流失用户召回没有成效？流失率居高不下？何不防患于未然，早早进行预警干预？

一、为什么要进行流失用户预警？

用户在使用产品的过程中是存在着生命周期的，用户接触产品、了解产品、到体验到产品的核心价值而使用产品，但最终由于各方面因素的影响，可能还是会离开产品，转移到竞品或者其他的解决方案，流失是不可避免的。

虽然流失不可避免，但并不意味着流失不需要关注，拉新不容易，但是流失却很容易，一个新用户的拉新成本是维系一个老用户成本的5倍以上，我们希望用户池能够不断地扩大。

所以很多公司都把重心放在用户的拉新上，但是忽略了老用户的流失，甚至用户流失的速度已经超过了新用户的增长速度，业务已经变成了极度不健康的状态，白花花的银子和心血都付之东流了。

所以我们不能只盯着拉新，还要时刻关注用户流失的状态，不能强求无流失，但要根据产品的特点把用户流失率控制在风险点以下。如何控制流失率呢？

一个用户的流失可能是因为缺乏新手引导，还没体验到产品的核心价值就流失了，也有可能是老用户经历了一次大改版，觉得产品不再像以前用的那么顺手了，但无论什么原因流失，用户一旦离开产品，触达到用户的方式和渠道就非常有限了，想要对用户进行召回就变得非常困难。

所以我们不能做事后诸葛亮，而是要在用户出现了流失的先兆，在用户还未流失之前进行预警，及时地进行干预，这样才能更大可能性地挽回用户。

二、 如何定义流失？

进行用户流失预警之前，首先要明确用户流失应该如何定义。

一般来说，用户如果长时间未使用产品，那么这个用户大概率是流失掉了。

但这个“长时间”到底是多长？这个“未使用产品”是指用户没有产生什么行为？对于不同类型的产品，这两点都有很大区别的。

以社交类产品为例，比如微信，由于社交场景天然具有高频高粘性特点，用户每天都在使用微信进行交流沟通，所以一般情况下如果用户一周没有使用可能就算流失了。

而对于工具类产品而言，比如哈罗单车，可能用户一个月甚至更久才能骑一次，所以这个时间就要放的长一些。

另外，对于“未使用功能”不同类型的产品也有区别，比如电商类产品可能是“未下单”这个行为，而对于短视频类产品，可能是“未观看视频”等。

一般来说，这个功能应该是产品的核心功能，长时间未使用产品的核心功能就可以认定为该用户流失了。

三、用户为什么会流失？

凡事必有因，用户之所以选择离开必然是觉得产品未能解决ta的问题，满足不了ta的需求，转而寻求其他的产品。

这里可能有以下几个方面的原因：

1. 产品价值

用户下载注册一个产品是带着需求来的，是想解决自己的问题的。但是这个需求可能有所不同，有可能只是用户的一个普通需求，也有可能是个刚性需求，还有可能是个痛点需求。

举例来说，最近太累，想去马尔代夫放松一下，这是个普通需求，到了马尔代夫玩了半天有点饿了，想吃东西了，这个是刚性需求。

于是上网看了一下推荐，刚好附近有家餐厅，但是评价不好而且很贵，有家味道很好的但是离得又很远，找一个离得近、味道不错而且又实惠的餐厅就是个痛点需求。

所以，普通需求→刚需→痛点是一个逐层递进的过程，逐层体现用户希望解决问题的迫切程度，所以如果产品可以解决刚需就不要满足于仅解决普通需求，如果可以解决用户痛点就不要仅停留在解决刚需问题。

用户越迫切，产品价值就更容易得以体现，用户的粘性自然就会更强，流失的概率也会小很多。

2. 用户体验

解决用户的痛点是产品存在的根本，但产品同质化严重的当下，良好的用户体验也是产品的核心竞争力。

在产品都差不多的情况下，用户体验差的产品用户流失肯定会更严重。用户体验主要体现在以下几个方面：

• 视觉体验差：产品的UI太low，配色很山寨，一眼看上去就很没有质感，第一印象就很差，没用继续使用的欲望。
• 交互体验差：产品的交互违背用户的使用习惯，明明可以上下滑动翻屏的，却要不断地点击下一页，用户使用不顺畅。
• 注册流程复杂：复杂冗长的注册流程是吓退用户的一个重要的障碍，一些信息完全不必要在注册环节就要收集，用户注册时填写的信息越多越隐私，越容易在注册中途流失。
• 用户预期未能达到：产品提供的功能未能很好地满足用户的需求，或者内容质量差，导致用户无法获得所需而流失。

只有了解不同用户流失的不同原因，才能更精准地描述用户流失前的先兆特征，进而预测流失概率，提前进行挽回。

四、用户流失预警模型搭建

流失用户预警本质上就是通过分析用户可能流失的原因，将这些原因通过数据的形式具象出来作为原因，从而给用户打上流失概率标签结果的一个过程，抽象出来就是一个由特征到标签的机器学习的分类问题。

既然是分类问题，就少不了以下几个关键的环节。

1. 样本选择、数据处理

观察期定义流失：由于机器学习需要训练集和测试集，所以要定义一个足够长、样本量足够多的观察期，采集观察期内用户的数据以及用户流失概率的样本作为训练集和测试集。

比如可以取过去半年以来用户的数据作为样本，由于用户是否流失结果已知，可以给用户打上流失概率的标签，这些样本经过特征工程后作为分类模型的输入样本，是模型学习分类规则的重要数据来源。

表现期采集用户行为：观察期数据的规律已经被模型学习到，就需要采集下一个窗口的用户行为数据，基于此预测发生这些行为的用户的流失概率。

2. 特征工程

紧接着上一环节样本的选择，接下来就是最重要而且是最具有决定意义的环节了—特征工程，机器学习的上限是由特征工程决定的，任何形式的调优只是无限接近这个上限。

特征工程一定是基于业务的深刻理解和剖析！一定是基于对业务的深刻理解和剖析！一定是基于对业务的深刻理解和剖析！重要的事情说三遍！

机器学习的效果取决于特征工程，特征工程的关键在于业务的熟悉程度。

只有对业务足够熟悉，才能将可能影响用户流失的原因准确的数字化、具象化，才能从本质上找到原因，而不是原因的表象，进而才能找到影响留存的关键特征。

举例来说，用户的活跃时长看似是一个和流失非常相关的特征，但是时长并不是用户流失的原因，可能只是产品迭代后用户找不到常用功能这个原因的表象。

因为常用功能变了位置没有找到，觉得产品不好用了，逐渐开始寻找其他的替代产品，才导致使用时长变短，这个才是根因，而找到根因的过程无疑是需要对业务有深刻理解的。

一般来说，我们需要考虑的特征可能有以下几个类别：

（1）用户的基本属性

性别、年龄、收入水平、区域等，不同类型的用户可能流失也有所区别。

（2）用户的产品行为

所处产品的生命周期、活跃的频次、关键功能的使用频次等，这些我们称之为基础指标，基础指标一般是流失原因的表象和流失具有相关性，但不具备因果性，不是导致流失的关键特征。

（3）其他加工指标

基础指标可能不能很好地挖掘到影响留存的关键特征，需要基于业务理解加工出新的指标，并和基础指标一起作为模型训练的特征。常见的加工方法有：

①深度指标

反应用户使用深度的指标，用户不仅要用，而且要用的比较深入，比如关键功能的使用次数，有的用户可能只是用了一些边缘性的功能，还未接触到关键功能就流失了。

这是很可惜的，所以用这个深度指标可以预测用户是否可能流失的。

②频次指标

用户不仅要用的深，还要用的频繁，这个频繁的定义依据不同的产品类型而有不同的定义，有的产品可能需要每天都要用，甚至一天要用几次，有的可能要求一周要用几次，不一而足。

但是可以根据产品的特点加工出一个频次指标，比如日/周均使用次数或者日/周均使用天数，这样用户的使用频次得以表征。

③趋势指标

用户使用产品的趋势变化，用户使用的趋势直接关系着用户的流失，如果一个用户使用的越来越少了，那大概率用户是要流失了。

所以一些常见的趋势指标如近三个月每周平均活跃天数的变化率，可以理解为一个斜率，如果每周的平均活跃天数在一直减少，斜率应该是负值，否则斜率应该是正值，以此表征用户使用情况的变化趋势。

3. 模型选择

特征构造完成后，就需要进行模型的选择了，对于分类模型，一般常用的有逻辑回归，决策树，SVM，XGboost等，每种模型都有各自的优缺点，也对特征有一定的要求，我们无需在模型选择上花费太多精力。

可以预选一些模型，带入样本进行训练，观察不同模型的分类效果，选取效果最好的一个作为训练模型即可。

这里的效果主要通过分类模型的评估标准来评价，比如混淆矩阵，f1值，还要考虑模型的泛化能力等。

流失预警模型构造的重点在于特征工程，而非模型选择，所以这部分不是重点，不再详细展开，需要的可以学习相关的资料。

4. 模型训练与预测

特征加工完成，训练模型确定后就需要将样本进行训练，并通过调参等不断优化模型效果。

当各项指标满足要求后，模型训练完成，就可以上线进行预测了，对表现期的用户进行预测，评估其流失的可能性，进而进行针对性的运营动作，到这里就完成了用户流失预警模型的搭建。

作者：大数据分析与运营知识星球

来源：大数据分析与运营知识星球

什么是用户流失？可以通过TA指标判断，即是通过时间（Time）和关键行为（Action）两个指标，即用户在多长时间内没有进行关键行为的操作。例如，阅读类产品，用户有超过一个月没有访问阅读。

一、判断用户流失的性质和类型

通过数据看本质，判断用户流失的性质和类型，最根本的就是通过数据去判断。

1. 判断什么样的用户才是流失用户

什么是用户流失？可以通过TA指标判断，即是通过时间（Time）和关键行为（Action）两个指标，即用户在多长时间内没有进行关键行为的操作。例如，阅读类产品，用户有超过一个月没有访问阅读。

