什么是用户生命周期

在详细介绍什么是用户生命周期之前，我们先用一个小故事来感受一下。

大家设想自己在一个小镇开了一家“手工香皂店”，由于是新开的店铺，里面产品非常单一，只有香皂 A 这一款产品。此时你通过开业庆典的半价活动，吸引了一批消费者购买你的产品，此时你的店铺便有了第一批消费者，这批消费者也是你店铺的新客。

随着这批新客对香皂 A 的使用，少部分的新客对你的产品并不买账，但大部分的新客认为你的产品是好用的，因此他们都来到了你的店铺中进行了二次购买。此时产生了复购的消费者便进入了心智成长期，而未复购的这批消费者，在他们真正放弃你的店铺之前（流失），他们都处于休眠状态。对于那些进入了心智成长期的用户而言，他们之后对你店铺中任意产品的使用、复购及店铺认知行为，都会促使他们变成你店铺的忠实顾客。

然而部分处于心智成长期的消费者在再次复购时发现，他们希望尝试更多新的香皂产品，而你的店铺中只有单一的一款产品——香皂 A，这使得他们重新将目光投向小镇的其他香皂店，去寻找新的替代品。此时这批消费者便进入了休眠期，这意味着你的店铺又多了一批即将失去的消费者。

拥有敏锐商业嗅觉的你及时地发现了这一问题，为了挽回这批进入了休眠期的消费者，你通宵达旦，做了大量的调研，适时地推出了与香皂 A 成分、功效、外观完全不同的第二款香皂产品——香皂 B。产品一经推出，便挽回了大量处于休眠期（即将流失）的消费者。正因你店铺定期的产品更新迭代行为和优质的产品给消费者带来了优异的使用体验，使得部分消费者的店铺心智成熟，成为了你店铺的忠实顾客。

自此，你的店铺不断地从市场上获取新客、使消费者复购、迭代产品。尽管仍有消费者在不断地进入休眠期，甚至流失，但整体来看忠实顾客在不断变多，你的生意越来越好，成为了小镇上最大、最好的香皂店。

到这里，上面的故事便结束了。我们通过上面的故事，其实可以大致了解到“什么是用户生命周期”。所谓的用户生命周期，就是指消费者从第一次购买你的服务、产品到其最终流失的整个时间窗口。而在这个时间窗口中，用户又可以根据其对品牌、店铺、产品的忠实程度，细分为新客期、成长期、成熟期、休眠期，以及流失期。我们通常会根据用户的生命周期阶段，制度不同的运营策略，以延长用户生命周期、提高用户在整个生命周期中的价值。

介绍完用户生命周期的定义及其细分阶段，想必大家对这个运营工具产生了极大的兴趣，恨不得立马就把这个工具运用到实际的工作当中。但如果要实际使用，仅仅靠这些定义、理解是不够的。摆在我们面前的最大问题是——我们该如何精确地划分用户的生命周期呢？用户的忠实程度是一个非常抽象的概念，尽管理论上我们可以通过对每一个消费者进行访谈或调研来得出用户的忠实程度，但在实际情况下，我们不可能会花那么大的时间成本、金钱成本对每个消费者进行调研。这时我们就需要利用数据分析，来因地制宜地切分用户生命周期的各个阶段。

如何界定用户生命周期

根据上文介绍，我们可以将用户生命周期细分为：低潜期、高潜期、新客期、成长期、成熟期、衰退期，以及流失期。

在我们实际的使用过程中，通常会再结合可获取的数据情况，增加“潜客期”这一阶段（很多场景下由于无法获取潜客阶段数据，因此可以不加）。接下来，我们以电商品牌方为例进行介绍，其用户生命周期可以按照如下形式进行划分：

