用户分析：更好地认识用户

更新: 7/18/2025 字数: 0 字 时长: 0 分钟

用户分析的基本思路

商业经营是不能脱离用户的。随着经济的发展，人们的基本生活需求已经得到满足，个性化的需求变得越来越强烈。此时，只有基础功能的商品是无法满足消费者的需求的。即使价格再低，也只能吸引一部分用户，另一部分用户会被更理解用户需求的企业抢走。“投其所好送其所要”是产品创新、营销设计、用户运营的基本思路。因此，用户分析是开展各种营销与设计的前提。

但在很长一段时间内，传统企业缺少记录用户数据的手段。传统的线下门店只有收银台的POS机能记录数据。POS机只能记录交易订单、门店、售货员的信息，无法采集用户的信息。因此，在传统的商业分析中没有用户的概念。而“人、货、场”模型中的人，指的也是售货员而非用户。随着会员卡的普及、线上交易平台的发展，越来越多的业务场景中都能记录用户的信息，这才有了用户分析的可能性。

1.用户分析的基础模型

用户分析最基础的模型为：销售金额 = 注册用户数 x 付费率 x 人均付费金额

• 注册用户数代表了用户数量，注册的用户越多，其中包含的潜在用户就越多。
• 付费率与人均付费金额代表了用户质量。高付费率与高人均付费是业绩的保障。
• 人均付费金额代表了用户消费水平。越是高价值的用户，人均付费金额就越多。

下面举一个简单的例子，同样是对于100万元的年度销售业绩目标，有可能有以下两种实现途径，如下表所示。

虽然这3类用户为企业贡献的价值是一样的，但是A用户明显更不让人放心：在过去1年里仅仅有1个月的消费记录，后续再也没出现过，不知道是不是因为一次购买产品太多还没用完。相比之下，C用户更让人放心一点：几乎每个月都会来。因此，一般习惯用付费次数(或登录次数)来衡量用户黏性。用户黏性自然是越高越好。

再细看用户消费金额，可能有多种产品组合。一个企业往往有几款到几十款产品在销售如表所示，同样是用户每年消费10,000元，可能产品的组成不同。

由于一般企业的产品线都有引流产品、爆款产品、利润产品、组合产品等不同的种类，所以用户的消费很有可能在不同的产品之间分布不均—引流产品、爆款产品消费较多，其他产品消费较少。一般上把用户消费的产品数称为产品宽度。用户的产品宽度肯定越宽越好。在表中，如果真存在A用户这类情况，则企业的市场部/运营部肯定会想各种办法，让A用户也购买其他几款产品。

表中的D用户也会引起市场部/运营部的关注。因为用户通常会购买爆款产品(A产品为爆款产品，其他为非爆款产品 )，如果有一定规模的用户集中购买了非爆款产品(如D用户的情况，购买C产品的次数比A产品还要多)，则说明可能存在其他细分市场。此时可以研发新产品或用旧产品开展营销，吸引这部分用户。

3.增加用户特征后的模型

在吸引用户的时候，如果能获取到现有用户的性别、年龄、注册来源等信息，则能产生极大的作用。这些信息能够帮助市场部/运营部门进行更深入的思考:“到底用户喜欢什么产品?”，从而让其更好地设计产品、创作话题、组织活动。

举一个简单的例子，假设一家企业对其现有用户的消费行为进行了梳理，发现有A、B、C共3类用户，情况如下表所示。

很明显，A用户群体是高价值用户群体，其年龄集中在21~30岁，女性占绝大多数，并且这些人在门店注册的比例明显高于其他群体。所以可以进一步研究这些用户的画像，把他们的特点、需求共享给门店，指引店员重点关注。在线上传播时，创作的话题也可以以这些用户的喜好为主。

以上就是用户分析的基本思路和常见指标。可能会觉得这样的计算太简单，但这些计算都是基于可采集的用户数据进行的。在用户分析方面，最大的瓶颈恰恰是数据采集。

用户分析的关键：采集用户数据

1.采集用户数据是关键

在商业分析中，用户分析的目标是非常重要的：通过用户获利。将这个目标细分一下，包含以下6个子目标。

• 针对尚未接触的潜力用户，将其发展成注册用户。
• 针对已注册的用户，促进其活跃。
• 针对活跃用户，促进其消费。
• 针对已消费的用户，促进其持续消费。
• 即使是暂时不消费的用户，也可以让其介绍几个朋友来消费。
• 即使是不再想消费的用户，也可以让其继续在社群中活跃气氛。

因此，用户分析的结果要有明确的指向性才可以。具体包括以下内容。

• 发现用户当前的状态是潜在、已注册、活跃、消费、高消费、流失……中的哪一种?
• 发现用户更喜欢产品的功能、外观、价格、包装……中的哪一类?
• 发现用户的购物习惯是哪类，更青睐的价格是在什么区间，关注的话题是什么等?

为了明确以上内容，需要了解以下几个方面。

• 用户目前处于什么状态?
• 用户喜欢什么、讨厌什么?
• 即使用户不喜欢产品，还有什么能阻止其离开?

了解了这些之后，可以进行以下行动。

• “投其所好，送其所要”，让用户活跃/消费。
• 用流行的话题吸引用户关注、用便利的购买方式吸引用户消费，总之要满足用户的需求。
• 给予用户超低的价格、独特的体验等，即使同类产品很多，也要让用户不拒绝你的产品。

然而，阻碍这些目标实现的“头号大敌”仍然是数据采集。没有用户喜欢被企业窥探隐私，因此需要综合利用各种合法的手段，实现数据采集。

2.3种基础数据采集手段

在用户与企业接触后，有以下3种基础手段可以采集数据，

(1) 会员卡信息：对于通过门店接触的用户，可以通过让用户申请会员卡等方式记录他们在门店体验服务产品的信息。

(2) 网页访问信息：对于通过 APP、小程序、H5 页面接触的用户，可以通过用户注册、埋点等方式获取用户的信息。

(3) 用户意见采集表：对于用户的意见反馈，可以通过网站留言、客服回访、业务员回访等形式收集。

然而这3种手段都有一定的局限性。

• 即使能采集用户信息，也只能采集到最活跃用户的信息，有些用户就是对会员卡eAPP、小程序、H5 页面不感兴趣，所以他们的信息能采集到的很少；或者能采集到的都是相对极端(极端不满意或极端满意)用户的信息。沉默的用户始终是大多数，这些用户缺少数据记录。
• 即使能采集到最活跃用户的信息，也只是采集到用户的行为，用户内心真实的想法很难知道，只能通过意见采集表慢慢采集。
• 即使用户愿意填写意见采集表，企业也不可能一次性采集很多信息。让用户填写长长的意见采集表，只会让用户厌烦，甚至离开。