另外，不是所有用户流失都可以判断为真正的用户流失，只有找准真正意义上的流失用户，才能应对得当。例如，企业内部产品，用户只能是公司的员工，员工离职了之后不能再使用产品，这类用户流失不能算作是流失用户；

2. 流失用户的特征

流失的用户是新用户还是老用户？主要需要明确的是新老用户的界限，可以通过产品生命周期判断，一般情况下判断如下：

新用户：

1. 引入期，接触适应中
2. 成长期，探索成长中

老用户：

1. 成熟期，追求体验中
2. 疲惫期，流失隐患中

通过产品生命周期及产品本身的特性，算出自身产品的新老用户明确界限。

3. 用户流失前的行为分析

如果说新老用户是横向分析，则用户流失前行为的分析是纵向分析，即流失时间点的分析，通过数据分析用户在流失前的操作行为，以及平台或产品本身的某些触点是否成为了用户流失导火索。

1. 流失用户自身操作行为
2. 产品/平台操作事件

二、分析用户流失原因

通过产品生命周期和用户流失前行为分析两个方向去分析找到真正的用户流失原因。

1. 产品生命周期

不同阶段的用户流失，有不同的流失原因。

• 一类新用户，引入接触中，从接触后就立即退出：宣传推广渠道质量问题，渠道带来的用户不一定是真实有效的用户；产品版本更新导致…
• 二类新用户，成长探索中，正在开始使用和熟悉产品中：产品使用上手难度大，缺少有效的产品使用引导，新用户使用认知成本高；感受不到产品与竞品的差异，用户先入为主，难以替代竞品在用户心中的位置；产品设计本身的缺陷，例如产品加载慢，导致用户无法完整体验完整个业务流程…
• 一类老用户，追求体验中，使用过产品的完整流程或核心业务功能：一般这类用户是属于某个被动事件触发安装使用产品的行为，例如个税申请时需要下载相关app，完成操作后，用户将产品卸载了…
• 二类老用户，疲惫使用中，成为潜在的流失用户：关键行为难以产生用户粘性，用户逐渐丧失使用欲望，缺乏不同用户的生存空间，产品本身设计也存在缺陷，例如阅读社区类产品，发布的帖子和评论质量差，难以给用户带来阅读的性质；电商购物产品，用户购买产品过程中遇到不愉快的体验，例如客服回应慢或缺少人工客服，产品发货超时仍无平台介入处理等…

2. 用户流失前行为分析

• 流失用户自身行为操作：通过用户流失前操作行为，判断是基于怎样的操作行为导致的，例如可能用户在最后一次操作的时候，用户发起了投诉，或者用户在操作过程中，因操作流程卡住而无法继续…
• 产品/平台操作事件：产品/平台在用户流失前，通过活动、内容等运营行为，导致了用户产生流失的操作，例如原本可以免费使用的产品平台发布了开始收费的通知，或者app push在不合适的时间段推送了内容，例如新闻类app，为了抢占发布先机，发布了尚未确定的新闻，引发了用户的反感和不悦…

三、制定流失运营机制

制定流失运营机制，主要基于两点：预防为主，召回为辅。现实生活中，用户流失后，想做到100%的用户召回，是极难的，所以比起事后召回，还不如做好事前预防工作。

1. 预防流失机制

• 明确流失用户：明确哪类用户的流失才算是真正意义的流失，这点在文章前也强调了；
• 分析流失征兆：用户是属于主动流失还是被动流失？此前用户流失前平台和产品做了哪些操作行为？例如电商产品，用户流失前进行了人工客服的申请和投诉，则此类用户存在流失前的征兆；
• 建立流失预警机制：建立预警机制，主要是为了防止用户继续流失，通过已经流失的用户的征兆，防止另一批潜在流失用户真正的流失，即需要制定改进措施，例如影响核心业务流程的征兆的，卷入产品和技术人员，商讨是否需要更改产品系统设计；如果影响的范围较小，可以通过一些软性的措施进行预防；
• 进行干预引导：针对存在流失征兆行为的用户，须建立升级介入的运营机制，例如针对发起过投诉的用户，可以通过短信/邮件/电话等行为进行用户回访，听取用户的真实反馈声音，解答用户的困惑，一来是缓解用户在流失前的情绪问题，二来是帮助用户解决问题，给用户留下“被重视”的印象；

2. 流失召回机制

（1）判断用户是否有回流可能性

1. 用户是否有回流可能性：在怎样的情况下用户会回流，对于一些一次性操作的产品，用户回流可能性极低，此时需要考虑投入产出比；
2. 用户回流是否有缺点：用户回流了之后是否会影响现有核心用户，对于用户回流的影响性进行评估，例如有些社区用户，习惯性地在社区内散发负能量和不健康内容，因为系统惩罚机制而流失了，为了社区的健康环境氛围，这类用户可以判断为非必要挽回；

（2）流失用户召回方案设计

可以通过三个思路进行设计，包括召回渠道、召回方式、召回后的引导，另外，有以下三个重点注意事项——

1. 增加用户个性化运营：有些用户流失可能只是因为产品的功能未能满足部分用户的个性化需求，对于此类用户，除了通过运营反哺产品作为后续产品迭代升级的参考，还可以通过一些短期的活动运营或者内容运营行为增加用户的关注度；
2. 注意控制召回内容和频率：适当的召回内容和频率，才能做到有效地召回用户，还不让用户反感，过度的召回只会让增加用户的不悦，例如有些app在用户卸载了之后，每天不断触发短信，反倒起了反作用；
3. 必要时增加流失用户访谈：做了一系列的召回动作后，如果用户回流效果还是不明显的话，可以增加一些一对一用户访谈，并且对用户有一些访谈奖励措施，收集到有效的用户声音。

四、结语

通过判断用户流失性质、用户流失原因、用户流失运营机制三个角度分析如何做好用户流失工作，其实重点还是那句话“预防为主，召回为辅”，不要等到用户真的跟你say goodbye了再后悔，做好用户留存维护才是关键，后续会增加关于用户留存的文章。

作者：互联网小花喵

来源：互联网小花喵

本文作者通过自己的项目复盘，从六个方面，为我们梳理了改如何通过产品迭代提高用户增长，从而提高用户留存率，希望对你有帮助。

先用 STAR 法则做个背景说明：

S：一款上线近 2 年的内容型产品，当时推广经费被大幅削减，导致日活下降显著。

T：完成产品 OKR 目标——日活数增长至X。

A：通过黑客增长手段，快速迭代与试错，在实验中找到增长策略，实现用户增长。

R：改版前APP留存率略低于同行业同规模APP的留存率；改版上线后 5 个月都维持在一个不错的水平APP次周留存率比同行业同规模APP高 20%左右。

注：因商业原因，文中数据已进行脱敏处理，仅供分析落地参考。

背景说明完毕，以下正文开始——复盘：如何通过产品迭代做用户增长，留存率提高20%+

增长思考：找到增长方向→确定北极星指标→拆解目标→进行实验→分析总结效果→自我反思

Step1：找到增长方向

增长方向→做裂变

裂变泛指我们在朋友圈里经常看到的拼团、助力、分销、砍价等病毒式传播的方式。裂变只是整个增长体系的一部分，它主要出现在获客（Acquisition 获取用户）的环节。

裂变会带来增长，但它远非增长的全部。增长还需要关注用户的全生命周期。做裂变活动带来的用户，若不能通过产品解决 Ta 们需求，也只是一堆过客的数据，再好的运营也回天乏术。

增长方向→提高「新增用户数」、「活跃用户数」

我们经常看到一些产品新闻稿“XX 日活超 XX”“XX 用户数达 XX””XX 下载排名第 X”，看上去似乎做增长就是做用户数/日活数。这两个数据无疑非常重要，经常会用来作为产品 KPI。

但 DNU（Daily New Users 日新增用户量）、DAU（Daily Active User日活跃用户量）的增加，不意味客户在有效增长。

新用户和日活的上升都有可能是昙花一现，看看老罗的「聊天宝」，依靠着 KOL 光环与用户情怀，连续13天霸占APP Store 社交榜榜首，一个月内便揽获近 800 万的用户，而如今光景惨淡。

跟老罗的「聊天宝」相比，更多的产品是烧钱推广来获取用户。近几年渠道推广价格越来越高，CPC / CPT/ CPD / CPA 等等定价不断上涨，应用商店的 CPT 价格更是半年翻了几倍。烧钱带来的用户，DNU、DAU 节节上升，但也许产品本身流失率居高不下，实际上客户的留存是在逐渐降低的，如果用户不能留存在产品里，这种”增长”是没有意义的。

增长方向→提高「留存率」

想象一个有好几个破口的木桶，倒入的水越多流走的也越多，就如产品进来很多新用户但留不住 TA 们，这样是无法实现产品可持续增长的。此外，如今移动APP市场趋于饱和，红利时代结束，获客也不如以往容易、便宜。现在已经从一个「增量」的时代来到一个「存量」的时代，留住老用户的性价比更高。

诸葛 io 在《八大数据分析模型》写道：对于用户而言，留存率越高，说明产品对用户的核心需求把握的越好，用户对产品产生强烈的依赖；对于产品而言，留存率越高，说明产品的活跃用户越多，转化为忠实用户的比例会越大，越有利于产品商业能力的提升。

综上所述，结合产品现阶段具体情况，做用户增长，提高「用户留存率」是更为重要的发力方向。

Step2：确定北极星指标

北极星指标的定义

北极星指标 North Star Metric，也叫唯一关键指标（OMTM，One metric that matters），是产品现阶段最关键的指标。不同赛道的产品，其增长的北极星指标都是不一样的，我们需要找到唯一关键指标。

