2.3 用户运营分析

有了流量和用户之后，如何持续稳定地提升用户的活跃和留存，并对有价值甚至高价值的用户有针对性地进行运营，让这些用户持续稳定地为产品带来营收，这就是用户运营需要做的事情。用户运营的工作内容主要是扩大用户规模，减少用户流失，促进活跃及提高留存，增加付费转化。在用户运营的过程中数据组人员要做的事情就是根据每一个模块追踪相应的指标，并设立下钻指标，清楚每一个指标之间的关系与影响，让每一个模块的指标不管是升了还是降了，都能找到具体的原因，让运营有的放矢。

用户规模常用的落地指标一般是激活量与注册量，细分会有来源渠道及注册转化率。

用户流失模块主要需要定义流失，通常的做法是先对产品的用户构建生命周期模型，看多长时间用户没有登录即为流失。比如有些游戏定义标准是用户90天或者180天没有登录过即为流失，而有些低频产品，如旅游类，有可能一年没登录才定义为流失。对于如何帮助运营减少用户流失，这时需要数据根据相应指标，构建模型，弄清楚用户是在什么情况下流失的，当用户有类似行为时提前告知运营，针对这批用户调整相应的运营策略，预防用户流失；针对已经流失的用户，设定特殊的策略，挽回用户。

促进活跃及提高留存方面数据需要做的事情是：①设定指标，比如根据产品的高频属性将每天使用产品的用户来定义活跃或者低频产品一周使用为活跃，要给到运营可量化的指标，哪些行为是可以衡量用户活跃的，哪些是行为可以促使这些行为的发生；②设定留存指标，需要加入对比指标，比如时间趋势的对比，或者同类产品的对比，细分留存的渠道等，让运营有针对性地设定运营策略来提升留存。

增加转化，数据可以做的事情非常多，比如筛选合适的指标，将高价值用户的特征归纳出来，并根据特征提取这批用户给到运营，让运营提供合适的运营手段来抓住这批用户的需求，让他们为产品付费，并想办法提高复购率，让他们持续稳定的付费。换句话说就是精准营销，将合适的产品推荐给合适的人。主要有两块：①未付费的用户，但有付费特征的，促进转化；②已付费的用户，让他们从低频产品转向高频产品，对产品产生依赖，持续不断地优化产品，提高复购率。

2.3.1 用户分群

为什么要对用户进行分群运营？①因为不管是一个人还是一家公司，一个网站还是一个产品，所拥有的资源都是有限的，而投资回报率需要最大化，否则就会影响企业持续稳定的发展。数据的精细化运营其实就是个性化运营，但由于资源及服务效率的限制，实际运用中我们不可能真的做到一对一的个性化服务。但针对不同细分群体的运营还是十分必要的。因此合理有效地对用户群体进行细分，是数据化运营的基本要求。②运营的过程是在用户对产品本身有需求产生的内在驱动不够的情况下，通过外在的辅助手段来增加用户体验产品的次数，或者把用户使用产品的惯性培养起来增强内在驱动，按用户分级可减少对忠诚用户的打扰，将黏性较差的用户挑选出来。③通过对细分群体用户进行分析，了解用户每个细分群体的变化情况，进而了解用户的整体现状及发展趋势。

对于用户细分，首要任务是根据具体的业务场景，确定不同的分类规则及指标，给出清晰的定义。

可以通过简单的指标筛选或条件限定来确认不同的用户分类，比如借鉴AARRR模型（Acquisition用户获取、Activation用户活跃、Retention用户留存、Revenue用户回报、Refer用户传播），根据用户生命周期的几个重要模块，将用户拆解为如下分类，如图2-10所示。

我们按业务的关键流程将用户群体细分为注册用户、活跃用户、留存用户、下单用户及忠诚用户。每一个用户群体的细分都有其独特的分析意义，下面对各用户群体的定义及运营方向展开详细讲解。