比如，在租金高昂的商业区，有一家客单价比较低的小店(经营酸辣粉、牛肉面、盖浇饭麻辣烫等)周边饭店最便宜的一份单人餐需要25~38元，这家小店的一份单人餐只需要15元。此时如果询问在这里就餐的客人的评价，他们会说“实惠、好吃”一类的词语。然而只要这里涨价，评价就立马变成了“难吃，不划算”等词语。用户所谓的“实惠、好吃”，其实指的是“在这个价位下，饭菜很好吃”。

用户的态度就是这么微妙，理论上可以把这种微妙的态度量化为下面的3个指标。

• 定序变量—满意度：例如评分5分。
• 连续变量—次日复购率：例如80%的复购率。
• 分类变量—态度标签：例如实惠、味道好。看似用3个指标能说清楚，但实际上，在人来人往、拥挤不堪的小店里，根本没有任何有效的技术手段能采集这些信息。

理论上，可以找专业的咨询公司/市场调查公司，由经过训练的专业人士通过现场访谈现场让用户评分。这种做法可以获得相对精确的数据，但是无法大规模复制(不可能让每个店门口都有专业人士守着进行访谈)。从一个小小的例子就可以看出获取精确的用户数据非常难。因此在采集用户数据的时候，行为数据才是采集的重点。尽可能使用简单易行的方法获取用户行为，之后再通过分析手段判断用户态度，这是更可行的方法。

3.5种进阶采集手段

在移动互联网高速发展的今天，采集用户数据又有了以下5种新手段。

① 引导用户在线上下单，在线下提货/接受服务。这样既能方便用户，又能采集到用户线上的行为与线下的真实地址。
② 为导购员配置系统工具，以帮助用户查询商品信息/商品优惠信息的名义，登记用户需求爱好。这样既能方便导购员查询商品信息，又能采集用户对不同商品的评价，一举两得。
③ 增加个性化服务的环节，比如先测评用户需求,再根据用户需求,个性化展示商品方案。这样在提升用户体验的同时，也同步保存了用户信息。
④ 以手机号作为用户ID，记录用户累积积分及用户信息。这样节省了用户大量的时间还能通过手机号联系到用户。
⑤ 在产品内包装上粘贴二维码，吸引用户扫描二维码积分，从而记录用户信息。这样既给了用户实惠，又能记录到用户真实消费了哪些商品。

以上这些手段能极大弥补用户数据的不足，在一定程度上丰富了用户数据。

但是，即使采集到了这些用户数据，离真实、全面反映用户的情况，还是有一定距离的。

• 用户的消费行为很有可能是盲目、冲动的，没有逻辑可言。特别是对于啤酒、瓜子矿泉水这一类价格便宜的快消品，用户在购买时真的没有什么逻辑，想买就买。这样的情况是很常见的，因此，通过过去的数据不见得能预测未来的结果。
• 用户的消费行为可能被竞争对手掌握了。即使分析出来用户喜欢xx类产品，如果竞争对手抢先举办了促销活动，用户就被抢走了。
• 企业的营销、运营动作，也是“反理性”的。企业在营销的时候，一直在致力于降低消费者理性思考的能力，诸如:
  ① “今日超级特价，再不买就没有啦!”：其实还会有的。
  ② “使用xx品牌，尽享尊贵人生”：到底哪里显得尊贵了?
  ③ “用了xx产品，腰不疼了，背不痛了，心情更好了”：效果可能没有那么明显。

这种“反理性”的行为，会进一步破坏用户的思考逻辑，让数据预测更不准确，而在现实中这些手段又恰恰非常好用!

4.学会在缺少数据的情况下做分析

以上众多问题集合在一起，使得真实企业中的用户分析呈现出了与经典的心理学、社会学、营销学等学术派研究完全不同的状态。

• 学术派研究：把用户放在一个虚拟的、排除各种干扰因素的环境里，细致地观察、对比用户的行为，深挖用户的内心感受与态度。
• 真实的用户分析：结合营销动作、数据采集手段，顶着各种干扰因素迎难而上。可能到最后也不能精确区分用户购买的原因，但是用户确实购买了!

所以，想进行高质量的用户分析，一定要充分理解数据采集的复杂性与业务的主动性的关系。

• 在业务设计阶段，考虑现有数据质量，基于现有数据做决策。
• 在业务执行阶段，增加采集数据的节点，及时获取用户反馈。
• 在分析结果阶段，及时用数据给用户贴标签，积累分析经验。

这么做的好处在于不需要等着数据分析的结果再进行下一步的工作，而是在获取数据的同时，直接获得了抓住用户的“武器”，从而避免了前面所说的“即使分析完数据，用户还是被对手抢走了”的问题。

总之，洞察用户需求，不能纸上谈兵，更要结合营销动作，主动出击，在合适的时间、用户聚集的场所，以有竞争力的“武器”，主动抓住用户：先把用户圈进门，再一边运营一边分析。这样在用户分析质量和营销效率上都更胜一筹。

认识用户的三大模型

RFM模型

RFM 是3个英文单词的首字母。

• R(Recency)：最近一次消费的时间。
• F(Frequency)：一定时间内的消费频率。
• M(Monetary)：一定时间内累计的消费金额。

RFM模型是最基础的用户分析模型。因为其使用的是交易数据，所以只需要“用户ID+交易记录”即可建模。企业内的交易数据的准确性还是很高的，因此通过RFM模型很容易建模。虽然用的数据简单，但是通过RFM模型能在一定程度上反映用户的需求，因此RFM模型具有可用性。

1.RFM模型介绍

R(Recency)

最近一次消费的时间，取用户最近一次消费记录到当前时间的整数日期间隔。

比如用户最后一笔消费记录发生在2021年2月15日，那么在2021年2月17日获取数据时，R值即为1天(间隔了1天的数据：2月16日)。

一般互动/消费频率高的业务，比如游戏、生鲜，可以按天/周来获取数据；互动/消费频率低的业务，比如日用品，可以按月来获取数据。

即使单独分析R值也很有意义。除非用户购买的是房子、汽车一类的大件耐用品，几年甚至几十年才买一次。否则，在常规情况下，用户在上一次消费后长时间未到店里消费，很有可能已经转投其他品牌了。即使用户消费频率再低，到了季节更替的时候，其也会参与购买(这意味着用户消费最长的时间间隔是3个月，即90天)。理论上R值越大，用户与企业/平台的联系就越松散，再次购买概率也就越小。因此，可以通过分析找到用户购买率下降较大的点进行普遍唤醒。

很多公司的用户唤醒机制都是以此来制定的。比如用户30天/90天/120天不到店，就会向用户推送优惠信息，唤醒用户消费。至于R值到底设为多少才合适，可以用一个简单的检验办法。

• 设置观察点和检验期。
• 计算观察点上用户的R值并分类。
• 观察不同R值的用户在检验期的购买率。

举一个简单的例子，设2021年1月1日为观察点，计算截至2020年12月31日的用户R值，以月为计量单位，观察该批次用户在2021年1月的购买率，发现数据如图所示。

备注:
R=0月，即最后一次消费在2020年12月发生;
R=1月，即最后一次消费在2020年11月发生，依次类推。

F(Frequency)

