前言：這是一篇講述用戶生命週期與流失挽救方面知識的文章，穿插了大量的從BI角度對業務進行數據分析的方法。相關知識的寬度與深度有點高，涉及到的知識點有：用戶生命週期、流量方向的分析方法論、用戶分羣、用戶挖掘、算法、渠道歸因、拉新、端承接、運營、產品等。除了遍歷這些知識外，文章的核心部分是關於兩個數據產品的（關於數據產品方向，文章沒有做更多闡述）。
互聯網的重心一直在 C 端，這些年互聯網的發展也是圍繞着 C 端這個主題。 現存的大小巨頭們圍繞着電商、社交、生活、諮詢、長短視頻等領域割草圈地，其核心還是圍繞着 C 端用戶從每個人的生活進行數據化，再通過數據化進行變現。這些變現模式比如會員充值服務、增值服務以及包含內容收費服務等收費模式，在某些地方多放入點廣告，比如開屏廣告、信息流廣告、各種展示位的廣告等等，從而產生更多的商業收入，這些方法大家玩的不亦樂乎。
但是忽然有一天，各大媒體就開始叫喊着遇到了流量天花板紅利殆盡，同時在這兩年他們也做了大量渠道下沉的工作。現實情況也確實是大部分的流量逐步被開採到接近枯竭，單個用戶的獲取成本從幾毛錢變成近百，所帶來渠道成本、用戶成本、運營成本等各種成本壓力直線上升。 大家也從產品上、運營的角度來想盡各種辦法，對 C 端用戶做各種深度運營並挖掘用戶可利用價值。
在這個深度挖掘過程中會涉及到多方面的工作，其中產品運營、用戶運營是直接能對用戶起到正向或負向作用的業務方。舉例的話，產品說”我要在這個地方增加一個功能， 目的是讓用戶點個贊。我在播放暫停時要給用戶彈出一個可互動功能來，可以增加用戶的操作感（誰想出來的這個功能）“；運營說” 我要把用戶做分層，這批用戶多引導他們充個值， 搞個充一萬返兩萬的活動，只不過分三年返還（我嘞個去，某廠太愛幹這個了） “。
這些工作，不管是產品運營去做、還是用戶運營去做，必然都會需要從產品生命週期、用戶生命週期的角度對 C 端用戶做研究。
那什麼是用戶生命週期呢？
用戶生命週期
用戶生命週期，是指從一個客戶開始對企業進行了解或企業欲對某一客戶進行開發，直到客戶與企業的業務關係完全終止且與之相關的事宜完全處理完畢的這段時間。在營銷學上又稱爲客戶的生命週期。
它的定義爲：引入期(客戶獲取)、成長期(客戶提升)、成熟期(客戶成熟)、休眠期(客戶衰退)、流失期(客戶離開)一共五個階段。那在互聯網中呢，一個用戶從首次安裝使用這個產品開始，到最後一次打開後的這段時間內，可以定義爲用戶的生命週期(備註，該定義來自百度搜索)。
新產品上線、新功能上線、老產品因爲衰退需要退出市場等，都是產品、運營等部門的工作，背後隱含的都是需要管理“用戶生命週期、產品生命週期”。
我們來看一些實際的場景：
- 新產品進行推廣並獲取用戶的時候，需要在各種媒體曝光、通過渠道推廣和營銷拉來新用戶。
- 產品推廣一段時間需要從建設體系、運營體系指定好規則與權益，以及用戶的成長體系，產品的認知教育體系等等，站在C端體驗的角度做好用戶的培養。
- 業務增長很快時，可以圍繞從忠誠度以及背後的數據沉澱與提煉方面，進行再利用的思考，爲帶來更多有價值的用戶來做更多的事情。
- 如果用戶因爲某些原因卸載或離開後，需要對於離開的用戶進行老用戶關懷、郵件推送、好友召喚等，用這些手段進行喚回。
以上的這些業務場景，背後就是利用產品、用戶週期的不同階段，採用不同的策略。
我們用一個短視頻的例子稍微展開講一下用戶生命週期的場景事情。
短視頻產品中的生命週期
比如，一款短視頻App業務，在產品規劃階段需要有的功能定位 ：用戶在信息流中找到自己喜歡的內容並消費（在這裏成爲消費者），在消費過程中再通過各種可視化的表達形成互動，在互動過程中產生成就感或滿足感，然後能進一步促使刷新與消費。
這個過程中，核心內容是 ”看- 表達-互動-成就“ ，互動與成就感驅使 ”內容的消費者“ 回到 ”看“ 這個動作上，進一步形成閉環。