❑注册用户：看的是用户的体量，这里以注册用户为基数，是基于一个假设前提，注册是营收转化的首要路径。产品营收要达成，需要这些用户循环不断进行转化。

❑活跃用户：该口径的定义非常多，一般是以用户有某个关键动作或达到某个条件的用户。这里我们暂时定义为登录产品的注册用户。活跃用户是产品的核心用户，因为后续一系列的行为只有用户活跃才能参与，才能为产品带来价值。

❑留存用户：一段时间登录或访问过产品的用户，在某段时间内又访问了产品；或访问了产品某模块的用户，也访问了其他的业务模块；或在产品的某一端的用户，迁移到了另外的端，比如从Web迁移到了App。留存用户看的是产品用来保留用户的能力。

❑下单用户：下单用户是真正给我们平台营收带来价值的用户。下单用户还可以细分为新用户和老用户。新用户一定程度上反映的是产品的推广能力，也是产品发展的状况的重要衡量指标，是产品发展的动力。老用户一般是平台的忠诚用户，有比较大的黏性，是产品生存的基础。所以产品持续发展的战略一般是在不断用户留存的基础上来增加新用户。

❑忠诚用户：忠诚用户是黏性比较大的用户，且这部分用户非常认同产品的定位，会主动将产品推荐给身边的朋友。忠诚用户的定义可以是多次下单的用户，及主动分享的用户。这部分用户带来的价值是无法估量的，可以从点到面，从面到空间不断辐射出去，吸引更多的用户来使用产品。

在产品运营战略中，也可以用一系列的举措引导用户转化为忠诚用户。

复杂一点的可以通过统计分析方法（如聚类、决策树等）总结特征来显著区别不同用户群体。也有比较成熟的分析方法，如RFM模型。下面将结合传统行业中比较成熟的分析方法—RFM模型来做详细的示例应用。

传统行业对用户分类最常用的方法是RFM模型。什么是RFM模型？RFM分别是三个英文单词的首字母。R（Recency）代表消费新鲜度。理论上，最近一次消费时间越近，说明此用户相对来说是比较优质的用户，对提供即时的商品或者服务，他们是最可能及时响应的。F（Frequency）代表消费频率，是用户在某段时间内购买商品或服务的次数。一般来说，消费频率越大，顾客忠诚度越高。M（Monetary）代表消费金额。消费金额体现用户的消费能力。

这三个指标可以反映用户的价值。由此可见，传统行业的RFM模型是针对付费用户的，而迁移到互联网的其他场景一样适用。比如将该方法迁移到产品的某个高频内容模块。我们假设R为用户的最近一次登录，F为一段时间内的登录次数，假设为一个月内，M为创建内容（文章或帖子）的数量。借鉴美国数据库营销研究所Arthur Hughes用户五等分模型，将指标按下列规则分类：

1）查询近一个月（查询时间往前推30天）所有内容创建者最近一次的登录时间。

2）按最近一次登录时间距离查询当日的时间排序：前20%标记为R5，记为5分；前20%～40%，标记为R4，记为4分；前40%～60%，标记为R3，记为3分；前60%～80%，标记为R2，记为2分；前80%～100%，标记为R1，记为1分。依此类推，将创建内容的用户分成五等分。

