在Pt學院的《用戶運營的深度思維與方法》的分享結束后的提問環節，有一個聽眾問我一個很“實在”的問題，分析和優化用戶運營，有哪些模型。我把一些常用的模型一一簡單介紹之后，忽然發現，這已經可以寫一本書了。不過，寫一本書的時間可能不夠，但寫一篇文章還是完全可行的。
因此，正好把團隊們這些年來做過的和所想的模型與方法，跟大家簡要介紹。當然，文字表述終究有限，絕知此事要躬行，還是建議大家從真正的實踐中驗證模型，甚至找到自己的模型。另外，在下面的這些模型中，我難免不帶著“批判的”眼光去看待這些模型，因為沒有完美的模型，任何模型均有適用范圍和缺陷，真正可用的模型，永遠來自于你自己的業務。這13個模型分別是：
第一類：運營思維模型AARRRAIPLAMOT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、觸點與規則模型
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。不少人對這些模型存在“意見”，正是因為他們很正確卻又“無法落地”。另有聰明的朋友可能會覺得，這些模型都是“馬后炮”，這不就是我日常策略的總結嘛。話雖如此，這些模型仍然是對成功策略的簡單精辟的總結。
AARRR模型的適用范圍往往在數字化產品和服務端，但對傳統業務也有啟發。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，它給出了一個“正確的廢話”，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-推薦。后面三個的順序有爭議，不同的人有不同的解釋。總體來看，這個模型的實質仍然是：引流-互動-轉化-留存-推薦，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”，但事實上，這個模型強調了過去比較少強調的客戶經營策略，例如，它強調“激活”，也強調“推薦”，這是在數字世界中更容易實現的用戶策略，而在傳統世界中則相對較難。
但事實上，近年來很多成功的數字經濟下的客戶增長，是否本質符合AARRR模型，也存在爭議。例如，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，只會對運營者有更大的誤導。對于“小藍杯”，最大的爭議在于它的增長并非來源于“自推薦”，而是來自于“利誘推薦”，即以虧損作為代價進行補貼，換取用戶數量后在資本市場實現變現的操作模型。
“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。“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品（更好騎的車輛+更廣闊的覆蓋），而通過推薦（Refer）所帶來的用戶增長則非常有限。
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，Facebook和Linkedin都是具有強烈的“網絡效應”的產品，因此推薦（Refer）就不再僅僅是一種運營策略，而是由其產品的先天基因所決定的。這是大多數今天的數字產品想要擁有，卻無法根本擁有的特性。那些天生擁有這樣特性的產品，今天早已被開發殆盡。例如七八年前的微信，或是更早的淘寶。
那么，我們要從AARRR模型中學到什么？它是否并不能真正有效指導我們？并非如此，這個模型是一個類似于“check list”的思想，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。當然，在這個模型中肯定并未告訴你應該怎么做到，因此，需要更具有操作性的模型才能實現AARRR的思想所倡導的結果。在本文后面，我們會介紹具體的幾類更具操作性的模型。
如果數字世界中強調AARRR，那么傳統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）。僅從字面上看，你就會發現這個模型簡直跟AARRR模型沒有什么本質差異。AIPLA描述了傳統世界中客戶的轉化過程，即從對產品有所認知，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。的確，AIPLA模型被廣泛提及，例如，阿里的品牌數據銀行的主邏輯，就是AIPL（沒有A），騰訊數據智庫（TDC）也是如此，只是換了同義詞表述而已，本質沒有變化。
上圖：阿里的品牌數據銀行就使用了AIPL模型
上圖：騰訊數據智庫也同樣類似于AIPL模型
盡管看起來幾乎一樣，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，而AARRR中的RRR則完全可能是無序的。例如，你的用戶完全可以不購買你的數字產品，但仍然可以非常忠誠地使用你的產品或跟人推薦你的產品，這在傳統世界中這幾乎是不可能的。
因此，傳統世界中的AIPLA模型更強調首尾銜接的過程化的運營，而數字世界中的AARRR則更多單點的激活策略。也正是因為上面的現象，導致傳統世界的客戶深度運營相對于數字世界而言總體更困難。
這也是為什么傳統領域紛紛需要“數字化轉型”的一個重要的原因，大家需要把線下的運營線上化，從而更能夠深入運營客戶。AIPLA模型應該怎么落地？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。我們后文介紹。
消費者旅程的核心思想——無論它的表現形式是AARRR，還是AIPLA——都將消費者的購物行為描述為從認知到興趣，再從興趣轉化為購買，以及從購買轉化為忠誠的一連串先后發生的過程。這一過程被稱為消費者旅程。