將這個場景進一步具體化，就是在信息流中發現有趣的且自己喜歡的內容並進行消費；在這個消費的過程中可能會有互動的行爲產生，比如說點贊、評論、互動、跟帖等；再通過激勵措施形成更強烈的成就感。在某些激勵措施下驅使用戶不斷的進行消費，通過成長、等級差異產生的各種沉澱兌換更多的獎勵來產生更多的消費。例如有一天某消費者忽然生產併發布了一條內容， 這條內容通過算法下發到信息流中被更多的人消費了，然後系統通過激勵機制的進行換算並獎勵了視頻的生產者。
通過激勵與獎勵的不斷刺激促進下面兩條關鍵線的循環：
對於消費者：發現->消費->激勵->再消費的環線；
對於生產者：生產 ->發佈->獎勵->再生產，從而逐步的形成一個自循環的生態。
如下圖所示：
在這個流程的主幹都有了，我們再需要具體化一下場景：
- 比如用戶在信息流中不停的下拉刷新，尋找自己感興趣的內容就會點擊消費。
- 在信息流看到一個很有意思的視頻或圖文點贊留言，通過更多的刺激性的引導（比如成就或激勵），讓用戶在這個過程中產生更多的互動或其它的一系列的場景化。
- 針對話題輿論引導，建立更多的互動類與話題類場景，用戶會因這個話題而聚集，從而產生更多範圍更廣的內容。
- 激勵與獎勵的存在，會讓部分人因爲利益的驅動從而去生產更多的內容，這樣從單一的表達進化到社區活動再促進社羣生產。
如果把這些場景都覆蓋到流程上，對於前半段的內容化與後半段的社會化，我們可以具體如下圖所示進行細化：
從產品角度來看內容化、社會化這兩個方向，具體分解，可以得到更多的功能的列表。比如，內容化涉及到的功能有短視頻的基礎體驗、顯示調性展現、用戶引導、產品基礎性能。情緒點消費，包含情緒點聚合、真實感、實時感等表達與展現。 社區互動需要建立互動場景、話題運營、用戶密度、生產引導等。
進一步從產品的期望、興奮、無差異化角度來看，細化如下：
- 期望型功能：
- 短視頻發現與播放體驗
- 客戶端基礎性能
- 基礎互動與沉澱功能
- 興奮點功能：
- 情緒化表達
- 情緒化內容推薦
- 無差異化：
- 相關互動
- 沉澱功能
到此爲止，這款APP的基本功能已經具備了，經過一段時間的緊張開發與測試β版發佈，相關的運營、渠道、市場都是要配合同步來做各種推廣與拉新的。
在產品規劃階段，需要將這個產品相關的各個物料、角色全部都運作起來。等到產品推廣時，渠道市場相關、運營相關、內容等方面都會圍繞App 的定位、目標用戶羣體與內容進行開展，下圖是一個大概的策略節點：
其中各個角色需要做的事情：
- 市場：需要根據產品、品牌、內容等進行一系列對外推廣的工作。
- 渠道：根據策略調整渠道投放、預裝廠商與機型選擇等等。
- 運營：達人的引入、個人引入、獎勵機制的設置、內容生產引導等、玩法引導等、精品池的打造、內容結構化、UGC社羣的運營，圍繞這些進行一系列的推廣，按產品的節奏去做運營的工作。
- 算法：冷啓動、下發策略、內容池建設、各種模型建設等。
- Growth：渠道優化、各種 deeplink 測試，重點投放、外部換量，促活等，圍繞拉新促活。
- 產品：配合各方在優化功能，產品模塊落地等。
從一個數據人角度，我將渠道、投放、客戶端、用戶、場景、內容、算法、內容庫、生產、結算等主幹關係大概梳理如下：
裏面幾個業務角色做的事情與C端用戶都有很大關係，簡單來說：
- 市場投放或從渠道過來的 C 端用戶，根據品牌推廣時間點、放量大推的內容，或吸引很多新老用戶過來使用這個 App，用戶從首次安裝 App 到啓動瀏覽消費、再到深度消費，這個過程中，一個新用戶逐步的會變成老用戶，或者在使用過程逐步的流失掉。
- 新產品產品上線，需要內容聯動，尋找種子用戶，提升留存與轉化率。
- 放量推廣階段，拉新質量，渠道轉化效率，產品問題，內容質量、話題質量等一系列工作，就是想辦法培養忠實用戶、調動終身價值，降低流失。
- 產品策略調整，可能新的功能上線等，關注增量用戶到存量的轉移、用戶持續活躍，降低流失。
