什么是用户运营？如何实现用户增长？

用户运营是做什么？

先介绍一下题主入职后可能会接触到的工作：

答主就职的部门有三个职能：用户运营、数据分析、数据产品。

以我所在的新零售+电商行业为例。

用户运营

核心就是围绕【人货场】进行运营，进而提升复购率等指标：

• 【人】即客户，了解整体画像，根据场景进行用户分层营销
• 【货】即产品及与之搭配的促销策略
• 【场】广义来说，即为渠道、节日活动，与客户触达的“天时地利”

大白话说，就是解决【什么时候什么样的人会在怎样的场合下购买什么产品】的问题

根据【人货场】的不同组合，可产生不同的业务场景，例如：

• 【货场→人】天猫确定了情人节活动，产品部门要求主推情人节套装产品，平台运营明确了折扣政策，此时，用户运营部就出场 → 圈选出可能会在情人节复购的人群A，圈选可能偏好主推产品的人群B，对人群A与人群B做交叉即为此活动目标人群，根据促销政策制定优惠券，并触达人群。
• 【人场→货】用户运营部门使用RFM模型对人群精细化运营，明确需提升重要价值用户比例，即明确了目标人群 → 此时用户运营的童鞋就需要去找产品要合适的产品，找运营拿折扣，甚至找推广配合做投放。
• 等等

数据分析

在【人货场】各种组合而成的复杂业务场景中，仅凭“直觉”，甚至“拍脑袋”，已经无法业务目标。绝大部分行业进入存量运营的今天，数据化决策已经是红海战场上的武器。

所以，从前面【用户运营】的工作中，存在着许多数据分析的需求。它们的目的是通过数据分析找到业务增长的钥匙：

• 【货场→人】此场景已明确需主推的产品、节点及促销政策，需进行数据分析的地方：
• 【人货匹配】确定产品后，需要从全量人群中找到可能喜欢该产品的人
• 简单点的方式可以通过历史订单统计实现，即提取出产品的元素，如爱心形，再从人群历史订单中找到喜欢心形的客户，认为他们可能也喜欢该新品
• 复杂点的方式可以通过例如复购关联分析、商品推荐等模型反向找人群
• 【复购周期】每个客户的活跃状态都不同，要先了解行业或者该品类客户的【生命周期】是多长，即复购间隔，如30天 → 找出30前刚买完的客户，认为他们处于活跃购买状态
• 【节日偏好】一般认为多次在节日节点购买的客户是偏好该节日的，例如产品有送礼属性，则客户在情人节买就是送对象的，一般他们感情不破裂就有可能在下个情人节继续送
• 【折扣敏感】不可否认的确存在对价格敏感的客户，甚至是“羊毛党”，折扣力度大才会现身购买，发现这样的规律能更好地将优惠券与客户匹配
• 【人场→货】与第一个场景不同的是，此场景先明确人群，再去匹配产品、折扣等，需进行数据分析的地方：
• 【RFM】基于RFM模型划分人群后，提出目标要提升重要价值用户是无法落地的，需要进一步讨论：
• 该行业或品类下的重要价值用户更容易从哪个人群转化而来？
• 例如一般价值用户，刺激他们连带消费、复购，即提升M，就可转为重要价值用户。
• 这样才能提出落地的策略：针对一般价值用户进行连带提升。
• 【商品推荐】找出人群可能喜欢的商品，简单的方式可通过对历史订单的统计，复杂的方式可通过协同过滤等算法实现。
• 此外，需要将推荐模型与实际场景结合，此处目标为提升连带，可以结合“购物篮分析”设计搭配组合。
• 【偏好价格】每个客户历史消费的客单价都不同，需要列出价格带分布进行分组营销，避免对低价位段客户推荐高价品。
• 当然一个好的推荐模型可以避免这样的尴尬。

【注意】并不是说要对每个场景都这样严格进行人群交并。更重要的是灵活应用，例如人群基数太少，则减少划分规则，或选择性地合并人群。

数据产品

从用户运营需求出发，数据分析赋能业务增长，经测试有效后，需进一步以产品的形式落地。

用户运营经常会接触到各种数据产品：

• 如果是在天猫平台，接触到的就是天猫第三方服务商的用户营销管理工具
• 如果是线下门店，接触到的就是CRM
• 此外，还有帮助业务分析的BI、CDP等

经测试有效的数据分析结论可以通过报表、模型、标签等形式插入到这些数据产品中。其中，最重要的是形成的这些产品一定是经过“业务改造”，适配业务习惯的，这样才能融入到业务的实际工作流中。

所以，这些结论以什么样的方式呈现在你面前才能提高效率，就是用户运营部门需要考虑的。

作者：饼干 专注数据分析思维及业务增长，分享Python、SQL、PowerBI等数分工具在业务侧的应用落地案例。