3）查询出内容用户在一个月内登录的天数，及创建的内容数，按同样的方法五等分进行标记。

4）将R5、F5、M5等同于5分，R4、F4、M4等同于4分，R1、F1、M1等同于1分，将每个顾客对应的三个数字相加，作为内容提供用户价值的得分。

在对用户分群建立规则之后，可以做以下几方面应用。

1．细分用户群分析

通过对R1、R2的用户进行建模，看能否找出活跃用户的共性，从而反推用户不活跃或者流失的原因。针对R5用户，做一些推广活动，看他们是否愿意来平台产生一些内容。对F5级别的用户进行研究，能否发现用户持续登录的原因；对F3、F4级别的用户进行研究，能否找到产品对于用户的价值；对于F1、F2的用户选取样本进行调研，看能否了解他们不登录的理由，是否可以找到产品可以改良的地方，从而指导运营。再看M级别的分类，此时仍然可以提供一些运营方向给到运营提供参考，比如用某种激励措施让M5级别的用户来参与社区运营，邀请他们成为种子用户，体验新功能，给予反馈；对筛选出来的M3及M4级别的用户进行用户研究，寻找社区可以改进的点；对M1及M2的用户进行用户研究，看能否找出共性及用户沉默的原因。

2．顾客价值模型

基于上述建立的用户打分规则，将用户在各维度下的得分做加总，划分用户价值（如表2-1所示）。

不同分类的用户投入相同的资源回报是不一样的。资源有限的情况下，应该先满足高价值用户的需求，优质用户次之，低贡献用户放最后。当然，有的同学会说那这不是会造成马太效应吗？这个时候可以推用户等级体系，给每个用户进行评分并归类，每个类别的用户都可以享有不同的权益，如果用户想达到一定的等级来享有特定的权益，可以，你来完成相应的任务，提升自己的等级，同时提升自己的权益。这样就能推动整个体系往良好的方向发展。

3．流失用户监控模型

针对最近登录时间距今的天数R的分类得分及创建内容数据M的分类得分，画象限图，按如下规则（规则可根据实际业务场景及分析目的来调整）给用户打上标签，如图2-11所示。

1）R≥3且M＜3，打上标签：低价值忠诚用户。

2）R≥3且M≥3，打上标签：高价值忠诚用户。

3）R＜3且M＜3，打上标签：低价值流失用户。

4）R＜3且M≥3，打上标签：高价值流失用户。

根据常识，我们知道对于高价值流失用户应尽快弄清原因，进行挽救，并对有可能是高价值流失用户的群体构建流失预警模型，在恰当的时候找出这群用户，用消息推送、精准营销等模式唤醒用户，将损失降到最小。

将低价值忠诚的用户筛选出来，提供给运营，让运营对这批用户进行调研，了解他们的兴趣点及对产品的改良意见，并鼓励他们在社区发文。

4．用户分类模型

根据用户一个月内登录的天数F及用户发文数量M构建象限图，给用户按如下原则（规则可根据实际业务场景及分析目的来调整）打上标签，如图2-12所示。

1）F≥3且M＜3，打上标签：高活跃低价值用户。

2）F≥3且M≥3，打上标签：高活跃高价值用户。

3）F＜3且M＜3，打上标签：低活跃低价值用户。

4）F＜3且M≥3，打上标签：低活跃高价值用户。

将打好标签的用户提供给运营，让运营根据不同的需求来调整运营策略。

2.3.2 用户行为分析

用户行为分析，是指在获得网站访问量基本数据的情况下，对有关数据进行统计、分析，从中发现用户访问网站的规律，并将这些规律与网络营销策略等相结合，从而发现目前网络营销活动中可能存在的问题，并为进一步修正或重新制定网络营销策略提供依据。

行为分析是高速增长的互联网公司对数据驱动运营的精细化需求。古话说，积形成习，积习成性，积性成命。通过用户的行为分析我们不能说可以推测出用户的命运，但能通过行为数据的分析，对用户构建精细的、完整的用户画像，从而判断用户对产品（网站）的期望和喜好。关于如何构建完整的用户画像，给用户行为打上标签，在后面的第10章有详细阐述。

