关注我的公众号：CoreMarketXin 硬核马克🤓
用户是一个平台的核心资产。从生命周期看一般分为新客、成长、成熟、稳定、沉默和流失6个阶段。这是相对比较粗的用户划分体系。也是用户运营早起对于用户的基本并且核心的定义。对用户生命周期的研究以及理解，也一部分决定了一个运营人的体系、结构化的运营思维。
今天思考的内容只是其中一个点：怎么科学评价用户的实际价值。这个评估应用的场景有很多，比如会员分层，用户活跃召回，供需匹配，商业化场景等。以下是我结合2B平台展开的一些思考。
用户是谁？
要对用户评价，首先要认识用户。用户是怎么样一群人？特别是对于2B平台来说，用户的角色更为复杂。如果是夫妻店，那么账号背后的采购人=企业，如果不是夫妻店，那么账号背后的人的画像与企业意志之间高度重合但又存在偏差，偏差的来源是采购人个人的判断。
根据前期调研，我们平台用户有个明显的特征，主要以小微企业下经销商类型的专业买家为主。
- 规模特点：
- 单个用户规模普遍小微，一般为夫妻店，或者10人以下的小团队。
- 年度交易规模在百万到千万不等，主要集中在中长尾的百万规模。
- 经营特点：
- 有稳定的进货渠道，依赖线下交易服务（开票等环节有一定的空间），对价格、时效、服务敏感。
- 日化家清、劳保等SKU分散，品牌不聚焦的领域有询货需求以降低进货成本。
- 一个法人有多个企业，以个体工商户为主要主体表现形式（主要分摊税收优惠）。
- 由于行业特性，全年采购曲线有非常明显的周期性表现。
- 资金需求：
- 由于行业特性，终端用户账期较长，用户有比较强烈的资金周转需求。
上述几个方面相对比较模糊的组成了平台的主要买家用户画像——即我们通过提取公因式，看到了大部分买家的特点。每个平台都不一样，但是思路是一样的，做任何运营动作的第一步就是了解用户、刻画用户。
有了这样的一些用户特点，才能从中发现用户可被运营的机会。结合平台战略诉求，以平台定义的维度，判断用户价值，进而才有进一步的用户运营方案。
怎么设计方案？
方案设计的核心是挖掘当下和未来能给平台带来最大价值的用户，并有节奏的提升和维持一般价值的用户，以实现平台利益最大化。交易平台一般的指标是GMV&营收。故方案的核心也将会围绕这两个核心指标进行设计（这里不考虑用户的运营提升，仅考虑如何定义）。
明确平台指标之后，就是从用户行为上来定义用户。这里其实对于方案的设计也存在挑战。初创平台，或者用户数据极少的情况下，应该怎么定义用户。包括我，其实在看很多运营的文章的时候，都是通过大量的数据去归因，然后给到一定的方法论。可现实情况是，平台用户少，并且数据匮乏的情况下，怎么来定义？
我会尽可能根据我的思考沉淀一套统一的解决方案。从两个阶段来分别进行评价：用户从哪里来，来了之后做了什么。
获客渠道：
获客渠道即用户从哪里来。当用户在平台上还没有积累数据的时候，通过什么样的方式将用户转化为平台用户，本身就是一个筛子：这部分转化的用户身上，烙下了平台意志，是刻意设计的规则才导致了用户的转化。
这里涉及到两部分，一部分是垂直渠道获客，另一部分是非垂直渠道获客。
- 垂直渠道获客可以通过两个方面了解用户①垂直渠道用户画像②获客转化方案是如何设计的。像我们平台其实就是从垂直渠道获客，故前面提到的画像基本上也是基于垂直渠道的用户画像进行的总结。
- 如果是非垂直渠道获客，对于获客转化的方案要非常细致且具有逻辑性。这里不再是简单的愿者上钩的逻辑，而是通过刻意的设计，筛选精准的用户。举个例子：表单填写/调研获取基础信息，9.9试用获取付费意愿，任务机制测试用户活跃潜力等等。
通过上述获客渠道以及转化方法，给用户打上基础标签。再基于公开的一些数据和模型，设计后续的成交和运营方案。
用户行为：
用户行为是指已经在平台产生了行为之后积累的一些基础数据，包含访问，停留，交易等基础数据。这里对于小规模平台来说又有一个非常不友好的点。现有的一些数据模型没法准确评估用户价值。现有的一些数据模型（RFM、CLV）是需要相对规模的数据来喂的。如果一开始就生套这些用户模型，那大概率所有的用户都是无价值用户。
所以根据不同业务阶段与用户生命周期的阶段，针对用户行为与获客渠道，对应不同权重指标，作为实践的结果指标。而获客渠道与用户行为拆分可以作为观察指标。
常规模型：
常规模型模型我们从RFM和LTV切入来看下（这里先做简单介绍，我会单独写一篇内容来思考和学习这两个模型在评价用户价值领域的作用）
RFM：
R（recency，活跃）代表最近一次消费时间，基于最近一次交易日期计算得分，距离当前日期越近，得分越高。
F（frequency，忠诚）代表消费频率，基于交易频率计算得分，交易频率越高，得分越高。
M（monetary，消费能力）代表消费金额，基于金额计算得分，交易金额越高，得分越高。