北极星指标的选择

一般来说，一个好的北极星指标具备以下几个属性：

• 是可以明确衡量的指标（在这个案例中是衡量「留存率」）。
• 是可以体现产品价值与客户价值的指标。
• 是先导指标，而非滞后指标。

北极星指标的选取非常重要，如果选取不当，可能造成团队后续一系列决策错误，所以在确定北极星指标之前，我们需要做2项基础工作——数据分析&用户调研。

第一阶段：数据分析

1.内容数据分析

APP是内容型产品，主要有 4 个业务模块「首页（即文章资讯）」「问答」「报告」「数据」。研究「人与内容」的交互，调取了各板块的数据，如各个板块各自的停留时间、启动次数等。

此外，各版块特有的数据指标，如「首页」的阅读量、独立用户数、平均阅读进度、大致完成率、跳出率、分享量、收藏量、点赞量、评论量等等；「问答」的提问量、提问率、回答量、回答率等等；「数据」的访问数、下载数等等。

2.关注数据分析

用户的关注行为，相当于白纸黑字告诉你 TA 喜欢看什么，相关数据是很值得分析的，现在APP中可以关注的对象为「作者」「栏目」「行业提问」「报告机构」。

3.用户生命周期分析

这里我并没有把用户分为「新用户」「活跃用户」「回流用户」，而是「忠诚用户」与「非忠诚用户」，因为做数据分析时容易噪点大不好清洗，用户属性差异越大往往可以更快找到突破口。

4.输出结论

找到以下 6 个指标的走势是与「留存率」正相关

• 指标：文章数量
• 指标：作者关注数
• 指标：报告机构关注数
• 指标：数据库会员数
• 指标：栏目关注数
• 指标：报告下载率

「忠诚用户」与「非忠诚用户」相比，前者的关注数是远高于后者。「忠诚用户」人均关注数量是≥6个（Magic Number），关注对象类型倾向度「作者」＞「报告机构」＞「栏目」＞「问题」。

第二阶段：用户调研

我们邀请APP用户进行用户调研，通过用户观察、深度访谈、焦点小组、定量问卷调研等方式了解用户。

以下是用户给我们APP打的标签，用户使用APP主要是为了获取行业相关内容。

在「新增/优化以下哪些功能/体验，会提高你打开APP的频率？」问题中：

72.24%受访者认为：新增「关注行业」功能，以便快速找到自己想看的内容；

70.63%受访者认为：设置「已关注内容」推送开关，开启推送的内容有更新时及时通知；

63.52%受访者认为：优化行业分类，新增更多细分/热门/新兴行业；

可看到有三个关键词「关注」「推送」「行业」。

第三阶段：输出结论

综合第一阶段和第二阶段的分析，结合到具体业务，我将北极星指标定为「关注—日活跃」。

「关注—日活跃」公式拆解：

「关注」=「行业_关注」+「作者_关注」+「报告机构_关注」+「栏目_关注」+「问题_关注」（这 5 项分别简称为 A/B/C/D/E）

「日活跃」=「日新增用户数」+「昨日新增用户的次日留存用户数」+「∑前N日的N日回流用户数（ N>=1）」（这3项分别简称为F/G/H）

故「关注_日活跃」=AF+AG+AH+BF+BG+BH+CF+CG+CH+DF+DG+DH+EF+EG+EH

Step3：拆解目标

由于本案例重点是放在「用户留存」上，所以采取的是 RARAR 模型（在 AARRR 模型基础上根据实际业务需求进行调整）。

第一阶段：用户留存 Retention

目标：为用户提供价值，让用户回访。

拆解：影响用户完成关键行为的因素是什么APP已有的关注对象是否已满足用户需求；有没有其他用户想关注的对象，但没有开放「关注」功能；用户开启「关注_推送」的心理因素是什么。

第二阶段：用户激活 Activation

目的：确保新用户在首次启动时看到你的产品价值。

拆解：用户决策心理因素是什么；如果尽早让用户感知到关键功能的价值；产品效用与用户之间的关系是如何建立。

第三阶段：用户推荐 Referral/用户拉新 Acquisition

目的：让用户分享、讨论你的产品；鼓励老用户带来新用户。

拆解：如何通过「关注」触发用户的分享链条；用户层级从「使用者」迁移「推荐者」的心理决策因素是什么；如何通过关键行为寻找增量空间。

第四阶段：商业变现 Revenue

目的：实现商业价值。

拆解：通过关键行为达到留存提升，带动商业变现。

关键行为——「关注」流程拆解，其中7个转化率也是北极星指标影响因子。

Step4：进行实验

1. 内容侧

• 优化「行业分类」，不再使用传统的分类方法，满足更多用户的诉求；
• 新增更多的行业，从原有的 125 个行业，扩充到 441 个行业，覆盖更大的影响面；
• 拆分成了一级行业+二级行业；

2. 功能侧

• 提出一系列用户故事，让用户可以通过「关注」功能得到啊哈时刻。
• 对用户进行分层：新增用户、昨日新增用户的次日留存用户、前 N 日的 N 日回流用户，研究如何通过产品的「关注」功能提高其留存率。
• 缩短「关注」路径为 N 步，增加「行业_关注」入口为 M 个，打通「推送」，站内强化引导，站外 push/短信唤醒用户。
• 关注对象（如行业、作者等）后，用户可自主开启更新推送，每一步调整都需要克制，影响面由小放大。若「关注」后系统自动「推送」，可能会让用户觉得推送太多，心生厌恶，反而得不偿失。

Step5：分析总结实验效果

将使用新版本用户分为了三类用户：新增用户、昨日新增用户的次日留存用户、前 N 日的 N 日回流用户，经 2 周的观察和数据分析，北极星指标和留存率均有显著提升。

用户分层原理？

根据北极星指标将用户进行分层，北极星指标「关注_日活跃」公式拆解：

「关注」=「行业_关注」+「作者_关注」+「报告机构_关注」+「栏目_关注」+「问题_关注」「日活跃」=「日新增用户数」+「昨日新增用户的次日留存用户数」+「∑前N日的N日回流用户数（ N>=1）」

对新版本进行用户回访，其中新版本的推送体验得到 64.33%受访者反馈「非常好」。特别是APP每日可以无门槛下载的报告仅3份，通过APP的报告更新推送，他们可以及时有效下载，以备工作中随时调用。

此版本上线至今5个月，调取留存数据进行分析，留存率依然维持在一个不错的水平。

改版前APP留存率略低于同行业同规模APP的留存率，改版上线后 5 个月，如下图所示APP次周留存率比同行业同规模APP高 20%左右。

当然，这5个月可以影响留存的因素很多，也不单单是这一版本的作用。但此版本从上线 2 周的 10%+的留存提升，直至今日，留存率有增无减，大幅超越同行业同规模APP那足以说明这次的版本迭代有其值得参考与借鉴之处，也因此有了这次分享。

Step6：自我反思

1. 增长二八原则

80%的迭代都是在试错/做无用功，只有 20%是成功的，总结失败的经验，复盘成功的方法论，快速迭代与试错，找到增长的切入点/破局点，方能找到最佳的增长策略。

2. 完善的数据系统

增长的成功率与数据系统的完善率正相关，全面埋点、完善灵活的报表系统、专业的BI团队，都很重要。

3. 公司的支持与投入

增长黑客绝不是哪个员工拍脑袋想做就能做的，得是公司老板有数据驱动的意识。公司愿意投入成本去做这件事，并且得有耐心。

4. A/B TEST的选择

A/B TEST的成本受平台和技术成熟度的影响非常大，因此需要在一开始的时候谨慎选择方案。

5. 多平台布局

APP网页、H5、WAP、公众号、小程序、头条号、抖音号等等，判断和考虑适合自己的平台进行布局，形成多平台矩阵，利用各平台蓄积流量。

6.模型的搭建与分析

运用RMF模型和流失模型，将用户分层后进行精细化运营，这方面我们团队仍然有进步空间。

作者：DoraPM

来源：DoraPM产品经理

相关阅读：

如何搭建用户流失预警？

4个方法，防止用户流失！

在一个用户成为流失用户之前，就根据他的自身属性及行为等特征识别出用户的流失风险，及时采取措施进行用户挽留，这就是用户的流失预警。搭建用户流失预警主要分为三步：定义——分析——搭建，文章对此展开了详细的分析，与大家分享。

一、什么是用户的流失预警？

我们都知道，对于一款相对发展已经较成熟以及市场相对饱和的产品而言，获取一个新用户的成本会远远高于留住一个老用户，老用户的流失意味着收益的减少。所以相信很多人都会去搭建一套流失用户的召回体系，会先定义流失用户，然后会用各类触达方式，例如短信、push等去进行流失用户召回。

然而，很多情况下这类召回工作的召回率并不理想。一方面，已经真正流失的用户很可能已经卸载了app，关闭了推送信息，不能进行有效触达，另一方面用户因为某种原因放弃了app，在收到召回信息的时候很可能会无视及产生反感，召回的难度可能并不比获取一个新用户低。

所以，当用户已经离开，就已经非常难再让他回来。所以我们希望能够在一个用户成为流失用户之前，就根据他的自身属性及行为等特征识别出用户的流失风险，及时采取措施进行用户挽留，这就是用户的流失预警。流失预警一可以将用户召回时间前置，二与流失召回相比，成本低、召回难度低，三可以在app内进行召回促活，玩法形式更多元。

二、如何搭建用户流失预警？

1. 定义流失用户

用户流失其实指的是在一段时间内不再使用产品的用户，实际上不同产品对于用户流失衡量的维度规则是不一样，不会有一个通用的定义。定义流失通常是两个维度组合而成，即行为加周期，例如有的产品将一周不登录定义为流失，一些产品将半年未付费定义为流失。

