标的同时，我们仍然需要注意找到核心驱动指标，删除虚荣指标，而不是强加指标。前面已经谈到了RFM和RFM的变种RFM，现在主要说说如何根据实际情况进行变通。假设用户需要分组一个已经运行了很长时间的K12教育应用程序，我们需要考虑以下几点：1。应用RFM模型时，首先比较RFM模型样本属性的差异。K12教育产品以课程和知识为主，销售时间长。时间长度会将部分用户回购行为转化为续费，品类数量也会影响用户回购行为的发生。2.需要明确分组的目的，以目的为主线，从上到下梳理分组维度。对于教育用户来说，从新的促进活动的角度来看，分组的目的是让更多的新用户加入，让更多的用户处于活跃状态，但我这次分组的目的是提高支付。然后我的目的是两个：一是让付费状态的用户支付更多的费用，二是让付费状态的用户成为付费状态。未付状态的用户包括过期和从未付费的两种用户。如果我们细分从未付费的用户，它们将分为新用户和老用户。按照这个想法，层层推敲是我们最终想要的用户群维度。3.除主线维度外，有时还需要根据实际情况补充其他维度。以K12教育产品为例。有些产品增加了学校和班级的属性，但有些产品没有。当然，这与产品的定位有很大关系。加入学校和班级将在一定程度上增加用户放弃的成本（这一块暂时没有启动），因此可以补充这些有助于精细操作的维度。综合以上三点，有以下组维度：下一步是定义每个维度，即定义每个维度，正常情况下，我们会考虑以下三点：（1）根据原始状态的维度，如班级维度，由于用户属性，分为班级和无班级。（2）根据公司数据统计的定义进行区分。例如，新老用户假设在原始数据统计中7天内注册用户称为新用户，也在此使用。(3)根据散点图的分布进行区分。如果使用频率，我们可以根据近N天内每个用户活跃天数的散点图分布来定义维度属性。根据以上三个标准，我们可以得到下图：（具体定义不给出，您可以自己尝试），我们已经大致完成了用户的分组工作。4、基于分组后的操作策略是亮点。我们花费了大量精力进行用户分组，但分组后的操作策略更为重要。需要注意的是：1.不要因为分组而强迫不同的活动或制定不同的操作计划。分组后，您将面临多个用户群，但有时计划的操作活动可以在多个用户群中同步实施。此时，无需刻意区分。2.根据操作结果的反馈，完善分组。由于某些原因，一开始做的分组可能不够完善，通过操作结果可以逐步完善。3.充分利用A/B测试来评估操作策略的有效性。由于同一组用户的基本变量一致，更适合A/B测试，验证操作策略。另外，这里就不赘述相应操作策略的制定和实施了。 

以上就是关于探讨我理解的用户分群与分层，及实际应用中的变通。的相关介绍，更多探讨我理解的用户分群与分层，及实际应用中的变通。相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对探讨我理解的用户分群与分层，及实际应用中的变通。有更深的了解和认识。