幾何級增長的客戶:客戶深度運營的13個關鍵數(shù)據(jù)模型

作者:宋星

這13個模型分別是:

第一類:運營思維模型

AARRR

AIPLA

MOT

第二類:客戶認知模型

RFM

自定義聚類

用戶活躍度模型

用戶偏好識別模型

第三類:運營增長模型

留存曲線

Cohort模型

增長曲線

K因子

流失預警模型

誘餌宣旱、觸點與規(guī)則模型

第一類:運營思維模型

運營思維模型是那些“非常正確”但并不能讓你立即采取行動的模型税迷。不少人對這些模型存在“意見”咙崎,正是因為他們很正確卻又“無法落地”呼股。另有聰明的朋友可能會覺得排抬,這些模型都是“馬后炮”于毙,這不就是我日常策略的總結嘛。話雖如此庶喜,這些模型仍然是對成功策略的簡單精辟的總結。

1.AARRR模型

AARRR模型的適用范圍往往在數(shù)字化產(chǎn)品和服務端救鲤,但對傳統(tǒng)業(yè)務也有啟發(fā)久窟。但我過去幾乎都是忽略這個模型不講,因為這個模型最大的問題在于本缠,它給出了一個“正確的廢話”斥扛,卻不能告訴叫你究竟應該怎么做。

AARRR的含義是:引流-激活-留存-變現(xiàn)-推薦丹锹。后面三個的順序有爭議稀颁,不同的人有不同的解釋芬失。總體來看匾灶,這個模型的實質仍然是:引流-互動-轉化-留存-推薦棱烂,是對客戶正常的忠誠周期中一步步轉化進行描述的模型。

很多人認為這個模型是“新瓶裝舊酒”阶女,但事實上颊糜,這個模型強調了過去比較少強調的客戶經(jīng)營策略,例如秃踩,它強調“激活”衬鱼,也強調“推薦”,這是在數(shù)字世界中更容易實現(xiàn)的用戶策略吞瞪,而在傳統(tǒng)世界中則相對較難馁启。

但事實上,近年來很多成功的數(shù)字經(jīng)濟下的客戶增長芍秆,是否本質符合AARRR模型惯疙,也存在爭議。例如妖啥,相當多的聲音質疑“小藍杯”和“小黃車”之類的增長模式并不符合真正的AARRR模型霉颠,只會對運營者有更大的誤導。對于“小藍杯”荆虱,最大的爭議在于它的增長并非來源于“自推薦”蒿偎,而是來自于“利誘推薦”,即以虧損作為代價進行補貼怀读,換取用戶數(shù)量后在資本市場實現(xiàn)變現(xiàn)的操作模型诉位。“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重虧損菜枷〔钥罚“小黃車”的問題則在于它的用戶增量雖然確實來自于運營,但這運營的核心在于提供更具有競爭力的產(chǎn)品(更好騎的車輛+更廣闊的覆蓋)啤誊,而通過推薦(Refer)所帶來的用戶增長則非常有限岳瞭。

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是蚊锹,F(xiàn)acebook和Linkedin都是具有強烈的“網(wǎng)絡效應”的產(chǎn)品瞳筏,因此推薦(Refer)就不再僅僅是一種運營策略,而是由其產(chǎn)品的先天基因所決定的牡昆。這是大多數(shù)今天的數(shù)字產(chǎn)品想要擁有姚炕,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)殆盡钻心。例如七八年前的微信凄硼,或是更早的淘寶。

那么捷沸,我們要從AARRR模型中學到什么摊沉?它是否并不能真正有效指導我們?并非如此痒给,這個模型是一個類似于“check list”的思想说墨,告訴了我們應該將運營工作分為五個需要深入思考的部分,以及這五個部分之間可以通過運營構建起相互的關聯(lián)苍柏。當然尼斧,在這個模型中肯定并未告訴你應該怎么做到,因此试吁,需要更具有操作性的模型才能實現(xiàn)AARRR的思想所倡導的結果棺棵。在本文后面,我們會介紹具體的幾類更具操作性的模型熄捍。

