在各类型数据分析中，事前策划分析，是最容易让人摸不着头脑的。经常遇到运营的小伙伴跑来问：“小熊妹，领导让分析分析用户，找找营销机会，这怎么找呀？？”
实际上，这种情况也确实很难办。俗话说：“字数越少，问题越大”。
如果在事前策划的时候，领导有很清晰的指示，比如：“对过去一年内累计消费1万元以上，且最近30天都没有登录的用户，每人免费送一个礼品，在登录APP后可领取”那分析就简单多了。只要按照条件，把符合领取资格的人的名单统计出来即可。
但如果没有这么细的要求，甚至只有一句话：分析分析看看。那很有可能我们辛辛苦苦做出来的东西，领导也不满意，最后白费力气。
因此，这个时候最重要的是：做好分类，把每种情况列清楚，然后针对具体情况给出我们的建议。至于领导采不采纳，让他们自己决定。比如最常见的：“分析分析用户”，我们可以用RFM模型做分类。
实例分析
一起来看个具体例子：某个打车出行APP，已按RFM格式，统计好用户数据（如下图，仅为示例数据100条），现领导要求：分析分析用户情况。要怎么分析呢？
第一步
第一步：先看M。区分用户价值是第一位的，先认清谁是大客户，谁是小客户，后边工作思路才清晰。这里只有100个例子，因此可以直接用excel的排序功能。 但假如数据有10000条，再排序一条条看就很不方便了，因此推荐一个通用的分类方法：十等分法。 十等分法背后的原理是：二八定律。相当多的业务，都是消费排名前20%的用户贡献80%的消费。因此可以先把用户按消费高低，分成10组，然后再看每一组的消费占整体比例，找出大客户。具体操作如下图所示第二步
分好组以后，可以打开数据透视表，看一下每组的消费占比 哇！第一组用户就贡献了40%+的消费，前三组合起来，共30%的用户贡献额74%的消费，真是大客户呢，因此可以分类如下：第一组：VIP3（最高级VIP） 第二组、第三组：VIP2（每组消费占整体大于10%） 第四、第五组：VIP1（每组消费占整体大于5%，小于10%） 剩下5组：VIP0（单组消费占整体不足5%）
第三步
分类完以后可以观察每组的消费门槛在哪里，比如第一组的门槛是798元/月。在运营制定策略的时候，很有可能为了方便，找一个最近的整数。因此可以做一个手动调整，把VIP3的门店改到：一个月内消费800元。类似地，其他门槛也能做同样调整。 调整好了以后，我们已经分离出了大客户/小客户，可以做下一步的分类了。下一步可以做R。谁会一个月打车打几百上千块元呢？可能是有刚需以车代步的人（比如经常出差的白领，有交通费的管理层等等）。 这些人应该一直会有用车需求，我们要防备的，就是他们被别家打车软件勾引走。此时R值就很重要了，如果一个大客户长时间不来，很有可能已经被人挖走了，我们要赶紧挖回来。 那么如何确定R的分类呢？可以直接根据业务特点来定。比如打车，即使再需要坐车的人，也不可能天天出门，因此R值不需要设定的太短，否则天天在人家耳朵边喊：“来坐车来坐车”，也太过度骚扰用户了。 R值可以以周为单位分类。除了十一厂家，一周内有工作日和休息日，因此再迟1周也该来坐车了（如下图） 分好类以后，可以做交叉表，观察不同VIP的客户在R值分布情况（如下图） 看起来，VIP等级越高，R值越小，而VIP0的用户，居然有80%已经2周以上都没来了，要么真的没需求，要么已经流失了。这样，对VIP0的分析建议，也很清楚了：结合天气、节假日、活动等具体场景，给小额优惠，配合单次打车优惠券唤醒用户。
当然，以上都是我们的建议，很有可能领导不认同。
比如在领导心中：
频繁用车的大客户都是刚需，所以不要维护了，重点挽留很久没有用过APP的 只用1次以后就再也不来的，不是核心客户，所以不要唤醒了，重点挽留大客户
总结
这些结论，都是基于同一个数据的不同解读，在没有经历过测试之前，没有对错之分。因此领导他老人家高兴就好。作为提供建议的人，我们做好分类，有充足的数据即可。 以上就是一个简单的示例。需要特别提醒的是：很多做运营的小伙伴，脑子里没有啥套路。对于活动、文案、设计的各种玩法甚至还没有小熊妹懂得多。那可不！我可是各大APP薅羊毛高手，光手机号就有5个呢，哼！。 在懂得太少的情况下，就不能把运营上的做法，转化成一个可以分析的数据，也就没法做分析了。 就比如RFM，本身它只是一个计算方法，没有人教过结合到具体场景该怎么分（比如买菜就和打车不一样），因此还是得靠小伙伴们自己多掌握一些方法，结合实际思考，才能解决问题哦。如需转载请保留本文出处: https://zhe94.com/901.html