消費者時刻（Moment of Truth，簡稱MOT）是消費者旅程中的一些關鍵“里程碑”似的節點。例如，搜索某個產品，又或者把這個產品的信息分享給其他人。這個概念最初來源于寶潔。你可以發揮想象——一個客戶在其消費旅程的全過程中，就像或明或暗若隱若現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，指引著這條路的方向。
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。甚至很多時候，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，對這個消費者施加影響，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，即ZMOT（Zero Moment of Truth，原初MOT），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，讓他意識到他需要購買某個東西或者服務。對于Google而言，這個心理上的活動體現為在搜索引擎上進行搜索。對于阿里而言，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），即最終的MOT，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。
ZMOT和UMOT的思想來自于谷歌。
圖片來自：emfluence.com
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，并且基于這些操作，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。
RFM模型的核心用途是對所有的客戶進行價值衡量，然后對這些客戶進行分類。因此，本質上這個模型是一個非常簡單的分類模型。
你可以想象你是一個農場主，蘋果豐收了，你想把蘋果分為不同的類別定價售賣。于是你制定了分類方式：蘋果的“膚色”、蘋果的大小，以及蘋果的口味。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，這樣大概可以分出8類蘋果。然后按照各種類別的蘋果進行標價。
RFM就是這樣的道理，三個字母就代表了三個分類標準：R和F和M。R即發生購買的日期的臨近度，R的值越大，表示交易是越靠近現在發生的，否則則是更久以前發生的。F是購買頻次，F越大，說明交易的次數越多。M則是交易金額，M越大，金額越高。RFM三個標準，往往用數據代筆的程度表示，比如R用1、2、3表示，3表示最近購買，1表示很久以前購買，2則表示在中間階段。
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，如下表所示：
當然，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，如下圖所示：
對于不同類型的客戶，立即可以有不同的運營策略。比如，對于重要挽留客戶，需要做的事情，就是AARRR模型中的第二個A，即激活。至于如何激活，則需要用到另外的模型，也就是我們后面要介紹的“誘餌、觸點、規則”模型。
RFM主要是用在零售行業中，它并不是對所有行業都有用，原因很簡單，因為RFM的R和F對很多行業而言并不存在。比如，學歷教育，F可能永遠都只有1次。但對于存在高頻用戶互動的行業，RFM的思想卻很有用，即使這個行業并不追求立即的轉化，也就是不太在乎短期內的M，RFM仍然可以使用。例如，對于信息流媒體，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，無非是把M換成另外一個度量，比如閱讀新聞的時間即可。
RFM價值很大，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），另一方面是它具有很強的適應性。但它的弱點也很明顯，對于客戶的分類不夠精細，它提供了一個衡量客戶“重要度”的線索，但除此之外，缺乏更深入的用于幫助運營的信息。
自定義的聚類與RFM的思想本質上是一致的，區別在于，自定義的聚類是自己選擇標準去給現有的客戶做分類。自定義的客戶聚類的目的是為了彌補RFM的短板，畢竟不是所有的業態都是零售業，而且也并不是所有的業態都適合于用簡單的層次劃分來區隔客戶。
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，你甚至可以擴展到十個以上的標準。不過，這個方法顯然不能簡單利用excel就能做到，而是需要利用數據建模（聚類本身就是一個數據處理的模型）才能完成，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：大多數聚類是選擇3個甚至更多變量完成的
自定義聚類的優點在于靈活，但也有缺點。聚類模型的算法，如果不加約束，往往會聚類出遠超出你的想象的數量的客戶群，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，這樣你就無法對這些群體進行解讀。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，然后約束生成聚類的群體的數量，最好10個以內，是容易被處理和理解的。
與自定義的聚類一樣，用戶活躍度模型也是一個完完全全的自定義的模型。這個模型有另外一個名字，即engagement index。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的最大區別在于，它完全不care用戶最終是否發生了購買行為，而僅僅只看用戶使用你的產品或者與你互動的強度。建立用戶活躍度模型并不困難，因此它也是一個極有使用價值的模型。具體方法分為幾步：
