用户分层模型,让你的设计看起来更专业

2018 年 7 月 16 日 互联网er的早读课


来源:王镇雷(ID:zhenlei_pd)

编辑:Juvae


日常工作,除了完成单点需求以外,如果能用上一系列高大上的“模型”,一下子专业度就上来了。


所以今天给大家介绍三个最最常见的用户分层模型,希望大家可以尝试使用到工作中,Show 一下你的专业度。


购买力模型 RFM


Recency(近度:距某节点最近的一次消费)

Frequency(频度:一段时间内消费次数)

Monetary(额度:一段时间内的消费金额)


对于电商类产品,RFM 是几乎最常见、最通用的一种用户分层模型,只不过,对于很多人常常只使用“M”金额。就拿淘系来说,会按照年消费总额把用户分为L1~L10,进而看不同层级用户的行为、需求差异。


产品设计中,一方面做“消费升级”,也就是通过一系列活动、工具和体验设计,让L1的用户尽可能向L10升级。


另一方面,做“消费分级”,L1~L3的用户可能就是喜欢买便宜货的人,给他们做的导购更应该以促销优惠为主,而L8~L10的顶尖用户,可能更爱奢侈品和国际大牌。


“F”维度在实际应用中会以另一种大家熟悉的形态出现,就是“活跃用户”的判定。当然,通常我们不会单纯以消费频次来界定用户是否活跃,而可能会结合一段时间内的登陆次数、操作深度等一起界定。


我们常说的 DAU,就是指日活跃用户,活跃用户可不仅仅是登陆或打开一次 App 就完事儿了,必须达成1min以上的使用时间、访问一个商品页面等要求,才能算数。


设计中,我们希望通过设计让不活跃的用户变成活跃的用户,毕竟活跃用户才更能为平台带来价值。


“R”比较少见,主要是用于观察某个时期的用户时,将这部分用户单独圈出来。比如我要看双11的用户分层数据,就会以双11当天为原点,圈一批用户来分析。


忠诚度模型 AIPL


Awareness(感知)

Interest(兴趣)

Purchase(购买)

Loyalty(忠诚)


与 RFM 常被拆散了用相比,AIPL 模型本身就是一个完整体系,不常拆分开来使用。


AIPL 模型是营销中非常经典的消费链路模型,即对于一个品牌或产品,用户都会经历从陌生,到体验,到成交转化,最终变成一个忠实粉丝的过程。当然,这是一个理想过程,不可能每个用户都会走到忠实粉丝这一步。


而我们要做的,就是通过产品优化、品牌升级、活动运营等方式,让更多用户逐渐向上层运动。


在实际设计中,首先我们需要设定每个层级的标准。


还是以电商产品为例,“A”对应的就是纯新用户,“I”对应的是访问过页面但没有成交的用户,“P”则是有过个成功订单的用户,“L”可能是每个月都会有购买的那群人。


其次,我们会为每一个层次的用户设计适合他们的体验,目标就是让他们像下一个层级移动。


对于“A”用户,需要让他更多地浏览、了解产品,而不要急于让他下单;而对于“I”用户,则是需要临门一脚,送他进购物车。


生命周期模型 AARRR


Acquisition(获取用户)

Activation(提高活跃度)

Retention(提高留存率)

Revenue(获取收入)

Refer(传播)


AARRR 模型也是非常经典的数据分析模型,在知名互联网书籍《增长黑客》中也是用它做案例。


与 AIPL 模型对用户做分层不同,AARRR 严格来说并不是一个用户层次模型,而更像是用户增长的一个过程。


换言之,这是一种经典有效的用户增长手段,看这几个单词的名字就知道,翻译成中文都是“动词”。


AIPL 模型中不同层次的用户是长期同时存在的,AARRR 模型的五个步骤则针对新用户有明显的先后顺序。


外部投放、线下拉新、注册登陆都是属于“Acquisition”;


积分签到、周期性活动则属于“Activation”;


Push 是典型提高留存和回访的手段;


引导下单或优惠券发放都是为了“Revenue”;


最后,分享有礼、拉新用户分红包都是属于“Refer”。


值得注意的是,我们可以按照这5个步骤,对照去看目前产品中是否有足够的功能满足每一步的数据要求。也可以通过数据去看哪一个环节目前存在最大的问题。


所以不管滴滴打车、手机淘宝、饿了么等等不同业态的产品,只要还有新用户进入,对拉新有诉求,AARRR 模型就都会适用。


本文由王镇雷(ID:zhenlei_pd)原创发布,授权互联网早读课转载。内容仅代表作者独立观点,不代表早读课立场。如需转载,请联系原作者。


推荐阅读:


登录查看更多
0

相关内容

【MIT】Yufei Zhao《图论与加法组合学》,177页pdf
专知会员服务
48+阅读 · 2020年4月27日
【CVPR2020-CMU】无数据模型选择,一种深度框架潜力
专知会员服务
21+阅读 · 2020年4月12日
【WWW2020-微软】理解用户行为用于文档推荐
专知会员服务
34+阅读 · 2020年4月5日
机器学习在材料科学中的应用综述,21页pdf
专知会员服务
47+阅读 · 2019年9月24日
用户研究:如何做用户画像分析
产品100干货速递
44+阅读 · 2019年5月9日
如何运营15万付费用户?
三节课
6+阅读 · 2019年2月28日
想让页面更简明,你需要学会设计信息层级
互联网er的早读课
3+阅读 · 2019年2月3日
从5个维度出发,构建高质量的用户画像
人人都是产品经理
7+阅读 · 2019年1月24日
两套经典的用户画像
产品100干货速递
26+阅读 · 2018年6月19日
思路+步骤+方法,三步教你如何快速构建用户画像
产品100干货速递
9+阅读 · 2017年12月21日
如何利用动态信息数据构建用户画像?
NPDP产品经理资讯
6+阅读 · 2017年10月11日
有了场景和画像才懂用户
互联网er的早读课
6+阅读 · 2017年8月26日
Self-Attention Graph Pooling
Arxiv
13+阅读 · 2019年6月13日
Deep Reinforcement Learning: An Overview
Arxiv
17+阅读 · 2018年11月26日
Arxiv
11+阅读 · 2018年5月13日
VIP会员
相关资讯
用户研究:如何做用户画像分析
产品100干货速递
44+阅读 · 2019年5月9日
如何运营15万付费用户?
三节课
6+阅读 · 2019年2月28日
想让页面更简明,你需要学会设计信息层级
互联网er的早读课
3+阅读 · 2019年2月3日
从5个维度出发,构建高质量的用户画像
人人都是产品经理
7+阅读 · 2019年1月24日
两套经典的用户画像
产品100干货速递
26+阅读 · 2018年6月19日
思路+步骤+方法,三步教你如何快速构建用户画像
产品100干货速递
9+阅读 · 2017年12月21日
如何利用动态信息数据构建用户画像?
NPDP产品经理资讯
6+阅读 · 2017年10月11日
有了场景和画像才懂用户
互联网er的早读课
6+阅读 · 2017年8月26日
Top
微信扫码咨询专知VIP会员