2.AIPLA模型

如果數(shù)字世界中強調AARRR烛恤,那么傳統(tǒng)世界的用戶運營模型則是AIPLA,即Awareness - Interest - Purchase - Loyalty - Advocation(認知-興趣-購買-忠誠-擁護)余耽。僅從字面上看缚柏,你就會發(fā)現(xiàn)這個模型簡直跟AARRR模型沒有什么本質差異。AIPLA描述了傳統(tǒng)世界中客戶的轉化過程碟贾,即從對產(chǎn)品有所認知币喧,一直到成為“死忠粉”的全過程,并強調在此過程中各個階段應用不同的運營策略袱耽。

的確杀餐,AIPLA模型被廣泛提及,例如朱巨,阿里的品牌數(shù)據(jù)銀行的主邏輯怜浅,就是AIPL(沒有A),騰訊數(shù)據(jù)智庫(TDC)也是如此蔬崩,只是換了同義詞表述而已,本質沒有變化搀暑。

上圖:阿里的品牌數(shù)據(jù)銀行就使用了AIPL模型??

盡管看起來幾乎一樣沥阳,但AIPLA與AARRR還是有所不同,在于AIPLA強調客戶從一端(Awareness)到另一端(Advocate)的有序的線性過程自点,而AARRR中的RRR則完全可能是無序的桐罕。例如,你的用戶完全可以不購買你的數(shù)字產(chǎn)品,但仍然可以非常忠誠地使用你的產(chǎn)品或跟人推薦你的產(chǎn)品功炮,這在傳統(tǒng)世界中這幾乎是不可能的溅潜。因此,傳統(tǒng)世界中的AIPLA模型更強調首尾銜接的過程化的運營薪伏,而數(shù)字世界中的AARRR則更多單點的激活策略滚澜。

也正是因為上面的現(xiàn)象,導致傳統(tǒng)世界的客戶深度運營相對于數(shù)字世界而言總體更困難嫁怀。這也是為什么傳統(tǒng)領域紛紛需要“數(shù)字化轉型”的一個重要的原因设捐,大家需要把線下的運營線上化,從而更能夠深入運營客戶塘淑。

AIPLA模型應該怎么落地萝招?這個模型同樣屬于“思維方式”模型,落地則需要其他工具的幫助存捺。我們后文介紹槐沼。

3.MOT模型

消費者旅程的核心思想——無論它的表現(xiàn)形式是AARRR,還是AIPLA——都將消費者的購物行為描述為從認知到興趣捌治,再從興趣轉化為購買岗钩,以及從購買轉化為忠誠的一連串先后發(fā)生的過程。這一過程被稱為消費者旅程具滴。

消費者時刻(Moment of Truth凹嘲,簡稱MOT)是消費者旅程中的一些關鍵“里程碑”似的節(jié)點。例如构韵,搜索某個產(chǎn)品周蹭,又或者把這個產(chǎn)品的信息分享給其他人。這個概念最初來源于寶潔疲恢。

你可以發(fā)揮想象——一個客戶在其消費旅程的全過程中凶朗,就像或明或暗若隱若現(xiàn)的一條彎彎曲曲的道路,而MOT就像這個道路中間燃燒的火把显拳,指引著這條路的方向棚愤。

我們無法直接控制消費者旅程,但能透過MOT來對消費者旅程施加影響杂数。甚至很多時候宛畦,我們也無需參透消費者旅程到底是什么,我們只是在設計MOT揍移,對這個消費者施加影響次和,從而讓他快速切變到下一個更接近于轉化的MOT或者甚至是轉化本身。

MOT中又有一類是非常重要的那伐,即ZMOT(Zero Moment of Truth踏施,原初MOT)石蔗,意思是在某種情況的刺激下,一個人最初的一個心理上的活動畅形,讓他意識到他需要購買某個東西或者服務养距。對于Google而言,這個心理上的活動體現(xiàn)為在搜索引擎上進行搜索日熬。對于阿里而言棍厌,這個心理活動起始于一個人開始了一個一段時間內從未有過的某類商品的搜索。

另外一個MOT是UMOT(Ultimate Moment of Truth)碍遍,即最終的MOT定铜,人們在整個購物歷程中的最后一個關鍵時刻,往往就是把自己的商品體驗分享出去的時刻怕敬。ZMOT和UMOT的思想來自于谷歌揣炕。