權重的設置有一定的技巧，一種方法非常主觀，但實際上卻很有作用，即，直接根據對于消費者行為價值的經驗性判斷，來給不同類型的消費者互動打分。
另外一種，則是根據各行為與最終轉化之間的比例關系進行權重設置。比如，一個最理想最極端的例子（但這樣的例子有助于大家理解），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生的比例“打分”。例如，每發生1次轉化，就需要看商品介紹頁面100次，那么查看商品介紹頁的行為每發生一次，就值10分。
用戶活躍度模型的缺點在于，必須利用用戶行為分析工具進行埋點，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據自行計算。nEqual的及策（Jice）工具支持這一功能，這也是為什么我認為這個工具具有亮點的原因。
幾乎所有的高頻次客戶（用戶）互動的業態，都可以使用用戶活躍度模型。用戶活躍度不僅用來衡量用戶的價值，也用來衡量流量的質量，所以是非常重要的模型。
用戶偏好識別模型是一個歷史悠久且極有價值的模型。這個模型實現較為復雜，需要利用算法實現。
實現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，即都是利用用戶具體的行為進行判斷，區別在于后者只是判斷活躍度，而前者還要判斷人們因為什么（偏好）而活躍。
用戶偏好識別模型取決于算法，可以很簡單，也可以非常復雜（但可能具有更高的精度）。例如，僅僅只是用一個維度，即“點擊”行為即可以作為用戶興趣的特征，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，但這種方式非常粗糙。
如果考慮除了點擊之外的更多的行為，例如收藏、點贊、評論、購買等，那么就需要對用戶的不同行為加權，此外，如同RFM模型一樣，再將行為發生的次數和新近度也考慮在內，那么整個算法就會變得更加復雜，卻更加準確。當然，有沒有不需要算法的用戶偏好識別模型？也有，問卷調查就是。只不過，范圍太小，效率也太低下了。
用戶偏好識別模型的意義非常巨大，即，通過用戶的行為判斷用戶的興趣，從而給予實際的運營工作以巨大的支持。用戶偏好識別模型也是推薦引擎的基礎之一。當然，它也是DMP和CDP這樣的消費者數據平臺給消費者打標簽的基礎。
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。
留存曲線是最簡單的用戶運營增長模型。即，它將留存率（或者留存數）按照線性的時間進行排列。一個最簡單的excel就能表示留存曲線的情況。比如，下圖：
留存曲線一般是由留存率組合而成，這樣不同基數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）。
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，而且是一個很有意思的指標。
顯然，斜率越高，用戶或者客戶的留存情況越不理想。對于不同的生意類型，留存曲線的斜率極限是多少呢？游戲、社交等高頻app很關注次日留存率、十日留存率和月度留存率，一般而言，次日留存率應該在30%以上，或者說低于30%就很危險。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%。
快消品的電商則更多看月度留存率，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，次月留存率（指當月發生購買，次月也發生購買的人占當月總購買人群的比例）保持在10%已經相當不錯。
總體看，業態和商品，以及營銷策略只要有一點區別，留存率就會很不相同，因此，很難有一個行業標準值，比如符合某一個數值就能“生”，達不到某一個數值就會“死”。但你仍然可以從留存曲線中看到自己生意是否成功，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，并且計算出真正的ROI，例如下面這個例子。
假設你為了獲取當月新增的用戶，付出了500元的成本，而這些新增用戶當月已經給你帶來了1000美元的收入。假設每個月這些用戶的購買傾向都沒有發生明顯變化，那么未來若干個月，這些用戶中留存的人肯定還會繼續購買，并且購買的金額隨著流失的比例而同等下降。如下圖：
500元的投入，換得未來7430元以上的收益，感覺是相當不錯的運營成績。
我在多處都強調過Cohort模型的價值。Cohort模型最重要的作用就是分析不同客戶群體的留存情況，從而幫助分析更好的留存是如何產生的，并指導運營提升留存。Cohort本質上就是不同類人群的留存曲線的堆棧。
Cohort模型的優點在于，你可以只用excel就完成全部的建模，而且加上excel的“條件格式”的“色帶”功能，簡直好用極了。如下圖所示：
Cohort分析還沒有一個所有人都統一使用的翻譯。有的說是同期群分析，有的說是同類群分析，有的說是隊列分析，有的說是世代分析，有的還說是隊列時間序列分析。大家可以參考維基百科：zh.wikipedia.org/wiki%，找找自己覺得合適的譯名。
我自己傾向于同類群分析這個譯法，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，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。
無論哪種叫法，cohort分析在有數據運營領域都變得十分重要。原因在于，隨著流量經濟的退卻，精耕細作的互聯網運營特別需要仔細洞察留存情況。Cohort分析最大的價值也正在于此。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，來發現哪些因素影響短、中、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，但卻十分直觀。相較于比較繁瑣的流失（churn）分析，RFM或者用戶聚類等，cohort只用簡單的一個excel表，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。甚至，cohort還能幫你做預測。
