本文是《數據蛙三個月強化課》的第三篇總結教程，如果想要了解數據蛙社羣，可以閱讀給DataFrog社羣同學的學習建議。溫馨提示：如果您已經熟悉數據分析指標,大可不必再看這篇文章，或是隻挑選部分文章
金三銀四，找工作好時機要到了，數據蛙第一期強化課同學已經把數據分析的工具Python、SQL學習過了，並且也做過了一個案例，現在正準備磨拳擦掌投簡歷了。但是我想先不要着急，大家的業務知識還要儲備一些，如果只是大概看下數據分析的指標這是萬萬不可以的，到時面試官問你一項運營活動帶來的效果，我們只能羅列幾個不是太相關的指標的話肯定要掛掉的。所以，要想靈活的運用分析指標，我們要結合着運營業務知識來一起看看。
我們知道其實在互聯網中，所有的運營最終結果都是會落到人這個方面上，說白了就是所有的運營能不能帶來用戶的購買、持續購買、多頻、大金額的購買之類的，所以來說用戶的運營一直是放在重要的位置上，我們先來看一張用戶運營的一張圖，緊接着看看每一環節的數據分析指標。
用戶運營:是指，以網站或者產品的活躍、留存、付費爲目標，依據客戶的需求，制定運營方案。用戶運營的核心是開源、節流（減少流失）、維持（促進活躍以及提高留存）、刺激（轉化付費）
假設我們團隊這邊有一款課程APP（數據蛙DataFrog），那我們就來通過這款產品梳理用戶運營業務，刨析數據分析指標。
一：開源
我們有了數據蛙APP之後，首先想的應該就是讓他們下載註冊了。所以運營的小夥伴就會想出推出多種多樣的註冊渠道來讓用戶完成更多的註冊。那我們數據分析師怎麼衡量每個渠道上的效果呢？數據分析師會選擇那些對比的指標呢？
a.首先看渠道上的曝光量（比如點擊了推廣的鏈接），這個說明了渠道的上流量池的大小;
b.緊接着是下載轉化率、註冊轉化率、購買轉化率，支付成功率這些就是在說明這些渠道上用戶的匹配度和**用戶的質量情況如何
c. 以及 渠道投資回報比：利潤\投資 x 100%等。說明了渠道的單位投資下帶來的利潤。
說明下我們選擇指標的時候要優先選擇比率的指標，想想如果只看兩個渠道，A、B兩個渠道上的下載人數，A渠道有800人下載，B渠道是1200人下載，但是A渠道來的800人有400人完成了付費，B的1200人有300完成了付費，我們僅僅通過下載人數反應不出問題，但是過付費佔下載人數比，明顯看出P(A)=0.5 >P(B)=0.25，A渠道的用戶質量更高一些。
二：節流
這裏的節流意思是保持用戶規模，比如我們通過推廣讓很多同學下載並註冊了我們的數據蛙課程APP（數據蛙DataFrog），雖然註冊了，但是他們也會有流失可能性的，其實一般離開APP的同學也大多是沉默用戶數量
1：首先我們要先定義好關於流失的三個問題
研究對象是誰：
是登錄用戶、註冊用戶，還是全部用戶的流失率？
流失週期爲何：
是次日流失率、7日流失率還是月流失率？
如何定義流失：
1個月沒有訪問的用戶？2個月沒有下單/消費的用戶？還是3個月沒有登錄的用戶？
其實關於流失用戶不少的定義標準，但是我們發現對流失比較經典的定義是“一段時間內未進行關鍵行爲的用戶”，關鍵點在於如何界定時間週期（流失週期）和關鍵行爲（流失行爲）。現在選擇較多的是用戶的主動回訪行爲，那週期呢？
流失週期過短，流失預測的準確率低，因爲定義爲流失的用戶中有大量實際留存的用戶，只是其使用間隔長而已（比如以1周沒登錄就算流失，但實際上很多留存用戶2~3周才登錄一次，也被劃分成流失用戶）；同時週期過短，定義爲留存的用戶實際上後來也會流失。
週期是根據的用戶回訪率拐點的時間點來確定的（用戶回訪率 = 回訪用戶數 ÷ 流失用戶數 × 100%）
2： 建立流失預警機制
一旦定義好了用戶是流失的標準了，我們數據分析師要做的是什麼呢？
對於我們來說，重要的是，找到那些即將流失的同學，然後通過做活動或者修改現有的產品(比如數據蛙課程APP上線新的課程內容)來滿足他們原來沒有被滿足的需求
其實這裏爲了識別出可能流失的用戶，我們會引入機器學習的模型來作爲研究，比如我們使用二元邏輯迴歸模型來作爲研究，在模型中，我們將一段時間內用戶的一系列行爲特徵數據（如在線天數、充值金額、積分等級、點擊次數……），代入二元邏輯迴歸方程中，就可以計算出相應的流失概率。
其實這裏我們也能夠明白，數據分析工作者和數據挖掘工作者的內容並沒有差多少的。
3：對已經流逝的用戶進行挽回
用戶如果已經流失了，運營的同學就該嘗試通過活動讓他們回到網站或者產品中，然後數據分析夥伴又要開始分析活動運營的效果了
三：促活躍
主要是指提升用戶使用網站或者產品的頻次，通常落腳點在用戶留存和用戶活躍率上，因此促進活躍的工作是：
