用户分层
4种常见的用户分层方法 - 简书
关于用户分层，看这篇就够了 | 人人都是产品经理
在产品迭代的过程中，用户的需求也会发生不同的变化。此时应该要做用户分层，为不同用户提供个性化服务。
用户分层是根据不同用户的行为特征划分成不同的用户群，进而制定不同的产品策略来满足其差异化需求，从而充分发挥每个层级用户的价值，达成产品目标。
在实际的应用中，用户分层主要表现在两方面：
- 可以帮助产品经理和运营快速定位问题，找到后续可以根据问题做功能优化；
- 提升产品用户效益，针对不同的用户合理分配有效的资源。
做用户分层前有几个必要条件：
- 产品模块有一定的用户量，如果用户量样本不足会导致划分的颗粒度太粗。效果也会大打折扣；
- 产品模块需要在一定周期内收集用户行为习惯。看看用户在这个产品模块操作了什么；
- 产品模块一定要做埋点。不做埋点，啥都分析不了，重点模块一定要做全量埋点（也就是用户每一步操作都埋下）。
用户分层的方法，比如，用户生命周期分层（根据用户价值点：不同用户在产品生命阶段访问产品频次和付费率）、AARRR模型和RFM模型等等。
- 第一步：明确产品业务目标。
- 第二步：拆分用户行为轨迹。
- 第三步：找到分歧用户群。
- 第四步：划分用户层级。
- 第五步：制定产品策略。
- 第六步：验证产品策略方案。
用户生命周期分层
RFM模型
RFM模型是衡量客户价值和客户创利能力的重要工具和手段，它通过Recency-距离最近一次交易、Frequency-交易频率、Monetary-交易金额这三项指标来描述该 客户的价值状态，依据这三项指标划分8类客户价值。
实施RFM用户分层的操作步骤是什么？
第一步：抓取用户R、F、M三个维度下的原始数据。
首先，我们需求提出数据的需求，并定义出F中的“一段时间”是多久以及用户类型，然后拉出该时间段内所有的订单数据，数据字段包括用户ID、下单时间和订单金额。这里需要注意的是定义一段时间，我们可以拍脑袋，也可以参考业务进展和需求，一般如果业务比较稳定的情况下，多以自然年或季度、半年等为单位来进行定义。
第二步：定义R、F、M的评估模型与中值
我们需要根据业务特性或数据分布情况来划分数据分布区间，设定评估模型，然后设定中值。
第三步：进行数据处理，获取用户的R、F、M值
第四步：参照评估模型与中值，对用户进行分层。
第五步：针对不同层级用户制定运营策略，推进落地。
AARRR模型分层
AARRR模型通常是在增长的语境下看到的，我们也可以通过这个模型对用户进行粗放的分层。
第一种AARRR模型：
第二种AARRR模型：
两种模型并没有绝对的好与坏，只是适用的场景不同，像滴滴这种产品，用户上一就收费，收入放在前面比较好。
如果是流量型的产品，有了流量才能增值用第一种AARRR模型比较好一些。
用户画像
看完后，别再说自己不懂用户画像了 - 知乎
用户画像的应用：
- 精准营销：这是运营最熟悉的玩法，从粗放式到精细化，将用户群体切割成更细的粒度，辅以短信、推送、邮件、活动等手段，驱以关怀、挽回、激励等策略。
- 数据应用：用户画像是很多数据产品的基础，诸如耳熟能详的推荐系统广告系统。操作过各大广告投放系统的同学想必都清楚，广告投放基于一系列人口统计相关的标签，性别、年龄、学历、兴趣偏好、手机等等。
- 用户分析：虽然和Persona不一样，用户画像也是了解用户的必要补充。产品早期，PM们通过用户调研和访谈的形式了解用户。在产品用户量扩大后，调研的效用降低，这时候会辅以用户画像配合研究。新增的用户有什么特征，核心用户的属性是否变化等等。
- 数据分析：这个就不用多提了，用户画像可以理解为业务层面的数据仓库，各类标签是多维分析的天然要素。数据查询平台会和这些数据打通。
用户画像一般按业务属性划分多个类别模块。除了常见的人口统计，社会属性外。还有用户消费画像，用户行为画像，用户兴趣画像等。具体的画像得看产品形态，像金融领域，还会有风险画像，包括征信、违约、洗钱、还款能力、保险黑名单等。电商领域会有商品的类目偏好、品类偏好、品牌偏好，不一而足。