一定时间内的消费频率，计算一个时间段内用户的消费频率。和R值一样，频率高的业务获取数据的时间更短(比如一周登录多少次)，一般的业务方会按一年内用户有多少个月消费了来计算。从直观上来看，用户消费频率越高，就显得越忠诚，且F值越高，企业就有越多的机会影响用户。很多企业的用户激励机制都是基于这个制定的，第一次购买后还想让用户第二次购买，第二次购买后还想让用户第三次购买……总之，F值越高越好。

M(Monetary)

一定时间内累计的消费金额，是计算一个时间段内用户消费的金额比如一年内用户消费的金额有多少元。从直观上来看，用户消费金额越多，其价值就越大。很多公司的VIP机制是基于这个制定的，如消费满10,000 元可成为VIP银卡用户，消费满20,000元可成为VIP金卡用户等。

• 对高价值、高活跃用户(M值高，F值高)来说，要关注其是否流失。
• 对高价值、低活跃用户(M值高，F值低)来说，要关注其二次消费，提升消费频率。
• 对低价值、高活跃用户(M值低，F值高)来说，要关注其消费金额的提高，推荐高价值产品，扩展产品宽度。
• 对低价值、低活跃用户(M值低，F值低)来说，要区分其中的用户类型，具体分为以下两类用户。
  ① 对新注册的“双低”用户来说，可以尝试提升其消费频次(一般消费频次容易提升购买一个小物品就行，提高消费金额相对较难)。
  ② 对“双低”的老用户来说，可以根据其过往购买品类的记录，推荐相关产品，促使其二次活跃。

当然，RFM模型中的各部分也可以联合使用，比如有的数据分析图书会推荐按照R值、F值、M值的顺序进行分类，这样会得出8个分类，如图所示。

这样分类的业务含义是简单、清晰的：M值越高的用户越重要，R值越大的用户越要保留，E值越低的用户越要重点发展。除上述分类方法外，还有基于RFM模型中的3个指标各自分类的，与上例逻辑类似。

2.RFM模型的优点

RFM模型的一个优点是其适用面非常广，因为它的数据可采集度非常高，只要有用户ID和购买记录即可。对于这一点，即使只有线下门店的企业也能做到。在用户购买时，提醒用户报手机号、扫App或小程序的会员码即可。并且RFM模型分析的都是交易数据，所以准确度相对较高。

RFM 模型的另一个优点是：它符合商业经营的直观逻辑。

• R：用户距离上一次消费时间越长，越得唤醒一次。
• F：用户消费频率越低，越得激活一下。
• M：用户消费金额越多，越得多点返利。

在生活中常见的商户优惠活动如下。

• 充值10,000元返2000元。
• 购买6次送礼品1件。
• 满300元额外赠送50元优惠券。

以上这些都是基于RFM模型来做的。

3.RFM模型的缺点

RFM模型的缺点也很明显，具体有以下3点。

① RFM模型只依据消费记录做判断，不考虑用户的兴趣、爱好等，会造成所有的营销策略都在围绕消费做文章，在形式上太过生硬，缺少温度。

基于RFM模型的营销策略，往往都是“买1000元返100元”，“送您一张30元通用券”之类即使加上一个“母亲节大放送”，“父亲节专享”之类的头衔，照样很唐突。这样做会给用户带来一种“反正你们就是变着法想让我消费”的感觉。

在互联网企业中更是如此，它不像实体店进去就是消费的模式。在互联网类企业中，用户转化流程很长，如果不能监控其购买之前的动作，即在用户付费之前多做工作，很有可能还没等到用户购买就已经流失了。

② RFM模型过于依赖商业经营的直观逻辑。

“R值”的逻辑：用户消费间隔越久就越有流失的风险。

• 如果是服装、降温/保温用品等这一类季节性强的消费品，用户间隔3个月/6个月等换季时购买是很正常的。
• 如果是手机、平板电脑这种科技含量高的耐用品，用户购买的时间间隔基本跟随产品发布的周期，且间隔会在6~12个月。
• 如果是家居、住房、汽车这种大件耐用品，使用R值就失去了意义，用户也许就买1~2次，统计R值没有意义。
• 如果是预付费、后刷卡的模式，讨论R值就没有意义了，需要用核销数据代替。

“F值”的逻辑：用户消费频次越高越忠诚。

• 假如用户消费是事件驱动的，比如赛事、节假日、生日、周末……
• 假如用户消费是活动驱动的，比如什么时候有优惠活动什么时候买电
• 假如用户消费是固定的模式，比如医药、汽车保养等有固定的周期……

以上情况都会导致F值不固定，可能是随机产生的，也可能是人为操纵的。过分强调F值必然会造成过多地给用户补贴，徒增成本。

“M值”的逻辑：用户消费得越多越有价值。

• 用户可能为了图便宜，趁有折扣的时候大量囤货。
• 用户可能消费一定数量以后，失去兴趣，想换换口味。
• 用户可能有消费生命周期，比如母婴、游戏，消费到一定阶段后就会失去了购买力。以上情况都会导致基于M值判断失灵。

③ RFM模型中的3个维度拆解太细，不利于营销和销售执行。

对于3个维度，即使每个维度只分为两类，也会有2x2x2=8(个)分类；如果每个维度分为3类，就会有3x3x3=27(个)分类。

这种切分太过琐碎，会导致每个客群人数太少，不利于市场部/运营部门批量采购；开发系统页面的时候，27个页面的开发压力也很大；并且客群间的辨识度不一定都高，很有可能做了27个分类，在一线执行的时候只能辨识出来三四个分类，因此不利于营销和销售执行。

由于RFM模型有以上缺陷，在分析时会考虑用其他方法进行完善，在能采集到用户互动行为的时候，RFM模型就可以进一步演化为AARRR模型。

AARRR模型

RFM模型的最大问题在于没有用户互动记录，仅有交易记录。这对于企业经营，尤其是互联网企业经营是非常不利的。互联网企业不像传统企业，到店即消费，在这里有可能用户在线上使用某产品很久都不用花钱。因此，掌握用户互动行为，对于优化产品、捕捉营销机会是非常重要的。好在互联网中App、小程序、H5 页面等应用能够记录用户数据，因此有了AARRR模型。

1.AARRR模型介绍

AARRR是5个英文单词的首字母。

• A(Acquisition)：用户获取,是指用户从未注册到注册,留下用户ID和联系方式的过程。
• A(Activation)：用户活跃，是指用户在App、小程序内登录、浏览内容、购买的行为。
• R(Retention)：用户留存，指用户保持活跃状态，未进入流失状态。
• R(Revenue)：用户收益，是指用户的各种付费行为(RFM模型的指标都在这里)。
• R(Refer)：用户转介绍，是指用户转发、转介绍其他人下载、购买的行为。

