互聯網流量紅利已經消失 —— 各大媒體
移動互聯網紅利過去了 —— 李開復
“超級用戶”模式的真正著眼點是“關系”，“普通用戶”和“超級用戶”之間的關系，就像一般女生和女朋友，向別的女生釋放善意沒問題，但你更關注應該是女朋友。 ?—— 邏輯思維
智能手機新增流量消失、紅利過去、超級用戶思維、智能手機市場國內飽和……
這是我們從2016年起至今，在各類互聯網大咖以及媒介平臺看到最多的關鍵詞了。
因此，用戶運營開始有了地位，如何盤活現有的用戶群體是每一個（移動）互聯網公司老板們考慮的問題。
2018年始，在給自己做工作規劃的時候，定下了運營知識深度學習的兩個方向：用戶運營、數據分析。
做運營這些年，也看了不少用戶運營的文章和書籍，每個大咖寫的都特別好，但是都不夠系統，所以想著自己可以梳理下用戶相關的知識結構。
終于拖延了四分之一2018年之后的近1個月時間，把沉淀在Evernote的大咖文章做了梳理和歸納，分享給大家，僅供參考。
文章主要從三個方向來梳理用戶運營的知識結構：用戶畫像、用戶生命周期、用戶成長激勵。
內容穿插會給到每個環節需要的準備工作、監測數據等，篇幅較長，分三次發布，看官要有耐心~
感謝瀏覽。
另，轉載請標明出處~
文章內容來源聲明：（由于部分文章年代久遠，來源列表會有遺漏，如有侵權，還望告知）
https://www.zhihu.com/question/19853605作者：我勒個矗、秦路
http://www.woshipm.com/operate/695091.html作者：豆丁
http://www.woshipm.com/operate/598103.html作者：秦路
作者：活動盒子（微信公眾號）
http://www.woshipm.com/pmd/965109.html作者：阿潤
http://www.woshipm.com/pd/424836.html作者：Jinkey
http://www.woshipm.com/operate/887464.html作者：流年
一、用戶畫像
誤區：Persona（用戶角色） VS Profile（用戶畫像）
Persona用戶角色
描繪抽象一個自然人的屬性
通過調研問卷、電話訪談等手段獲得用戶的定性特征——用戶間有差異，因為存在差異，所以需要描述
是用戶屬性的集合，不是具體誰，放一張某某的照片也是為了達到共情。它應該能準確描述出產品用戶，一般會設置三到四個用戶角色，也是通常意義上的目標用戶群體
用戶角色有缺點，評估用戶屬性時難以量化，也很難證偽。你不知道它確定的是不是真的目標群體，用戶群體也隨時間推移變化，所以用戶角色需要不斷修改。
Profile用戶畫像
和數據挖掘、大數據息息相關的應用，被更多運營和數據分析師使用，是各類描述用戶數據的變量集合
通過數據建立描繪用戶的標簽
基于用戶畫像的應用：個性化推薦、廣告系統、活動營銷、內容推薦、興趣偏好
當我們想要選擇某部分用戶群體做精細化運營時，會用用戶畫像篩選出特定的群體
用戶畫像是一個復雜的系統，隨著產品逐漸成熟，會根據不同的業務場景設計不同的標簽，用戶角色是精煉和概括，而用戶畫像需要齊全。
用戶畫像可以參考用戶角色設計，用戶角色也能使用用戶畫像的屬性，可實際差別很大
什么是用戶畫像？
用戶畫像是根據用戶社會屬性、生活習慣和消費行為等信息而抽象出的一個標簽化的用戶模型
構建用戶畫像的核心工作即是給用戶貼“標簽”，而標簽是通過對用戶信息分析而來的高度精煉的特征標識
除去“標簽化”，用戶畫像還具有的特點是“低交叉率”，當兩組畫像除了權重較小的標簽外其余標簽幾乎一致，那就可以將二者合并，弱化低權重標簽的差異
用戶畫像的作用是什么？
1、精準營銷：分析產品潛在用戶，針對特定群體利用短信郵件等方式進行營銷
2、用戶統計：比如中國大學購買書籍人數 TOP10，全國分城市奶爸指數
3、數據挖掘：構建智能推薦系統（例如：利用關聯規則計算，喜歡紅酒的人通常喜歡什么運動品牌；利用聚類算法分析，喜歡紅酒的人年齡段分布情況）
4、進行效果評估，完善產品運營，提升服務質量：其實這也就相當于市場調研、用戶調研，迅速下定位服務群體，提供高水平的服務
5、對服務或產品進行私人訂制：即個性化的服務某類群體甚至每一個用戶（例如：某公司想推出一款面向5－10歲兒童的玩具，通過用戶畫像進行分析，發現形象＝“喜羊羊”、價格區間＝“中等”的偏好比重最大，那么就給新產品提供類非常客觀有效的決策依據。）
6、業務經營分析以及競爭分析：影響企業發展戰略
用戶畫像的構建流程
數據收集：
網絡行為數據：活躍人數、頁面瀏覽量、訪問時長、激活率、外部觸點、社交數據等
服務內行為數據：瀏覽路徑、頁面停留時間、訪問深度、唯一頁面瀏覽次數等
用戶內容偏好數據：瀏覽／收藏內容、評論內容、互動內容、生活形態偏好、品牌偏好等
用戶交易數據：貢獻率、客單價、連帶率、回頭率、流失率等