按照这三个维度分别设置一定的规则，快速对平台用户进行象限的划分，并且根据不同象限用户特点跟进不同的运营策略。这里的排序不是一蹴而就的，是需要根据结果逐渐调整。因为不同的定义对于不同空间的用户规模也是不一致的，需要不断做调整和优化。
例如：下表中，RFM333的客户就是模型定义的高价值用户，需要重点维护，而类似RFM331的客户就属于忠诚但是客单价低，需要提升该类用户的客单价，RFM033的用户则为需要重点挽回的高潜力客户。
| R | F | M | 得分 |
| x<30 | x>5 | x>500 | 3 |
| 30<=x<60 | 5>=x>3 | 500>=x>300 | 2 |
| 60<=x<90 | 3>=x>0 | 300>=x>0 | 1 |
| 90<=x | x=0 | x=0 | 0 |
LTV：
即Life Time Value，他是评价一个用户从获客渠道以及维护成本到用户周期内贡献价值的评估指标。网络上对于LTV的指标定义非常复杂，更简单更常用的评估单个用户价值的公示是LTV=LT*ARPU（用户周期*日均用户价值贡献）等，如果要看全平台用户的LTV，那么就还需要引入用户留存的概念最终得到
注意这里的两个变量十分不确定，包括周期的定义、影响因素，价值定义以及影响因素等，非常多，还有一些更复杂的公式，我打算在接下来的文章中专门针对LTV模型做一次总结和学习。
但是LTV是一个很好的评估用户价值与运营价值的结果指标。能够比较好的约束运营策略，反馈前期运营策略的建设优劣。
用户标签：
上面的RFM其实也是标签加模型的一种。但是整体上来看还是太粗了一点，并且是完全根据用户在平台的表现生成的定义。
但是对于平台来说，需要针对用户的行为轨迹，转化漏斗做更加深入的分析。于是在用户行为上，定义颗粒度更细的标签，会让下游的消费场景在策略运用上更加灵活。
用户标签一般分为静态标签，动态标签。
静态标签：一般包含用户基础数据，这部分数据在用户入驻的时候需要做富有逻辑的设计，根据平台提供的服务和价值，收集必要的基础信息，比如通过年龄职业情况可以判断用户消费水平，婚育情况可以判断用户消费类别，地区情况可以判断用户饮食偏好等，还有一些平台在用户注册完毕后会要求关注一些兴趣爱好，这里也是为了方便后续内容以及商品的精准推荐。
基础数据的收集从来不是囫囵吞枣，既要保障用户入驻的丝滑简洁，同时也要为平台业务做好第一道支撑。
动态标签：一般包含用户的浏览、停留、加购、交易、点击、搜索等数据。动态标签对于业务参考性更加具体有效。后续用户运营的策略以及转化率指标与这些行为数据直接相关。
在这些动态标签之下，同样能延伸出更加精细的用户标签定义，举例几个核心的动作。比如浏览，在观察指标上要定义流量深度，深度包含了在单一页面、商详的停留时长，同时也要看用户浏览页面的数量。再比如搜索，用户搜索是带有明确的询货需求，搜索结果页有商品但是未点击，无商品直接流失，以及多次搜索同类型商品都体现出了用户当前周期的需求以及平台供给匹配的优劣。
上述这些静态标签以及如此复杂的静态标签有什么用呢？
其实从我的理解来看，当整体的市场环境处于一个增量市场的时候，我们没必要研究这么深入。无论之前淘宝打eBay，百团大战还是网约车大战以及早期的社区团购，手法简单粗暴——砸钱。用资本的力量把对手消耗完，剩者为王，再考虑健康的经营模式以及盈利模式。
但是现在是存量市场，需要不断研究用户，抢占用户的注意力。用户在我这里多花1块钱，就是在对手那里少花1块钱，用户在我这里多停留1分钟，就是在对手那里少停留一分钟，用户在我这里办了会员，就有可能直接删除了对手的APP。——存量市场的绞杀早就已经不再是刀枪火炮的时代了。
统一的用户标签设计：
上面说了用户从哪里来，以及用户来做了什么。这里就要针对这两个本来有点割裂的场景做统一和融合。
这里很重要的一个点就是，根据用户在平台的不同阶段，除了用LTV/RFM模型对用户进行象限定义之外，还需要对分析中复杂的影响因素：获客渠道，基础信息，行为，流失，人群标签进行调试。这需要大量的数据测试工作。
例如：前期对于亏损期的预估与获客渠道标签以及用户转化筛选逻辑息息相关。对于用户价值与商业模式上，如果觉得31日回收成本时间过长，则需要重点调整获客策略。
盈收期同样与用户相关静态标签与行为标签相关，这些标签会辅助判断不同客群的日均贡献。比如男装目标用户的日均贡献就差于女装客群，无论在生命周期表现与留存表现都不如女装客群，但是单用户维护和售后成本较女装客群低，且男装客群有较明显的购买周期，这时候根据平台利益最大化原则，可以设计对应的用户运营策略①提升盈收曲线②重新定义男装客群用户活跃指标等等。
但是请记住，用户运营以及最终判断用户价值的核心是：平台的利益最大化。
转载请注明：硬核马克 » 思考：如何科学评价平台用户价值