TIP

注意：AARRR 模型指的是考察用户的5个方面的行为，并非考察5个方面的指标。实际上AARRR模型中的每一项，都可能有好几个数据指标与之对应，如图所示。

这里要特别强调一下：在这5个方面的指标中，有4个方面的指标是可以直接计算出来的。

• A(用户获取)：直接按照用户的注册行为(注册时间、注册渠道)进行统计。
• A(用户活跃)：直接按用户登录后的行为(登录、访问、浏览)进行统计。
• R(用户收益)：直接按用户的付费行为(购买金额、购买频率)进行统计。
• R(用户转介绍)：直接按用户的转发、拼团等行为进行统计。

唯独R(用户留存)不是直接统计出来的，而是人为定义出来的。因为当用户流失时，他不会主动登录App然后输入“我走了，再见”之类的信息。用户只会默默地走掉，不会留下任何记录。因此，留存指标统计的其实是达到指定标准的活跃/不活跃行为。

• 活跃行为：用户注册30天/90天后，仍有活跃动作，称为留存。
• 不活跃行为：用户注册后距今已30天/90天，未有活跃动作，称为流失。

实际上，企业并不知道用户到底流失了没有。很有可能用户只是单纯的消费周期很长(比如旅游度假，可能一两年一次)或最近没空登录。留存指标只是辅助监控用户质量，并不是判断是否挽回了用户的唯一依据，明白这一点很重要。很多不熟悉这个指标的人,会苦苦纠结“为什么用户流失了?”很有可能只是他使用的统计方法有问题而已。

2.AARRR模型的优点

AARRR模型在互联网企业中的应用非常广泛。因为在互联网企业中，有很多机会可以采集到这5个方面的数据。大部分互联网企业是基于App、小程序、H5 页面开展的，用户需要登录注册才能使用，其使用行为可以通过埋点的方式被记录下来。这样可以使企业做到有数据可依。

相比RFM模型，AARRR模型的数据采集难度更高。

• 埋点数据有可能不准确，出现丢失或错误的情况。
• 业务方为了赶工上新项目，会直接放弃埋点。
• 业务方为了方便用户，会提供多种登录方式，造成用户 ID不统一。
• 业务方为了广开渠道，会同时发布多套系统，造成用户ID不统一且行为缺失
• 业务方为了方便用户，不一定会在第一步就要求登录，因此会失去一些用户访问行为的数据。

所以即使排除技术问题，互联网企业本身的流量来源多、业务更新迭代速度快的特点也会给数据采集造成麻烦，所以需要加大数据建设投入才能保证质量。

在使用方面，AARRR模型也很符合直观的商业逻辑。

• 源源不断的用户获取是增长的起点。
• 用户活跃与用户留存是收入的保证。
• 用户收益是证明App、小程序盈利能力的重要证据。
• 用户转介绍意味着App、小程序的成长能力。

所以，AARRR模型在使用上非常方便，运营人员只要盯紧这5个方面的指标，努力提高业务方在这5个方面的表现即可。

这些指标单独使用也很有价值，以下为常用的几个方面。

(1) 用于诊断渠道投放质量的指标(包括以下两个)

• 新用户成本(Customer Acquisition Cost，CAC)。
• 新用户价值(质量)(Customer Value)。

一般以渠道为单位，统计一定时间内一批新用户的获取成本(投放成本、促销成本、宣传成本)和该批次用户产生的付费收入，从而判断该渠道质量如何，再决定是否继续用该渠道获取用户。如表所示，通过新用户成本与新用户质量对比，可以轻松看出哪个渠道更有必要追加投资。

(2) 用于监测产品表现的活跃指标(包括以下3个)

• DAU(Daily Active User)：每日活跃用户数。
• DOU(Daily Old User)：每日老用户数。
• DNU(Daily New User)：每日新用户数。

DAU = DOU + DNU，DAU能直观反映产品表现的好/坏。如果DAU指标出现大幅度下降，则要分别看是新用户少了还是老用户少了。由于新用户在注册首日一定有活跃动作，因此可以首先排除是否是因为获取新用户而产生的问题，再看看老用户是哪个时间段进入的?哪个等级的用户在流失，从而准确定位问题。常见的诊断思路如图所示。

遇到指标下降时，首先要排除周期性波动、自然波动、数据错误；其次要检查是新用户的问题还是老用户的问题。

• 如果同时出现大幅度的波动，则很有可能是系统基础功能出了问题(特别是登录功能)。
• 如果新用户有问题，则要检查获客渠道，看该渠道是否按时做动作了，转化链接是否正常。
• 如果老用户有问题，则要先细分客群再看情况。
• 如果用户本身就在衰退期，则可能是正常流失;
• 如果是成长期用户出现了问题，则需再检查这些用户使用了哪些功能，看是不是某个路径出了问题，阻碍了用户使用。

(3) 用于诊断产品表现的留存指标(包括以下6个)

• 首日留存用户：完成注册且有效互动时间大于xx分钟的用户。。
• 次日留存用户：首日注册后，次日仍然登录的用户。
• 3日留存用户：首日注册后，3日内仍然登录的用户。
• 7日留存用户：首日注册后，7日内仍然登录的用户。
• 30日留存用户：首日注册后，30日内仍然登录的用户。
• 季度留存用户：首次注册后，本季度内至少有1天有效活跃行为的用户。

这些指标可以绘制成用户留存曲线，即同一群体在首日、次日、3日……仍有留存比例如图所示。

之所以在新用户注册后分首日留存用户、次日留存用户、3日留存用户等，主要是因为互联网产品都有新手适应期，用户可能因为不习惯操作、不习惯页面、进入程序后不知道能做什么等原因会快速流失。一般操作频率越高的应用程序(类似游戏、短视频、社交、UGC)，用户越容易在早期流失；使用频率低的应用程序如电商App、打车软件等，可能还需要将观察期再延长一些。因此，关注用户留存情况能反映出产品对新手用户的引导是否顺畅，以及其能否让用户尽快体验到核心功能。

TIP

注意：无论怎么做，一定有一部分用户会流失，因此做用户留存分析时，需要参考竞品数据，把用户流失控制在一定范围内即可。

(4) 用于诊断裂变效率的转介绍指标(包括以下3个)

• 转发用户人数：有多少用户参与了裂变。
• 转发后响应人数：用户转发后，新增了多少用户。
• 响应后带来有效转化行为人数：在新增用户中，产生有效行为的用户数。

在“裂变式”活动中，很有可能用户参与裂变只是为了得到转发奖励，这些新用户的质量并不高。因此可以将这几个指标结合，对所有转发用户分层，如图所示。从中找到真正能带来有效转化作用的群体，计算该群体用户带来的有效用户数，从而参照正常获客成本，给予转化群体更好的奖励，促进裂变持续开展。

与具体的商业模式结合后，利用AARRR模型可以对用户群体进行统计，会呈现出一些固定形态。比如以下几种情形:

