前言：

2021年初，我阴差阳错的入职了南京本地一家做社区生活的公司，负责公司除供应链外其他部分的整体运营工作。

本文是对这段工作的回顾，从用户、数据、活动、社群、组织等方面进行了复盘，希望本文能得到更多朋友的指导和帮助。

另外该项目模式有别于社区团长模式，采用的是全职合伙人和社区内固定场地的方式经营，并非广撒网式的兼职团长。请读者注意甄别。

这家公司的母公司是做楼宇和智慧社区软硬件的企业，是万科、中南等房企的top供应商。除南京外，其他地区都是做智慧社区的主营业务，在南京的分公司独立开展了这个社区生鲜电商的项目。

我刚加入时业务入驻了南京10个小区。做“T+1预售+社区站点”的模式，在小区内部有自己的服务站点和客服小妹(服务站点只有商品二次分拣和小仓库的功能，不做商品陈列和现场售卖）。

客服小妹负责在小区内服务业主，配合推广团队做地推拉新，日常维护社区内的用户等等。

(图1：公司业务模式)

线上运营部门有4个db+1个平面设计+1个新媒体+1个活动策划+1个运营经理，都是经验比较稚嫩的小伙伴 ，但好在大家都是年轻人，踏实肯干聪明好学是最大的优势，业务也刚起步，可以随时调整打法，有很大的可能和空间。

而我要做的是把经验和方法论转化为落地的动作，带着大家形成结果，道阻且长，行则将至。

由于之前没有完整的运营框架做支撑和指引，我们的产品也没有做数据埋点，也就是说APP的访问量转化率留存率复购率等等数据都是一片空白，所有的运营动作没有过程跟踪，只能依靠最终结果(GMV、付费用户数等)来做评判。

所以我之前在大公司习惯的、看似理所应当的那套玩法显然已经没有可操作性了。

《荒野求生》里教过，当你迷失在森林里，找到河流顺着走就能获救，而我的“河流”就是“用户”和“数据”。

一方面线上运营所有的策略路径方法，最终都是为了驱动用户按照我们的设计路径去行动，从而达到设定的各项目标；另一方面，随着数据技术的应用和市场竞争，我们也应该从经营商品的思维转换到经营用户的思维。

所以，“用户运营”是我们最优先的核心抓手。

因为app没有埋点也没有把数据做到后台功能里，所以所有的数据都需要后端导表给我，在条件不够的情况下，往往需要简单直接，所以我先把用户简单分为了3个类别：新付费用户数+活跃用户+沉默用户，每周拉取一次，针对不同分类用户制定相应运营策略。

例如新付费用户的定义是：上一周内第一次下单的用户，对这类用户的运营目标是：促二次复购，对应的运营动作是：线上发放全品类低门槛优惠券。线下上门送货时提醒，并加群加微信。

而到了次周我们再拉取一次名单，如果上周的新付费用户产生了复购，则流转到“活跃用户”一类，再对应不同的运营策略。如果没有产生复购，则流转到“沉默用户”，同样对应相应的运营策略。

至此一个初步的用户分类运营体系就搭建好了框架，用户成长路径完成了一个简单的闭环。剩下只是一步步精细化运营动作，对用户行为数据进行深层次分析并将其归因归类。

（图2：用户分层及引导策略，策略部分之后根据数据反馈又调整了数十版）

通过各项数据的变动情况，对不同类别用户运用不同手段，触达方式和运营策略进行了多次迭代，比如对于新付费用户的红包发放，从最初的50减10到20减5，从品类券到通用券，降低了新付费用户二次复购的门槛。

发放红包的时间、短信通知的时间也都进行过数次调整，每天为新用户的单子手工打上标签，编辑针对性的话术，让客服小妹在给新用户上门送货时候推荐低客单价高频商品，告知红包优惠，引导新付费用户持续活跃。

（图3：后台针对不同用户发放不同门槛的红包)

（图4：生命周期管理）

而沉默用户的唤醒在最开始阶段唤醒率很低，主要是缺乏触达用户的途径，我使用了很“呆”的办法：客服小妹和地推团队拿着该小区的高价值沉默用户名单挨家挨户上门。

因为这些用户是我们的老用户，对我们的产品和社区内的服务站点是有认知，所以理论上这样的上门是比较精准的。我们导出沉默用户名单后，会根据消费记录对沉默用户手工打上标签。