圖片來自:emfluence.com

第二類:客戶認知模型

與第一類模型不同,第二類模型是可以讓我們實際操作的模型东跪,并且基于這些操作畸陡,我們可以更深入的了解客戶的情況,從而為我們的運營策略提供依據(jù)虽填。

1.RFM

RFM模型的核心用途是對所有的客戶進行價值衡量丁恭,然后對這些客戶進行分類。因此斋日,本質上這個模型是一個非常簡單的分類模型牲览。

你可以想象你是一個農(nóng)場主,蘋果豐收了恶守,你想把蘋果分為不同的類別定價售賣第献。于是你制定了分類方式:蘋果的“膚色”、蘋果的大小兔港,以及蘋果的口味庸毫。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衫樊,這樣大概可以分出8類蘋果飒赃。然后按照各種類別的蘋果進行標價。

RFM就是這樣的道理科侈,三個字母就代表了三個分類標準:R和F和M载佳。R即發(fā)生購買的日期的臨近度,R的值越大臀栈,表示交易是越靠近現(xiàn)在發(fā)生的蔫慧,否則則是更久以前發(fā)生的。F是購買頻次挂脑,F(xiàn)越大藕漱,說明交易的次數(shù)越多。M則是交易金額崭闲,M越大肋联,金額越高。

RFM三個標準刁俭,往往用數(shù)據(jù)代筆的程度表示橄仍,比如R用1、2牍戚、3表示侮繁,3表示最近購買,1表示很久以前購買如孝,2則表示在中間階段宪哩。如果用最簡單的0和1表示,則同樣可以把自己的客戶分為8類第晰,如下表所示:

當然锁孟,你也可以把每個標準都設定5個檔次,那么就會有5的3次方供125個類別的客戶茁瘦,如下圖所示:

對于不同類型的客戶品抽,立即可以有不同的運營策略。比如甜熔,對于重要挽留客戶圆恤,需要做的事情,就是AARRR模型中的第二個A腔稀,即激活盆昙。至于如何激活,則需要用到另外的模型烧颖,也就是我們后面要介紹的“誘餌弱左、觸點、規(guī)則”模型炕淮。

RFM主要是用在零售行業(yè)中拆火,它并不是對所有行業(yè)都有用,原因很簡單涂圆,因為RFM的R和F對很多行業(yè)而言并不存在们镜。比如,學歷教育润歉,F(xiàn)可能永遠都只有1次模狭。

但對于存在高頻用戶互動的行業(yè),RFM的思想?yún)s很有用踩衩,即使這個行業(yè)并不追求立即的轉化嚼鹉,也就是不太在乎短期內的M贩汉,RFM仍然可以使用。例如锚赤,對于信息流媒體匹舞,它并不需要用戶在信息流上買東西,同樣可以用RFM衡量用戶的價值线脚,無非是把M換成另外一個度量赐稽,比如閱讀新聞的時間即可。

RFM價值很大浑侥,一方面是它幾乎是最容易操作的模型(用excel做一個條件即可)姊舵,另一方面是它具有很強的適應性。但它的弱點也很明顯寓落,對于客戶的分類不夠精細括丁,它提供了一個衡量客戶“重要度”的線索,但除此之外零如,缺乏更深入的用于幫助運營的信息躏将。

2.自定義的聚類

自定義的聚類與RFM的思想本質上是一致的,區(qū)別在于考蕾,自定義的聚類是自己選擇標準去給現(xiàn)有的客戶做分類祸憋。

自定義的客戶聚類的目的是為了彌補RFM的短板,畢竟不是所有的業(yè)態(tài)都是零售業(yè)肖卧,而且也并不是所有的業(yè)態(tài)都適合于用簡單的層次劃分來區(qū)隔客戶蚯窥。

自定義的聚類可以自己選擇任意合理的標準(也就是變量)來聚類客戶,并且可以不止三個標準塞帐,你甚至可以擴展到十個以上的標準拦赠。不過,這個方法顯然不能簡單利用excel就能做到葵姥,而是需要利用數(shù)據(jù)建模(聚類本身就是一個數(shù)據(jù)處理的模型)才能完成荷鼠,例如使用SPSS或SAS工具。

