结合用户本身的差异性、和用户需求的不同，企业可以通过用户分层，来制定不同的运营策略，从而提升企业资源的利用率。这篇文章里，作者就拆解了用户分层体系的构建，一起来看看吧。
用户分层是一个老生常谈的问题了，本文通过对用户分层本质的洞察，并基于此洞察推导出来的构建用户分层的实操方法，来讲解用户分层这一课题；
根据用户特征的差异性，制定不同的运营策略，以实现企业资源的最大效率利用；
这里的企业资源不只是企业在运营用户中，所投入的资源，用户本身也是企业资源，“企业资源”从企业投入的角度来看是用户维系成本，比如用户的红包补贴，从用户本身来看是用户生命周期价值。
为什么说用户分层，是实现企业资源的最高效率利用的必要条件？
是由用户本身差异性决定的，不同用户的需求不同，导致用户对不同运营策略的反馈也不一样，同时，对不同用户运营目标的期待也不一样。
所以需要根据不同层级的用户特征，制定适配这一层级用户的运营策略，以实现企业资源的最高效利用。
用户分层这一概念貌似是近年来随着互联网经济的兴起而被更广泛传播开来的，但其实在经典的营销管理中，这一理念一直都在。
著名的波士顿矩阵（由美国著名的管理学家、波士顿咨询公司创始人布鲁斯·亨德森于1970年创作），把产品分为明星产品/现金牛产品/瘦狗产品/问题产品就是这一营销理念的体现。
在着手构建用户分层体系之前，需要明确构建用户分层体系的必要性及可行性。
1）必要性
只用当用户基数达到一定量级，才能构建有效的用户分层，因为只有足够大的样本量，才能提取用户的一般性特征，才能基于用户特征去输出差异性用户策略，另一方面，如果用户量级不够大，完全可以通过一对一来实现用户的更加精细化的运营。
2）可行性
用户分层是用户画像的总结归纳及分类，用户画像体现在不同维度的用户数据上，所以对用户数据的沉淀获取分析是用户分层的前提，而在具体的操作中，普遍存在数据口径不统一，数据孤岛等的问题，这也为用户分层增加了难度。
像金字塔模型，AARRR模型（又叫海盗模型），用户生命周期模型等都是非常经典的用户分层模型，不管什么类型的分层模型，其本质都是如上文所讲，都是为了企业资源利用效率的最大化。
所以分层的底层逻辑都是一样：基于分层目标，选取分层维度，通过不同维度的联合评估，划分用户层级，并根据不同层级用户的差异性特征，针对性的制定运营策略，并不断的通过反馈优化迭代。
具体的操作步骤如下：
其中关键点是分层维度的选择和每个分层维度下的分类标准的制定。
“每个分层维度下分类标准的制定”是什么意思？
举个例子：
假设以消费金额这一单一维度作为分层维度，那么以多少的消费区间作为一个分层层级呢？ 是以1000-5000作为一个层级，还是以1000-9000作为一个分层层级？
这里绝不是拍脑袋决定的，也不是取平均值，需要通过业务洞察及数据分析，来验证这个标准的合理性，而是否合理的判断依据是：层级的制定，是否可以把用户特征明显区隔开来。
假设我们通过数据验证，以1000-5000作为一个分层层级更合理，因为消费金额在5000以上的用户相较于消费金额在1000-5000的用户而言，有过跨品类消费行为，所以，“跨品类消费行为”就是用户特征，而5000这个值，可以把是否具有这个特征的大部分用户区隔开来，所以取1000-5000这一消费区间作为分层层级就是合理的； 而下一步对于无跨品类消费行为的用户的运营策略就是进行品类渗透。
下面结合一个简化案例来阐述上述用户分层的具体步骤。
案例背景:某电商品牌积累了10w的用户，临近双11，需要制定一个用户触达策略进行预热，以实现在双十一当天销量的爆发。
1）明确分层目标/解决的问题
在这个案例中，前期的触达方案起到提醒用户，占领用户心智，并通过一些补贴（比如红包券）提前锁住用户的作用，所以需要针对不同特征的用户制定差异性的触达方案，包含文案的差异性，红包力度的差异性，所以这里的用户分层是为触达方案服务的。
2）选择分层维度
分层维度的选择，关乎用户画像的表达，并直接影响后续的触达策略，所以需要考虑业务场景和分层目标。
在这个案例中，选取用户历史成交金额和“末次成交时间距现在的时间”两个维度来作为分层维度。
3）制定不同维度的分类标准
前文已经说明，不同维度的分类标准不是拍脑袋决定的，需要通过业务洞察及数据分析，来验证这个标准的合理性：即能否明显区隔不同特征的用户。
首先看历史成交金额这个维度，现在需要确定不同的消费区间，来区隔不同特征的用户。
下图是用户历史成交金额人数分布散点图，横轴为成交金额，纵轴为对应人数。
我们需要通过这张图，为消费区间的划分提供依据：
在这个图中，消费金额在人数分布上相似的值，即可以作为划分“连续消费金额”的分割点。
如下图：区域1 和区域2 都为量级三万左右，区域3为一万左右，区域4在两千这个水平上下浮动，区域5在五十这个水平上徘徊；
所以 可以把消费金额分为5个区间，分别是：
0 ，（0，1000]，(1000，3000]，(3000，10000]，10000+；
同时，根据具体业务场景，区域一和区域二在人数上相近，但需要区分开来，因为区域一代表未购用户，用户从未购变为已购，在电商场景中，是身份上一个很大的区别。
根据同样的数据分析方法，并结合产品的回购频次等实际的业务场景，把“末次成交时间距现在的时间（天）”，划分为如下区间：
(0，30]，(30，60]，(60，90]，(90，150]，150+；
4）不同维度的联合，划分用户层级
如果分层维度为N，每个维度下面分为M个标准，则可以把用户分为“M的N次方”个层级。
这个案例中，总共2个分层维度，每个维度5个区间标准，则可以把用户分为“5的2次方”25个层级，这里把所有未购用户划分为一个层级（根据实际情况，可以根据活跃情况进一步细分），总共分成21个用户层级。
如下图：
5）策略输出，验证反馈，优化迭代
用户层级分好后，即根据分层目标，然后输出针对性的运营策略。
在这个案例中，对于层级0用户，其特征为：对于产品有感知，已经留下了基本的资料，但没有发生购买行为。
这类型的用户的运营目标是使其转化为已购用户，可以针对性的发放较大金额的新人红包券，和产品试用等活动，以提高其转化率。
对于层级21用户，购买金额比较大，上一次购买时间距现在也比较近，这类用户已经对产品产生了信任，可以看作是产品的核心用户，针对这部分用户，除了希望其继续保持对产品的直接贡献外，这希望能裂变新用户，产生更大的价值。
所以针对这部分用户，可以设置老客关怀，以保持其粘性，比如老客关怀计划，生日礼，周年礼等运营手段；以及开放裂变资格，拉新有价值新用户等。
其他不同层级的用户，同样根据其层级特征，制定差异化的运营策略。
另外：
用户是不断成长的，所以用户特征也在不断的变化，所以每一次针对用户的运营策略的制定，都需要刷新用户层级，以获取到最新的用户特征。
这里其实就涉及到动态标签的建立的问题，不再展开，但其本质也是用户分层。
用户分层是为了最大效率的利用企业资源，关键点是分层维度的选取，和每个维度下标准的建立，另外，需要用动态的眼光去看待用户分层，不断优化更新；
本文由 @吴可可 原创发布于人人都是产品经理，未经许可，禁止转载
题图来自 Unsplash，基于 CC0 协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。