例如：肉食用户、水果用户、家政用户等等，使用不同的商品或话术去引导他，比如1块钱蔬菜、9.9块洗衣，肉品10减5等，让用户面对面再次下单。

半个月的上门最终唤醒了近3000个用户。开门率和下单率各50%，也就是说拜访100户业主，有50户有效开门，25户当场再次下单。也许看起来这种方式很LOW，效率也不高。

其实这就是O2O业务特有的线下触达能力的延展罢了，而且最终测算下来ROI、周留存等指标也很高(2021年7月时候“肉联邦”等社区生鲜公司开始采用挨家挨户扫楼的方式，而我们在2021年就做了，而且做的更精细更高效）。

下图为当时两个社区用户一周的回访统计表：

（图5：沉默用户召回）

在对用户进行分类分级运营后的第一个月，新付费用户的21日复购率已经在40%以上，arppu值(每付费用户平均收益)从37元提升到了55元，而沉默用户的唤醒率在50%以上，日付费用户数上升50%，销售额环比增长40%。

小伙伴们虽然辛苦却十分开心，但这样超负荷的工作还是有可以提高的地方，一方面是沉默用户的唤醒无法长时间依靠线下上门，人力有限； 另一方面对用户的补贴还是比较粗放，用户数据依然是每周手工导表，对购买行为没有更精细的区分。

虽然用户已大致分为了新付费用户+活跃用户+沉默用户三大类，但是区间里的维度摆动还是很宽泛，下一步要的就是将用户再次细分，缩小运营颗粒度提升效率。

实际上在移动互联网还没有诞生的时候，连锁零售、银行、航司等等传统行业早已运用RFM或类似模型对会员客户进行细分。

RFM模型简单来说是通过每个用户付费的“频率”、“近度”、“金额”这3个维度进行归类。根据业务形态及具体目标不同，RFM模型可以将用户分为“高价值用户”、“重点发展用户”、“高价值召回用户”等等七八个大类。

(图6：RFM模型)

回到我做的这个项目上来看，通过RFM对用户进行分类的好处很多，比如沉默用户唤醒，之前我们是挨家挨户上门回访激活，虽然激活率有25%，但也意味着有75%是失败的。

如果能通过RFM归类评价，那我就会先找那些之前下单频率高+消费金额的高价值召回用户，这样的沉默用户要比1年前只下过1单的低价值用户更容易唤醒，也有贡献更多GMV的预期。

再比如，我对活跃用户的补贴可以更有针对性，对于频率高+金额高+最近经常购买的用户，其实是可以做“歧视”的，这部分用户的价格敏感度低、粘度高，可以减少对这部分用户的补贴。

还可以根据消费品类发放针对性的补贴券，比如A用户经常买的品类是肉品，那我们可以发一些其他品类的优惠券促使他体验其他商品和服务，从而加深用户粘度。

面对杂乱的源数据，我们试着先把高金额的家政订单剔除，再把1个手机号多个地址的账号剔除，最后将1天内重复下单的单子合并。

最后总算捣鼓出了一个比较靠谱的RFM表，虽然没有了家政订单，忽略了代下单用户，但对于绝大部分用户的分类更精确了。至于家政订单和代下单用户，则有别的方法解决，这是后话了。

下图为某小区RFM用户表部分截图，为保护用户隐私，手机号码和相关数据已做处理：

（图7：某小区RFM用户分类表）

通过RFM模型，我们把用户分成了不同类别，重点聚焦到“高价值客户”、“重点发展客户”、“重点召回用户”，在线上运营时通过区别推荐商品，优惠券红包针对性发放，触达频率和手段的区分，最终达到了较为精细化的程度。

运营成本中的红包补贴一项降低了近20%，而GMV、ARPPU、日均付费用户数等指标则不断增长。顺便也解决了之前沉默用户唤醒问题，我们的客服小妹和推广再也不用挨家挨户上门了，而是拿着运营给到的“重点唤醒用户”的名单，有针对的微信私聊，电话触达，群内识别。

而线上运营也会发放不同策略的优惠券或红包，通过短信触达用户。在不上门的情况下，沉默用户唤醒率反而还提高了10个点左右。

在完成RFM模型后，我又重新梳理了我们的用户漏斗，对每个流程进行了优化。将各流程的动作规范化机制化。

（图8：AARRR模型）

在初步建立了用户运营体系之后，所有的用户运营已经实现了闭环。

再进一步就是做用户运营的自动化，也就是把需要人工处理的数据，做成系统的功能，形成一种开放的能力，也是这两年流行的中台概念，限于篇幅这里就不展开论述“中台”这个概念了。

