在用户分层的过程中，用户分层的结构层次可能会根据不同的活动、不同的场景、不同的行业等发生变化。
稳步发展趋势的倒状漏斗是我们最常见的用户分层结构，即从潜在用户到衰退用户逐渐往下递减。
稳步发展趋势的用户分层结构
但在交易类业务中，如果把激活用户定义为用户进行首单消费，那么我们会期望中间激活的过程尽可能缩短。因为我们希望用户进行首单消费后能尽快产生复购，进入到成熟用户，使整个业务更加成熟和健康。
这种中部激活用户尽可能少、上部潜在用户尽可能多、底部沉淀下来的成熟用户尽可能多，类似沙漏的结构，可以称之为上瘾趋势。
上瘾趋势的用户分层结构
但我们在运营过程中，由于一些策略失误、或者产品本身定位失误、或者用户画像出现问题时，随着时间的演进可能由一个正常的漏斗，变成锥形或者纺锤体的结构。也就是新用户越来越少，中部只进行首单消费的用户越来越多，但复购用户越来越少，衰退用户越来越多。
这可能是因为我们进行的某些活动，吸引到了许多薅羊毛的客户进来。在薅羊毛成功了一次再无下次薅羊毛的机会后，就与我们再也没有关系了。这种用户分层的结构可以称之为羊毛党趋势。
羊毛党趋势的用户分层结构
通过以上三种用户分层结构的举例，是想告诉大家在用户分层时，我们需要既把握局部，也要关注整体的变化。
不是说用户分层完毕后，只针对某一层去制定和执行运营策略，只单点地去看待这件事情。而是需要结合整体不断调优。如果只是单点地去看，就可能导致单点的时候做的非常好，看整体时，就从稳步发展趋势变成了羊毛党趋势。
1
用户分层的三种模型
那么，具体到如何进行用户分层，我们可以根据以下三种模型进行。
一维用户分层模型
一维用户分层模型，基于一个最核心的维度进行用户分层，以一个维度去设计整个用户分层对应的口径。
核心即是关键事件，围绕关键事件我们一般可以将用户分为五个层次。一维用户分层模型也大多成金字塔、漏斗、或者纺锥体形状。
一维用户分层模型举例
在一维用户分层模型里，用户从一层到另一层流动的过程一般都是线性的。从潜在用户、到新用户、到活跃用户、然后到成熟用户、再到衰退用户，是线性变化的过程。
但有时会出现一种情况，经过一段时间的数据监测，会发现有一些用户中间没有经历过激活用户阶段，直接迅速从新用户跳转到成熟用户阶段。这时候就需要我们重新审视用户分层的口径是否合适。
例如，我们把新用户定义为完成注册；把激活用户定义为3天内有回访；把成熟用户定义为完成订单笔数大于3笔。这时候我们会发现，有一部分用户在3天内没有回访，但在已经完成了4笔订单。那么这部分用户就会跳过激活用户，直接成为成熟用户。
原因就在于我们选择核心维度时，引入了两个关键的维度，一个是访问，一个是完成订单。这两个关键事件的设定，就会导致用户出现跳层的情况。如果出现跳层，需要我们重新审视口径，选择同一个维度。
二维用户分层模型
二维用户分层模型基于两个核心维度进行用户分层，最常用的就是四象限模型。
相比一维用户分层模型，二维用户分层模型有一个优势。即分层后的用户会落到不同的象限里，我们就能非常清晰地知道整个运营的重点，即把其他象限的用户往高维度的两个方向迁移。
例如，通过用户购买力和用户**力进行用户分层，建立坐标轴，划分为四个象限。运营重点就是把用户往高用户**力和高用户购买力的两个方向迁移，到第一象限。
二维用户分层模型举例
在这个二维用户分层模型中，我们需要找到衡量用户购买力的指标是什么？衡量用户**力的指标又是什么？指标可能是一个，也可能是一组。
这里的核心难点就在于临界值的选取。由于我们定义了两个维度，然后选取了衡量这两个维度的一系列的指标，那指标之间的临界值该如何确定？像用户购买力，我们把它定义为客单价乘以复购的频率。那么当客单价达到什么临界点时，用户就该从第三象限上升到第二象限呢？
这就需要运营团队与数据团队、分析团队紧密配合。利用现有的历史用户数据，通过二八法则、正态分布等统计学方法，不断挖掘两个维度之间迁移的临界点。
临界点的定义也并不是一次性的，而是动态变化的，是需要我们不断测试、验证、和调优的过程。只有各个团队充分配合，我们才能合适地把不同的用户，归类到不同的象限，再针对不同的象限，去制定不同的运营策略。
三维用户分层模型
三维用户分层模型基于三个核心维度进行用户分层。相比一维、二维用户分层模型都更复杂一些。最常见就是RFM模型。
例如，根据交易类相关的业务定义RFM模型，我们可以选取三个维度：最近一次消费、消费频率、以及消费金额。不同的业务类型，需要我们举一反三，选取合适的RFM指标。
通过这三个维度两两交叉，就可以将用户划分为8个分层：重要价值客户、重要发展客户、重要挽留客户、重要保持客户、一般发展客户、一般价值客户、一般挽留客户、一般保持客户。三维用户分层模型将用户分层又逐渐地去做了一些细化。
通过以上三种用户分层模型，就基本能满足我们日常运营工作中的用户分层需求。