上圖:這是最簡單的一種聚類——兩個變量的聚類
上圖:大多數(shù)聚類是選擇3個甚至更多變量完成的

自定義聚類的優(yōu)點在于靈活榔幸,但也有缺點允乐。聚類模型的算法,如果不加約束削咆,往往會聚類出遠超出你的想象的數(shù)量的客戶群牍疏,如果你真的用十個以上的標準,可能會聚類出上千個客戶群拨齐,這樣你就無法對這些群體進行解讀鳞陨。

最佳實踐方式是,選擇3-4個與客戶的行為或運營的成敗最相關的標準即可瞻惋,然后約束生成聚類的群體的數(shù)量厦滤,最好10個以內援岩,是容易被處理和理解的。

3.用戶活躍度模型

與自定義的聚類一樣掏导,用戶活躍度模型也是一個完完全全的自定義的模型窄俏。這個模型有另外一個名字,即engagement index碘菜。

Engagement index的價值在于衡量不同客戶(用戶)的活躍度,這個模型與前面的聚類或者RFM的最大區(qū)別在于限寞,它完全不care用戶最終是否發(fā)生了購買行為忍啸,而僅僅只看用戶使用你的產(chǎn)品或者與你互動的強度。

建立用戶活躍度模型并不困難履植,因此它也是一個極有使用價值的模型计雌。具體方法分為幾步:

對所有的消費者觸點平臺加監(jiān)測代碼,對所有消費者交互的位置進行埋點玫霎,以確保消費者的行為能夠全部被記錄凿滤;

對不同的消費者交互根據(jù)其價值構建權重;

對每個消費者的總互動行為根據(jù)權重計算分值庶近。

權重的設置有一定的技巧翁脆,一種方法非常主觀,但實際上卻很有作用鼻种,即反番,直接根據(jù)對于消費者行為價值的經(jīng)驗性判斷,來給不同類型的消費者互動打分叉钥。另外一種罢缸,則是根據(jù)各行為與最終轉化之間的比例關系進行權重設置。

比如投队,一個最理想最極端的例子(但這樣的例子有助于大家理解)枫疆,如果你認為最終的一個轉化價值1000分的話,那么轉化之前的用戶的行為可以按照與轉化發(fā)生的比例“打分”敷鸦。例如息楔,每發(fā)生1次轉化,就需要看商品介紹頁面100次轧膘,那么查看商品介紹頁的行為每發(fā)生一次钞螟,就值10分。

用戶活躍度模型的缺點在于谎碍,必須利用用戶行為分析工具進行埋點鳞滨,并且有些工具不支持自動化的用戶活躍度打分,此時你就必須導出數(shù)據(jù)自行計算蟆淀。nEqual的及策(Jice)工具支持這一功能拯啦,這也是為什么我認為這個工具具有亮點的原因澡匪。

幾乎所有的高頻次客戶(用戶)互動的業(yè)態(tài),都可以使用用戶活躍度模型褒链。用戶活躍度不僅用來衡量用戶的價值唁情,也用來衡量流量的質量,所以是非常重要的模型甫匹。

4.用戶偏好識別模型

用戶偏好識別模型是一個歷史悠久且極有價值的模型甸鸟。這個模型實現(xiàn)較為復雜,需要利用算法實現(xiàn)兵迅。

實現(xiàn)對用戶的偏好進行分析和識別的算法與用戶活躍度模型實際上有關聯(lián)抢韭,即都是利用用戶具體的行為進行判斷,區(qū)別在于后者只是判斷活躍度恍箭,而前者還要判斷人們因為什么(偏好)而活躍刻恭。

用戶偏好識別模型取決于算法,可以很簡單扯夭,也可以非常復雜(但可能具有更高的精度)鳍贾。例如,僅僅只是用一個維度交洗,即“點擊”行為即可以作為用戶興趣的特征骑科,然后建立商品(或內容)與行為之間的二元矩陣,即可以求解用戶偏好构拳,但這種方式非常粗糙纵散。