（图9：原表）

以上是一张后台导表数据，这里字段包括了手机号+姓名+时间+地址+商品+商品分类几个要素。

我们之前做的RFM模型，做坐标模型，针对性发券、不同运营策略等等，都是先对业务需求进行梳理，找出核心指标和关键影响因素，搭建一个模型，再人工拉取我们要的各项数值填充到模型里，最终行程策略辅助运营的落地。

实际上以上这些都是在技术支撑不够的情况下，我自己化繁为简的土办法。在技术比较OK的公司这些都通过产品、数据、算法、开发、测试等N个角色配合完成的工作，是一套体系化的、动态流转的、自动化的流程。

举个例子：在滴滴出行，他们通过算法和机器学习去给用户发券，用户特征的筛选组合都可以通过bucketize或vocabularize做处理，最后得到一个用于发券的分类模型。

在提升运力方面，使用EM算法对司机进行分类，识别出不同类别的司机，为运营策略的制定和落地提供支撑。

同时在做用户留存时，采用SHAP + XGBoost挖掘影响用户活跃的因素并进行量化，最终形成一张纵轴是每个衡量维度，横轴是feature value的坐标图。

所有信息输出一张大表，运营同学可以在表里找到对应运营场景，提升运营效率影响用户行为。当然这是比较技术性的问题，只需要大致理解即可

作为一个优秀运营，所有的运营动作必须要做到数据化、可视化、在线化，可量化可解释可预测。

运营可以不懂技术，但是必须要有这个意识，并明确你要的是什么、产品研发是如何实现的、流程是什么、影响因素是哪些，运营要确定的维度和因素是哪些，这才是高效率高品质高阶的运营能力。

留存与增长永远是互联网业务的最核心目标，特别是在业务单元为：社区、校园、城市这类物理场景固定的业务中，留存和增长都是核心生命指标。

在一个固定物理场景中，我们的用户总数、用户需求、用户行为、用户生命周期等参数都是相对固定的，这类业务如果要形成规模，一是扩展物理场景，二是做足渗透率提高需求频率。

比如滴滴出行，当滴滴在北京的运力达到一个水准后，是保持动态平衡的，接着滴滴想要扩展业务规模必须要开拓新的城市，但是业务物理场景的扩展意味着运营成本的增加，这是提高业务规模的一面。

而做透覆盖城市的运力效率和提升用户频次是拓展规模的另一面，是降本增效的一面，而这一面中的主题便是留存与增长。

我个人理解留存是包含在增长里的，就好比我们小学的经典数学题，一个水池，一个水龙头放水，一个洞漏水，求多久能装满。

装满水池=总体增长，放水=新用户增长，漏水=用户流失。想要提高总体增长必须分为新用户增长+老用户留存+流失召回，这3个部分都是相辅相成环环相扣的，缺一不可。

上文我们说过了用户召回策略，下面接着先说留存怎么做。

提升留存可以从很多个维度去找寻方法，综合起来有两个重要的部分：一是从用户生命周期入手，在每一个环节提高留存指标，从而提升总体留存率。二是从用户行为入手，优化用户行为路径的每一个环节，找到影响用户留存的核心参数，从而降低总体流失率。

前文实际上已经大致描述了在这两方面我们做的一些运营方法和策略，在用户生命周期方面通过不断的策略调整，提升用户生命的每一步留存。

例如：我们将2A3R模型进行了优化，在用户注册的第一步就通过新用户专享价和专享商品引导用户完成第一次付费下单，直接完整的体验产品流程和服务，这一步是提升“激活率”。

在新付费用户上线后，再针对这类用户发放低门槛的优惠券，引导他们进行二次复购，这一步是提升了新付费用户留存。

再之后把新用户纳入到我们的用户分级体系里，通过RFM等模型对他们进行归类，再使用不同的运营策略促活复购，这里就不再赘述了。

关于提升留存我想介绍一个重要的方法：Cohort Analysis（群组分析），第一次接触这个方法大概是2010年左右在MSN SPACE上看到的一篇学术文章，是做社会学研究用的，当时印象并不深刻。

之后再接触是2015年初谷歌GA上线了这个功能，彼时我业余时间在做自建外贸站点，主要用来做流量