• 对于棋牌、休闲类游戏应用程序，玩的人多，付费的人少。
• 对于角色扮演、卡牌类游戏应用程序，容易使人沉迷，出现付费大户。
• 对于打车、外卖类应用程序，大多会受天气因素影响，如天气差的时候使用的人多。
• 对于音乐、视频类应用程序，寒暑假期间用户人数高涨，小长假期间用户人数也有小幅度增长。
• 对于旅行类应用程序，春季和秋季用户需求旺盛，节假日前会出现订票高峰。
• 对于电商购物类应用程序，有促销活动的时候用户登录频繁，商品卖得好。

因此，在使用AARRR模型监控业务时，其指标也会出现自然周期、生命周期性的变化，需要能区分出这些指标波动对于合理解读指标含义非常有用。

另外，在每一类业务中，都有核心用户与边缘用户的区别，他们甚至完全是两类不同需求的人。

• 订票平台：经常出差的商旅用户与偶尔旅游的用户。
• 打车平台：平时经常打车的用户与天气不好时偶尔打车的用户。
• 电商平台：经常在电商平台买东西的用户与只有电商平台搞促销活动时才买东西的用户。

如果企业对用户不加以细分，只单纯统计AARRR模型的5个方面的指标，就会被平均值抹去这些鲜明的特征。这样企业在运营中会失去重点，盲目投入，导致失败。因此，在监控整体数据的基础上，需要对用户群体再进行细分，比如常用的活跃与付费矩阵(见图)，就是从平均值里区分出来“粉丝用户”与“边缘用户”的，从而更精细地设定策略，进行管理。

实际上，有相当多的互联网企业之所以经营不下去就是因为其不注重用户细分，只盯着整个AARRR模型的5个方面的指标，一味地投入资金做用户增长。就像打地鼠一样，刚解决了一个问题，又冒出来了另一个问题。这样做导致的结果就是成本失控、把用户培养成了“不给优惠我就不来了”的习惯等。

3.AARRR模型的缺点

AARRR模型存在的缺点和RFM模型是一样的。

• 用户高活跃、留存久，不代表付费就多。
• 用户过去高活跃、高付费，不代表未来照样高。

因为在本质上，AARRR模型只是引入了用户消费前的行为，对用户从注册到消费的整个路径监控得更详细而已。它并没有解决困扰RFM模型的核心问题“用户到底想要什么”，如果想采集到用户的想法，就得使用AIDMA模型。

AIDMA/AISAS模型

AIDMA模型尝试解决“用户到底想要什么”的核心问题，其含义如下。

• A(Attention)：引起注意。比如从产品包装、广告语、门店装修、活动设置等方面先吸引用户的眼球。
• I(Interest)：引起兴趣。比如产品外观、宣传口号、价格设置，让用户感兴趣并愿意了解。
• D(Desire)：唤起欲望。比如产品外观、宣传口号、价格成功击中了用户的需求点让用户想购买。
• M(Memory)：留下记忆。比如用户成功记住了产品卖点、宣传口号、图像对应的产品，有机会就购买。
• A(Action)：购买行动。比如用户真的付诸行动，前去购买。

AIDMA模型完整地模拟了用户接触产品/品牌的心路历程，层层深入地揭示了用户的思考过程，因此能解释“用户到底想要什么”的问题。

TIP

注意：与RFM模型和AARRR模型不同，AIDMA模型并非统计用户的整体行为，而是有高度的指向性。在使用该模型的时候，会给到目标用户一个具体品牌+具体产品，然后利用调研问卷+访谈的方法，具体了解用户AIDMA5个方面的指标，从而收集到用户对一个具体品牌、产品的反馈，如图所示。

这种看起来更深入反映用户需求的方法，反而比RFM模型和AARRR模型的历史更长，因为它利用的是调研手段。要知道调研的方法已有上百年的历史了，即使只有纸和笔，也能进行调研。

常见的调研包括事前测试和事后调研两种，具体介绍如下。

事前测试：对一组即将上市的广告选择目标用户进行测试。让用户先观看广告，再记录其I、D、M 的数值和内容，从而评估哪一种广告效果最好，广告带来的记忆点是否符合策划人员的初衷。这种做法主要用来优化广告设计。

事后调研：广告上市后选择目标用户进行调研。先在无提示的情况下，询问用户的A、A指标，评估广告的真实效果。之后再在有提示的情况下，了解用户的I、D、M 的数值和内容，从而分析为什么广告没有被记住：是用户真的没看到，还是广告做得不好?

当然，调研方法的局限性很明显，具体表现为以下几个方面。

• 数据采集的成本高。
• 数据采集的时间长。
• 需要精心设计的实验。
• 数据难以复制到大多数用户身上。

因此，调研方法现在应用得相对较少，往往用在测试新品上。而且在新品测试阶段，产品也不适合大面积投放市场。此时产品经理、研发人员可以充分利用各种“学术派”的专业手段，把目标用户放到理想的环境里，测试产品的效果。

近些年，有些研究机构试着改变AIDMA模型以适应新的环境，故推出了AISAS模型。

• A(Attention)：引起注意。
• I(Interest)：引起兴趣。
• S(Search)：进行搜索。
• A(Action)：购买行动。
• S(Share )：进行分享。

在这5个方面中，Search、Action、Share这3个方面都能用系统采集数据，因此更适合当前使用，但核心的 Attention、Interest 仍然需要用调研手段。因此，这样做从本质上没有解决数据获取难、复制难的问题。

以上就是最常见的3个认识用户的模型。综合来看，目前在监测用户行为上，数据能发挥很大的作用，只要数据库建设投入力度足够，就能采集到数据。在挖掘用户需求与态度上，有可用的“学术派”方法。但在现实中，受制于数据采集的难度，不可能事无巨细地收集所有数据，因此，衍生出一些“短平快”的方法，这样能粗略、迅速地抓住用户的核心需求。

用户的生命周期消费与自然周期消费

从本质上看，企业需要掌握的不是用户的全部需求，而是用户愿意在企业这里以消费产品的形式实现的需求。用户消费产品，首先是为了满足自身的某种需要，因此和个人成长、季节变化有相应的关系。这时就要洞察和掌握用户需求的两个基本脉络了。

1.基于用户自身生命周期的需求

每个人都有不同的成长阶段，因此我们对产品的需求也表现出了差异性，具体如下。

• 0~3岁：幼儿健康成长阶段—婴幼儿奶粉、尿不湿、学前教育。
• 4~18岁：少儿成长学习阶段—教育、体育锻炼、玩具。
• 19~25岁：继续教育、走向社会阶段—教育/培训、消费品、旅游、休闲娱乐。
• 26~35岁：成立自己的家庭阶段—婚庆、旅游、首次置业、首次装修、首次购车。
• 36~50岁：由于财力区别，发展出现分化阶段—二次置业、投资理财、休闲娱乐、哺育子女。
• 51岁以上：养老/退休需求。

这里有一些重要节点，如出生、上幼儿园、上小学、上大学、结婚、首次置业、自己创业等，对个人成长、消费需求的变化有明显的识别作用。虽然具体到每个人可能完成的时间点不同，却是有迹可循的。这给了我们一个重要提示：只要抓住“年龄”、“性别”、“是否有孩子”3个关键字段，就能大概区分用户的需求，从而避免了烦琐的数据采集。

