用戶活躍狀態模型

  用戶運營核心的方法論就三個：拉新，促活和留存。拉新能夠做爲渠道推廣單獨討論，而促活和留存則相輔相成。產品專一的市場領域不一樣，活躍用戶數天差地別。一款小衆的垂直領域產品和泛社交類產品，單純看活躍用戶數，你很難界定它們好壞。

  好的數據指標，都應該是比例或比率。 咱們設定一個新指標，活躍率：某一時間段內活躍用戶在總用戶量的佔比。 按照時間維度引伸，有日活躍率DAU，周活躍率WAU，月活躍率等MAU。

      例：月活躍，本月活躍用戶在截止月末的總註冊用戶中佔比。
  通常而言：活躍用戶數，看的是產品的市場體量。活躍率，看的是產品的健康度。

實際得認可，不一樣產品，用戶需求（高頻或低頻）不一樣，活躍率也有差別。用戶運營更多的職責是監控活躍率的變化，而且提高它。

用戶包含各類類型，反應了不一樣羣體的特徵和想法。在使用整個產品的週期中，咱們應定義更全面的指標：

• 流失用戶：有一段時間沒有再打開產品(曾經打開過產品），那麼咱們就視爲流失用戶，根據產品的屬性，能夠按30天，60天，90天等劃分。
• 不活躍用戶：有一段時間沒有打開產品，爲了和流失區分開來，須要選擇無交集的時間範圍。好比流失用戶是60天以上沒打開產品，那麼不活躍則是0～60天沒打開。
• 迴流用戶：有一段時間沒用產品，以後忽然回來再次使用，則稱爲迴流用戶。迴流用戶是活躍用戶，且是由流失用戶或不活躍用戶喚回而來。
• 活躍用戶：一段時間內打開過產品。
• 忠誠用戶：也能夠叫超級活躍用戶，長期持續使用產品，好比連續四周，或者一個月內15天等。

如今咱們發現，不管是活躍用戶仍是不活躍用戶的維度，都一會兒豐富了起來。

通俗的理解一下用戶活躍的變化

回到一開始那款產品的數據，咱們將分解後的新指標統計出來。（定義忠誠用戶一個月內有15天活躍；流失用戶爲兩個月沒打開過）

用戶活躍能夠簡化爲一個最簡單的公式：新增用戶的數量要大於流失用戶的增長量。能夠想成一個水池，運營會一直往裏灌水，可是水池也會漏水，若是漏水速度太大，那麼水池就幹了。一款產品可能由於市場競爭、拉新乏力致使新增用戶數降低，也可能由於產品改動，運營策略失誤形成後續流失用戶變多。

將數據製做圖表：

活躍類指標有一個顯著特色須要明白，它們都是後見性的指標，也就是事情發生後咱們才能觀察到。好比咱們發現某一段時間流失數據（假定兩個月沒打開APP爲流失）上升，往前倒推兩個月，發現當時恰好展開一次活動，那麼咱們有理由相信活動形成了一批用戶卸載，惋惜運營此時已經無能無力。先見性預防比後見性觀察對運營更重要。根據不一樣的用戶活躍狀態，依據產品的特性能採起不少運營手段。這是精準化運營的第一步。接下來則是劃分用戶層次等，進行更精準的運營，不過那是另外的話題了。

用戶運營路漫漫修遠兮，用我偶然得之的一句話作結尾吧。別低頭，活躍會掉，別流淚，報表會笑。

 活躍度模型

---

 活躍度能夠根據用戶來訪、互動狀況、核心功能使用頻率等綜合肯定

• 核心用戶：每週有訪問、近一個月互動次數達到30次以上
• 活躍用戶：每週有訪問、互動次數10次以上
• 通常用戶：每個月有訪問
• 流失用戶：3月以上未訪問

 其它參考：

用戶模型

---

 平時工做中應用和接觸到的模型主要有以下：  

• a.用戶基礎研究：用戶生命週期刻畫（進入、成長、成熟、衰退、流失）、用戶細分模型、用戶價值模型、用戶活躍度模型、意願度識別模型、用戶偏好識別模型、流失預警模型、用戶激活模型等  
• b.個性化推薦算法：基於協同過濾（USERBASE/ITEMBASE）、基於內容推薦、基於關聯規則Apriot算法、基於熱門地區季節商品人羣等  
• c.風控模型：惡意註冊模型、異地識別模型、欺詐識別模型、高危會員模型、電商領域（炒信模型、刷單模型、職業差評師模型、虛假髮貨模型、反欺詐模型）金融領域（欺詐評分模型、徵信評分模型、催收模型、虛假帳單識別模型等）  
• d.產品知識庫：產品聚類分類模型、產品質量評分模型、違禁品識別模型、假貨識別模型等  
• e.文本挖掘、語義識別、圖像識別（牛皮癬識別）

 小結

---

   MAU標籤

• 殭屍用戶: 只註冊未交易 （用戶表）
• 0：新增用戶：本月註冊  
• 1：流失用戶：本月無交易，上月有（月度表）
• 2：沉默用戶：本月無交易，上月無（月度表）
• 3：活躍用戶：本月有交易，上月有交易
• 4：迴流用戶：本月有交易，上月無
• 5：忠誠用戶：本月有交易，上月是活躍用戶
• 6：VIP用戶： 本月有交易，上月是忠誠用戶，且每個月充電次數大於15

參考資料

---

• https://zhuanlan.zhihu.com/p/22300453