GTLC全球技术领导力峰会·上海站,首批讲师正式上线! 了解详情
写点什么

带你轻松遍历用户生命价值与流失挽救(上):流量下的价值套路

2020 年 6 月 30 日

带你轻松遍历用户生命价值与流失挽救(上):流量下的价值套路

前言:这是一篇讲述用户生命周期与流失挽救方面知识的文章,穿插了大量的从 BI 角度对业务进行数据分析的方法。相关知识的宽度与深度有点高,涉及到的知识点有:用户生命周期、流量方向的分析方法论、用户分群、用户挖掘、算法、渠道归因、拉新、端承接、运营、产品等。除了遍历这些知识外,文章的核心部分是关于两个数据产品的(关于数据产品方向,文章没有做更多阐述)。


互联网的重心一直在 C 端,这些年互联网的发展也是围绕着 C 端这个主题。 现存的大小巨头们围绕着电商、社交、生活、咨询、长短视频等领域割草圈地,其核心还是围绕着 C 端用户从每个人的生活进行数据化,再通过数据化进行变现。这些变现模式比如会员充值服务、增值服务以及包含内容收费服务等收费模式,在某些地方多放入点广告,比如开屏广告、信息流广告、各种展示位的广告等等,从而产生更多的商业收入,这些方法大家玩的不亦乐乎。


但是忽然有一天,各大媒体就开始叫喊着遇到了流量天花板红利殆尽,同时在这两年他们也做了大量渠道下沉的工作。现实情况也确实是大部分的流量逐步被开采到接近枯竭,单个用户的获取成本从几毛钱变成近百,所带来渠道成本、用户成本、运营成本等各种成本压力直线上升。 大家也从产品上、运营的角度来想尽各种办法,对 C 端用户做各种深度运营并挖掘用户可利用价值。


在这个深度挖掘过程中会涉及到多方面的工作,其中产品运营、用户运营是直接能对用户起到正向或负向作用的业务方。举例的话,产品说”我要在这个地方增加一个功能, 目的是让用户点个赞。我在播放暂停时要给用户弹出一个可互动功能来,可以增加用户的操作感(谁想出来的这个功能)“;运营说” 我要把用户做分层,这批用户多引导他们充个值, 搞个充一万返两万的活动,只不过分三年返还(我嘞个去,某厂太爱干这个了) “。


这些工作,不管是产品运营去做、还是用户运营去做,必然都会需要从产品生命周期、用户生命周期的角度对 C 端用户做研究。


那什么是用户生命周期呢?


用户生命周期

用户生命周期,是指从一个客户开始对企业进行了解或企业欲对某一客户进行开发,直到客户与企业的业务关系完全终止且与之相关的事宜完全处理完毕的这段时间。在营销学上又称为客户的生命周期。


它的定义为:引入期(客户获取)、成长期(客户提升)、成熟期(客户成熟)、休眠期(客户衰退)、流失期(客户离开)一共五个阶段。那在互联网中呢,一个用户从首次安装使用这个产品开始,到最后一次打开后的这段时间内,可以定义为用户的生命周期(备注,该定义来自百度搜索)。



新产品上线、新功能上线、老产品因为衰退需要退出市场等,都是产品、运营等部门的工作,背后隐含的都是需要管理“用户生命周期、产品生命周期”。


我们来看一些实际的场景:


  • 新产品进行推广并获取用户的时候,需要在各种媒体曝光、通过渠道推广和营销拉来新用户。

  • 产品推广一段时间需要从建设体系、运营体系指定好规则与权益,以及用户的成长体系,产品的认知教育体系等等,站在 C 端体验的角度做好用户的培养。

  • 业务增长很快时,可以围绕从忠诚度以及背后的数据沉淀与提炼方面,进行再利用的思考,为带来更多有价值的用户来做更多的事情。

  • 如果用户因为某些原因卸载或离开后,需要对于离开的用户进行老用户关怀、邮件推送、好友召唤等,用这些手段进行唤回。


以上的这些业务场景,背后就是利用产品、用户周期的不同阶段,采用不同的策略。


我们用一个短视频的例子稍微展开讲一下用户生命周期的场景事情。


短视频产品中的生命周期

比如,一款短视频 App 业务,在产品规划阶段需要有的功能定位 :用户在信息流中找到自己喜欢的内容并消费(在这里成为消费者),在消费过程中再通过各种可视化的表达形成互动,在互动过程中产生成就感或满足感,然后能进一步促使刷新与消费。