• 潜客阶段
  • 低潜期：品牌潜在用户。从未在本品牌内发生购买，但近 90 天（可根据实际情况进行定义）与行业内其他品牌发生多次交互行为（含购买行为）
  • 高潜期：品牌潜在用户。从未在本品牌内发生购买，但近 90 天（可根据实际情况进行定义）与本品牌发生多次交互行为（不含购买行为）
• 价值提升阶段
  • 新客期：品牌新客。在本品牌完成首次购买（需要注意是否需要剔除一些特殊的购买方式，如派样等）
  • 成长期：品牌老客。发生过多次购买，但未呈现出稳定的复购心智，处于价值贡献上升阶段
  • 成熟期：品牌老客。发生过多次购买，已建立稳定的复购心智，价值贡献的核心用户
• 流失阶段
  • 衰退期：品牌老客。已出现流失迹象
  • 流失期：曾在品牌中有过购买行为，但近 1 年（可根据实际情况进行定义）未购买

从上面的划分方式可以看到，用户生命周期中低潜期、高潜期、新客期和流失期的定义相对明确，但成长期、成熟期、衰退期的区分则相对模糊。究其原因，我认为这是因为这些阶段实际上是不存在于消费者的行为当中的。这些阶段更多的是通过对商业运作机制和消费者行为心理的理解，结合大量案例创造性地归纳出来的，因此这些阶段在实际使用过程中会出现不同的划分方式。

不同的划分方式很难说谁对谁错、谁好谁坏，甚至同一种划分方式在同一份数据、同一个场景下也会因为不同的人有不同的理解而得出不同的结论，下面我抛砖引玉，介绍几种我认为可行的划分方式供大家参考：

成长期的界定方法

成长期这个阶段位于新客期和成熟期之间，是一个用户对品牌认知、购买心智不断成长的阶段。通常情况下能被认定为成长期的用户至少需要满足购买次数/天数 ≥ 2 次/天，同时该用户未进入成熟期、衰退期和流失期这几个条件。这里我会推荐使用“购买天数 ≥ 2 天”，之所以用“≥ 2 天”，是因为有可能用户在一天里重复下了几笔订单，而后面的几笔单可能都是因为之前漏下单导致的，所以如果用“购买次数 ≥ 2 次”的话，可能会将这种 bad case 纳入到这个阶段当中。

成熟期的界定方法

成熟期的用户通常对品牌已经有了一定的认知，并且也有了一些复购的习惯，他们通常是一个品牌收入的主要来源。成熟期的判别方式通常需要数据分析师非常熟悉业务的运营抓手及其运营目标，这里我根据自己的经验归纳了 2 种方法来区分成熟期用户：

1. 流失率分布划分法：使用这个方法时，可以从离散化后的客单价（比如 100 元一档）、离散化后的 GMV（例如 200 元一档）、购买件数、购买天数、购买产品数、购买品类数等一个或多个维度入手，分析不同维度下的次年流失率分布情况，根据每个区间的次年流失率、流失率降低边际效益来选择合适的成熟域。例如：用户一年总购买天数为 1、2、3、4…… 天时，所对应的次年流失率分别为 60%、40%、25%、20%……，我们发现，当用户购买天数到达 3 天时，其次年流失率已远远低于整体次年流失率（例如 45%），且其流失率降低速度明显降低，再增加购买天数的边际效益明显降低，因此可以选择 3 天作为购买天数的阈值，其他维度类似
2. 累计占比划分法：使用这个方法时，可以从订单间隔天数、离散化后的客单价（比如 100 元一档）、购买件数、购买天数、购买产品数、购买品类数等一个或多个维度入手，统计在不同维度下的 GMV 的累计占比，再选择合适的区间作为成熟域，例：用户一年总购买天数为 n、 n-1 …… 3、2、1 天的 GMV 累计占比分别为 100%、90% …… 70%、30%、10%，我们发现购买天数大于等于 3 天的用户贡献了绝大部分的 GMV，因此我们可以选择 3 天作为购买天数的阈值，其他维度类似