此外，定义流失还可以结合用户属性来分层，例如对于不同性别用户、不同级别用户，基于不同的流失阈值设定。

用户的行为会非常多，我们需要结合产品类型及此阶段的总运营目标，找出可以定义用户的核心行为。例如电商产品可以用购买行为来定义，用户多久未购买算流失；内容型产品的消费者可以用用户浏览来定义，用户多久没有浏览算流失，创作者可以用用户发表来定义，即创作者多久未发表作品才算流失。

而周期则可以用拐点理论结合业务特性来作为周期界定的参考，最终用行为+周期定义流失用户。

2. 分析流失原因

我们为什么要分析用户流失原因？是因为在搭建完流失预警模型后，我们需要知道不同用户产生离开的念头及行为的原因，针对性的进行用户挽回。以及寻找用户留存的关键行为，进行用户行为引导。

根据不同的流失用户，做针对性流失原因分析，方式主要有以下4类：

3. 流失预警模型搭建

流失预警模型需要针对不同生命周期的用户采取不同模型来进行预测，可以将用户分为获取期、提升期、成熟期、衰退期。分周期是为了在后续将用户生命阶段纳入精细化运营的预警召回策略中。流失预警即提取用户历史数据，观察一定窗口时间各相关数据情况，然后根据上述的流失用户定义评估用户在表现窗口内流失的情况，从而预测当前用户在未来的流失概率。

那么哪些用户数据可以影响到用户流失？可以粗略的划分为三个维度，即用户画像数据、用户行为数据、用户消费数据。此外，我们还需要定义预测的时间窗口，即我们应该分析多长时间段内的样本数据呢？这就需要结合业务人员经验以及历史的用户行为数据，再综合数据的可获取性，最终确立一个合理时间预测窗口。

在观察期内，我们需要从历史数据挖掘一批样本用户，并依据用户画像数据、用户行为数据、用户消费数据这三个主维度，完善各层面评价指标，尽量涵盖全方位的字段数据，以方便后续建模中评价各指标与流失的相关性。

获取表现期窗口内的结果数据，可以搭建最终的预测模型，获取用户的流失规则及各特征指标的重要性排序。常用的预警算法包含决策树、随机森林、逻辑回归等。在预测期窗口，我们将训练的模型不停优化，剔除一些相关性低的特性。使得模型准确率、命中率、覆盖率提升，接下来即可预测下个月的用户流失概率，输出流失用户评分及名单。

三、分层运营、预警用户召回

1. 用户分层

做好流失预警模型只是把可能有流失倾向的用户圈出来了，而不采取针对性召回引导等于白做。此时，我们已经拥有不同维度标签的数据，即用户生命周期*流失风险概率等级*流失原因等。我们将多维度进行分组交叉排列，可以获得具有不同营销场景意义的用户，可据此建立一套良好的预警召回用户分层机制。

2. 流失风险用户促活、召回方式

1. 发送优惠券及优惠金额调整
2. 增加app内的用户引导，场景化提醒文案等
3. 优化关联推荐
4. 个性化push文案、短信等
5. 其他针对特定流失原因的优化方案

关于各类的精细化运营用户促活及召回的手段，有非常多的文章在讲，在此不详细赘述。此外，在实际操作中，我们需要注重用户的促活、召回效果分析，分析用户的挽回成本。再结合召回效果收益来分析整体的roi，结合ab实验等手段来不断优化roi。

以上我们阐述了用户流失预警的一个大概搭建方法。欢迎关注我的微信公众号，随时交流数据分析方面问题。

作者：赵小洛

来源：赵小洛洛洛

相关阅读：

4个方法，防止用户流失！

如何降低产品用户流失率？

用户运营 | 用户流失模型底层逻辑与操作指南！

 

教育产品如何防止付费用户流失？本文笔者认为：做好流失预警、超预期服务、召回这三件事，就能很好地减少付费用户的流失。作为在线教育观察家，笔者看到的文章，要么多谈招生转化、流量获取，要么就跟风于互联网圈，大谈增长黑客、裂变拉新，都感觉疲乏了。

其实，只要做过教育且对教育有深刻理解的人，都会有这样的一个共识：教育产品的增长，不是看流量，而是看留存。

尤其是近年火爆的在线教育，更应该重视留存，但很多互联网圈的人进来后，把互联网的打法直接套用过来，典型案例就是某某头条，结果呢？

所以，作为教培行业未来的发展方向，在线教育的留存能否做好，至关重要，本文就系统性的分析一下：在线教育该怎样做用户留存，尤其是付费用户的防流失？

留存的复利效应

无论任何产品的增长，都会更看重留存，在线教育尤其是K12教育，尤其如此，这是因为较高的留存率，会更有助于长期的稳定的增长。

《硅谷增长黑客实战笔记》的作者曲卉在曾在书中举过这样一个例子：

假设a公司和b公司从零起步，a公司月留存80%，月新增500万用户，b公司月留存95%，月新增250万用户，6个月后，a公司依旧领先b公司，3年之后，b公司将反超a公司。

这就是留存的复利效应，它将保证发展处于相对劣势的一方拥有反超的机会，以时间换空间，而能实现这一战略目的的前提，就是拥有较高的留存率。

所以，如果把a公司和b公司换成任意一家在线教育企业，道理都会是一样的。只要留存率明显高于竞争对手或行业平均，一段时间之后有非常大的可能成为领头羊，并且借助高留存带来的口碑效应，让增长变得更加良性，这就是教培双子星能吊打中小机构的原因之一。

所以，留存率是在线教育增长需要关注的核心指标之一。

留存不止是复购

谈到在线教育的留存率，大多数人认为是续班率，或者复购率（复购=续班+拓科）。而实际并非如此，因为续费率的计算有非常大的操作空间，你用什么时间节点来计算就很有说道，是按照第一节课还是最后一节课，还是按照提醒续费开始的时间？行业没有统一标准，每个企业都可自定。

所以，笔者看到某些在线教育公司说自己的复购率80%，都是在心中打问号的，虽然它们说的可能是事实。

那么，在线教育的留存应该怎么评判？

笔者认为是三个部分：退费、续班和拓科，对应的指标就是退费率、续班率和拓科率。

不过需要说明的是：拓科的目的是以增加消费数量绑架用户，从而稳定和增加留存，而且，拓科的用户后期也要进行续班。

于是，为了方便起见，留存率可以从退费与续班（复购）两方面进行计算，即：留存率=「续班（复购）用户数+召回用户数」/（续班（复购）前用户数+退费用户数）。

那么，该如何提升留存率？该公式已经给出了方向。

笔者说过，留存包含三个部分，即：退费、续班和拓科。所以，想要提高留存率，就需要做到两件事：减少退费，积极续班和拓科，接下来重点说说如何减少退费。

三招防止付费用户流失

教育产品有一个特点，就是超低频和使用周期长，学生学习的频次往往以周来计，学习的时间少则两三个月，多则半年一年甚至更长，再这样长的使用周期内，用户中途退出是在所难免的。而如果在教育产品使用周期内能降低流失比例即退费率，可以显著提升留存率。

减少退费，可以做好三件事情：

1. 流失预警

根据学员学习过程中的表现以及数据反馈，提前预判学员的退费可能性。

如：连续几节课未出勤、未打卡、未做题、未提交作业，较长时间联系不到或无法沟通，连续出现正确率的下跌等，一旦学员出现以上情况，可以第一时间提醒学员。比如app或短信提醒，老师主动电话或微信联系等，并且和对方沟通、安抚等，尽最大可能降低退费风险。

2. 超预期服务

一般来说，教学产品出现退费的情况是很正常的，主要原因是效果不显著或需求不再匹配，这部分学员可以通过预警提示以及沟通来减少退费。

但是，如果能让学员感受到超过预期的体验与服务，退费的风险同样可以降低，甚至帮助续班，一直跟随下去，这叫做情感粘性。

所以，在制定教学产品服务标准时，可以规定最低要求以及最高要求，并用出勤率、退费率、续班率与绩效挂钩，把控和提高整体服务水平。

尤其是出勤率，无论从逻辑还是经验，较高的出勤率，都会带来较高的留存和转化，无论是低价课还是正价课。所以，从服务角度来说，提高出勤率应是重点，至于具体方式，可以对课前联络的时间点、节奏、方式等作出标准，并且在产品层面设计奖励、兑换、升级等游戏机制。

当然，对很多K12在线教育产品来说，针对以提高出勤率、完课率等为核心的教学流程进行标准化，也许是最好的方式，比如教学七步法、八步法、十步法等等。

不过这些实际都大同小异，重点是每一步都对老师的行为标准和频次做出规定，比如：课前必须联系几次、课中必须陪同多长时间、课后多久必须进行答疑等等，如果大部分都能保证执行到位，一个合理的退费率是有保证的。

3. 召回

召回是教学运营中非常重要的工作，虽然学员短时间内会离开，但在下一个学习周期是可以继续回来学习的。

具体的召回工作是这样的：在续班节点，用push、短信、老师电话联系等手段提醒新班报名及优惠信息。尤其是老师的一对一沟通，需当作召回工作的重点，最好的办法是设计统一的沟通模版和沟通培训，保证召回效果最大化。

比如：对召回的话术逻辑进行设计：第一步询问学习情况，第二步根据结果推荐报班或拓科，第三步告知新班优惠及其他福利，第四步引导购买成交。

总结

本文分析了在线教育的防流失策略，给出了一系列可行的防退方案，希望能对读者有用，最后总结一下本文的核心要点：

1. 在线教育增长的核心是留存，留存率=「续班（复购）用户数+召回用户数」/（续班（复购）前用户数+退费用户数）。
2. 在线教育要想防止付费用户流失，可以三件事情，分别是流失预警、超预期服务、召回。