除了用Excel的純粹數字化的表示，cohort一樣可以用圖形化的方式來表達。例如，下圖中展現了每個月在隨后若干月的留存用戶數量（面積圖），以及每個月的總用戶數量（紅色的粗線）。這個圖比較直觀的反映了，在2018年3月份的新用戶，留存情況要顯著優于其他月份。
上圖來自于：cnblog.com/shaocf/arti
Cohort模型非常重要
增長曲線有J和S型兩種。以及影響增長曲線構型的外部因素K。
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。如果沒有外部環境的壓力（食物競爭、天敵、生存環境不變且不會因為數量增加而惡化等），那么顯然物種會成幾何級數量增長，就跟細菌分裂一樣。這會產生一個J型曲線。否則，則是S型曲線。今天我們能夠看到的增長，基本上都是S型曲線。而，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），必須改變外部的環境K。簡單講，運營工作的核心，就是改變K。
實戰中增長曲線應該如何使用？坦率講，增長曲線并不是一個非常能落地的模型，或者說，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，CEO可能會非常喜歡，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？確實非常有限。
下面這個曲線，是某微信公眾號用戶增長的曲線，看起來進入2019年之后，增長情況好于過往。
K因子是一個很容易理解的模型，或者說它是一個很簡單的指標，用來衡量“裂變”和“病毒傳播”（這兩個名詞本質上沒有區別），即一個發起推薦的用戶可以帶來多少新用戶。
K因子以1為分界線，如果大于1，那么傳播會越來越擴張，像細胞分裂一般。例如，癌細胞，因為癌細胞短時間內只會分裂不會死亡，因此它的K因子值是2。K是2的情況已經非常嚇人。但如果你的產品，一個人能傳給百個人，并且能按照這個比例一直傳下去，那么K可能等于100。
最需要把K因子作為KPI考核的生意是“傳銷”，因為它一旦K大于1，就能聚斂巨大的財富。不過它是違法的。
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。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，但這等同于傳銷。
計算K因子值很簡單，例如下圖：
A發起了一次推薦，結果帶來了B和另外一個用戶。然后B也發生了一次推薦，又帶來了三個用戶。不過橙色標記的用戶都沒有發生推薦行為，也就沒有產生新的用戶。這個簡單的傳播過程，K因子值是2次推薦，產生了5個新用戶（因為B也是新用戶），K因子=2.5。
下圖則是另外一種情況，有ABCD四個原生用戶，他們都發起了推薦，可是只有A人緣好，帶來了兩個新用戶，但這兩個新用戶都沒有發起推薦。C人緣也湊合，帶來了一個新用戶。C帶來的新用戶E也發起了推薦，可惜并沒有產生更多用戶。因此，K因子值是5次推薦，只產生了3個新用戶，K因子=0.6。
Adjust統計了大量的app的K因子，他們最終發現K因子的確在app中存在，但并不適用于當前市場上的大多數app。Adjst在30%的樣本中發現了K因子。在這些樣本中，數據團隊得出K因子的中值為0.45。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，樣本中有些應用收獲了數百，甚至是數千次額外安裝，但也有很多app完全沒有任何用戶推薦產生的安裝。
K因子本身在實踐中更多幫助我們衡量傳播，尤其是裂變傳播的效果。
嚴格來講，流失預警模型不能算是一個模型，而更像是一個數據挖掘方法。流失預警常用決策樹來進行數據挖掘，基于歷史上的流失人群，根據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據中進行驗證，從而得到一個預測模型。
流失預警大量應用于游戲、零售、訂閱服務、SaaS類型的軟件產品等行業。
由于涉及到數據挖掘，太過于技術和操作性，具體的內容本文就不再多介紹了。
6.誘餌、觸點與規則模型
這個模型并不是直接的數據化模型，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據才能落地，因此也將它放入數據模型之列。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的運營工作都由“誘餌、觸點和規則”三個要素構成。運營策略的核心，就是在這三個元素上進行設計。
例如，2017年某KOL代言寶馬Mini的活動，就是誘餌、觸點和規則的統一。誘餌，當然是限量版特殊顏色的Mini，以及更便宜的價格；觸點，是這個網紅，以及微信公眾號平臺；規則，則是先到先得。所以在短時間內銷售了100臺。但這個案例只是一個簡單的例子，今天的運營遠比網紅帶貨要復雜。
例如，下面展示了一個2B業務的“全客戶生命周期”的“誘餌、觸點和規則”的策略，因為保密的關系，我們無法展示所有內容，但大家已經可以意會。
為什么這個模型會將“觸點”也作為一個重要的元素，原因在于，唯有觸點能夠作為追蹤用戶的數據載體，從而為我們建立用戶偏好識別模型（第二類，第4個，大家還記得嗎）。而這些標簽，又進一步幫助我們選擇“誘餌”以及建立更合理的“規則”。
這個模型十分具有操作性，限于篇幅關系，不再贅述。
原文作者：宋星