衰退期的界定方法

进入衰退期的用户处于即将流失的阶段，其通常表现为购买频次逐渐降低或长时间不复购。针对这类用户，我归纳了 2 种方法来进行区分：

1. 购买间隔天数法：统计每个用户购买天数间隔，如间隔 1、2、3、4…… 天的次数占比为 10%、20%、40%、10%……，我们发现用户购买间隔天数大于等于 4 天的占比仅有 30%，可以认为用户如果 3 天内没有产生复购，则未来复购概率仅有 30%，而再增加天数的边际效益降低，因此可以选择 3 天作为衰退期的判别的阈值，将大于等于 4 天未复购的用户判定为进入了衰退期
2. 沉睡天数法：选取两个先后次序且连续的时间段，比如时间段 1（2021 年）、时间段 2（2022 年），统计每个用户在时间段 1 中最后一次购买日期距离时间段 1 最后一天的天数间隔（比如最后一个购买日期为 2021 年 12 月 30 日，距离 2021 年最后一天的间隔为 1 天），再统计每个天数间隔下的用户在时间段 2 的流失率，如间隔 1、2、3、4…… 天的次年流失率分别为 10%、30%、50%、60%……，发现当间隔天数大于等于 3 天时，其流失率高于整体次年流失率（比如 45%），因此选择 3 天作为衰退期的判别阈值，将大于等于 3 天未复购的用户判定为进入了衰退期

值得注意的是，在使用沉睡天数法时，建议使用多个时间周期计算间隔天数的流失率，再用人数做流失率的加权均值，这样得到的每个时间间隔的流失率应该会更准确一些。其主要原因是如果只选择一个时间周期的话，每个间隔天数都只有一个样本，极易出现异常值。（例如：电商场景下，如果 6.1 大促中出现了大量羊毛党，然后这个大促距离我们选取的时间段 1 的最后一天为 30 天，那么极有可能出现判别阈值被定为 30 天的情况，因为这一天的异常流失率会影响到整体的判断。针对这种情况，我们可以使用 6 月 1 日～ 7 月 31日的滚动时间周期，这样可以得到 61 个时间周期组，其起时、截止日均覆盖了大促及平销日【即大促日做第一天、大促日做最后一天、平销日做第一天、平销日做最后一天】，我们对这 61 个时间周期组的流失率结果做加权均值，得出综合流失率，再对综合流失率做分析，来得出最终的判别阈值。）

如何利用用户生命周期产生价值

用户生命周期的使用方法多种多样，但更多的是帮助我们看清当前业务中存在的问题和下一步需要发力的人群节点，为此，我们可以构建“用户结构分布看板”、“生命周期流转看板”以及“标签交叉分析看板”。

用户结构分布看板 & 生命周期流转看板

无论是用户结构分布，还是生命周期流转，都是用来帮助业务看清当前现状，然后制定相应策略的。下面我总结了几种不同的生命周期分布类型及其对应的运营方向。

从上图其实可以发现一个有意思的东西，那就是“基准值”。基准值的选取会直接影响我们对分布类型的判断，因此科学地选取基准值是一个非常重要的环节。我们通常会有 2 种方式来选取基准值：

1. 父类目基准：这种方式采用的是其父级类目的占比来作为锚定的基准维度，但需要注意的是，这里的父级类目占比不一定非要是市场上的占比，也可以是品牌内部的占比，这里可以根据实际情况进行调整。同时，我们在选择好基准维度之后，要尽可能使对比的基准数字的值保持静态，如果基准维度的值每天都会发生变化，那么可以取一段时间的加权均值来作为标的，这更有助于持续地对实际值进行追踪，否则可能会出现今天得出的结论与明天得出的结论大相径庭的情况。
2. 同类目行业基准：这种方式采用的基准维度是同类目的行业数值。这种数值的的稳定性和准确性通常会更高，但除了电商以外，其他行业可能难以轻易地获取这种数据，因此其应用范围通常局限于电商行业之中。

标签交叉分析看板

标签交叉分析的意思是，我们对所有用户都打上特定的标签，然后对齐进行交叉分析，比如我们可以分析“成熟期用户 & 整体渠道”的 roi、“成熟期用户 & 淘宝直播渠道”的 roi、“成熟期用户 & 淘客渠道”的 roi，通过对比成熟期用户在不同渠道下的 roi 来制定不同渠道的运营策略和投入费用分配。