说到用户行为，我们得从记录用户行为的数据源开始说起。互联网行业与传统行业最大的一点不同就是互联网行业除了有业务数据之外，还有相关的日志数据，该日志体系里记录了用户在产品（网站）每一步的浏览及访问行为，这些浏览及访问行为数据整合起来形成了海量的日志数据。由于日志数据存储的都是非结构化数据，为了方便日志数据被相关分析师应用，需要先对日志数据进行解析，将非结构化数据转化成结构化数据。每当一个新业务上线时，业务方会和埋点组的数据同事一起沟通，将所有业务流程上的数据都一一记录下来，或者用无痕埋点的方式，将所有的用户行为做记录，再根据相应的url、埋点参数等字段从解析过的日志中获取用户的相关数据。接下来将主要从用户行为的指标及应用来铺开陈述。

埋点日记几乎记录了用户的所有行为，其中有些指标是通用的，比如用户的访问频率、平均停留时长等；有些指标是特定场景适用的，比如盈利平台的下单行为、社区的内容发布行为等。用户行为的相关指标可分为黏性指标、参与度指标、转化类指标，接下来详细介绍一下。

1．黏性指标

第一类指标，如访问频率，选取活跃用户每周的活跃天数，并按活跃天数对用户分类，用累加百分比柱形图来对四周的数据作图展现，方便对比（注：数据均为虚构数据），如图2-13所示。从图中我们可以看出活跃1天的用户是最多的，可总结这部分用户的规律，定位这部分用户活跃天数少的原因，然后制定合适的运营策略，尽量提升他们的活跃天数。而针对每周活跃大于等于6天的用户，可以将这个指标拆分出来，看平台的忠实用户大致情况及忠诚度比例。

图2-14是带平滑曲线的散点图，显示的是近60天中访问的用户的最近一次访问距离当前时间的间隔天数的用户分布图，横轴表示的是最近一次访问的间隔天数，纵轴表示的是对应间隔天数的用户比例，从图2-14中可以直观地看出各个时间间隔对应的用户活跃情况，结合用户的生命周期一起看，我们可以将访问天数大于10天的用户定义为沉默用户。可针对这部分用户细分来看用户为何相隔这么久都没有访问，比如看他们最后一次访问看了什么内容，再或者对这批用户的特征进行分析，将精准优质的内容推送给这批用户看挽回的用户比率，再或者选取部分用户进行调研，寻找产品的哪些部分可以优化。

接下来看用户的留存，用户留存的本质是产品（网站）满足用户需求。要分析留存我们首先要弄清楚留存的定义，留存是活跃用户在下一个时间段有多少用户仍旧活跃的比例。按时间分类有次日留存、七日留存、十五日留存、周留存、月留存、季度留存等；按渠道分类有App留存、H5留存、Web留存等；按用户类型分有新用户留存、老用户留存等。一般来说，老用户的留存会高于新用户的留存，这个可以用来数据校验。新用户的留存主要取决于用户的来源渠道和产品引导。对新老用户细分的留存分析就是数据驱动运营的典型应用，比如对老用户留存的分析可以对运营质量进行监控，对新用户留存的分析可以筛选出优质的渠道。

图2-15以细分渠道留存来举了一个例子，从图中可以看出，对某产品而言，App的留存要优于H5及Web，这和智能手机的普及是分不开的。还可以细分看三端留存的新老用户的占比、各端迁移用户的留存，及各端细分渠道的留存对比，评估渠道质量。

2．参与度指标

第二类需要关注的指标是用户的参与度。活跃度作为评判用户参与度的一个关键指标，并没有标准定义。通常指的是完成某一关键动作的用户，或者参与情况满足某一条件的用户。比如电子商务网站的下单、社交类的互动、视频类产品的播放视频，或者登录、消费、使用等均可定义为活跃。活跃用户关键在定义，只有准确定义了活跃用户，我们才能清楚地了解活跃用户的情况。比如产品初期，为了数据看起来好看，数据可能会定义比较宽，比如激活就算活跃，而有些产品对活跃用户的定义比较严谨，比如只有消费过的用户才算活跃，这样数据出来虽然会比较小，看起来产品的活跃用户比较低，但是这样定义的活跃用户都是企业的盈利用户，用该指标来反映问题会比较灵敏。

