Question

虽然很多人做了很久的用户运营，但其实大多数是围绕指标做运营，我们是不是真的了解自己的用户，要画一个很大的问号。

所有的用户运营工作，都建立在一个相同的基础上，即对用户的充分了解。如何证明我们了解用户呢？举一个很简单的例子。假设要做一个User Referral（用户推荐）活动，运营人员应当知道，用户喜欢用哪些渠道进行分享和邀请，同时也应当知道，这个活动在哪些外部平台推广宣传，或者和哪些外部平台做联合推广，会达到最优效果。

运营人员还应当知道，用户来了之后，有哪些资源可以促进用户在产品中停留，采取什么方式可以让他们持续活跃。如果用户活跃了，有没有付费点可以让用户进行付费行为，付费之后，用户体验是否会得到提升。如果用户离开了，有没有办法让他们回来。能否通过分析用户的行为，让其他用户不要离开，或者不要这么快离开。

所有的工作，都围绕一个内容——人。既然用户是人，就绕不开需求理论。

图5–1

马斯洛认为人的需求是有层次的，首先要满足生理的需求，然后会出现对安全的需求，之后是社交需求，进而渴望被他人尊重，最后追求自我实现。用一种比较通俗的说法就是：先生存后生活，先赚钱后享受。

不管马斯洛的需求金字塔对不对，我们必须承认，互联网产品自身的发展和这个金字塔结构很相像。另一个必须承认的事实是，作为互联网产品的用户，其需求也是如此。一个产品由多个功能组成，这些功能满足用户不同层次的需求，从简单到复杂，从简陋到丰满。而用户运营人员要和用户一起成长。

让我们想象这样一个场景：某个社交产品的用户最初只是为了满足沟通的需求，并不在乎和谁沟通，慢慢地，他们可能希望将自己的联系人分组，或者希望可以同时和一群人聊天；接着，他们可能觉得纯文字已经不能满足表达需求，于是希望可以加入图片、语音、甚至视频；再后来，可能觉得只聊天没意思，应该能和好友玩玩游戏，分享生活点滴……终于有一天，他们觉得聊来聊去都是这些人，好想和陌生人聊聊天，或许还可以约出来喝喝茶、谈谈人生。

是的，产品也因为用户的需求而变得丰满、甚至臃肿起来，更甚，公司做了另一款或者另几款产品来帮助用户实现需求。而这个时候，我们发现用户运营也变得复杂起来，越来越多元化。其目的就是为了更好地服务用户，其立足点是对用户的了解。

那么，我们如何了解用户，我想接下来分2个方面讨论这个问题：

·通过数据窥探用户。

·直面用户。

通过数据窥探用户

在前面的章节中，我始终强调数据的重要性。数据不仅仅验证我们的运营效果，还可以借此窥探用户的偏好、习惯。

我们以一个电商网站的浏览路径为例，看看如何做到通过数据窥探用户。

图5–2是一个用户从进入某个电商网站，一直到付费的简单流程。通常，在图5–2所示的每一个环节中，用户基本都会做以下几件事。

·浏览：用户会在网站内随意逛逛，对应的数据指标是停留时长。>关联指标是点击、注册、登录。

·点击：用户会在页面上随意点击，包括网页上的广告、按钮、图片、链接。

·注册：用户可能会点击首页上的注册按钮或者注册链接，进行注册。

·登录：用户可能会点击首页上的登录按钮或者登录链接进行登录。

·蹦失：请注意这个词的定义，蹦失不等于跳出，蹦失是用户直接离开页面或者关闭浏览器。跳出是离开这个页面，在正常流程中，用户也会跳出，不一定是蹦失。

图5–2

·操作：用户可能点击进入查看商品的列表，也可能点击查看商品的详细介绍，还有可能决定下单、付费。

单独把这些拿出来看，意义不大，它描述了一个用户进入首页之后的所有动作。我们可以根据这些动作，去了解用户是否喜欢这个电商网站，用户在哪些地方遇到了阻碍，这些地方是否可以改进，用户转化情况如何，是否可以优化相关流程等。

这是数据给产品层面的提示，那么运营层面可以据此得到哪些提示呢？

详情页转化率

首先，电商平台的运营人员要关注什么？第一点和绝对值相关：订单量、客单价；第二点和百分比相关：转化率。

那么，转化率是怎么来的？转化率有几个层面的不同定义：

列表页转化率=最终下单用户数/商品列表页到达用户数

详情页转化率=最终下单用户数/商品详情页到达用户数

支付转化率（支付成功率）=支付成功的用户/最终下单用户数

对于电商平台来说，支付转化率是不可控的，列表页转化率也很难控制，详情页转化率是唯一可控制的。所以，不管是淘宝还是京东，商户都非常在意详情页的设计和内容展示的方式，而电商平台都在浏览路径的畅通和评论系统的丰富上发力。这就是运营人员或者产品人员剖析数据产生的结果。

