今天我們要聊的內容——「用戶分層模型」，閑話少說，一起看看吧。
《笑傲江湖》里面，令狐沖說道：“我要退出江湖，從此不問江湖之事。” 任我行接著說了這么一句話：“你怎么退，這個世界有人的地方就有江湖。” 好一句“有人在的地方就是江湖”。
江湖有流派，更有三六九等，其實在一個產品運營生態中用戶也有三、六、九等。這話怎么說？
江湖流派的三六九等有其等級分法，產品中的用戶同樣是要有區別用戶等級的方法，或者說尺度。
有些讀者可能會說，用戶分層這不就是老生常談嗎？可以簡單粗暴地利用用戶畫像加以區分，想做更精細的也可以用“用戶生命周期/RFM用戶關鍵行為”方法區分，相信很多讀者都已經看過相關的解釋或者案例分析。
筆者認為要將用戶分層運營做得更精細，僅僅是采用用戶生命周期或者RFM用戶關鍵行為是不夠好的。
由于筆者之前是負責互聯網金融投資理財類產品運營，接下來筆者會以投資理財產品跟大家聊聊用戶分層的方法論。（一個思維模型，思維模型指人憑借外部活動逐步建立起來并不斷完善著的基本的概念框架、概念網絡。）
首先大家要明確做用戶分層的目的和意義是什么？
或者你很早就聽說“分層運營”或者“精細化運營”這個詞語，可能也聽到不同的方法論，但“聽到”距離“做到”還有很長的一段距離。
那么我們為啥要研究用戶，為啥要將用戶分層？
其實就像上面所說用戶也有5個生命周期，一個運營策略往往是不能夠滿足所有生命周期的用戶需求。
舉個簡單的例子：一般線上的商品其實都不止一個價格，聰明的人會領取店鋪的優惠卡、或者打折券才會死心塌地的決定買買買；而有些人根本不care優惠多少，照樣原價購買。其實這里還用到經濟學中的“價格歧視”策略，目的是同一件商品滿足了不同支付能力的用戶，最終的結果是GMV的最大化。
同樣，以用戶精細化分層為基礎，將運營手段專業化、模塊化，甚至半自動化執行，而從本質上提升運營工作效率，最終提升產品整體創收。
在用戶分層運營模型中，RFM模型早已被廣泛深入運用在互聯網公司里，它主要運用三個維度來區分用戶，分別是：
R（Recency）：離某個時間點最近的一次消費，為「近度」維度；
F（Frequency）：一段時間內的消費頻次，為「頻度」維度；
M（Monetary）：對應這段時間內的消費金額，為「額度」維度。
但這并不一定適合每一個產品，也不能最大限度地提升運營效率以及產品創收。
接下來筆者以互聯網理財產品為例，結合用戶成長周期、用戶年齡段、RF值三個維度的不同階段的貢獻值進行賦值（1-5分），從而進行建模。
不變量：用戶年齡段 （綜合運營效率、建模復雜程度等因素，選取年齡段為不變量）
變量1：用戶成長周期（用戶成長周期的不同，對運營戰術的考驗關聯較大）
變量2：RF值（基于RFM模型，M值即投資金額，綜合用戶投資數據發現，M值跟用戶的年齡段基本呈正比例關系，故其衡量的維度放在了年齡段）
下面給大家分享賦值過程。
如果根據年齡為不變量，那么可以得出一下5組20個用戶層級
這樣便可以區分每個年齡段的“流失、被動、疲軟、進步、高價值”5種不同類型的用戶，理論上能夠助力運營者實現更精準地施展運營戰術。
那么，如果根據年齡段、用戶生命周期、RF值都作變量，那可能會得出什么樣的結果？
根據年齡段、成長周期、RF值三個作為變量，得出以下5組44個用戶層級
綜上所述，我們根據年齡段、用戶生命周期、RF值這三個維度進行賦值，然后變換變量得出的A、B兩種用戶分層模型。
到這兒，我們得出了貢獻程度高低的“流失、被動、疲軟、進步、活躍”5種類型的用戶，理論上能助力運營者更加直觀地更精準對不同類型的用戶制定不同運營戰術。
筆者認為，一個好的用戶分層運營機制應該是自定義的，既可以根據用戶的單一特性進行運營，又可以多維度的自定義選擇多個變量進行運營。
好啦，關于用戶群的一種分層方法論就嘮嗑到這兒。（有木有腦子缺氧的感覺～）這是基于運營的角度結合用戶與產品之間的關系得出的用戶分層研究理論，這種基于行為數據的用戶分層模型，后臺的數據怎么跑，怎么根據用戶類型貼上用戶標簽，甚至說怎么根據用戶標簽去將運營戰術模塊化，半自動化等等就先不在這里討論。
或許還有很多不嚴謹的地方，權當給大家提供一種思路也好。
以用戶畫像為基礎，從人群細分、用戶觸達再到運營決策以及后面效果分析的鏈路閉環中，運營圈內通過數據驅動運營及決策支持已成為共識。
而在數據驅動運營方面，用戶分層只是數據驅動運營的一個縮影，一個基點。筆者相信，在逐步成熟的大數據發展環境下，數據驅動運營將會全景展示用戶的發展軌跡與階段特征，能夠獲得更快速和精準的結果，能夠有效地幫助企業最大限度挖掘用戶價值，驅動業務增長，實現企業的精益成長。