我们以定义为登录产品（网站）称为活跃来举例，按时间分类可以拆分为日活（日活跃用户量，DAU—Daily Active User）、周活（周活跃用户量，WAU—Weekly Active User）、月活（月活跃用户量，MAU-Monthly Active User），一般会用DAU/MAU来作为产品或网站的打开率指标，该指标越大说明产品或网站的打开率越高。

活跃用户的分析主要有对比分析及细分。对比分析主要可以看时间变化趋势及竞品数据对比。这个分析能比较直观地反映产品的用户活跃趋势，也能清楚比对自己产品在同类产品中的大致情况，更好地制定产品下一步的目标及走向。如果DAU有一段时间涨得明显，此时并不是数值越大越好，需要细分看这批用户的留存及其转化情况。因为很有可能是做活动拉了一批用户，但这批用户具体质量如何，需要进一步分析。

表示用户参与度的另外两个指标是用户的停留时长及用户的访问页面数。为什么要用这两个指标来表示用户的参与度呢？因为用户的停留时长可以间接反映页面对用户的吸引程度，可以间接反映产品是否满足用户的需求，及产品页面的设计是否合理。对于盈利性产品来说，目标就是为了转化，让用户下单，如果用户在下单前的任何一个页面就走了，那这个用户就没有完成转化。从图2-16来看，用户只有经过页面A、B、C，才能到达目标页，完成转化。用户在页面A的停留时长为用户离开页面A的时间-用户进入页面A的时间，用户到达目标页前共访问了3个页面，这三个页面分别是页面A、页面B、页面C，如图2-16所示。

比如我们随机生成一组数据，如图2-17所示，看下用户的平均访问时长及平均访问页面，发现在第三周的时候这两个指标急剧下降。事出必有因，此时需要详细定位原因，是埋点数据没有上报？还是日志解析出了问题？如果数据没有问题，那么是产品改版，没有引导机制，用户找不到入口了？还是产品改版，比如新加了某个流程，比如实名等强制性措施，用户对新产品不满意？这些都需要数据团队根据一系列逻辑设定及指标跟踪来具体定位。

3．转化类指标

第三类需要用户关注的指标是用户的转化。分析用户的路径转化主要有三个作用：一是通过数据追踪用户的访问细节，访问细节反应的是用户的行为特征，通过追踪访问细节来推测用户的心理活动；二是通过用户的访问行为来追踪用户在走流程中可能碰到的困难，看整个路径和运营之前定的设想是否一致，如果不一致，是哪个环节不一致，定位具体的原因，调整页面布局；三是在追踪用户的访问路径的过程中，寻找有价值的可迭代路径，对产品进行优化。

要分析用户的转化情况，不仅需要熟知业务流程，也需要熟知数据流程，即将业务流程转化成数据流程。由于互联网行业独有的日志数据能记录用户的所有访问行为，故我们只需要熟悉业务的设计流程，对业务的细节和流程及数据上的记录、获取、埋点字段都了然于胸，将业务流程转化为数据流程，再将数据和业务结合，抓住业务产品的关键路径，层层剥离拆解再组合，即可形成业务转化的完整分析。对于App类产品可用Charles或Fiddler抓包工具测试埋点关键点。

分析用户的转化情况有两个大的方向可以着手；一是从产品的整体运营情况来看，用户从激活到下单的整个流程；二是从细分产品的关键路径来看，用户接触产品到完成转化经历的步骤，这个会在2.2.5节中的漏斗图中详细阐述。下面分别就第一个应用场景来举例说明。

在2.3.3节我们列举了产品运营场景中的所有转化节点，如图2-18所示。

通过对这些关键节点的数据监控，我们可以从整体及细分渠道，细分时间段、细分活动来看不同的转化情况，如表2-2所示。找出有问题的转化节点。比如细分渠道的场景下，假设渠道都是按激活用户付费，从两个渠道进来的用户后续的转化行为如下，若是来评判这两个渠道的质量优劣，在激活同等用户的情况下，我们应怎么判断呢？