这个过程中,核心内容是 ”看- 表达-互动-成就“ ,互动与成就感驱使 ”内容的消费者“ 回到 ”看“ 这个动作上,进一步形成闭环。



将这个场景进一步具体化,就是在信息流中发现有趣的且自己喜欢的内容并进行消费;在这个消费的过程中可能会有互动的行为产生,比如说点赞、评论、互动、跟帖等;再通过激励措施形成更强烈的成就感。在某些激励措施下驱使用户不断的进行消费,通过成长、等级差异产生的各种沉淀兑换更多的奖励来产生更多的消费。例如有一天某消费者忽然生产并发布了一条内容, 这条内容通过算法下发到信息流中被更多的人消费了,然后系统通过激励机制的进行换算并奖励了视频的生产者。


通过激励与奖励的不断刺激促进下面两条关键线的循环:


对于消费者:发现->消费->激励->再消费的环线;


对于生产者:生产 ->发布->奖励->再生产,从而逐步的形成一个自循环的生态。


如下图所示:



在这个流程的主干都有了,我们再需要具体化一下场景:


  • 比如用户在信息流中不停的下拉刷新,寻找自己感兴趣的内容就会点击消费。

  • 在信息流看到一个很有意思的视频或图文点赞留言,通过更多的刺激性的引导(比如成就或激励),让用户在这个过程中产生更多的互动或其它的一系列的场景化。

  • 针对话题舆论引导,建立更多的互动类与话题类场景,用户会因这个话题而聚集,从而产生更多范围更广的内容。

  • 激励与奖励的存在,会让部分人因为利益的驱动从而去生产更多的内容,这样从单一的表达进化到社区活动再促进社群生产。


如果把这些场景都覆盖到流程上,对于前半段的内容化与后半段的社会化,我们可以具体如下图所示进行细化:



从产品角度来看内容化、社会化这两个方向,具体分解,可以得到更多的功能的列表。比如,内容化涉及到的功能有短视频的基础体验、显示调性展现、用户引导、产品基础性能。情绪点消费,包含情绪点聚合、真实感、实时感等表达与展现。 社区互动需要建立互动场景、话题运营、用户密度、生产引导等。


进一步从产品的期望、兴奋、无差异化角度来看,细化如下:


  • 期望型功能:

  • 短视频发现与播放体验

  • 客户端基础性能

  • 基础互动与沉淀功能

  • 兴奋点功能:

  • 情绪化表达

  • 情绪化内容推荐

  • 无差异化:

  • 相关互动

  • 沉淀功能


到此为止,这款 APP 的基本功能已经具备了,经过一段时间的紧张开发与测试β版发布,相关的运营、渠道、市场都是要配合同步来做各种推广与拉新的。


在产品规划阶段,需要将这个产品相关的各个物料、角色全部都运作起来。等到产品推广时,渠道市场相关、运营相关、内容等方面都会围绕 App 的定位、目标用户群体与内容进行开展,下图是一个大概的策略节点:



其中各个角色需要做的事情:


  • 市场:需要根据产品、品牌、内容等进行一系列对外推广的工作。

  • 渠道:根据策略调整渠道投放、预装厂商与机型选择等等。

  • 运营:达人的引入、个人引入、奖励机制的设置、内容生产引导等、玩法引导等、精品池的打造、内容结构化、UGC 社群的运营,围绕这些进行一系列的推广,按产品的节奏去做运营的工作。

  • 算法:冷启动、下发策略、内容池建设、各种模型建设等。

  • Growth:渠道优化、各种 deeplink 测试,重点投放、外部换量,促活等,围绕拉新促活。

  • 产品:配合各方在优化功能,产品模块落地等。


从一个数据人角度,我将渠道、投放、客户端、用户、场景、内容、算法、内容库、生产、结算等主干关系大概梳理如下:



里面几个业务角色做的事情与 C 端用户都有很大关系,简单来说:


  • 市场投放或从渠道过来的 C 端用户,根据品牌推广时间点、放量大推的内容,或吸引很多新老用户过来使用这个 App,用户从首次安装 App 到启动浏览消费、再到深度消费,这个过程中,一个新用户逐步的会变成老用户,或者在使用过程逐步的流失掉。

  • 新产品产品上线,需要内容联动,寻找种子用户,提升留存与转化率。

  • 放量推广阶段,拉新质量,渠道转化效率,产品问题,内容质量、话题质量等一系列工作,就是想办法培养忠实用户、调动终身价值,降低流失。

  • 产品策略调整,可能新的功能上线等,关注增量用户到存量的转移、用户持续活跃,降低流失。


在这个过程中的投放找用户、放量搞促活、策略调整防流失等,从产品、运营角度已经开始对用户不同阶段有意识进行分层做业务了。BI 团队也从用户生命周期,用户活跃天数、用户流失天数、用户最长访问间隔、启动次数,vv,ts,用户类型,用户视频偏好对用户进行了不同的细分,便于开展定向工作。


我大概列举了一下从用户生命周期角度来做的一些工作内容,如下表:


用户生命周期用户类型特征举例配合部门工作内容(大概举例)
引导期-潜在用户潜在用户90后、00后等爱分享、个性化的用户群体市场、渠道、产品、运营deeplink深度,基于素材的冷启动优化,投放内容/素材的供给优化
新用户新用户首次安装且启动了该APP的人渠道、产品、运营、算法、数据新热、高热、冷启动池、产品迭代等
成长期低活跃用户首次安装且启动的在定一段时间内启动并刷新内容的人,刷新频率比较少浏览深度比较少的渠道、产品、运营、算法、数据Push,独家内容、长剧拆条、内容再造(热点IP再造、榜单类再造、新热内容、影剧热评、前瞻、排行榜;明星探班、专访类;明星恶搞剪辑类)、产品迭代
成熟期留存用户消费、互动、转发都比较多的额人在一段时间内持续启动的人渠道、产品、运营、算法、数据Push,独家内容、长剧拆条、内容再造(热点IP再造、榜单类再造、新热内容、影剧热评、前瞻、排行榜;明星探班、专访类;明星恶搞剪辑类)、产品迭代、问答玩法、主题玩法等
衰退用户预流失用户距离上次启动已经距离好多天的的用户渠道、产品、运营、算法、数据针对性的热点与Push拉活
流失用户流失用户已经卸载的用户距离很长时间没有启动的用户渠道、产品、运营、数据电话、体验回访,召回等


从用户的引入到最后的离开,用户在产品中经历过的几个不同路径经模拟有,下面大概四种类型路径:



每个业务,不管是产品还是运营都需要用户分群,根据用户的不同阶段与特点,从内容、产品功能、活动等各种手段来提升活跃的留存。


现在互联网的世界里一切都是为了增长,一切闪现的创新都是为了让产品产生爆发式成功的可能性。但这些都非长久之策,我们能够拿出很多个例子,很多 App 虽然一夜爆红,但大多数都像昙花一现,最后淹没在 App 的浪潮中。



一款 App 能否留住用户,归根结底还得看能否满足用户的中长期硬货需求。做 C 端生意必然得有流量,聚集起大流量才能做到大生意,那么从数据分析的角度是如何去理解呢。


流量下的用户水池与用户价值迁移


做流量通常都会看到这样一个图,每日的 DAU 、每月的 MAU 相当于一个大水池子,新用户相当于入水口,流失相当于出水口。如果想不断增加水池水量,办法只有增加入水口水量或减少出水口的量,这样才能让水池的水逐渐的增加。


如果把活跃比作水池、NU 比作入水、流失比作出水,如果要增加 MAU 量,就需要从市场投放、买量、安装、激活、承接、拉留存、减少流失等角度使用不同产品与运营手段。比如:


  • NU 用增与投放部分,从数据角度要判断清楚新用户是经过什么转化为老用户的,要从行业的角度、看自己数据现状角度、新用户的价值链条角度、渠道角度分析来做比较全面的分析,在进一步在产品运营事情,比如定制化的界面、内容等等。当然在渠道方向可以做的分析与建设还是非常多,后面有机会专门拿出一个篇幅来写渠道相关的(比如你是怎么考虑归一化的呢,是用基于 shapley 值归因、markkov 连图归因、还是 first_time、last_time、first_click , last_click 、基于时间序列的某东西、deeplink、或者是几种模型合并在一扩展)。



  • 活跃提升需要从渠道质量的角度、成本、商业化、各类深度、画像路径、角度进行拆解分析,才能做到精细化的探索与精细化到小群体的策略。



  • 比如流失分析与挽救,要进行流失用户的定义,不同的产品有自己的业务用户特点,是需要具体业务的场景具体来做定义,比如说微信钱包、支付宝偏工具性 App,王者荣誉、吃鸡等游戏类 APP、聊天软件等,浏览器工具类产品等,用户一周内、一个月内不使用可能就造成了流失。我们需要从用户产品生命周期中分析一个用户使用曲线来定义流失。


定义流失后还需要从用户画像、用户分群、流失特征等多角度来做分析,找到特性后在利用运营手段配合一定资源来作为挽救。(该图来自网络)。



在流量这个方向,结合著名的 AARRR 模型来看,从 BI 的角度做了分析方向的拆解,在这个系列中大概用到的分析包括同期群分析、漏斗分析、路径分析、留存分析、用户分群分析、ROI 分析等方法。在用户生命周期的每个阶段,都可以用这些方法去做分析。(备注,之类的分析模型在本章暂时不展开讲,等在后续的数据分析序列中在做阐述)。



不同的群体会随着时间的变化而变化。 一个高活跃群体随着时间、版本迭代功能产生增减,内容的变化会造成用户使用习惯的上的变化,例如有大概有 1000 个 DAU 的小用户群体,这个群体在信息流中消费是高频高额的。


随着时间逐渐流失,这个一千人的高频小群的用户也逐步的发生变化。其中有 300 个人消费频次越来越低,如果此时刚好渠道运营做拉量活动,其中有 300 个新用户因为突发性的高频高额消费被补充进了这个 1000 个用户的人群中。


我们从指标上看到这个人群规模保持了 1000 个 DAU 不变, 但是具体来说有可能是人群有 300 个出去了, 但又进来 300 个人。虽说从指标上看还是 1000 个高频高额,但是这个用户的价值结构已经发生了一些变化,此时这个群从用户价值角度看已经发生了群体规模特征迁移。


比如在商业化中,给公司产生高收入的人群,随着时间的变化群体总数不变,但是个体一直在变化,从收入角度看似没什么变化,但是从价值规模变迁角度来看变化是比较大的。


一般的我们会关注人群的迁移是正向迁移还是负向迁移。一般的情况下,在产品、运营各方面做的都好或这个业务生态很健康情况下,人群应该是都往正向迁移的。反过来,如果人群负向迁移比较多,就说明已经出了问题。但是很多业务都用数据说话,看 DAU/MAU 都很高,就认为没有什么问题。



由于产品、运营对于产品的功能、运营的内容、市场的变化以及用户需求不断的迭代升级,每层用户都可能在每天发生行为上的变化,所以我们除了分析流量指标外,还是需要更多的关注在用户生命周期内的每个群体每天心智发生了哪些变化,用户对于我们产品的认可和依赖发生了怎样的变化,以及评估如何采取运营抓手可以针对性地促进哪个迁移路径。


例如,我们从用户分群、用户价值角度做了一个分类,分为高中低三个价值区间,其中价值为中等的用户群体在某些指标变化不大,创造的总体利润或收益也是变化不大,但是拆成细节来看降迁的比价等于从低价值区间升迁上来的。


其中降迁的用户群体是因为我们的产品某些特性让这些有价值用户群体在逐步的做小群之间流失。升迁的用户群是因为运营上的活动强拉上来的。 例如下图所示:



进一步这个价值中等的人群(下图的例子是给出了一个小部分的截图),可以得到更加精细化的运营策略与产品策略,发现更多的一些问题所在。



产品、运营的定向优化是面向这个中等人群,在优化完毕并上线后分析用户每天净正向 &净负向的情况。


如果高粘性和中粘性的用户都在净正向明显增加、净负向明显减少,说明优化是有效的。反之是有关联与波动性影响的。



在用户分群中,通过用户生命周期与叠加的价值分群的方式,是可以更有效的去做针对性细化与作用用户的。这个能力是可以泛化为数据产品的。


备注:本文中涉及到小部分知识来自于百度搜索。


作者介绍


松子(李博源),自由撰稿人,数据产品 & BI 资深总监。个人公众号:songzi2016。


2020 年 6 月 30 日 09:553173

评论 1 条评论

发布
暂无评论
发现更多内容

华为云“创原会”:40+技术精英论道云原生2.0

华为云开发者社区

k8s 华为云

浅析一个较完整的SpringBoot项目

田维常

spring Boot Starter

Spring Boot 集成 Druid 监控数据源

田维常

spring Boot Starter

YOLODet--YOLO系列网络结构图(YOLOv5,YOLOv4,PPYOLO,YOLOv3)

wuzhihao7788

学习 AI 目标追踪

WebSocket连接错误Error during WebSocket handshake Unexpected response code 404

李浩宇/Alex

Spring Boot 如何快速实现定时任务

田维常

spring Boot Starter

【原创】Spring Boot 如何手写stater

田维常

spring Boot Starter

【原创】Spring Boot一口气说自动装配与案例

田维常

spring Boot Starter

复盘逆袭之路!三个月时间深造,怒斩拼多多、字节、蚂蚁金服破50W年薪Offer(含自学路线图)

Java架构追梦

Java 学习 架构 面试 数据结构与算法

scrapy学习之爬虫练习平台5

LLLibra146

Python 爬虫 python 爬虫 Scrapy

【原创】Spring Boot终极篇《上》

田维常

spring Boot Starter

如何快速构建Spring Boot基础项目?

田维常

spring Boot Starter

【原创】Spring Boot 集成Spring Data JPA的玩法

田维常

spring Boot Starter

【原创】Spring Boot 过滤器、监听器、拦截器的使用

田维常

spring Boot Starter

一站式低延迟直播连麦解决方案

anyRTC开发者

音视频 WebRTC 直播 RTC sdk

专业级沙箱与恶意样本的自动化分析

京东科技开发者

云计算 监控 虚拟化

scrapy学习之爬虫练习平台爬取

LLLibra146

爬虫 python 爬虫 Scrapy

【原创】SpringBoot 这几种配置文件方式,你都用过吗?

田维常

spring Boot Starter

想不通(关于人生的突发奇想)

干啥啥不行的赢

YOLODet 最强PyTorch版的YOLOv5、YOLOv4、PP-YOLO、YOLOv3复现

wuzhihao7788

学习 AI 目标追踪

哭了,前阿里P8见我spring太烂,把系列合集甩在了我脸上

周老师

scrapy学习之爬虫练习平台4

LLLibra146

Python 爬虫 python 爬虫 Scrapy

【原创】Spring Boot终极篇《下》

田维常

spring Boot Starter

【原创】Spring Boot集成Mybatis的玩法

田维常

spring Boot Starter

数据库JDBC:PreparedStatement

正向成长

JDBC SQL预处理 PrepareStatement

scrapy学习之爬虫练习平台2

LLLibra146

Python 爬虫 python 爬虫 Scrapy

scrapy学习之爬虫练习平台3

LLLibra146

Python 爬虫 python 爬虫 Scrapy

【原创】Spring Boot集成Redis的玩法

田维常

spring Boot Starter

【原创】SpringBoot快速整合Thymeleaf模板引擎

田维常

spring Boot Starter

Scrapy中process_request返回request和None的区别

LLLibra146

Python 爬虫 python 爬虫 Scrapy

阿里P8Java大神给迷茫的程序员一些中肯建议:“请不要再虚度光阴了!”

Java架构之路

Java 阿里巴巴 程序员 架构 编程语言

DNSPod与开源应用专场

DNSPod与开源应用专场

带你轻松遍历用户生命价值与流失挽救(上):流量下的价值套路-InfoQ