以上。

作者：丁真军

来源：丁真军

怎么能够防止用户在核心流程中中断操作，产生流失？以下，本文笔者将与大家分享他进行实际方案优化时测试过的四种方法。

笔者在实际工作中经常做的一项工作就是优化产品的核心流程，目的就是：把进入小程序的用户尽量多的留下来，并成为我们的有效用户。

为了大家能够更容易地理解下面的内容，我需要先解释一下需求背景：

以作者所在公司的产品“递名片小程序”来说，如果每天会有100个新用户进入了小程序，大多数情况下这100个新用户是由于收到了他人使用“递名片”小程序发送的名片，点击对方名片就进入了小程序内部，也就成为了我们的一个“新用户”。

但这些新用户并不是我们的有效用户，因为可能其中一部分人看完了收到的名片就走了，没有保存名片，更没有创建自己的名片，以后也不会使用我们的产品与他人交换名片，所以这部分人并不是我们的有效用户。

有效用户定义：在本产品中，创建了自己的电子名片。

一个产品的最终目标可能是产生实际意义上的盈利，但在这之前，更大数量的有效用户一定是它的核心目标。所以，我们会经常对主要增长场景的流程做出优化和测试，希望能够找到一种转化率足够高的设计方案。（或者说创业公司这样的情况比较多，一些成熟期的产品当然不会经常改动核心流程。）

我们的目标：更大数量的核心用户

优化的环节：提高“新用户”到“有效用户”的转化率

那么，我们现在的问题已经很明确了，即：怎么能够防止用户在核心流程中中断操作，产生流失？

以下是我在进行实际方案优化时测试过的几个方法：

一、利用用户想要得到的目的信息做强制操作

这种设计方案中，用户只有保存名片后才能看到对方的全部信息，否则只能看到部分信息。

本意是通过利用用户想要得到的信息做出强制的操作来让用户保存名片，提高整个核心流程第一步的转化率。

类似的设计比较常见的内容型产品，比如百度贴吧2018年的版本，在我们打开一个帖子查看时，第一页的内容可以随意查看，但如果想看继续看第2页，则必须登录后才能查看。

在看准网中查看前员工对某公司的点评时，也必须进行登录，并发表一条有效点评才能继续查看隐藏信息。

还有很多产品中都设置了不同规则来解锁更多功能，本质上也是“在免费使用的基础上，通过要求用户做强制操作提高产品数据”的设计。

当然，强制用户做出操作后会有很多方面的好处和坏处，本文仅从“防止核心流程中断”的角度来进行思考。

二、在提示弹窗中直接给出继续流程的按钮入口，而不是打断流程。

本方法可能对于刚刚入行的同学们会比较实用。由于产品中一些规则的限制，我们经常会使用各种弹框对用户进行提示，当用户未满足某项条件无法继续流程时，我们最好直接给出让用户完成此时，未满足的条件的入口。而不是让用户手动关闭提示窗口后，再自行寻找入口。

在用户自行寻找的时候可能会产生各种各样的问题，或是被其他元素吸引了注意力，或是找不到入口造成流失。

例如：在微信中，如果我们没有设置支付密码就使用了扫码付款的功能，那么就会给出提示框，在提示框中我们可以直接点击“去设置支付密码”按钮完成未满足的条件，而不是关闭提示后再点击“我的—支付—更多—设置支付密码”来进入这个环节。

同样的，如果我们不希望用户完成某些操作，例如：卸载电脑上的软件，也可以通过隐藏在下一级/默认非选中/视觉误导等方法来阻止用户完成操作。

一般有这样设计的软件我再也不会使用，但不得不说有的用户行为是和我们完全不同的。我们在设计时，一定不要认为所有用户的想法和行为都和我们一样。

三、调整主按钮和关闭按钮的视觉比重

在IOS的设计规范中，一般按钮的位置是左右关系，只通过颜色来强调主按钮的突出性，但显然很多产品把这一设计扩大了很多，例如：上图左侧的美团APP就通过调整关闭按钮的位置和颜色，以及背景色块的方式，把他和主按钮的视觉比重进一步增大了。

同样的，右侧的猫眼APP也是调整了关闭按钮的位置和颜色。

视觉引导从PC互联网时代就是一种很重要的增加转化率的方式，知道今天也一直在各种产品、各种场景中使用着，不得不说这是一种很有效、也很简单的方式，只要注意不要把他变成流氓设计就好。

还有一点要注意的是：由于微信对小程序的限制，一些情况下我们的开发同学没有办法在弹框中的按钮上写比较复杂的逻辑/调接口。所以小程序和APP的设计还存在一些区别。

四、用确切的数据告知用户距离完成还有多远

一般情况下，我们的核心流程都会包含几个步骤，当用户按照你的引导和设计完成了很多操作，填写了很多信息之后却倒在了最后一步之前，那一定是设计师最糟心的时候了。所以此时，我们最好告知用户：你距离完成只差最后一步了。

一般在步骤比较多的流程中都会有进度说明，常见的形式是：1/4, 2/4这样，这里有一个小细节是我们在最后一步最好调整一下特殊的文案，就像上图的文案一样，而不是使用枯燥的4/4。

原因是文字对人的影响更大，也能够让用户感知到“我已经付出了很多时间和操作，现在退出很亏”的感觉。即利用用户担心损失的心理。

写在后面

以上4种方法是作者在最近的工作中遇到和想到的几种方法，在提高转化率的完整设计中还包含更多更复杂的东西，例如在用户认知、价值传递等等方面的设计，欢迎大家补充讨论！

相关阅读：

1.如何降低APP用户流失率?

2.用户流失预测模型，如何进行效果评估？

3.如何提升产品粘性，降低用户流失率？

4.APP降低用户流失率的10种策略！

5.用户流失率高怎么破？这里有10个策略

6如何分析留存数据，降低用户流失？

作者：杜昭

来源：设计的威严

“双十二”大促拉开了年末冲量的序幕。接踵而来的圣诞、元旦双节，为APP年末冲量提供了各种各样的机会。在这样的市场环境下，运营想要成功冲量，就要做到“疏”、“堵”结合。运营既要在众多活动和噱头中脱颖而出，吸引用户，抢占用户时间，更需要精准防范用户的流失。

运营如何做到“精准”防范用户流失？作为用户运营，我们可以将用户流失的问题，看成是小学奥数里蓄水池问题。首先，我们不可能做到用户不流失。那么，我们要做的就是精准预测用户流失，通过有效的运营活动对流失概率较大的用户进行挽留，让用户流失率尽可能地低于用户增长率，这样就能保证用户量的向上增长，有了量，转化就有了基础。

那么运营如何精准预测用户流失，这需要逐一解决概念、数据、工具这三大问题：

问题一：流失用户怎么定义？

问题二：用什么样的数据来预测用户流失？

问题三：借助什么样的工具提高预测精准度？

一、流失用户怎么定义？

不同的产品对用户流失有着不同的定义，如果用统一的标准去定义，那就会出问题。举个例子， 用户流失率计算公式是用户流失数量与全部使用/消费产品（或服务）用户的数量的比例。

在实际操作中，如果仅按照字面定义去算，随着用户总量的增加，用户流失率会越来越低。换句话说，用户运营啥也没做， 但KPI却越来越漂亮。这样会制造出一种假象，以为用户越来越爱我们的产品。然而，结果并不是这样的。

运营在精准防范用户流失时，要做的第一步就是先明确流失用户定义。运营需要根据自身产品的类型、调性以及用户画像来定义流失用户的概念。如果是针对特定活动的用户流失，则需要从活动举办的目的和意义出发去定义用户流失概念。

比如，社交APP的价值在于解决沟通的问题，通常会以距离上次登陆的时间长短来定义流失用户。如果用户一、两个月不进行操作，则可以认为用户已经流失。这里有一点要注意，QQ和微信属于强社交的软件，即使我们不用，但还会安装在手机上。

再比如，电商APP通过用户购买来盈利，尤其是在双十一、双十二这种看销量的特殊日子，通常以购买的活跃程度来定义流失用户。如果用户只看不买，对于电商来说就是一个可能会流失的用户。

流失用户的定义明确了，才能为用户流失预测制定好判断标准。

二、用什么样的数据来预测用户流失？

一个用户接下来将要流失的可能性有多大？从数学上来说，我们可以借助贝叶斯公式来估计用户流失的概率。该数学公式包含着朴素的真理：

当你不能准确知悉一个事物的本质时，你可以依靠与事物特定本质相关的事件出现的多少去判断其本质属性的概率。

这种流失预测的方式有点统计学+心理学的味道。以电商运营为例，如果，你看到一个用户在双十一时看得多，买得少，那么这个用户在双二十的时候不会购物的概率就很大。不过，这样的预测还是不够精准。

随着大数据技术的发展，更精准的预测是通过数据分析，通过模型算法和深度学习的技术进行用户行为预测。在进行行为预测前，运营需要考虑哪些用户数据可以帮助我们预测用户流失？这是搭建计算模型至关重要的一步。

从数据层面来看，至少需要详细的用户画像数据和行为数据等数据维度，即：

• 用户画像信息：ID、性别、年龄、地域、会员类型、用户来源……
• 用户行为数据：登录天数、在线时长、登录频次、注册天数……
• 用户消费数据：最近一单距今天数、累计单量、累计消费金额、客单价……

这里要注意，每一个小维度的考量标准在不同APP中也是不一样的。社交类APP、视频类APP、打车类APP、音乐类APP等使用频次高的APP，登录频次要适当提高；阅读类APP、资讯类APP等重视用户时长的APP，在线时长要适当增加；电商类APP比较重视转化，运营可借助可视化埋点的技术精确统计购买页、支付页等转化数据。

三、  借助什么样的工具提高预测精准度？

仅有上面说的这些数据还是不够，因为还有很多外部的因素在制约着数据的准确性。

首先，所处环境、地理位置的不同会导致用户行为和兴趣偏好的不同。随着用户的地理位置的变化，他从一二线城市迁移到三四线城市，用户的APP的使用也会变化，而这些在APP自有数据中无法体现。