在這個過程中的投放找用戶、放量搞促活、策略調整防流失等，從產品、運營角度已經開始對用戶不同階段有意識進行分層做業務了。BI團隊也從用戶生命週期，用戶活躍天數、用戶流失天數、用戶最長訪問間隔、啓動次數，vv，ts，用戶類型，用戶視頻偏好對用戶進行了不同的細分，便於開展定向工作。
我大概列舉了一下從用戶生命週期角度來做的一些工作內容，如下表：
| 用戶生命週期 | 用戶類型 | 特徵舉例 | 配合部門 | 工作內容(大概舉例) |
|---|---|---|---|---|
| 引導期-潛在用戶 | 潛在用戶 | 90後、00後等愛分享、個性化的用戶羣體 | 市場、渠道、產品、運營 | deeplink深度，基於素材的冷啓動優化，投放內容/素材的供給優化 |
| 新用戶 | 新用戶 | 首次安裝且啓動了該APP的人 | 渠道、產品、運營、算法、數據 | 新熱、高熱、冷啓動池、產品迭代等 |
| 成長期 | 低活躍用戶 | 首次安裝且啓動的在定一段時間內啓動並刷新內容的人，刷新頻率比較少瀏覽深度比較少的 | 渠道、產品、運營、算法、數據 | Push，獨家內容、長劇拆條、內容再造（熱點IP再造、榜單類再造、新熱內容、影劇熱評、前瞻、排行榜；明星探班、專訪類；明星惡搞剪輯類）、產品迭代 |
| 成熟期 | 留存用戶 | 消費、互動、轉發都比較多的額人在一段時間內持續啓動的人 | 渠道、產品、運營、算法、數據 | Push，獨家內容、長劇拆條、內容再造（熱點IP再造、榜單類再造、新熱內容、影劇熱評、前瞻、排行榜；明星探班、專訪類；明星惡搞剪輯類）、產品迭代、問答玩法、主題玩法等 |
| 衰退用戶 | 預流失用戶 | 距離上次啓動已經距離好多天的的用戶 | 渠道、產品、運營、算法、數據 | 針對性的熱點與Push拉活 |
| 流失用戶 | 流失用戶 | 已經卸載的用戶距離很長時間沒有啓動的用戶 | 渠道、產品、運營、數據 | 電話、體驗回訪，召回等 |
從用戶的引入到最後的離開，用戶在產品中經歷過的幾個不同路徑經模擬有，下面大概四種類型路徑：
每個業務，不管是產品還是運營都需要用戶分羣，根據用戶的不同階段與特點，從內容、產品功能、活動等各種手段來提升活躍的留存。
現在互聯網的世界裏一切都是爲了增長，一切閃現的創新都是爲了讓產品產生爆發式成功的可能性。但這些都非長久之策，我們能夠拿出很多個例子，很多App雖然一夜爆紅，但大多數都像曇花一現，最後淹沒在App的浪潮中。
一款App能否留住用戶，歸根結底還得看能否滿足用戶的中長期硬貨需求。做C端生意必然得有流量，聚集起大流量才能做到大生意，那麼從數據分析的角度是如何去理解呢。
流量下的用戶水池與用戶價值遷移
做流量通常都會看到這樣一個圖，每日的 DAU 、每月的 MAU 相當於一個大水池子，新用戶相當於入水口，流失相當於出水口。如果想不斷增加水池水量，辦法只有增加入水口水量或減少出水口的量，這樣才能讓水池的水逐漸的增加。
如果把活躍比作水池、NU比作入水、流失比作出水，如果要增加MAU量，就需要從市場投放、買量、安裝、激活、承接、拉留存、減少流失等角度使用不同產品與運營手段。比如：
- NU 用增與投放部分，從數據角度要判斷清楚新用戶是經過什麼轉化爲老用戶的，要從行業的角度、看自己數據現狀角度、新用戶的價值鏈條角度、渠道角度分析來做比較全面的分析，在進一步在產品運營事情，比如定製化的界面、內容等等。當然在渠道方向可以做的分析與建設還是非常多，後面有機會專門拿出一個篇幅來寫渠道相關的（比如你是怎麼考慮歸一化的呢，是用基於shapley值歸因、markkov連圖歸因、還是first_time、last_time、first_click , last_click 、基於時間序列的某東西、deeplink、或者是幾種模型合併在一擴展）。
