最近常用的几个数分模型。
而对于电商平台来说，就需要在更提早制定营销方案，在现有预算的情况下实现用户的精准营销。而针对用户精细化运营、精准化营销最离不开的就是用户分群。
所谓用户分群，就是我们以具备某几种特征的用户（who）在某段时间（when）做了某件事（what）为条件，将用户按需划分为不同的群组[1]。对于618的电商平台运营可以根据用户分群，有针对性地开展精准营销活动，实现精细化运营（提供差异化服务）。如果我们想实现用户分群，有几个常用的数分模型可供参考。
常规分群
何为常规分群？即我们单独或组合使用数据库中现有的标签，筛选出活动所需要的特定用户群体。
比如按照地域（实际IP/常用收件地址/电话归属地/身份证件归属地等）来划分人群；或是根据渠道来源划分用户群体；又比如按照用户实际的行为标签（浏览、收藏、加购物车、下单等）定义目标人群，用于精准营销、精准投放、个性化推送等场景，以满足不同用户的不同需求。
用户生命周期模型
实际上，用户生命周期来源于传统营销学里面的客户生命周期一说，即用户在使用产品的过程中经历了五个阶段：引入期、成长期、成熟期、休眠期和流失期。
而根据用户生命周期模型对用户进行分群，便可以了解到不同生命周期阶段用户的第一需求，运营/营销也可以在第一时间针对性地满足用户需要。比如成长期的用户就应该刺激他们的需求[2]，成熟期的用户更重要的是提升用户的使用/服务体验，而流失期的用户便不要再浪费营销资源，应该去洞察用户离开原因。
不同平台需要根据实际的数据、需求定义自己的用户生命周期模型。在电商平台可以通过用户启动产品的时间间隔的趋势，来判断用户是否是休眠期和流失期，而另外三个周期则可以根据产生的订单数量来衡量。
用户流失预警模型
在用户运营中，拉新往往要比做好用户留存所花费的成本要高，“开发十个新用户，不如维护一个老用户”。但有各种各样的原因会让用户在某个过程中流失掉，而我们要做的就是搭建用户流失预警模型。
当我们根据用户的自身属性、行为特征等识别出流失风险时，进而及时采取针对措施进行用户挽留，这便是用户流失预警模型[3]。
不同运营人员对流失行为的定义不同，例如：多少天未登录记录为流失，或者多少天未消费记录为流失等。
至于如何定义流失周期？在具体实践上，一般是根据平均回流率来确认流失周期，通过考察不同流失周期下的回流率变化趋势，选择合适的流失周期[4]。
用户价值管理模型
在用户分群中，RFM模型是最经典、我们最熟悉的用户价值管理模型。RFM模型就是通过用户的近期购买行为(Recency)、购买的总体频率(Frequency)以及花了多少钱(Monetary)三项指标划分出来8个用户价值群体，从而能够更加准确地将成本和精力更精确的花在用户层次身上，实现针对性的营销。
大家实战可以参考我们之前的文章：用Python轻松实现数据分析中的RFM建模
RFM模型分析的前提条件：
最近有过交易行为的客户，再次发生交易行为的可能性高于最近没有交易行为的客户。 交易频率高的客户，比交易频率低的客户，更有可能再次发生交易行为。 过去所有交易总金额较大的客户，比过去所有交易总金额较小的客户，更有消费积极性。
对于618这种全年重量级的营销活动，只有对用户实现精准分群，在有限预算的情况下实现用户的精细化运营。
如果你并不是电商行业，仍然建议了解一下，毕竟用户分群适用于各种产品，大家可以基于公司/产品的实际情况来搭建用户分群模型。
参考资料
[1]阿里云: 用户分群介绍
[2]易观: 得用户者得天下：获客、升值、留存是用户生命周期
[3]流失预警模型: https://zhuanlan.zhihu.com/p/93059773
[4]书籍: 《大数据用户行为分析画像实操指南》
推荐书籍
今天介绍一本新书《数据运营：数据分析模型撬动新零售实战》
全书全部以工作中经常会遇见的业务问题作为案例，例如如何进行用户促活？如何培养自身的商业分析和财务分析能力？全书共有10+经典的行业模型，20+实战案例，每个模型都有相应适用的业务分析场景介绍及实际工作案例，属于市面上少有的完全以实际工作为基础，完整阐述数据分析模型如何灵活用于解决实际运营问题的书籍。
点击这里，阅读更多数据文章！