其次，在做流失预测时，APP本身自有数据的体量严重不足。用户都沉默流失了，不怎么打开APP使用了，怎么还能产生足够的数据呢？

再者，APP的自有数据具有局限性，无法告诉运营用户兴趣的变化。已经不感兴趣的用户百分之百会流失，也就不用去挽留了。

因此，这时候运营就需要借助外部的力量，来提高预测的精准度。目前，比较可行的办法是与第三方大数据服务商合作，通过数据梳理找到对流失预测有效的数据，再进行双方，甚至是三方数据的整合来扩充数据体量和维度，最终完成精准的行为预测。

目前，在数据领域已经有少数公司推出了行为预测的产品。国际上做得比较靠前的是Google公司。在国内，个推是行业内较早研发行为预测的数据公司之一，并在其应用统计产品“个数”中开设了相应功能，可以为APP运营提供流失、卸载等关键行为的预测。另外，“个数”还能提供可视化埋点工具，实现自定义事件的统计，并在统计的同时进行数据分析，提供购买、分享等自定义事件的行为预测。

在大数据行为预测的帮助下，运营能够提前洞察到用户流失行为，提早进行干预，并通过相应的运营手段对即将流失的用户进行挽留，真正实现“堵”的作用。

总之，无论是年末冲量月，还是年中大促，还是各种活动节日，运营都要有“疏堵结合”的运营理念。尤其是在流量天花板已经显现的今天，预测和防范用户流失将变得更为重要，这就要求运营不仅需要有缜密的数据思维和对前沿数据技术的了解，更需要找到好的数据合作伙伴，共同挖掘运营数据深层次的价值，从用户需求出发，以服务留住用户，用体验促进转化。

最近和朋友聊得最多的，就是KOL运营。很多人认为KOL运营就是找大咖背书，事实上并不是这么简单。

今天，我将详细和大家聊聊，什么叫KOL运营。

内容较长，预计阅读时间15分钟，下面，enjoy~

KOL，关键意见领袖（Key Opinion Leader）。通常被认为是：拥有更多、更准确的产品信息，且为相关群体所接受或信任，并对该群体的购买行为有较大影响力的人。

简单来说，就是在某个领域拥有一定影响力的人。大如锤子科技的罗永浩、小米的雷军；小到贴吧的吧主、某读书群的领读人···这些都可以称之为KOL。

而KOL最大的两个特点是：有粉丝基础，能影响粉丝行为！

那到底该怎么做KOL运营？别急，在这之前，我们先说说，为什么要做KOL运营？

一切运营手段，都是以提升用户指标为目的，而KOL运营是其中比较高效的手段之一，如使用明星来吸粉，大咖分享来促活等等。

这里，我们按照付费和免费的模式，来介绍几种常见的KOL运营场景：

花钱的：

微博和抖音早期使用明星进行拉新；

英雄联盟每年举办LPL比赛，利用选手来促活；

得到等知识付费产品，利用KOL的影响力促成你的付费···

不花钱的：

天涯猫扑等社区论坛利用KOL进行促活；

百度贴吧通过吧主和小吧主来管理贴吧；

游戏公司通过头部玩家来产出游戏攻略···

相较于一些常规的运营策略，KOL运营做得好，往往会事半功倍。那么，KOL从引入到流失的整个生命过程，我们分别应该采取什么样的运营逻辑呢？

我们以社区类产品为例，来进行深度的分析：

1.引入节奏把控

不同时期、不同用户基数的产品，需要结合自身的需求程度，去把控引入节奏。

前期引入的KOL过多，供过于求，内容缺乏足够的粉丝互动，KOL会失去创作的激励，引发流失。

前期KOL引入过少，供不应求，用户看不到自己喜欢的内容，引发流失。

当然，并非所有金字塔头部的KOL都是好的，也并非金字塔底下的KOL不值得花时间，适合才是最重要的。

2.KOL类型把控

气质相符！气质相符！气质相符！

粉丝量多的KOL不一定适合你，垂直领域的小KOL对你价值可能更大。

对微博来说，我的目的是娱乐，那么我的KOL必须有趣好玩；

对于得到来说，我本身是做知识付费，那么我的KOL必须有料；

对于KEEP来说，我的KOL是健身达人而不是那些美妆大师；

···

不管你是引入还是培养，一定要注意，KOL必须契合你的产品。想象一下，当抖音上全是关于考试培训的KOL，官方还大力扶持···画面太美了，我想象不下去。

3.引入的方式

KOL引入又分为外部引入和内部挖掘。

内部培养的KOL忠诚度高，流失少，而外部引入的KOL需要花费较多时间和产品进行磨合。

所以我们更倾向于内部的挖掘，当内部无所需的KOL的时候我们再从外部引入。

下面，我们分别聊聊这两种方式如何去做：

引入流程：明确引入KOL的目的-列出备选KOL人员名单-准备相应的合作方案-寻找联系方式-商谈合作引入。

明确目的：

我引入KOL的目的是什么，拉新，促活还是转付费？KOL引入之后希望他们做什么？明确了目的之后，你才可以去列出想要的KOL。

比如你希望快速获取一批新用户，这时你更倾向于找粉丝量多的。而如果你需要的是转化，那么你需要的是粉丝忠诚度更高的。

列出备选人名单：

明确目标之后，我们需要列出备选人名单，此时你需要收集备选人的资料，包括但不仅限于个人信息，粉丝质量信息（PS：需要注意，如果KOL离开现有平台，粉丝是否还在），候选人偏好等信息。

合作方案的选定：

合作方案中，需要明确告诉KOL，需要他做什么，他可以获得什么。

一定要注意对方的诉求，现在很多KOL，已经无法单纯用钱去打动。每个人的时间精力有限，如果当前的情况过的很好，而转移平台需要重新开始，收益却只是钱，为什么要折腾呢？

所以很多时候我们和KOL合作，不仅仅只考虑钱的问题，还需要考虑KOL的其他诉求，如个人品牌、平台扶持等。

拉KOL要坚持：

当我们什么都准备好了，开始去拉KOL时，你会发现很多时候你都会碰钉子。

可能你发过去方案石沉大海，微博私聊一直是未读状态。但我们不能放弃，微博微信找不到人，就去垂直社区找，去群内找等等。

整个过程中最重要的是坚持，一次找不到换一个，一个方案不行换一个方案。当然如果时间要求较高的，而且预算充足，也可以直接通过专业的经纪人去找到你想要的KOL。

内部挖掘，通常要寻找有一定影响力，并且内容产出较高的用户。

当前他是什么样的不重要，重要的是你可以将他打造成什么样的KOL。举个简单的例子，某个用户可能当前非常活跃，但是产出内容质量不高。而另外一个用户内容产出较高，活跃度不高的，我们则更倾向于培养后者，活跃度你可以去提升，而内容质量你只能小幅度帮助提升。当然也要看用户实际情况来进行判断。

内部挖掘的时候需要找到其亮点，且这个亮点可以通过你的方式来进行包装放大。

到此为止，我们已经成功地引入了一批KOL ，那么，接下来我们该如何去维系这批KOL，并帮助他们更好地成长呢？

目前常见的KOL维系都是社群或者是单点联系。

针对KOL如果使用社群的方式进行沟通联系，最好是根据KOL的类型分类建立社群，便于同类型KOL间更顺畅地交流。

如果自身的KOL用户较多，最好在产品上可以给这部分用户一些特殊的通道，如游戏内通常有VIP专属板块，电商类的平台的大卖家后台等。

建立好信息的沟通渠道后，我们需要建立KOL档案。

KOL的运营工作一定要精细化，而精细化的运营需要你对KOL非常了解，这时候，我们就需要一份KOL档案。

为什么要给KOL建档案？就像你为了追一个女孩子，你会关心她喜欢什么东西，喜欢哪个明星，喜欢吃啥等等，之后投其所好，这样追到女孩子的成功性会更高。

KOL运营也是同样的道理，平时不仅仅是利益关系，而是让KOL觉得你是真的在关心他、帮他实现他想要的内容。

同时，KOL档案对于公司来说是一笔非常大的财富，一份好的KOL档案集，除了能帮我们更高效的工作对接外，对于日常优化KOL引进工作，也会有很大的帮助。

KOL的档案通常会包含以下内容：

个人信息：姓名，电话，微信，联系地址个人档案等。

业务信息：这类KOL属于什么类型的KOL，自身带大概多少粉丝，影响力如何，在哪一个方面比较有影响力。

比如说知乎上找用户A做KOL，那么可能就会增加用户A写过书，XX企业的创始人，在产品和运营方面有一定的影响力。同时个人比较擅长的是运营的节奏，内容运营等方面。有了这些信息之后，针对性的可以组织一些活动，如组织个内容运营的大咖分享专场，就可以找用户A去做这些事情。

KOL在平台的信息：KOL档案中需要记录该KOL在自身产品上的情况，用于后续的运营判断。

如用户A虽然在产品和运营方面有影响力，但是在知乎上没人找他，那么后面我们需要考虑是否把用户A从我们KOL行列中剔除，不再给他享受特权。

KOL在其他渠道的信息：通常一些KOL不会只在一个平台进行合作，那么我们还需要了解我们的KOL在其他平台的表现。

同样的例子，用户A在知乎不怎么回答问题，但是发现在悟空问答上回答问题很积极，那么我们后面就需要进行对比，来调整对用户A的运营策略，是增加物质激励，还是通过精神激励促进其产出。

当然还有一些其他的内容也可以加进档案中，如KOL近期的一些动态，个人的性格等内容。主要是方便后续更精细化的运营。如用户A近期要生孩子，那么我们是不是可以送个婴儿车给到用户A作为一个小礼物。

在档案中，用户需要进行分级、分阶段，当前的用户影响力或者是价值在什么水平，当前所处于的阶段，我们针对这类用户是采用哪种方式进行赋能？针对不同层级的KOL，调用的资源、使用的手段也是不同的，在档案中我们需要将这些信息都记录到位。