- 活躍提升需要從渠道質量的角度、成本、商業化、各類深度、畫像路徑、角度進行拆解分析，才能做到精細化的探索與精細化到小羣體的策略。
- 比如流失分析與挽救，要進行流失用戶的定義，不同的產品有自己的業務用戶特點，是需要具體業務的場景具體來做定義，比如說微信錢包、支付寶偏工具性 App，王者榮譽、喫雞等遊戲類 APP、聊天軟件等，瀏覽器工具類產品等，用戶一週內、一個月內不使用可能就造成了流失。我們需要從用戶產品生命週期中分析一個用戶使用曲線來定義流失。
定義流失後還需要從用戶畫像、用戶分羣、流失特徵等多角度來做分析，找到特性後在利用運營手段配合一定資源來作爲挽救。（該圖來自網絡）。
在流量這個方向，結合著名的 AARRR 模型來看，從 BI 的角度做了分析方向的拆解，在這個系列中大概用到的分析包括同期羣分析、漏斗分析、路徑分析、留存分析、用戶分羣分析、ROI 分析等方法。在用戶生命週期的每個階段，都可以用這些方法去做分析。（備註，之類的分析模型在本章暫時不展開講，等在後續的數據分析序列中在做闡述）。
不同的羣體會隨着時間的變化而變化。 一個高活躍羣體隨着時間、版本迭代功能產生增減，內容的變化會造成用戶使用習慣的上的變化，例如有大概有1000個DAU的小用戶羣體，這個羣體在信息流中消費是高頻高額的。
隨着時間逐漸流失，這個一千人的高頻小羣的用戶也逐步的發生變化。其中有300個人消費頻次越來越低，如果此時剛好渠道運營做拉量活動，其中有300個新用戶因爲突發性的高頻高額消費被補充進了這個1000個用戶的人羣中。
我們從指標上看到這個人羣規模保持了1000個DAU不變， 但是具體來說有可能是人羣有300個出去了， 但又進來300個人。雖說從指標上看還是1000個高頻高額，但是這個用戶的價值結構已經發生了一些變化，此時這個羣從用戶價值角度看已經發生了羣體規模特徵遷移。
比如在商業化中，給公司產生高收入的人羣，隨着時間的變化羣體總數不變，但是個體一直在變化，從收入角度看似沒什麼變化，但是從價值規模變遷角度來看變化是比較大的。
一般的我們會關注人羣的遷移是正向遷移還是負向遷移。一般的情況下，在產品、運營各方面做的都好或這個業務生態很健康情況下，人羣應該是都往正向遷移的。反過來，如果人羣負向遷移比較多，就說明已經出了問題。但是很多業務都用數據說話，看DAU/MAU都很高，就認爲沒有什麼問題。
由於產品、運營對於產品的功能、運營的內容、市場的變化以及用戶需求不斷的迭代升級，每層用戶都可能在每天發生行爲上的變化，所以我們除了分析流量指標外，還是需要更多的關注在用戶生命週期內的每個羣體每天心智發生了哪些變化，用戶對於我們產品的認可和依賴發生了怎樣的變化，以及評估如何採取運營抓手可以針對性地促進哪個遷移路徑。
例如，我們從用戶分羣、用戶價值角度做了一個分類，分爲高中低三個價值區間，其中價值爲中等的用戶羣體在某些指標變化不大，創造的總體利潤或收益也是變化不大，但是拆成細節來看降遷的比價等於從低價值區間升遷上來的。
其中降遷的用戶羣體是因爲我們的產品某些特性讓這些有價值用戶羣體在逐步的做小羣之間流失。升遷的用戶羣是因爲運營上的活動強拉上來的。 例如下圖所示：
進一步這個價值中等的人羣（下圖的例子是給出了一個小部分的截圖），可以得到更加精細化的運營策略與產品策略，發現更多的一些問題所在。
產品、運營的定向優化是面向這個中等人羣，在優化完畢並上線後分析用戶每天淨正向&淨負向的情況。
如果高粘性和中粘性的用戶都在淨正向明顯增加、淨負向明顯減少，說明優化是有效的。反之是有關聯與波動性影響的。
在用戶分羣中，通過用戶生命週期與疊加的價值分羣的方式，是可以更有效的去做針對性細化與作用用戶的。這個能力是可以泛化爲數據產品的。
備註：本文中涉及到小部分知識來自於百度搜索。
作者介紹：
松子（李博源），自由撰稿人，數據產品 & BI 資深總監。個人公衆號：songzi2016。