如果考慮除了點擊之外的更多的行為,例如收藏隐圾、點贊伍掀、評論、購買等暇藏,那么就需要對用戶的不同行為加權蜜笤,此外,如同RFM模型一樣盐碱,再將行為發(fā)生的次數(shù)和新近度也考慮在內把兔,那么整個算法就會變得更加復雜,卻更加準確瓮顽。

當然县好,有沒有不需要算法的用戶偏好識別模型?也有暖混,問卷調查就是缕贡。只不過,范圍太小,效率也太低下了晾咪。

用戶偏好識別模型的意義非常巨大收擦,即,通過用戶的行為判斷用戶的興趣谍倦,從而給予實際的運營工作以巨大的支持塞赂。用戶偏好識別模型也是推薦引擎的基礎之一。當然昼蛀,它也是DMP和CDP這樣的消費者數(shù)據(jù)平臺給消費者打標簽的基礎宴猾。

第三類:運營增長模型

運營增長模型對于運營工作具有直接的指導意義,也是我個人認為每一個運營人都應該熟練掌握的模型叼旋。

1.留存曲線

留存曲線是最簡單的用戶運營增長模型鳍置。即,它將留存率(或者留存數(shù))按照線性的時間進行排列送淆。

一個最簡單的excel就能表示留存曲線的情況。比如怕轿,下圖:

留存曲線一般是由留存率組合而成偷崩,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)撞羽。

流失率 = 1 - 留存率

留存曲線的斜率是另一個值得關注的指標阐斜,而且是一個很有意思的指標。顯然诀紊,斜率越高谒出,用戶或者客戶的留存情況越不理想。對于不同的生意類型邻奠,留存曲線的斜率極限是多少呢笤喳?

游戲、社交等高頻app很關注次日留存率碌宴、十日留存率和月度留存率杀狡,一般而言,次日留存率應該在30%以上贰镣,或者說低于30%就很危險呜象。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%碑隆。

快消品的電商則更多看月度留存率恭陡,其留存曲線的斜率與品類有很大的關系。如果是什么商品都賣的賣場類電商平臺上煤,次月留存率(指當月發(fā)生購買休玩,次月也發(fā)生購買的人占當月總購買人群的比例)保持在10%已經(jīng)相當不錯。

總體看,業(yè)態(tài)和商品哥捕,以及營銷策略只要有一點區(qū)別牧抽,留存率就會很不相同,因此遥赚,很難有一個行業(yè)標準值扬舒,比如符合某一個數(shù)值就能“生”,達不到某一個數(shù)值就會“死”凫佛。但你仍然可以從留存曲線中看到自己生意是否成功讲坎,因為,你很容易在你的當前留存曲線情況下計算未來這群人的收入愧薛,并且計算出真正的ROI晨炕,例如下面這個例子箍土。

假設你為了獲取當月新增的用戶拉讯,付出了500元的成本柠硕,而這些新增用戶當月已經(jīng)給你帶來了1000美元的收入莽红。假設每個月這些用戶的購買傾向都沒有發(fā)生明顯變化禀横,那么未來若干個月磷蜀,這些用戶中留存的人肯定還會繼續(xù)購買包雀,并且購買的金額隨著流失的比例而同等下降谢谦。

如下圖:

500元的投入进陡,換得未來7430元以上的收益愿阐,感覺是相當不錯的運營成績。

2.Cohort模型

我在多處都強調過Cohort模型的價值趾疚。Cohort模型最重要的作用就是分析不同客戶群體的留存情況缨历,從而幫助分析更好的留存是如何產(chǎn)生的,并指導運營提升留存糙麦。

Cohort本質上就是不同類人群的留存曲線的堆棧辛孵。

Cohort模型的優(yōu)點在于,你可以只用excel就完成全部的建模赡磅,而且加上excel的“條件格式”的“色帶”功能觉吭,簡直好用極了。如下圖所示:

Cohort分析還沒有一個所有人都統(tǒng)一使用的翻譯仆邓。有的說是同期群分析鲜滩,有的說是同類群分析,有的說是隊列分析节值,有的說是世代分析徙硅,有的還說是隊列時間序列分析。

