究竟什么是用户运营？成为一位用户运营需要具备哪些能力与素养呢？

什么是用户运营？

“用户运营”顾名思义围绕用户的全LTV的运营动作、策略都可以称之为用户运营：

有些人觉得做活动、做社群是用户运营该做的；

有些人觉得做用户体系、转化、数据监控是用户运营该做的；

还有些人把渠道投放运营也放到用户运营中。其实我认为这些都可以称之为用户运营，因为这些工作都会影响用户的整个LTV周期。那么成为一位用户运营需要具备哪些能力与素养？

用户从哪里来？

1. 渠道投放职能划分

用户进入web、app的形式分为两种：付费、免费，通常会在web、app以及一些流量分发平台开放用户的导流入口，根据职能划分可以大致分为：SEO、SEM、ASO、ASM、DSP（信息流）这五种渠道运营职能。

1. 付费渠道的结算方式

通常SEM、DSP在进行投放时的结算策略可以大致分为：CPC、CPA、CPM、CPD等结算方式。其中CPS、CPA对买方有利，CPC、CPM对卖方有利。

1. 资源对接

像股票交易平台一样，不同的买方与卖方也会通过中间商来进行资源的对接。Ad Exchange联系的是广告交易的买方（广告主-即投放广告的，如我们的App）和卖方（SSP的流量广告位拥有方，如爱奇艺）。

通过以上几种方式，用户就已经来到了我们的产品中。

（互联网的投放渠道）

产品建设

用户分层&用户标签体系化建设

用户标签是用户运营策略中非常依赖的一项前提条件，如果能对用户的某些行为进行自动打用户标签那么就可以对后面垂直的精细化运营做出良好的铺垫。

第一类标签可以采用公司最看重的业务类型来对用户分层，比如 电商公司的利润、直播公司的用户充值金额、交易型公司的手续费等。如果再进行下一步的拆分，可以是交易金额、利润、充值金额等维度。

第二类标签可以采用用户属性来对用户进行分层，比如用户的年龄、职业、性别等等

第三类标签可以采用用户在Web、App中的行为，比如 用户的浏览、查看、注册、下单、支付、复购等。但此项对于产品的埋点、数据、后台支持要求较高。

像还有更多的用户标签体系玩法，比如用户的LTV全生命周期打标签、RFM模型对用户进行打标签都是比较流行的传统互联网运营玩法。

那有了用户标签以后该怎么用起来呢，会在下面的运营策略中重点讲解。

（用户分层&用户标签体系化建设）

产品反馈机制

建立“不感兴趣”功能，目前很多产品经理在做页面的时候缺乏和用户良好的沟通，导致不清楚用户的喜好。所以在产品侧开一个用户建议投诉箱、不感兴趣功能就显得至关重要。

用户激励体系&用户成长体系

这是个老生常谈的话题，很长一段时间App如果没有这东西都不敢称之为是做App的，那其实这种用户成长体系是分为不同类型的产品应该做成不同样子的。

比如高频产品 墨迹天气这种的创收行为主要集中在广告展示，那么用户的高频登陆来获取积分、等级、经验值就显得至关重要。

再比如中频产品 淘宝、天猫这种的创收行为主要集中在ARPU（AverageRevenuePerUser)，那么体系中应该重点偏向注册-浏览-下单-复购这一条路线。

再比如低频产品去哪、携程这种，要在电商类产品基础上增加内容论坛的活跃度等指标来增加用户粘性。

例：

（简单列举几个积分的获取方式）

优惠券、会员机制

这些常见于电商类、交易类产品中，比如 天猫、携程等产品类型。作为用户运营提高平台用户客单价的利器，优惠券是运营一定需要掌握的必备技能。就好比是程咬金的“三板斧”，哪类用户用低面额优惠券、哪类用户用高面值、哪类用户用长期限优惠券、哪类用户用短期限优惠券、哪类用户用全品类、哪类用户用垂直品类优惠券。