1：定義用戶留存與用戶活躍的標準
活躍用戶： 比如，每天只有登錄兩次及以上纔算活躍或者30天內每天登錄纔算活躍。實際上，可能需要針對不同應用，不同的目的來定義活躍。
用戶留存：，簡單來講是過了一段時間仍存在的活躍用戶
2：提升用戶留存率
運營的同學肯定會想辦法提升用戶的留存率，對我們數據分析人員要想辦法來監控產品對我們用戶帶來的影響，主要有次日留存、周留存、月留存這三個。
次日留存： 用戶過來的第二天留存情況，因爲都是新用戶，所以結合產品的新手引導設計和新用戶轉化路徑來分析用戶的流失原因，通過不斷的修改和調整來降低用戶流失，提升次日留存率，一般情況下這個數字如果達到了40%就表示產品非常優秀了。
周留存： 在這個時間段裏，用戶通常會經歷一個完整的使用和體驗週期，如果在這個階段用戶能夠留下來，就有可能成爲忠誠度較高的用戶。
月留存： 通常移動APP的迭代週期爲2-4週一個版本，所以月留存是能夠反映出一個版本的用戶留存情況，一個版本的更新，總是會或多或少的影響用戶的體驗，所以通過比較月留存率能夠判斷出每個版本更新是否對用戶有影響。
3：提升用戶活躍度（用戶行爲、產品使用頻次）
活躍率是指活躍用戶/總用戶，通過這個比值可以瞭解你的用戶的整體活躍度，但隨着時間週期的加長，用戶活躍率總是在逐漸下降的，所以經過一個長生命週期（3個月或半年）的沉澱，用戶的活躍率還能穩定保持到5%-10%，則是一個非常好的用戶活躍的表現。
4：通過圖表清晰展示留存
通過圖標展示，這樣我們就知道某個月新註冊的用戶在接下來的第一個月的留存情況怎麼樣，在第二個月裏的活躍和留存情況如何。
其次，也可以對比不同渠道的來看，比如，選取樣本的時候，我們就看A和B渠道進來的用戶有什麼區別:
果就是A渠道用戶的質量要比B渠道好很多。
再次，我們也可以看產品的改版是否改進了體驗，那就成了這樣：
果真產品的改版改進了體驗的
四：轉付費
其實轉付費這塊對於運營的同學來說，就是讓用戶實現高頻率、大金額的持續購買，並且還要重複購買
1：通過一系列的行爲讓爲付費的活躍用戶付費
活躍向付費的轉化是盈利方式爲用戶付費的網站或者產品的重要工作內容
2 ：通過機制讓已經付費的用戶持續付費
已經付費了得用戶，意味着對網站或者產品有極高的依賴，運營小夥伴會肯定不會讓這些用戶給流失掉，會通過活動運營，比如老顧客購買數據蛙課程，只要8折之類的，以及內容運營，讓付費同學進行二次、三次甚至持續的付費。
3.對於我們數據分析師來說要主要關注哪些指標呢
a.復購率
復購率是一段時間內多次消費的用戶佔總消費用戶數的比。有例如4月有1000位用戶消費，其中500位消費了兩次以上，則復購率是50%。
b.回購率
回購率是一段時間內消費過的用戶，在下一段時間內仍舊消費的佔比。例如4月的消費用戶數1000，其中600位在5月繼續消費，則回購率爲60%。
c.客單價
每一位用戶平均購買商品的金額。銷售總額／顧客總數
d.RFM模型衡量客戶價值
用戶生命週期中，衡量客戶價值的立方體模型。利用R最近一次消費時間，M總消費金額，F消費頻次，將用戶劃分成多個羣體。
最近一次消費R(Recency)
客戶最近一次的購買時間是什麼時候。最近一次消費時間越近的顧客是最有可能對提供的商品或是服務也最有反應的羣體。
如果顯示上一次購買很近的客戶，(消費爲1個月)人數如增加，則表示該公司是個穩健成長的公司；反之則是邁向不健全之路的徵兆。
要吸引一個幾個月前才上門的顧客購買，比吸引一個一年多以前來過的顧客要容易得多。
消費頻率(Frequency)
客戶在限定的期間內所購買的次數。最常購買的顧客，也是滿意度最高的顧客。
如果相信品牌及商店忠誠度的話，最常購買的消費者，忠誠度也就最高。增加顧客購買的次數意味着從競爭對手處偷取市場佔有率，由別人的手中賺取營業額。
消費金額(Monetary)
客戶的購買金額（可分爲累積購買及平均每次購買）
消費金額是所有數據庫報告的支柱，也可以驗證“帕雷託法則”(Pareto’s Law)——公司80%的收入來自20%的顧客。
“↑”表示大於均值，“↓”表示小於均值
因爲有三個變量，所以要使用三維座標系進行展示，X軸表示Recency，Y 軸表示Frequency，Z軸表示Monetary，座標系的8個象限分別表示8類用戶，根據上表中的分類，可以用如下圖形進行描述：
以上就是關於RFM模型的一個大致的框架介紹。接下來我們談談如何運用這個模型對實際工作的老客戶做一個分類。
參考文章
1:如何支持用戶運營，搭建流失預警模型
2:如何來分析活躍用戶和留存用戶?
3:從零開始做運營--張亮
4:老客戶召回策略——RFM模型及應用