大家可以參考維基百科:https://zh.wikipedia.org/wiki/%E9%98%9F%E5%88%97%E7%A0%94%E7%A9%B6搞疗,找找自己覺得合適的譯名嗓蘑。我自己傾向于同類群分析這個譯法须肆,因為盡管它用在不同時間周期的比較中很常用,卻不僅僅如此桩皿,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比豌汇。

無論哪種叫法,cohort分析在有數(shù)據(jù)運營領域都變得十分重要泄隔。原因在于拒贱,隨著流量經(jīng)濟的退卻,精耕細作的互聯(lián)網(wǎng)運營特別需要仔細洞察留存情況佛嬉。Cohort分析最大的價值也正在于此逻澳。Cohort分析通過對性質完全一樣的可對比群體的留存情況的比較,來發(fā)現(xiàn)哪些因素影響短暖呕、中斜做、長期的留存。

Cohort分析受到歡迎的另一個原因是它用起來十分簡單湾揽,但卻十分直觀瓤逼。相較于比較繁瑣的流失(churn)分析,RFM或者用戶聚類等库物,cohort只用簡單的一個excel表霸旗,甚至連四則運算都不用,就直接描述了用戶在一段時間周期(甚至是整個LTV)的留存(或流失)變化情況艳狐。甚至,cohort還能幫你做預測皿桑。

除了用Excel的純粹數(shù)字化的表示毫目,cohort一樣可以用圖形化的方式來表達。例如诲侮,下圖中展現(xiàn)了每個月在隨后若干月的留存用戶數(shù)量(面積圖)镀虐,以及每個月的總用戶數(shù)量(紅色的粗線)。這個圖比較直觀的反映了沟绪,在2018年3月份的新用戶刮便,留存情況要顯著優(yōu)于其他月份。

上圖來自于:https://www.cnblogs.com/shaocf/articles/9600384.html

3.增長曲線

增長曲線有J和S型兩種绽慈。以及影響增長曲線構型的外部因素K恨旱。

增長曲線模型來自于生物界研究,即研究一個物種的擴張能力究竟有多強坝疼。如果沒有外部環(huán)境的壓力(食物競爭搜贤、天敵、生存環(huán)境不變且不會因為數(shù)量增加而惡化等)钝凶,那么顯然物種會成幾何級數(shù)量增長仪芒,就跟細菌分裂一樣。這會產(chǎn)生一個J型曲線。否則掂名,則是S型曲線据沈。

今天我們能夠看到的增長,基本上都是S型曲線饺蔑。而锌介,為了讓S型曲線能夠向J型方向移動(這是所有運營人的夢想),必須改變外部的環(huán)境K膀钠。簡單講掏湾,運營工作的核心,就是改變K肿嘲。

實戰(zhàn)中增長曲線應該如何使用融击?坦率講,增長曲線并不是一個非常能落地的模型雳窟,或者說尊浪,它屬于一個“相對比較理論化”的模型。這個模型更像是一個衡量好壞的指標封救,CEO可能會非常喜歡拇涤,尤其是看到用戶的增長曲線走出一個類似“J型”的時候。但這個曲線能夠多大程度指導深度運營誉结?確實非常有限鹅士。

下面這個曲線,是某微信公眾號用戶增長的曲線惩坑,看起來進入2019年之后掉盅,增長情況好于過往。

4.K因子

K因子是一個很容易理解的模型以舒,或者說它是一個很簡單的指標趾痘,用來衡量“裂變”和“病毒傳播”(這兩個名詞本質上沒有區(qū)別),即一個發(fā)起推薦的用戶可以帶來多少新用戶蔓钟。

K因子以1為分界線永票,如果大于1,那么傳播會越來越擴張滥沫,像細胞分裂一般侣集。例如,癌細胞兰绣,因為癌細胞短時間內只會分裂不會死亡肚吏,因此它的K因子值是2。K是2的情況已經(jīng)非常嚇人狭魂。但如果你的產(chǎn)品罚攀,一個人能傳給百個人党觅,并且能按照這個比例一直傳下去,那么K可能等于100斋泄。