假设激活用户为10000，将各个转化节点的指标转化为成本绝对值，如表2-3所示。

显然，从成本的角度来说，渠道1要优于渠道2。当然，后续我们也需要分析不同渠道进来用户的ARPU，看整体的营收情况，评估渠道的整体质量。

2.3.3 用户生命周期价值

生命周期指的是一个生命个体从出生到死亡的发展过程，用户的生命周期指的是用户从接触产品（网站）到离开产品（网站）的发展过程，用户的生命周期价值（LTV—Life Time Value/CLV—Customer Life Value）指的是这个发展过程中用户为产品（网站）所带来的价值总和。

Facebook的Melnick曾将用户的生命周期价值解释为变现、留存、传播三个变量组成的函数，即CLTV = f（变现、留存、传播）。其中变现：一般指用户为产品贡献的收入；留存：用户的参与程度，尤其要考虑平均每个用户生命周期的长度；传播：用户分享带来的间接价值，用户将你的产品分享给别人的累加价值。通常由于传播价值比较难以衡量，一般会假设传播价值为0。

用户的生命周期一般会经历引入期、成长期、成熟期、衰退期、流失期等五个阶段，每个阶段都会为产品（网站）带来不同的价值。

❑引入期：此时用户刚来，用户会试探性地来试用产品，偶尔用一下，此时用户的价值相对来说比较低。

❑成长期：用户会不定期地来使用产品，并开始进一步体验产品功能，此时用户的价值有所提升。

❑成熟期：用户会经常使用产品，并会以分享形式来宣传产品，此时用户的价值比较大。

❑衰退期：用户因某些原因（如产品迭代用户不喜欢等）不再经常使用产品，此时用户的价值呈衰减模式。

❑流失期：用户对产品非常不满意或者找到了替代的同类型的产品，不再登录该产品。

在用户运营的过程中，我们不能一上来就唯周期论，而是要定一个目标，围绕目标我们能拆解为哪些关键指标，要提升这些关键指标需要去满足用户什么核心需求。比如用户生命周期分析的核心目标是：提升用户生命周期每个节点的转化率，提升用户的留存（用户的参与程度）。在每个节点的持续转化及用户留存的提高的过程中，用户的生命周期也经历了一个完整的历程，价值也得到了提升。

围绕这两个目标我们将其拆解为如下指标，如表2-4所示。

按用户的生命周期，我们可以将用户的结构拆解如下，如图2-19所示。

与用户生命周期的各个阶段对应的关键指标，如表2-5所示。

结合Melnick的理论及互联网产品的实际情况，将用户的生命周期价值拆解为：

LTV =（某个客户每个月的下单频次*客单价*毛利率）*（1 /月流失率）=（某个客户每个月的下单频次* ARPU *毛利率）*（1 /（1-月留存率））=用户生命周期内下单次数*客单价*毛利率

其中：①ARPU（每个用户的平均收入）=某段时间内的总收入/同时期内活跃用户总数；②流失率：流失率指的是一段时间内，有多少比例的用户不再使用你的产品了。所以流失率=在某段时间内流失的用户/同时期内活跃的用户，流失比较难定义，但留存比较好定义，故月流失率近似等价于1-月留存率；流失率的倒数用来表示预测的用户生命周期，如果一个产品的流失率为10%，则产品对应的生命周期为10个月。

应用一 根据拆解指标为提升LTV制定不同的运营策略

从拆解公式来看，运营需要做的是尽可能保证渠道的质量，确保引进来的用户的有效性，提升用户的质量及数量，尽量降低获取用户的成本，并应用多样化的运营手段提升用户转化；在用户生命周期的每个时间周期，对不同结构的用户进行流失原因分析，提升用户活跃。