简单理解，KOL运营是先给到KOL想要的东西，之后让KOL产出我们想要的内容。而给到KOL什么，则需要你不断去了解KOL的需求，去接触沟通分析，这是一个长期且考验耐心的工作。

建立好档案后，还有一个很重要的步骤，就是设立并告知规则。

设立规则的目的是为了避免出现一些意料之外的事情，影响到用户或是造成KOL流失。一般情况下这个规范在合作之初都会说明，但最好额外制定一个KOL和产品之间的互动规范说明。

举个例子：KOL遇到问题可以及时找到我们的运营人员，不得发布有损产品形象的言论。KOL和用户之间产生冲突，请及时与运营人员沟通，否则取消相关的特权和福利等内容。

另外有一个特别说明的点是，平台设立的惩罚性的内容，针对KOL千万不要设立特权机制，避免造成自身用户流失。

在设立规则的时候抱着一个目的：我们引入KOL是为了更好的和产品一起服务好我们的普通用户，而不是服务KOL。

初次引入的KOL，为了更好地发挥其影响力，我们前期都会进行包装、赋能。在推出亮相之前，预先设计正面的形象。

包装：通常在内部挖掘一些KOL的时候，我们会去挖掘这小部分KOL的亮点，加以包装。

如咕咚上，产后辣妈坚持锻炼，单纯这个点无法形成KOL的效应，那么我们可以包装几个点，如励志，苦情戏等内容，这样可以更好地打动用户，形成一定的影响力。最初的猫扑，也存在较多这样经过包装的用户，如筷子兄弟，小月月等。

KOL赋能：作为运营方，你必须对你自身产品非常了解，而KOL对他自己领域的内容非常了解，这样你们的结合，才能够发挥最大的威力。

你需要给KOL说明他该如何在你的平台上获得足够的影响力，包括但不限于部分专业技巧上的辅导，以及平台上一些产品功能的实现，甚至于说开放部分数据，让KOL更好的进行产出。

如抖音引入部分KOL的时候，不仅仅是说：你拍个视频，我给你流量就完事了。视频具体怎么拍，服装怎么搭配，你的受众群体是什么，他们更喜欢什么视频等等，这些抖音的运营都会给到对应的KOL。

作为 KOL运营，你要做的不仅仅是引入，更多的是陪他一起成长。

资源倾斜：当万事俱备的时候，你需要给这些KOL资源倾斜，让其真正在自身平台形成影响力。

除了流量倾斜，甚至不断地去制造关于KOL的话题热点。就像李健刚去好声音的时候，好声音在第一期第二期给了更多的画面，同时也不停地制造李健的“学霸”属性和段子手话题。

只有当KOL在产品上形成影响力后，你才可以通过KOL运营去影响自己的用户。

排他约束

当KOL已经形成影响力后，我们需要建立排他约束，我们付出了资源，也付出了其他情感上的东西，这时我们需要从语言和书面上要求我们的KOL用户制定一个排他的标准，如果KOL心猿意马，肯定是不可取的，应该及时止损，终止合作。

有了排他约束之后，我们就可以放心去进行更好的深入合作，给予更多的资源投入。

KOL激励和策略调整

KOL形成影响力后，我们一方面要给予KOL激励，包括物质激励，精神激励等。同时也需要不停地去调整你和KOL合作的一些策略。

比如前期你给那个辣妈设定的苦情戏，后来发现KOL自身不喜欢，那就尝试调整为励志方向，去测试粉丝反应。

同时，你整个的激励也需要随着KOL的不同去设定不同的内容，比如初期的KOL给精神激励即可，中期有一定影响力的给一定的物质激励，当形成非常大的影响力的时候，你需要给到的是更多的利益，包含打造IP、粉丝运营等。这个时候你的策略也需要调整，从最早之前的给予，到最后面的利益捆绑。

就像很多知识付费产品，我可以采用买断的方式，也可以采用分成的方式。而你需要做的则是针对不同阶段，不同影响力的KOL给予不同的激励，让其更好的活跃起来。

KOL价值体现：

当我们的KOL形成了较大影响力后，这时就是我们前期投入的回报时刻。

如果我们希望拉新，这时可以利用KOL发起好友邀请赛；

如果我们希望社区活跃，这个时候可以利用KOL进行话题带动；

如果我们希望用户付费，这个时候让KOL去进行背书宣传；

···

这里要注意整体的运营节奏，不要刚有了影响力就马上进行变现，这样很有可能会毁了你辛辛苦苦培养出来的KOL，也会让你的用户渐渐流失。

当然，只有当KOL给你带来了价值，给了你想要的东西的时候，你才算运营成功了一小步，但很多时候这个回报都是后置的。

在KOL运营后期，我们更注重KOL的留存，自己辛辛苦苦培养起来的KOL，要尽可能留住，产出更大的效益。

不过有一点需要看开，KOL始终会走的，我们做的，只是让这部分KOL留在自己产品上的时间更久，获取更多的回报。

通常我们有两个手段：利益捆绑、情感维系。

我们在KOL引入之初就建立了KOL的档案，这份档案贯穿整个KOL运营工作，因此非常重要。

在KOL运营后期，需要借助之前建立的档案，了解当前KOL的情况，之后投其所好，送小礼物，在重要日子进行问候等。这里最重要的是，让KOL感觉你很用心。

情感维系中最重要的是真心去做，而不是为了KPI去做。人与人相互交流，是否真心、是否用心都是可以感受到的，而你对他的细节了解，会让他觉得你很用心。

和KOL进行合作的时候，提前考虑KOL可能流失的情况，在合作方案中规避掉。如使用分成的方式而不是买断的方式，使用持续活跃的方式而不是一次性爆发的方式等。

当然最好可以让KOL参与到平台的运转中，让他留下更多的东西在平台上，如他的粉丝。让他依赖平台，离开平台这些影响力都会消失，这样会让KOL留的更久一点。

8、结尾

很多时候，KOL运营和我们现实中谈恋爱很相似，你要去了解她，逗她开心，给她好处，也会约法三章，在困难中一起成长。只是我们在KOL运营中，是一个人和多个人谈恋爱，当然，这更考验运营者的能力。

而在这个过程中，你需要做到的是细致，细致，再细致。

KOL运营会比常规的精细化运营要求更高，而如果想成为一个优秀的KOL运营，你需要比其他人更细致。

在实际的运营过程中，你可能会遇到很多的问题，有些你能轻松地解决，有些没那么容易解决，但你可以记住一个准则：我们引入KOL最终目的是一起服

务好我们的普通用户，而不是我们一起服务KOL用户。

愿你在KOL运营的道路上，把自己，变成业内的KOL！

随着数据时代的来临，以前的粗放式管理已不再适应潮流，我们需要进行精细化管理，特别是以C端为驱动的运营模式，每一个运营的细节都离不开数据的支撑，互金行业也不例外，各大银行和互联网金融巨头也纷纷在抢占用户数据市场。

首先我们要搭建一套比较完善的数据指标体系。其实搭建数据指标体系，就是在梳理我们的分析思路，很多人在做数据分析时，经常会不知道从哪方面入手，分析的内容和指标也会比较散乱，因此也会被人质疑分析结果是否正确。所以搭建一套完善数据运营指标体系是非常有必要的，它可以帮助我们理顺思路，确保数据分析结构体系化、数据分析维度的完整性以及为后续数据分析的开展指引方向。

指标是连接问题和数据的纽带，只有选择合适的指标才能充分反映问题，一个好的指标是要可量化、易观测的；那么如何来搭建数据指标体系呢？我们可以通过一些营销的管理模型来设计数据指标体系，例如5W2H分析法、4P分析理论、用户生命周期、逻辑树分析法等。

当然相应的分析模型肯定要结合实际业务模式和分析目的来进行，没有业务逻辑的数据分析是不会产生任何价值的。

例如，互金行业中的数据指标体系，我们可以根据用户生命周期来进行搭建。

数据指标体系设计完成后，我们就可以根据用户在不同阶段不同场景下，通过埋点事件来设计数据采集方案，这其实是通过业务驱动指标设计，再驱动数据收集的过程。

三、数据驱动运营增长

那获取到用户数据后，我们要如何应用数据，让数据产生价值呢，我们主要通过以下三方面来进行描述。

01、用数据优化运营策略

通过用户行为数据收集之后，我们就可以知道在运营活动当中，用户浏览注册下载绑卡投资的转化率是多少，每个产品页面浏览时长，浏览次数是多少，首投人数、投资金额等；但数据是要结合业务场景，进行汇总对比分析，才会有意义的，否则就仅仅是数字而已。

例如我们最常见的漏斗分析法，当我们发现用户的投资转化率有30%，这样一看，转化率好像还挺高的，但如果我们跟其他类似产品相对比，跟同环节不同细分用户群相对比，发现其他类似产品或其他细分用户群的转化率是40%，我们才知道这环节上还有很大的优化空间在。

02、利用数据验证运营策略

在互联网产品运营当中，我们经常会遇到多个产品设计和运营方案的选择，甚至于界面按钮颜色一句文案的不同也会有争议，虽然相对于整个运营方案来说，这只是一个细节问题，但对于C端用户来说，往往就是细节决定一切，在这个信息泛滥的时代，往往争取的就是你能不能在第一时刻进入用户的心里。

这时我们可以采取A/B测试，在一切条件都相同的前提下，只有一个变量不同，利用数据来告诉我们那种方案比较可行，让数据来验证运营策略是否正确，降低试错成本；当然在进行A/B测试时，最好是数据量和数据密度不要太低， 以及要有足够的时间进行测试，不然是比较难得到统计结果的。