最需要把K因子作為KPI考核的生意是“傳銷”杯瞻,因為它一旦K大于1,就能聚斂巨大的財富炫掐。不過它是違法的魁莉。

我們大部分看到的內容傳播,或者裂變玩法的K值都會很快小于1募胃。唯有用金錢刺激并無限層級返傭的傳播活動才容易讓K大于1旗唁,但這等同于傳銷。

計算K因子值很簡單痹束,例如下圖检疫,

A發(fā)起了一次推薦,結果帶來了B和另外一個用戶祷嘶。然后B也發(fā)生了一次推薦屎媳,又帶來了三個用戶。不過橙色標記的用戶都沒有發(fā)生推薦行為论巍,也就沒有產(chǎn)生新的用戶烛谊。

這個簡單的傳播過程,K因子值是2次推薦嘉汰,產(chǎn)生了5個新用戶(因為B也是新用戶)丹禀,K因子=2.5。

下圖則是另外一種情況鞋怀,有ABCD四個原生用戶双泪,他們都發(fā)起了推薦,可是只有A人緣好接箫,帶來了兩個新用戶攒读,但這兩個新用戶都沒有發(fā)起推薦朵诫。C人緣也湊合辛友,帶來了一個新用戶。C帶來的新用戶E也發(fā)起了推薦剪返,可惜并沒有產(chǎn)生更多用戶废累。因此,K因子值是5次推薦脱盲,只產(chǎn)生了3個新用戶邑滨,K因子=0.6。

djust統(tǒng)計了大量的app的K因子钱反,他們最終發(fā)現(xiàn)K因子的確在app中存在掖看,但并不適用于當前市場上的大多數(shù)app匣距。

Adjst在30%的樣本中發(fā)現(xiàn)了K因子。在這些樣本中哎壳,數(shù)據(jù)團隊得出K因子的中值為0.45毅待。這意味著(按照樣本中值的應用運行情況)每100個付費安裝將帶來45個額外的自然安裝。而這僅僅是中值归榕,樣本中有些應用收獲了數(shù)百尸红,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)生的安裝刹泄。

K因子本身在實踐中更多幫助我們衡量傳播外里,尤其是裂變傳播的效果。

5.流失預警模型

嚴格來講特石,流失預警模型不能算是一個模型盅蝗,而更像是一個數(shù)據(jù)挖掘方法。流失預警常用決策樹來進行數(shù)據(jù)挖掘县匠,基于歷史上的流失人群风科,根據(jù)附著在他們身上的各種變量計算他們的特征,然后將這些特征放在不同時間段的其他流失數(shù)據(jù)中進行驗證乞旦,從而得到一個預測模型贼穆。

流失預警大量應用于游戲、零售兰粉、訂閱服務故痊、SaaS類型的軟件產(chǎn)品等行業(yè)。由于涉及到數(shù)據(jù)挖掘玖姑,太過于技術和操作性愕秫,具體的內容本文就不再多介紹了。

6.誘餌焰络、觸點與規(guī)則模型

這個模型并不是直接的數(shù)據(jù)化模型戴甩,但卻是用戶深度運營的極為重要的方法模型,同時需要全程利用數(shù)據(jù)才能落地闪彼,因此也將它放入數(shù)據(jù)模型之列甜孤。該模型最早由紛析咨詢(Fenxi Data)提出并使用。

這個模型強調在所有細節(jié)的運營工作都由“誘餌畏腕、觸點和規(guī)則”三個要素構成缴川。運營策略的核心,就是在這三個元素上進行設計描馅。

例如把夸,2017年某KOL代言寶馬Mini的活動,就是誘餌铭污、觸點和規(guī)則的統(tǒng)一恋日。誘餌膀篮,當然是限量版特殊顏色的Mini,以及更便宜的價格岂膳;觸點各拷,是這個網(wǎng)紅,以及微信公眾號平臺闷营;規(guī)則烤黍,則是先到先得。所以在短時間內銷售了100臺傻盟。

但這個案例只是一個簡單的例子速蕊,今天的運營遠比網(wǎng)紅帶貨要復雜。例如娘赴,下面展示了一個2B業(yè)務的“全客戶生命周期”的“誘餌规哲、觸點和規(guī)則”的策略,因為保密的關系诽表,我們無法展示所有內容唉锌,但大家已經(jīng)可以意會。