在条件允许的情况下，还能略微增加一些有用的关键字段。

• 是否在生育期(怀孕第xx周)。
• 孩子年龄(在上幼儿园、小学还是中学)。
• 是否已首次置业(准备阶段、已置业未入住、已入住)。
• 是否已二次置业。

有了这几个关键字段,就能比“闭着眼睛盲目捞人”更精准地找到目标客户。对于母婴用品汽车、装修、房地产、婚庆、旅游、消费贷款等行业来说，这种分析方法有至关重要的意义。因为对这些行业来说，如果不能准确抓住目标用户，即在用户决策期介入，就有可能永远错失用户：提前发广告，用户没感觉;错过了时机再发广告，只会贻笑大方(就像婚庆广告，永远不能说“欢迎您下次结婚还来”一样)。

这些关键字段在某些行业内常常是通用的，比如婚庆，一旦用户开始准备结婚，就会有婚纱、珠宝、购车、置业、装修、旅游、消费贷款等一系列的需求。并且，用户会在多个地方留下行为轨迹(比如参加婚博会，关注婚纱摄影信息，关注说房/说车的自媒体“大V”)。

因此，只要我们能拿到一个置业相关的数据，就能触类旁通地发现机会。

2.基于自然周期的需求

另一类重要需求的来源是自然季节的变化。人的生理需求会随着时间的改变而出现周期性重复。

• 每天要吃饭。
• 每天要刷牙、洗脸、洗澡(日用品消耗)。
• 每周星期一至星期五要上班。
• 每个周末出去娱乐、休闲。
• 每个月要交房租、水电费、电话费。
• 每个月的某天发工资。
• 每个季节要买服装、保暖/降温产品。
• “清明节”“五一劳动节”“中秋节”“国庆节”等假期的出游、娱乐。
• 四年一度的世界杯、奥运会，每年一度的各大赛事。

对于这种自然循环的需求，要注意以下3点。

• 用户会在特定的时间点发起需求，企业只要在这个时间点发出广告，那么就有机会吸引用户。
• 用户的需求满足是周期循环的，这意味着一次消费后，过一段时间会有补给需求，可以持续跟进用户促使其二次购买。
• 用户的需求并非完全理性，“反正到点了，该买就买”的情况很多，因此即使之前和用户没有交情，也有机会在此刻吸引用户;有交情的，则更容易促进消费。

用户的这种需求特点，给了我们一个重要的启示：企业不能被动地等着用户提交信息，而是需要主动出击。如果说用户自身生命周期的消费代表着用户理性、刚需的消费，那么用户自然周期的消费就代表着用户感性、习惯性的消费。企业完全可以在自然周期节点上主动出击，一方面可以及时获取有需求的用户，另一方面也可以创造采集数据的机会，通过用户在特定节点上的消费，反向了解用户需求。

以天为单位的消费需求，如外卖行业。

• 用餐时间：午餐、下午茶、晚餐、宵夜。
• 用餐区域：CBD、老城区、新城区、郊区。
• 用餐人数：一人、三人、多人。

综合这些情况的出现频率，可以反推出用户用餐是满足消遣还是刚需，是一人还是多人，这样推荐其他产品或服务(比如办会员卡、买菜送菜、买药送药等)也更有方向性。

不固定的消费需求，比如打车软件。

• 用车时间：周末、工作日、大型节假日或不确定。
• 用车方向：医院、学校等指向性强的地点，城内向城外或城外向城内的路线。
• 重复用车：固定线路重复n次、不定线路。

综合这些情况的出现频率，可以反推出用户用车的刚需程度，从而更容易结合用户需求在下雨的工作日/风和日丽的周末，推送内容或优惠来吸引用户用车，提升用户黏性。

以月为单位的消费需求，比如购物。

• 购物时间点：工作日、周末、特定节日。
• 购物品类：日用品、礼品、玩具，特别是指向老年人、母婴类的产品。
• 重复购买：是否针对特定产品补货，是否在特定时间内重复消费。

综合这些情况出现的频率，可以反推出用户的消费倾向，特别是识别出和频繁消费相关的关键因素，比如家里有孩子的用户、美食爱好者、二次元忠实粉丝等。

当然，用户消费不见得只和生理需求有关，也和更高层次的精神追求有关。比如同样的产品，用户可能对产品档次有要求，而产品档次又直接和用户消费能力与支付意愿挂钩，因此需要单独进行分析，锁定真正的高端用户。这就是用户分层分析的思路。

用户分层模型与VIP用户识别

每个企业都有自己的VIP(Very Important Person，重要的人)用户。VIP用户是企业的核心用户，能贡献远超一般用户的商业价值。因此，对用户进行分层，让企业找到自己的VP用户非常重要。

常见的VIP用户有两种类型。

• 第一种：用户本身的消费能力很强，能购买大量的、高价的商品。
• 第二种：用户本身的消费能力一般，但乐于为某种产品花大钱，是该产品的重度用户。

1.识别消费能力很强的用户的方法

最直观地识别本身消费能力很强的用户的方法，是直接采集用户的资产数据。然而资产情况是最私密的数据，采集难度极高，一般只有银行才有能力采集。况且银行采集这些数据也不是伸手就能拿到的，而是有配套的优惠措施，比如大额理财产品(购买门槛高，只有现金多的人才买得起) ，高额度高年费的信用卡(消费能力很强的人才需要)，机场贵宾休息厅(意味着用户有经常坐飞机的需求)等。通过高端服务，选出资产良好的用户，这样才能在真正的主营业务—信贷业务中积累更多的信用信息，在避免欺诈的同时可以开展更多的接待业务。

借鉴这个思路，延伸出了3种常见的采集高消费能力用户信息的做法。

• 以有门槛的高端服务吸引高价值用户。
• 以超高单价的产品 + 超高性价比的服务，自然吸引有高消费能力的用户。
• 以私人聚会+小圈子转介绍/邀请制的方式，通过老用户发展新用户。

这3种做法都是采用营销措施与数据采集手段并行的方法进行的，这样能一方面采集用户的真实信息，一方面提前锁定用户，避免错失营销时机。

需注意的是，如果不捆绑服务，仅仅以类似“消费10万元即可成为金卡会员”的方式，把VIP用户当成买赠促销的活动对象，很容易引发不正当的获利行为。采用捆绑服务的方式不仅可以增加获取数据的机会，还能一定程度上过滤掉那些不法分子。

但即便如此，想要直接采集用户的身份信息，难度依然很大。简单的方法是直接从有记录的数据里筛选出VIP用户。此时筛选的VIP用户，是乐于为企业的产品花大钱的重度用户。

2.识别乐于消费的重度用户的方法

如果只用一个筛选维度，那么理论上应该使用用户净利润指标。但由于净利润核算规则复杂，不够直接，因此一般用用户消费金额取代。企业可以统计一定时间内的用户消费金额采用平均值法和十分位法进行分类，找出高价值用户。