举个例子，蚂蚁财富app，在引导新用户转化为首投用户时，采取了进度条的展示形式，主要目的就是为了制造紧迫感，虽然是利用用户心理层面因素，但展现形式却有多种。

上面这两种进度条的设计，第一种是利用用户焦虑、恐慌的情绪，让用户觉得在不进行抢购就没有了；第二种则是利用用户大众心理，抢购的人数这么多，那自己是否也可以跟着试试看；这两种设计，各有其考虑的因素，很难说那种会比较好，这时候就可以使用A/B测试，让数据来进行验证。

03、利用数据指导运营策略

数据与数据之间都是有关联的，如果你不知道，那只是你还没有发现它们之间的关联关系而已，最经典的数据分析案例莫过于沃尔玛的啤酒和尿布了，这个案例相信大家都有听说过的， 当一个商业目标对多种行为、画像等信息有关联时，我们就可以通过数据挖掘手段进行数据建模，来预测用户的下一步行为，从而针对性的提出运营解决方案。

例如关于新用户流失严重问题，我们可以采取聚类算法，建立用户流失预测模型，通过数据刻画出流失用户的画像信息，有什么属性特征、行为特征以及流失周期是多长，这样我们可以更加准确的抓住具有潜在流失倾向的用户。

像互金行业，关于用户流失预测模型，我们就可以从用户的投资行为、在投资金以及流失周期来进行构建。

从上面，我们可以看出预流失用户的行为倾向是：近期内无投资行为、有在投资金但想提现的用户，那针对这部分用户，我们就要采取一些留存激活策略了。

最后，数据分析可以给我们提供有效信息，指导营销决策，但也不要迷信数据，要换位思考，这样数据才能发挥其真正价值。

作为竞价员，我们可能对“用户视角”这个词也很熟悉。但却很少有人能够说的清“什么是用户视角？”

小编再被深深地伤了心后，翻阅了众多资料，终于能把“用户视角”给解释透了。

在这分享给大家。

一个老生长谈的问题。

我们举个例子。

假设今天女朋友问你：“今天外面冷吗”

你会怎么回答？

我想大多数人都会说：“天气预报说今天3度-17度，有点风，我觉得还行，不太冷”

但，你觉得这个答案，你女朋友会满意吗？

不会。首先，她需要出门，不出门就不用在乎外面冷不冷，出门就涉及到穿什么衣服，穿什么鞋，戴什么帽子，擦什么口红，那么你可以这样回答：“不算太冷，你可以穿上次去迪士尼那件风衣，里面穿那件灰色的衬衣，下面配牛仔裤就可以了，不冷还好看”。

所以，她问今天冷不冷，并不是真的想知道天气，更想知道跟你约会穿什么衣服更好看。

所以，你明白什么是用户视角了吗？

站在用户的立场上发现需求，建立场景，提供解决方式。

也许你依旧会说：小编，我觉得你这个例子举的挺好，解释的也挺好。可每次实际应用时，我还是不会…

来，继续往下看。

5W2H分析法，大家都知道吧？

以前用户视角我们可能靠猜，而现在靠数据。

我们可通过5W2H分析方法，分析用户行为，洞察用户需求特征，指导“营销视角”做方案。

用户视角的7个分析步骤用于指导营销视角的创意策划内容，而通过数据分析建立用户视角，实现了数据分析的真正价值：洞察行为数据背后的人。

第一步：通过行为数据建立用户档案（who）

建立用户视角的第一步是建立用户信息档案，也就是我们常说的用户画像。

用户画像所包含的信息并不仅是用户昵称、城市、职业、兴趣，而是更细化的用户行为特征。

下面这张图是某电商行业产品的用户档案信息，除了城市、ID等用户属性信息外，还包括了用户粘性信息：注册时间、最后一次访问时间、30天访问时长数据，另外还有用户价值信息：查看商品详情次数、加入购物车次数、开始付款次数等相关信息。

用户粘性信息代表着用户与产品之间的关系，而用户价值信息代表用户可能为产品带来的价值。

通过属性信息、粘性信息和价值信息3个维度建立用户画像，我们可以了解到一个用户的基本情况、对你的友好度和可能带给你的价值。

如果将用户画像比作相亲时的第一印象，那么分别可以对应“长得好不好看”、“对我印象怎么样”以及“有房吗？房本上能写我的名字吗？”这些对相亲对象的评价。

建立用户档案的目的在于找到用户特征，在“营销视角”上可以针对用户特征设计活动策略。

第二步：通过用户行为发现用户目的（what）

第一步我们对用户有了整体上的认识，而相亲必然要经过“谈恋爱”甚至“试婚”的过程才能确定是否适合结婚。那么第二步分析，就是通过与用户的相处，找到用户喜好。

例如下图，某电商用户浏览了价值4699元的相机，记录了浏览商品的具体型号，以及最近阶段时间内的访问时长、访问时间，通过这些信息我可以知道这个用户最近高频访问，除了相机，可能还浏览了旅行箱、遮阳帽、红裙等商品，基本可以推测出这个用户想要去旅游。

通过用户具体行为，推测用户目的，对具有相同特征的用户进行归因分析，建立相关用户群组，利用“营销视角”设计营销创意引导用户的下一步行为。

第三步：分析结果产生的原因（why）

谈恋爱的过程中难免吵架生气，那么你知道女朋友生气的原因么？事实上，做为男生，我们很多时候都不知道。

在用户管理的过程中，我们需要找到用户行为结果背后的原因，例如用户下单前浏览了几个商品详情页，是否因为优惠券下单，是否因为评论好下单。再比如用户转发了某篇文章，那么用户之前浏览的文章为什么没有被转发？用户转发过的文章有哪些特征？

这些都是结果产生的原因。

上图是一张数据分析中常见的漏斗分析图，分别代表了开始注册、发送验证码、完成注册这3步，漏斗表明发送验证码到完成注册这一步用户流失了21.6%，但为什么会流失呢？

这就像你们买了玫瑰花，吃了烛光晚餐，准备进行下一步关键行为的时候女朋友突然生气了，为什么呢？气氛都烘托到这了不是顺理成章要进行下一步了么？

我们对流失用户的行为进行了细节分析，发现用户没有完成注册的原因是手机验证码错误，或者没有填写完成。当进行场景还原实验的时候发现，用户在微信环境下打开H5，填写相关信息，当跳出去打开短信再回到微信的时候，就跳出了注册页面，再次开始注册时又得重新提交验证码。

基于这个洞察，我们更换了验证码的内容展现形式，将验证码数字放到了最前面，用户不需要跳出微信就可以看到短信验证码的内容。

这是用户流失的例子，我们还可以找出用户成功转化的影响因素，比如用户下单前的访问路径，针对成功转化的用户洞察成功背后的共性因素，并以此为目标提升用户相关行为。

第四步：抓住驱动用户的最佳时机（when）

如果女朋友发微信说：“我好像感冒了”，你要做的不是说多喝热水，而是买上板蓝根去敲响女朋友的屋门，这是促进关系转化的最佳时机。

那么在用户管理上，同样要抓住驱动用户的最佳时机。那么什么是最佳时机呢？

用户将商品加入购物车，代表用户产生了购买意向，但是还想看看别的，这个时候可以推送商品优惠券引导下单，也可以推荐同类商品增加选择；

用户在社区内将一个帖子加入了收藏夹，代表用户认可了这个内容，但没有回帖，也没有转发，那么当用户不活跃的时候可以以这个帖子为标题，告知用户“你收藏的帖子又有了更新”。

以上图为例，向进入支付页面但未完成支付的用户在30分钟后发送支付失败提醒，如仍未支付，在发送信息2小时后发送20元优惠券，这个策略就是基于用户的关键契机引导用户的下一步行为。

第五步：帮用户找到相关的场景（where）

如果你想跟你女朋友约会，你问：“我们周末出去玩吧”，那么你女朋友会问你：“去哪呀？”，商量了半天，算了，没有好玩的地方，约会泡汤了。

如果你说：“我们去某某商场吧，有一个主题展，拍照特别好看”，这就抓住了女孩子喜欢拍照的心理，或者你说：“我们去某某餐厅吃饭吧，有你爱吃的炒白菜”。所以，去哪并不重要，重要的是去的这个场景与用户的联系在哪。

在唤起用户兴趣方面，同样可以创造与用户相关的场景，用户并不在乎你家几周年店庆，在乎的是他想买的商品便宜了多少；也不是很在乎好评10万+的鞋好不好看，而是在乎这双鞋能够配什么衣服，去什么场合。

基于用户浏览过的内容建立场景化思维，在营销策划中通过场景唤醒用户的兴趣，例如用户浏览了很多周边游的文章，那么推荐旅游时的衣服搭配、拍照姿势都满足了用户所需要的场景。

第六步：针对用户需求提出解决办法（how）

以上5步通过用户行为洞察，对用户喜好特征进行分析，而在第六步，是基于用户特征提供解决方案，也就是建立完整的用户运营策略。

上图是基于用户全生命周期做用户需求解决方式的策划流程，以曝光、兴趣、着陆、激活、变现、推荐和流失的用户全生命周期为主线，分别对应打动用户、引起兴趣、设计转化路径、抓住转化时机、引导用户付费、提升用户活跃和用户再营销的整体活动流程。

第七步：评估用户产生的有效价值（how much）

这一步的意义在于对用户新增或参与活动的后续行为进行分析，观察用户在提升活跃、留存以及付费方面的表现，用来评估活动效果。

增长黑客在评估渠道推广效果时，不仅关注渠道的曝光量、下载量和转化成本，更关注转化用户的后续注册、活跃、留存、付费等关键指标，以此来评估渠道、活动创意等转化的用户是否为精准用户，优化渠道推广方案。

而在做用户关系管理中，通过评估用户参与活动后的行为变化，判断活动对用户的相关影响，例如领取优惠券后用户是否使用，涉及是否提升了销售转化业绩。

营销人员想要做好有效的用户增长，建立“用户视角”是必不可少的条件，具备用户视角的运营者才可以从用户的角度思考问题，洞察原因和转化驱动力。