越往后可能还会有四维、五维用户分层模型，但通过人工的方式往往很难处理这么多维度的数据。例如在推荐场景下，可能会选取十几个用户特征制定推荐算法，这时候就更依赖机器学习和数据团队的能力，而不是运营团队所能解决的了。
2
如何基于用户分层构建运营策略
用户分层完毕后，我们便可以基于此构建整体的运营策略。
整体思路
以基于用户生命周期分层的一维用户分层模型为例。用户从潜在用户、新用户、激活用户、成熟用户、衰退用户、到沉睡用户、再到流失用户，大概有七个阶段。
在用户生命周期运营的过程中，需要通过不断地运营将潜在用户和新用户往激活用户做迁移；将沉睡用户和流失用户重新激活；将衰退用户往成熟用户做迁移。上图中的箭头标注了我们运营的大方向和最终实现目标。
在不同的用户生命周期阶段，我们要解决不同的问题，定义不同的运营目标。
例如，在早期，如何有效衡量获客效率？如何正确转化用户？在中期，如何把新用户和激活用户培养成高价值用户？如何在成为高价值用户后延长他的生命周期？挖掘LTV？在后期，如果一个用户已经沉睡或者流失，该如何去唤醒、怎么去召回……
针对这些目标，即可制定一一对应的运营策略。例如在如何培养高价值用户时，会有渠道联动运营、交叉营销等运营策略。
具体案例
在应用用户分层去制定运营策略时，建议大家也可以列出一个类似的表格，来比较清晰的梳理。
这里把我们之前针对用户分层的定义，用诙谐化的语言表示了一下，把用户分为：潜客、新客、活客、老客、怨客、睡客和死客。
用户之所以从老客变得开始衰退了，可能是对产品不满意、或者对服务不满意，因此会产生一些抱怨，即为怨客；抱怨了一段时间后不再使用产品，就成为了睡客；有的客户把产品卸载了，不采纳我们的服务了，那就是死客。
举一个针对老客的例子，来制定运营策略。
确定阶段目标
在老客阶段，我们的运营目标就是要尽量提高用户的长期购买价值。
选定衡量指标
在大多数交易类场景里，提高用户的长期购买价值的核心指标就是提升复购率。但复购率提升只是一个结果，为了得到这个结果，需要我们对过程进行干预。
这里最直接的做法，就是把整个复购的路径进行拆解。老客复购时的整个路径可能是：先打开APP然后看首页。因为他已经是一个老客，所以想买什么东西，第一反正就是去APP搜索，有着非常明确的购物目标。那么，在搜索结果页里，我们就可以去做一些帮助复购率提升的事情。
此外，从搜索结果页、到活动落地页、到详情页、再到购物车页，都要去做更细致的一些拆解。拆解完复购的流程，我们需要去挑出一些核心的衡量指标，例如：
- 次月留存率。如果用户没有留存就没有复购。
- 决策间隔时长。每一次复购中，我们希望老客尽快完成整个过程，决策间隔时长越短越好。
- 连带率。复购并不指用户每一次来只买一件商品就叫复购。我们其实希望用户每一次来能够多买几样商品，这样整个效率会有非常大的提升。所以商品的连带率，也是需要考虑到的指标。
揣摩用户体感
针对复购用户，我们还需要再去进行一次用户分层，把复购用户拆解为低频复购用户、中频复购用户和高频复购用户三类人群。然后再针对这三类人群制定非常细的运营策略。
制定运营策略时，要回归到整个用户的直观感受上。很多时候我们其实是为了做这件事情而去做，很少站在用户的角度上思考：用户怎么看待我们的运营策略？用户怎么看待我们基于给他的分层进行的“套路”？
用户体感要分成几个方面考虑：用户对新品的好奇感和探索、对好货的购买欲、对优惠力度的偏好度、对积分权限的直观感觉、对运营活动感觉特别好玩、对小游戏的参与感等。
制定运营策略
所有运营策略最终要回归到客户的直观感受上。而具体会落到哪个用户体感上，通过表格的形式列出来后，相应的运营策略就会非常的清晰。
例如，最终可能就会落到新品上的试用、先用后付；优惠力度上的满减、折扣、清仓等。这些就是具体的执行动作，也就是我们的运营策略。
综上，便是基于用户分层构建运营策略的全流程。
最后，在我们的运营策略落地执行时，有一个通用的东西要去综合考量，那就是给某层用户某种运营策略时，推送的内容、样式、时机、间隔以及通道是什么？
所有的运营策略执行时都离不开用用户体感的考量。例如，推送的内容是满减，那么：
- 如何能够通过一段特别有吸引力的话术，把满减的运营策略传递出去？
- 如何选择合适的样式（图片、文章、短视频等）让满减的运营策略让用户看了之后觉得优惠力度特别大，回归到他的体感上？
- 如何选择合适的时机，应该在什么时候去给用户推送策略，才能打开率最大化？
- 如何确定运营策略的间隔，策略之间需要反复推送，需要间隔多久，是一天还是一周？还是更短的时间？
- 如何选择用户的触达通道？是站内弹窗、还是APP Push、还是在直播间里去直播、还是直接用短信的形式发优惠券？
这些都是我们在运营策略落地执行时，需要全面考虑到的。