收集到的數據不會是100%準確的，都具有不確定性，這就需要在后面的階段中建模來再判斷，比如某用戶在性別一欄填的男，但通過其行為偏好可判斷其性別為“女”的概率為80%。
儲存用戶行為數據時最好同時儲存下發生該行為的場景，以便更好地進行數據分析。
行為建模：
該階段是對上階段收集到數據的處理，進行行為建模，以抽象出用戶的標簽，這個階段注重的應是大概率事件，通過數學算法模型盡可能地排除用戶的偶然行為
這時也要用到機器學習，對用戶的行為、偏好進行猜測，好比一個 y＝kx＋b 的算法，X 代表已知信息，Y 是用戶偏好，通過不斷的精確k和b來精確Y。
貼標簽：
1、用戶汽車模型：根據用戶對“汽車”話題的關注或購買相關產品的情況來判斷用戶是否有車、是否準備買車
2、用戶忠誠度模型：通過判斷＋聚類算法判斷用戶的忠誠度
3、身高體型模型：根據用戶購買服裝鞋帽等用品判斷
4、文藝青年模型：根據用戶發言、評論等行為判斷用戶是否為文藝青年
5、用戶價值模型：判斷用戶對于網站的價值，對于提高用戶留存率非常有用（電商網站一般使用RFM 實現）還有消費能力、違約概率、流失概率等等諸多模型。
關于標簽化：
1、多級標簽：第一級標簽是基本信息（姓名、性別）；第二級是消費習慣、用戶行為
2、多級分類：人口屬性，地理位置（工作地址、家庭地址）
構建畫像：
該階段可以說是二階段的一個深入，要把用戶的基本屬性（年齡、性別、地域）、購買能力、行為特征、興趣愛好、心理特征、社交網絡大致地標簽化
數據可視化分析：
這是把用戶畫像真正利用起來的一步，在此步驟中一般是針對群體的分析，比如可以根據用戶價值來細分出核心用戶、評估某一群體的潛在價值空間，以作出針對性的運營
用戶建模：
基礎屬性：性別、職業、年齡段、收入水平、婚育情況、活躍城市、教育程度、……
用戶分級：生命周期、價值分級、優惠敏感度、基于馬斯洛用戶需求
興趣偏好：團購偏好（品類）、外賣偏好（品類、品牌）、電影偏好（導演、演員、電影類型……）
行為屬性：團購（下單次數、消費頻度、評價質量、評價傾向）、外賣、酒店、電影
人群屬性：旅游達人、有車一族、……
基于馬斯洛用戶需求的用戶分級：
1、首先了解自己產品的精準受眾群體，分析并確認這類群體的性格特性與使用習慣，不要局限在自己產品中去想這類人群的特性，而是具有XXX特性的人群，來到我的產品中，會有哪些使用習慣與心理特性。
2、搭建用戶成長體系時，一定會出現不同階層之間的邊界模糊現象，我們需要觀察達成每個成就的用戶群體比例，來重新界定每個階層。
3、用戶是波動的，不一定會完全按照我們界定好的體系變動，我們不必穩抓每一個用戶，只要保證大體用戶是按節奏進行的即可，如果出現大批量用戶躍層上浮或下降，此時我們應該看是否有現象級事件產生，或者用戶生態體系是否搭建的有偏差。
基礎用戶：
描述：僅僅是內容的消費者，即閱讀內容，但不會產生點贊、評論、分享等與其他用戶產生互動的行為，瀏覽內容的方向不明確，具有隨機性。
穩定性：極不穩定，隨時會因產品內容、功能、社區氛圍等原因流失。
特性：此類用戶人數最多，對于產品的需求也最為基本。
對應需求：生理需求
標準用戶：
描述：不再是內容的消費者，開始逐漸進行點贊、評論等實現成本低的操作，瀏覽內容方向更加明確
穩定性：較穩定，會因為產品內容推薦不夠貼切、功能不夠完善離開，對于產品具有一定的耐心，不會突然離開
特性：從松散且游離的基礎用戶演變而來，實現從觀看者到參與者的身份轉變中。
對應需求：安全需求
主體用戶：
描述：作為承上啟下的社區參與者，及有一定的社區知名度，又能適度產出一些普通內容，帶動社區氛圍
穩定性：穩定，對于產品的功能與氛圍熟悉且接受，但可能會因為長時間付出（發帖、評論），卻無法得到別人足夠的回應而離開。
特性：注重產品功能之外的認為情感，不再滿足于產品本身帶來的體驗，開始關注在產品內獲得的滿足感與成就感等。
對應需求：社交需求
核心用戶：
描述：產品中具有一定影響力的小V用戶，可產出較優質內容，同時在產品中具有較大影響力，具有較強的帶動性。
穩定性：非常穩定，在產品中的影響力很強，具有較多粉絲，可能會在產品中進行個人變現，因此足夠穩定。
特性：追求大量的用戶追捧，以及看中自己在產品中的群體口碑，希望得到大量用戶的正面評價，部分用戶會因此進行變現，實現物質收入。
對應需求：尊重需求
明星用戶：
描述：具有極強的影響力與知名度，屬于為產品進行背書的明星式人物，對于產品用戶的行為方式與輿論走向具有較大的影響。
穩定性：極其穩定，屬于平臺為數不多的大V，根據二八法則來看，這類明星用戶吸引大部分用戶的關注，物質變現不滿足于心理的滿足，而是可以成為職業化的一種收入。
特性：具有大量的支持者用戶，對于產品的走向與輿論有著主導性作用，同時可為產品創造源源不斷的活動，屬于帶動產品的風向標人物
對應需求：自我實現
轉載請標明出處，各位手下留情~
未完待續……
接下篇 ：?用戶運營知識結構歸納之用戶生命周期(2)