如果用两个维度筛选，则可以用消费金额和购买频率(RFM 模型中的“F”和“M”)，原则上有下面的分类。

• M值高 + F值高 = 最高端用户
• M值高 + F值低 = 较高端用户
• M值低 + F值高 = 较低端用户
• M值低 + F值低 = 最低端用户

如果用更多的维度筛选，则可以采用AARRR模型。然而，由于互联网企业中存在大量的不付费、只活跃的用户，且这些用户并非完全无价值(比如可以为CPM广告贡献点击次数)因此不能只依据消费行为划分用户档次，还要考虑活跃情况。同时，由于互联网企业的获客成本非常高，因此能通过转介绍带来新用户的用户,其价值也应该被考虑。此时划分原则如下:

• 活跃用户乡不活跃用户。
• 高活跃用户乡低活跃用户。
• 活跃且付费用户乡纯活跃用户。
• 有转介绍行为用户乡纯活跃用户。
• 高付费用户乡低付费用户。

至于转介绍行为和付费行为哪个价值更高，则要看互联网企业的获客成本。如果每个活跃用户获客成本是100元，则转介绍一个新的活跃用户的价值就是100元，依次类推。

3.利用用户分层结果指导业务

有了这个划分后，就可以对比VIP用户与非VIP用户之间的差异了。

• 用户特征：性别、年龄、职业、城市(如果采集过这些数据)。
• 用户来源渠道：线上/线下。
• 用户办卡时间：从办卡开始到目前经过的月份数。
• 用户消费路径：首次购买什么产品，次月购买什么产品(看主要产品即可)。
• 用户复购行为差异：一年内的复购次数，最近两次购买行为之间的时间间隔。
• 用户参与促销的频率：促销订单占总订单的比例。
• 用户最常参与的促销形式：各类型促销占比(如果促销活动有标签)。
• 用户消费产品排行：总消费中，A、B、C、D、E产品的占比(A产品至E产品的价值呈由高到低的趋势)。
• 用户交叉消费行为差异：在同一个订单内，高频出现的、同时购买的产品。

TIP

注意：因为是依据F值和M值进行的分类，所以这两个维度不再拿出来比较，为什么核心用户的F值比M值高? 因为选择用户的时候就是选F值很高的呀！

看到这些数据以后，会有一些简单的商业逻辑衍生出来:

• VIP用户消费5次，非VIP用户消费1次，所以应该让非VIP用户消费够5次…
• VIP用户消费完30天内必复购，所以非VIP用户也应该消费完30天后就进行复购…
• VIP用户消费A产品占比50%，非VIP用户消费A产品占比10%，所以应该引导非VIP用户多消费A产品…
• VIP用户消费A产品的同时，有30%的概率同时消费B产品，所以应该让消费A产品的非VIP用户也消费B产品…
• VIP用户首次消费，有50%的概率从A产品开始，非VIP用户有50%的概率从C产品开始，所以应该从一开始就引导非VIP用户消费A产品……

甚至有人把这些朴素的商业逻辑整理成方法论，称为“魔法数字法”或“消费升级法”。

这些方法并非完全没有用，它们之所以有效是因为其背后有一个假设前提：目前自己企业的VIP用户，就是这个品类/行业的VIP用户。如果这个假设成立，那么这套方法论也是成立的：如果这个假设不成立，那么这套方法论有可能存在巨大隐患。

4.用户分层的潜在问题

以企业目前的产品、品牌、渠道吸引而来的VIP用户很有可能是有偏差的。有可能站在企业内部数据的视角看他们是优质客户，但站在整个行业的角度来看他们可能是非VIP用户。阻碍非VIP用户向VIP用户发展的原因也不是营销/运营动作没有做好，而是“你在他们眼里不够好”—真正的VIP用户都去了别人家。

检验本企业的VIP用户是否就是品类/行业的VIP用户有一个简单的办法：看目前企业的销量占整个行业的市场份额。如果份额占比大于60%，处于垄断竞争或绝对垄断地位，那么不用担心，自己就是行业的主流，竞争对手占据的是或高端或低端的细分市场。如果企业占行业的市场份额低，或者干脆整个行业都处于分散竞争的状态，那就得小心求证了。

目前的VIP用户并不代表企业未来的发展方向，也不一定要把现在的非VIP用户全部发展成VIP用户。因此，不能完全按照当前数据上的“核心”来圈定未来。当前数据的核心是提供参照物，在决策者设定方向的时候有一个清晰的参考，能帮助他们列出类似以下条件即可。例如，未来要发展的VIP用户特征如下。

• 性别、年龄、职业分别是xx。
• 来源渠道集中于xx。
• 偏好A、B两款产品。
• 注册后首月内消费金额xx元。
• 注册后次月内复购率达xx%。

有了清晰的发展目标，就可以继续探讨如何按图索骥区分出哪些用户更接近理想状态了。要注意的是：VIP用户不一定一进来就消费很多，也会有从低到高的转化。用户从接触一个产品到养成使用习惯，再到逐渐厌弃产品，追求更好的产品，存在一个转化过程。因此，静态地区分VIP用户/非VIP用户，可能还不足以指导经营活动，需要考虑用户生命周期价值与用户旅程。

用户生命周期价值与用户旅程分析

用户接触企业以后，整个过程分为接触、体验、深入、满足、衰退。在这个过程中，消费者一开始仅仅体验一两样产品，体验良好以后便会持续购买，直到满足，之后新品推出，兴趣慢慢转移。这个过程也被称为用户的生命周期，只不过指的是用户在企业内消费的生命周期变化，并非用户自身的生命周期变化。

1.LTV基本概念

基于此，可以计算用户生命周期价值(Life Time Value，LTV)，即从用户注册开始，到一个指定时间(如3个月/6个月/12个月)内用户产生的总价值。LTV数值有多种应用方法。

• 应用1：用来做用户分层，划分高/中/低价值用户。
• 应用2：LTV 越高，意味着越有让利空间，可根据LTV制定让利比例。
• 应用3：一个渠道获取用户的 LTV，代表了该渠道的质量，可以评估渠道效果。

在基于 LTV 进行用户划分后，可根据LTV在用户注册后每个月的分布形态，分析用户的培养方式，如图所示，3种形态分别对应着3种培养方式。

• 用户价值产生在早期，后续消费越来越少，因此重点要获取目标用户。
• 用户价值产生在后期，意味着有长期的培育价值，因此重点要培育用户。
• 用户价值产生不固定，意味着需要季节性促销，时不时联系一下用户。

这里的情况其实代表了下面的3种思路。

• 放弃培养用户，快速变现的思路：既然用户价值产生在早期，那就尽快促成交易。
• 用“养鱼”方式培养用户的思路：不管用户眼前有没有价值,先保留用户,慢慢促成交易。
• 不看用户成长路径，关注具体场景的思路：只要在特定场景内有活动，用户一定回来，日常保持联系即可。