这些可以单独写一篇文章，在此处不做详细介绍了。

（优惠券）

数据平台

用户运营是运营中对数据要求最为敏感的角色，因为互联网时代使我们可以接受的数据变得异常丰富，也给我们提供了足够的发挥空间。列出一些我用过的业内常见数据平台：

移动端用户数据分析平台： 百度移动统计、Talkingdata网页端：百度统计、GoogleAnalytics、GrowingIO竞品监控：Alexa、Similarweb流量监控：站长之家、CNZZ（原友盟+）市场监控：一些常见的指数平台如：百度指数、淘宝指数都可以实现列举些常见平台的用法：

（用户的来源与去向）

（用户来源类型分析）

有了这些平台，那么用户的这些数据是怎么得来的？

通常是由底层数据埋点，再到上层的数据清洗、挖掘、分析共同得出一份可供业务决策的结果数据。

（用户行为基础数据来自哪里）

运营策略

分级运营

在有了用户标签体系后，应当建立不同用户的运营策略库。

短中长期的流失用户该进行哪些策略的召回。在用户的平均LTV流失时间点的时候，应该对用户进行哪些策略。这些都是可以实现常规、标准化的打法。渠道投放假量验证

当我们在渠道中进行投放时，经常会受到渠道放刷量、用户刷量的困扰。那么我们可以运用用户标签体系对一些真实用户的共性行为进行打标签，以此区分“真实用户”与“假量用户”

新注册用户的体验转化

有些用户从来没有使用过产品的某些功能，那么可以针对此类用户有针对性的实施运营侧录了，比如：PUSH，推送，站内信，跳转，小图标引导，banner展示可以定向化的指定用户运营，让用户在产品内流动起来。

用户运营常用模型

用户流失预警模型

该模型可以前期采用运营定区间，监测效果。后期再送到产品研发来实现自动化的报警、运营策略、触达等全流程落地。

然后，将这些指标作为流失用户模型的指标，它们的权重分别要已流用户占比做调整，模型要根据行为数据的不断变化去迭代，从而尽可能的预测到某一类用户快要流失了，我们要采取相应措施去挽留他们了。根据挽留的效果，我们又可以把相关流失用户的挽留措施、挽留效果加入流失用户模型中，以尽可能的形成『预测-挽留措施』的自动化预警。

RFM模型

RFM模型最早常见于互联网电商行业，该模型重落地后的优化，我曾在监控用户分层流动、定点运营策略中经常使用RFM模型，是我比较喜欢用的一个模型。前期可以运营内部先凭经验搭配出一版区间值，后期R、F、M的数字维度确定后 再提交给产品经理、研发同事形成自动化的数据导出。

（RFM模型）

SPSS预测模型

此类模型常用于电商行业的运营，如：Kohonen神经网络模型、线性回归方程预测，通常用于预测下个月的DAU、GMV等数值，如果有异常，那么运营可以及时切入进去分析数据、制定运营策略。

SKU价格聚类

此类模型常用于将用户按照不同的贡献价值区间对用户进行分层，或者以SKU为单位对商品进行分层。

关联预测模型

此类模型常用于将一些对用户创收动作有价值的动作挖掘出来，比如用户对商品进行了收藏、加购物车的动作是对下单等创收目标动作的强关联，还可以进一步计算出这些动作所占有的权重指数。

以上模型在这里不做详细展开，后续会单独出一篇数据分析的文章。

常见触达方式

站内信：需要开发，但对用户运营来说性价比最高。可以分类对用户进行运营。短信：需要成本，属于短期过度型、召回、特大活动营销时常用的方式。邮件：国外较为常用，国内用户对邮件的使用率较低，不建议使用。Push：在友盟、个推等第三方平台嵌入SDK以后，即可进行对全量用户的push电话：需要成本，通常在对平台头部创收用户的定向维护、营销、召回时才会使用。AB 测试

（AB在召回策略中的用法）

在Growthhacker中最常用的手段莫过于此，所有世间万物都离不开迭代。那么擅长使用AB、归纳、复盘、总结的运营人在长远来看一定是能产生成效的。