首先，如果详情页转化率不高，运营人员会关注停留时间和内容呈现的关系。如果内容呈现有问题，用户停留的时间就会过短或者过长：过短是因为页面内容不丰富，也可能因为内容包装对用户没有吸引力；过长则是因为用户看不到重点，并且用户下次停留时间可能会变短，因为用户实在没耐心看——这个时候，页面的蹦失率就会变高，而不是跳出到支付环节。

我们随手在淘宝搜索一下“连衣裙”，选一个很多商家都在卖的款式，然后我们来看一下销量最高和销量最低的两个详情页。

销量最高的详情页是这样的结构：

· 视频展示+优惠券

· 店内优惠推荐

· 商品的官方小编评价

· 商品相关信息以及细节展示

销量最低的店铺的详情页第一项展示就是参数，并且使用了非常模糊的图片，给人一种盗图和山寨的感觉。

商家对待页面这样不用心，销量低的原因就不言而喻了。

除了详情页转化率，商户和平台还会比对不同商户的同类商品的转化率，以确认究竟何种内容呈现更利于促成下单，最后，会得出结论，有针对性地加以改善。

用户推荐

其次，另一个在电商平台常见的现象是为用户做推荐。比如我们经常会看到的淘宝“猜你喜欢”这个栏目以及亚马逊的个性化推荐。

图5–3

资料来源：淘宝平台的“猜你喜欢”

图5–4

资料来源：亚马逊基于用户浏览过的商品所做的相关商品推荐

如果这些推荐不是随意提供的，那么它们是如何出现的？这里有两种比较简单的做法：根据用户的浏览历史进行相关性推荐；根据同类用户的购买历史进行协同过滤。

推荐的具体算法我们不讨论，我们只讨论运营的逻辑。

相关性推荐的运营逻辑是这样的：因为某个用户浏览了一件商品，所以向用户推荐同类的其他商品。比如，用户看过牙刷，所以推荐给这位用户有关口腔护理的商品，譬如牙刷、牙膏、牙线等。

图5–5

而协同过滤的运营逻辑虽然略复杂，但也比较简单。简单地说，就是让相似的用户模型购买过的商品被互相推荐，而不具共性的用户模型购买过的商品被过滤。比如，一位女性用户买过连衣裙，另一位女性用户买过打底裤，而她们年龄相近，所以系统会为买过连衣裙的女性用户推荐打底裤，为买过打底裤的女性用户推荐连衣裙，但不会为另一位未购买过连衣裙和打底裤的男性用户推荐这两款商品。

所以，你大概已经有了一个概念：数据需要归类，不同类别的数据需要分门别类地存放和使用，然后找到数据之间的关联与逻辑关系，分析需要归因，对数据产生的现象背后的原因要加以分析和查找。

图5–6

重现与试错

当然，由于用户运营面向的是人，而人的想法难以预测，所以，不管是归类还是归因，最后都需要验证推论的正确性，这就产生了持续运营的总结和归纳，表现到行为上，就是重现与试错。能够确认的归因就重现，不能确认的就试错。通过这两种方式，用户运营人员就能以较高的高度和较宏观的视角，去看待和了解用户。

数据还可以帮我们描绘用户可能是什么样的人。比如，App上有一个用户A，一直不注册，但是一直用唯一的一台设备打开某个UGC社区。数据显示：A在最近30天关注了：求职、互联网、产品经理、移动互联网。

那么，我们可以推测，A可能是一个正在寻找移动互联网和互联网产品经理职位的求职者。我们可以尝试对他进行注册转化，比如让产品人员做一些设计：最多浏览多少篇内容，系统就会提示注册，否则无法继续浏览；比如做一些推送：想了解更多更全面的互联网产品经理岗位的内容，请先注册并完成登录；比如做一些活动：现在注册，即送《产品经理葵花宝典》一本。

做这些尝试的前提是，对于用户数据要区别对待，而不是一视同仁。这也是“个性化运营”、“精准营销”所强调的，应当满足用户的个体需求，而不是刻意寻求共性的解决方案。当然，用户运营人员绝对不应该只为了某一个用户提出假设，这样做成本太高，所以，通常的做法是先对群体完成推测描像，然后再讨论可行性方案。

数据不仅可以印证我们的猜测，还可以帮助我们了解用户的需求，找到可能的解决方案。譬如，某通用积分平台的用户使用积分在第三方平台购物返利的数据如表5–1所示。

表5–1

从以上数据中，我们可以得出哪些推论呢？

第一，该站点用户的可用积分并不多，大多数用户获取积分的途径比较单一，一部分用户很习惯通过这种购物方式来获取积分。

第二，该站点的用户有使用积分抵扣现金购物的习惯，并且额度分布比较分散，抵扣价值从几毛钱到二三十元不等，既有占现金比重千分之几的订单，也有占现金比重30%的订单。

从这两个推论出发，一个用户运营人员可以做出以下运营计划：

·扩大积分的获取途径，让用户获取积分更容易。

·从用户的行为来看，积分对用户是有吸引力的，从摘录的数据来看，部分用户有获取积分、累积积分的习惯，但消费不积极，因此除了增加获取积分的渠道之外，采用一些方法降低积分的使用门槛、增加使用范围，是一个不错的选择。