这里产生了一个问题：用户的行为是否是不可改变的，在这里有两种不同的观点。

• 观点一：假设用户的行为是不可改变的，所以要尽可能找真正的目标用户，产品围绕目标用户打造，尽快促成用户付费。一般想快速变现的人，会持这种观点。
• 观点二：假设用户的行为是可以改变的，所以要铺设好用户成长路径，尽可能引导用户成长。一般追求业务长期发展，特别是做新兴业务的人，会持这种观点。

2.利用LTV指导业务的两种基本方式

如果持前面提到的观点一，则要求对目标用户有清晰的画像(见上述的分层方法)，在获取用户的渠道选择上，要选取目标用户密集的渠道，比如可以在公园、游乐场、大型购物中心获取数据。这种线下集中推广的方式，被很多行业广泛使用。

在线下，用户同样会聚集。只不过聚集的方式不是以网站、App 的形式出现，而是以话题的形式出现。每个风靡一时的话题背后，都是特定群体的情绪集中表达。

• 有大学学历的玩家，才会更有动力转发《当年在寝室一起玩游戏的兄弟》这类文章。
• 在写字楼加班的白领，才会加入“甲方乙方互喷群”,转发《我们都是打工人》这类文章。

这意味着，在线上拦截有需求的用户，不再像线下一样，以某个网站 /App为单位进行广告投放。恰恰相反，用户上网的时候早已习惯了各种广告插入，对于自动弹出来的广告，人们习惯性的做法是关掉或无视它。在线上拦截用户，抓取关键用户标签，靠的是内容运营在特定的话题/“大 V”下找到成堆的有潜在需求的用户。

如果持观点一，在产品打造上，也不会太考虑非目标用户的感受。这种做法不但能更好地满足目标用户，也可以逆向筛选，过滤非目标用户。

如果持观点二，则要求有一个清晰的用户成长路径。在用户经过接触期后，每个阶段都有 MOT(Moment Of Truth，关键时刻)，也有称为 Aha Moment的，让用户体验到价值感，从而引导用户一步步付费。

在线下交易中，MOT一般都是体验产品的时刻。以某教育机构为例，MOT可能为下面的步骤。

• 家长和小朋友首次试听课程。
• 小朋友首次接受能力测试。
• 家长和小朋友首次接受名师指导。

这样就形成了体验升级的台阶，家长看到小朋友能接受课程，学有所得，就愿意持续付费。家长先体验普通课程，再体验名师课程，发现名师教得更好，就有机会花更多的钱。

类似的设计，在有体验的产品，比如健身、成人教育、美容、保健等行业都有应用。有些行业，比如房地产、汽车、家具、装修，虽然体验过程不会特别长，但也有相应的体验过程因此可以做类似的设计。比如带用户看房源、带用户首次试驾、带用户体验样板间等，此时好的销售员会额外注意用户体验的痛点与痒点，注意扬长避短，吸引用户购买。

在互联网产品中，这种体验设计可以做得更极致。比如游戏，用户首次战斗、首次PK、首次抽奖/开箱子等动作，都是经典的关键时刻，让用户体验到游戏“好玩”“刺激”。

3.提升LTV的5种方法

除良好的体验，用户会忠实一个产品，还有以下原因。

• 品牌驱动：“我很喜欢这个牌子，我还想买。”
• 功能驱动：“这个产品的功能很突出，我觉得它很好。”
• 价格驱动：“这个产品真的很便宜，太划算了。”
• 便利驱动：“这个产品买起来方便，我懒得逛了。”
• 设计驱动：“这个产品真的挺好看，买它买它。”

此外，引导用户成长还可以用一些简单的手段。

• 品牌驱动：建立小圈子，推广文化群体，文化小圈子是最容易培养用户忠诚度的做法。通过小圈子社群运作，可以有效提升用户忠诚度，促成用户更多的消费。
• 价格驱动：牺牲部分利润，给用户造成“越买越便宜”的感觉，促成用户持续购买。比如购买完毕后立刻派发下次购买时可使用的满减券，在用户办卡后次月/生日/季度末都派发优惠券，消费达到指定等级后可以享受更多的福利等。用利益手段促使用户参与购买，并且给优惠券时不一定是直接派发。
• 便利驱动：线下业务的成功一般直接靠选址实现，占领了大型小区、大型商超、CBD位置的好门店，可以自然垄断周围流量;线上业务是否成功则可以从 App、小程序的使用频率、使用的功能点数量来区分。使用频率越高，再加上采取的营销手段，触动机会就越大。
• 设计/功能驱动：在产品线中，区分基本款/升级款/主题定制款等，除了基本款，每一款的附加功能卖点都有清晰的定位，可对用户选择/购买情况进行识别。

利用数据区分用户是否可以被驱动对于经营有重要的意义。如果在业务中发现用户很难被驱动，则可采用尽快变现的思路，快速获取利润;如果发现用户有可行的培养路径，则有希望沉淀为忠诚用户，建立起业务“护城河”。总之，根据数据的变化，调整赚快钱还是赚慢钱的节奏。

认识用户的要点：营销与数据紧密配合

本章用了很长的篇幅介绍如何认识用户，是因为认识用户是营销和设计工作的基础。“投其所好，送其所要”是营销、设计最基本的原理。想要吸引用户，可以从以下4个方面入手。

• 方向：用户需求。
• 手段：吸引用户的渠道、内容、产品。
• 时机：沟通用户的话题、时间、场合。
• 力度：产品功能吸引力，促销优惠力度。

四者缺一不可，因此对用户的分析必须详细讲解，力争讲深、讲透。

在认识用户的过程中，销售人员需要避免的问题如下。

• 我就是用户—默认自己就是用户，忽视真实用户的反馈。
• 用户不懂，我才懂—把自己的主观意愿强加在用户身上。
• 我从业20年，还能不懂用户—不注意现实世界的变化，墨守成规。

这些做法，本质上是盲目自大和对用户的轻视。在商业竞争白热化的今天，这样做很容易使自己处于被动的地位。

但是，认识用户的道路又是曲折的。

• 用户信息采集难，因此得想各种办法。
• 用户信息采集很难精准，因此得抓关键维度。
• 用户信息采集过程漫长，因此得结合营销动作，同步行动。

这样才能避免坐而论道，错失营销机会。

相当多的企业会犯以下这些错误。

• 为了采集用户数据，把业务流程复杂化，降低用户体验感觉。
• 为了减少用户操作，错失用户数据采集机会，事后无从分析。
• 盲目迷信所谓“大数据供应商”，外采数据，结果准确率无从保证。
• 缺少营销手段配合，数据与营销脱节，最后劳而无功。

正是因为见过太多失败的案例，所以才在介绍用户分析的时候，直接把常用的营销手段一起介绍了，这样才能让数据和营销有效地配合以达到最好的效果。在后续营销、设计分析文章中，会看到，当有了用户数据支持时，营销和设计的工作可以很简单。