為什么這個模型會將“觸點”也作為一個重要的元素竿奏,原因在于袄简,唯有觸點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別模型(第二類泛啸,第4個绿语,大家還記得嗎)。而這些標簽候址,又進一步幫助我們選擇“誘餌”以及建立更合理的“規(guī)則”吕粹。

這個模型十分具有操作性,限于篇幅關系岗仑,不再贅述匹耕。

?著作權歸作者所有,轉載或內容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市荠雕,隨后出現(xiàn)的幾起案子稳其,更是在濱河造成了極大的恐慌,老刑警劉巖舞虱,帶你破解...
    沈念sama閱讀 206,968評論 6 482
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件欢际,死亡現(xiàn)場離奇詭異母市,居然都是意外死亡矾兜,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 88,601評論 2 382
  • 文/潘曉璐 我一進店門患久,熙熙樓的掌柜王于貴愁眉苦臉地迎上來椅寺,“玉大人浑槽,你說我怎么就攤上這事》蹬粒” “怎么了桐玻?”我有些...
    開封第一講書人閱讀 153,220評論 0 344
  • 文/不壞的土叔 我叫張陵,是天一觀的道長荆萤。 經(jīng)常有香客問我镊靴,道長,這世上最難降的妖魔是什么链韭? 我笑而不...
    開封第一講書人閱讀 55,416評論 1 279
  • 正文 為了忘掉前任偏竟,我火速辦了婚禮,結果婚禮上敞峭,老公的妹妹穿的比我還像新娘踊谋。我一直安慰自己,他們只是感情好旋讹,可當我...
    茶點故事閱讀 64,425評論 5 374
  • 文/花漫 我一把揭開白布殖蚕。 她就那樣靜靜地躺著,像睡著了一般沉迹。 火紅的嫁衣襯著肌膚如雪睦疫。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,144評論 1 285
  • 那天鞭呕,我揣著相機與錄音笼痛,去河邊找鬼。 笑死琅拌,一個胖子當著我的面吹牛缨伊,可吹牛的內容都是我干的。 我是一名探鬼主播进宝,決...
    沈念sama閱讀 38,432評論 3 401
  • 文/蒼蘭香墨 我猛地睜開眼刻坊,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了党晋?” 一聲冷哼從身側響起谭胚,我...
    開封第一講書人閱讀 37,088評論 0 261
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎未玻,沒想到半個月后灾而,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 43,586評論 1 300
  • 正文 獨居荒郊野嶺守林人離奇死亡扳剿,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內容為張勛視角 年9月15日...
    茶點故事閱讀 36,028評論 2 325
  • 正文 我和宋清朗相戀三年旁趟,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片庇绽。...
    茶點故事閱讀 38,137評論 1 334
  • 序言:一個原本活蹦亂跳的男人離奇死亡锡搜,死狀恐怖橙困,靈堂內的尸體忽然破棺而出,到底是詐尸還是另有隱情耕餐,我是刑警寧澤凡傅,帶...
    沈念sama閱讀 33,783評論 4 324
  • 正文 年R本政府宣布,位于F島的核電站肠缔,受9級特大地震影響夏跷,放射性物質發(fā)生泄漏。R本人自食惡果不足惜明未,卻給世界環(huán)境...
    茶點故事閱讀 39,343評論 3 307
  • 文/蒙蒙 一拓春、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧亚隅,春花似錦硼莽、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,333評論 0 19
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至行疏,卻和暖如春匆光,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背酿联。 一陣腳步聲響...
    開封第一講書人閱讀 31,559評論 1 262
  • 我被黑心中介騙來泰國打工终息, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人贞让。 一個月前我還...
    沈念sama閱讀 45,595評論 2 355
  • 正文 我出身青樓周崭,卻偏偏與公主長得像,于是被迫代替她去往敵國和親喳张。 傳聞我的和親對象是個殘疾皇子续镇,可洞房花燭夜當晚...
    茶點故事閱讀 42,901評論 2 345

推薦閱讀更多精彩內容