应用二 评估用户运营活动是否盈利

单个用户毛利=用户生命周期价值-获取用户成本-运营成本= CLV - CAC - COC很多产品在初期一直以补贴用户的形式来留住用户，长此以往，资金链一旦断裂，将无以为继。只有当用户的毛利大于0时，产品才能良性地、持续稳健地发展下去。

假设一个产品每个用户每月的收入是20元，每个月的流失率为50%，每个用户会传播5次，被传播群体的每个用户每个月的收入为5元，每个月的流失率为70%，则：

CLTV = 20*1/0.5 + 5 * 5 * 1/0.7 = 41.43元。

如果获取用户的成本加上运营的成本大于用户的生命周期价值，那么显然这个用户是不盈利的，如果获取用户的成本加上运营的成本小于用户的生命周期价值，那这个活动是值得做的。

应用三 追踪投资回报率

根据LTV的公式及用户毛利的计算公式，递推得到投资回报率（ROI, Return On Investment）的计算公式：

ROI =转化率* ARPU/ (CAC + COC)

从ROI的公式来看，要提高ROI，需要从以下三方面着手：

（1）提高转化率

提高转化率，一在开源，二在节流。所谓开源，指的是要不断通过各种方式来获取新用户；节流指的是减少产品的用户流失，及挽回即将流失或已经流失的用户。这里主要介绍节流。节流主要从以下两点出发，来最大化地减少用户流失。

1）从产品出发，在具体的研究中，所有脱离产品的用户流失预警都是耍流氓。首先我们要通过现有的指标找出用户是在哪一步流失的，再结合具体的产品进行改进。比如某一个环节会产生闪退的情况，那就推动产品解决闪退的问题；比如下单转化中流程过于繁琐，支付渠道过于单一，那就推动流程简化，支付形式多样化；再比如前面我们分析过用户生命周期所有关键节点会用到的转化率的关键指标，从这个公式看，追踪各个关键节点的转化率，哪个节点的转化率比较小，定位原因进行优化。举一个具体应用的例子，某产品各个渠道的注册率差不多，但不同渠道的下单转化差得比较大，此时用设定风控规则来评估渠道的质量，因为这批渠道是按注册来付费的，发现是有些渠道在刷单，在对刷单的渠道停止合作之后，渠道整体的下单转化率就上来了。

2）从运营出发，形成种子用户群体，保证流失下限，结合具体的运营策略，如抽奖、签到送积分，优质内容推送给精准用户，用户等级体系建设等。

（2）提高ARPU

互联网的红利期已经过去，那么如何抓住现有的用户来提高ARPU呢？可以从抓用户的需求来展开。即①用发放优惠券、各种抵价金币、红包等优惠方式，来满足用户的占便宜心理，促进用户下单；②对用户设立等级体系，并对不同的用户等级设立不同的福利规则，满足用户对身份地位高人一等的诉求；③建立精准营销平台，精准定位用户群体，并对这部分群体进行个性化精准推荐，满足用户的特定场景需求；④提示用户信息不会被泄露，满足用户对安全感的诉求；⑤生日提供满减券或其他福利，满足用户对情感的认同需求。用以上方式来促进用户下单，并直接或间接地提高ARPU。

（3）降低成本

降低成本分为两个模块。一是降低用户的获取成本，这个方式有很多，比如：①通过数据分析优化渠道质量；②通过流失预警，对即将流失的用户进行合适运营，提高用户留存，增加用户对产品的参与度与黏性；③与其他平台合作，资源共享；④其他。二是降低用户的运营成本，这个数据可以做的事情比较多，比如搭建精准营销平台，对每一个用户的各个属性进行打标，对即将流失的用户进行推送召回，对高金值客户推送单价高的商品；比如将常用的分析思路固化，建立常用分析思路的BI报表，并支持快速迭代，支持细分项下钻。