·应该继续增加可接入的第三方购物返利平台的数量与类型。

·还可以考虑做一些活动，奖励那些从未使用过购物返利的用户，增加用户对该产品的认知。

当然，从这段摘录的数据中可以获得更多的运营思路，比如，某个时间段的使用人数特别多，值得深入分析。

最后，千万不要忘记，数据是佐证，是猜测，是推论，数据带来的这些运营可能性需要被验证，并通过后续的数据体现出来。

直面用户

数据为我们提供预测用户的依据，帮助我们验证猜测和推论是否成立。但是，数据绝不是唯一一个了解用户的途径，事实上，有一种方法被广泛使用，产品经理称之为“用户研究”。

当然，从运营角度来看，直面用户的方法可能未必需要那么多，但是其原理是一致的。需要注意的是，运营与用户面对面地做深度访谈之类的行为是比较困难的。所以，运营直面用户的途径主要有以下几种：

客服事件反馈

用户运营人员千万要重视与客服同事的沟通，因为当用户有不满时，会第一时间找客服——假设他还愿意留下的话。

客服通常会提交事件给相关的项目组或者产品、运营人员，以提示有问题发生，用户需要得到解答。很多运营人员对这样的事件是不屑或者没有耐心去处理的，理所当然地觉得客服很麻烦，用户很傻很天真，为什么一个如此简单的问题都搞不清、搞不定。

事实上，客服是直面用户的第一道闸门，这个闸门既可以为运营和产品人员指出已有的问题和潜在的风险，也可以隔绝所有问题的反馈并阻挡改进的步伐。

所以，我们要多沟通、多思考。

至于如何使用客服事件，使其产生价值，我的建议通常是先记录所有的客服事件并挖掘其背后的问题，再归纳其共性。从运营端找到用户最关注的点，立即予以解决或排定优先级着手解决。

电话回访

当你发现客服反馈的问题非常具有代表性，或者不知所云，在条件与规范许可的情况下，你可以主动对这个用户或者这类用户进行电话回访。

回访的关键在于明确问题，尝试让用户重现问题以帮助自己明晰症结所在。当然，并不是所有的情况都适合回访，因此，必要的时候，还是应当在与客服沟通后，完成回访。

问卷调查

这是最简单、最直接，但也最容易徒劳无功的做法。

问卷调查的方法有几个关键点：尽量客观地描述选项；尽量避免预设立场之后进行问卷设计与分析；尽量让问卷的设计可以覆盖大多数用户，提供大样本基础；尽量回收足够多的有效问卷。

这些说起来都很简单，但做起来很难。

聚类调研

这个说法其实不是很准确，因为这一调研方式未必是直面用户，也有可能是推论。直面的是类似用户，推论的是选型用户。

所谓选型用户，就是预设立场选出来的典型用户。比如，如果要分析流失用户，就要把所有已流失的用户收集起来，然后去分析他们流失前一段时间的行为，比如他们在1个自然月内的变化，从而建立流失预警模型。当然，你也可以直接找出已流失用户的电话号码，约时间当面进行沟通，从而获得对某一类用户的调研和认知。

内部可用性与易用性测试及反馈

这一点似乎更像是产品经理的工作，事实上，由于用户运营和产品紧密关联，所以，内部可用性与易用性测试以及获得的内部反馈的价值，对用户运营人员和产品经理的意义几乎是等同的，他们可以各取所需。

早期的微信，用过的人应该都觉得很多功能不好用，用户体验不好。但如果你是第一批用户并一直用到现在，你会发现，微信的产品改进很快，每个版本上不好用的功能或者不好的体验，基本上都会在下一个版本得到解决。当然，有些没解决的功能和体验是故意为之，这种情况主要集中在早期的一些版本中。虽然，在那个时候不论增加了什么样的功能和做了多少改进，用户都会觉得惊奇，但是不可否认的是，对于产品来说，快速迭代、试错调整，是必由之路。

当然，在产品迭代中，有很多需求是故意不解决的，这就涉及如何确定产品功能优先级的问题，在此不再赘述。

让我们回到微信。我想以微信为例，说明一个产品是如何直面用户，快速改进的，事实上，这也是用户运营的一个重要部分。

微信在早期运营中，通过微信的产品经理们，通过客服、内部反馈平台，通过身边好友、微博等各种渠道收集用户的反馈，然后将用户反馈收集、整理、归纳，找出重要的需求点，并予以优先解决。

之后的事情，我们都知道了。微信通过4年的运营，收获了5亿活跃用户。