干货 | 这是一份详细的用户成长体系总结笔记

最近工作需要研究用户成长体系,于是在读了网上数十篇相关的文章后,决定梳理一份自己的理解和笔记。

▍What is 用户成长体系?产品经理对于有关积分、成长值、等级等一整套的系统,有人叫用户成长体系,有人叫用户激励系统。笔者的理解是,他们都是一样的,不用纠结于字眼,关键还在于内涵的研究。
关于用户激励(或成长,下文统一用成长),其实说白了就是让用户“自愿”做产品想要他们做的事情,对产品的关键词是「促活」和「留存」。好的用户成长体系不论对于用户还是平台来说,都是双赢的结果。而没有价值的用户成长体系对于用户来说就是一个累赘,往往适得其反。
这里简单介绍一下HOOKED模型,他的理论是来源于对游戏机制的研究。


HOOKED模型这张图中间有八个关键词,分别代表了八个不同的核心驱动力。
  • 核心驱动力 1:  史诗意义&使命感:做比自己更重要的事情!

  • 核心驱动力 2: 发展&成就:取得进步、获得成就

  • 核心驱动力 3: 创造力的发挥&反馈:创造、即时反馈!

  • 核心驱动力 4: 拥有感&占有感:集换式游戏、养成类游戏

  • 核心驱动力 5: 社交影响&联系:炫耀、竞争、合作……

  • 核心驱动力 6: 稀有&无耐性:得不到的永远在骚动!

  • 核心驱动力 7: 未知&好奇:好奇心害死猫和老鼠!

  • 核心驱动力 8: 失去&避免:恐惧、害怕失去、一切负面情绪

所以说,用户成长体系是一个产品游戏化的体现,动机(M)对应我们的出口,触发器(T)可对应我们的入口。游戏化其实是Human-Focused Design,在设计的过程中最大化考虑情感、动机等人类心理因素。无论什么产品,再厉害的功能,如果用户压根不想用,那么就是失败的。勋章、小红花、奖状、奖杯、腰带这些玩意,实际上是“成就象征”,它本身并没有任何意义,但是它代表的是人们历经千辛万苦、突破重重挑战后的成就感!所以说游戏是什么实质功能都没有的(所谓的“浪费时间”),但却拥有让人们投入大量时间和精力的魔力。

在HOOKED模型中包含了另外一个模型,即B.J Fogg的行为模型(BJ Fogg's Behavior Model):B= MAT——行为=动机*能力*诱因(或者叫触发器)。任何行为的发生都要依靠于上述公式的三个变量。

这一套理论的核心在于“A”(Ability)和“T”(Trigger),通过简化完成某一行为的流程、适时的提醒用户,让用户顺利地做出期望行动(Desired Action)。最终使这一行为固化为「习惯」 ,也就是让用户不需要怎么思考就自然地使用你的产品或者服务(期望发生的行为)。

总结,用户成长体系是对产品的一整套「系统」 的「循环」 的「运营手段」 和「产品机制」 的结合。

用户成长体系的设计原则

并不是所有产品都适合,或者都需要设计用户成长体系的。面对需求非常强烈,你不需要激励用户,他们都会投欢送抱的产品,就不需要画蛇添足。譬如微信的即时通讯(聊天)功能,它的功能就十分简单,8亿用户依然没有犹豫地选择用它。

还有一种不适合做用户成长体系的产品,就是低频产品,譬如婚庆、丧礼、毕业典礼相关的服务和商品,一生只有一次或几年才有一次使用场景的东西,你非要鼓励用户去多用,就不太懂人情了吧。

所以,高频的需求、强度没那么大的需求,更适合使用用户成长体系。

而设计一个用户成长体系也需要注意很多地方,做不好,同样容易让用户反感,甚至把自己的产品逼到悬崖。整理归纳为以下4个“需要”和5个“可被”:

1、体系应需要体现平台核心业务特色:其中的元素和机制应该尽量体现独特性,而不是套哪都能用的东西。

2、体系投入产出需要平衡:预防投入过大的成本,只获取微薄的收益,或没有经过精细计算的成长机制,是不把企业逼向死亡的重要一环。

3、经验体系需要分离:一个公司内不同的业务体系之间的成长体系和货币体系要分离开来,不同业务体系拥有不同的成长体系,可以更加灵活不受限制,运营起来更加方便。

4、用户需要分类:不同用户使用不同方式激励,可把用户分为新用户、普通用户、活跃用户、核心用户等。

5、体系可被拓展:假如等级较少,用户容易满级,这个体系就是去原有的价值和作用了。用适当的方式,实现体系的可持续发展,是一个决定体系优劣的重要因素。

6、门槛可被进入:入门门槛太高,难度太大,容易失去激励用户的意义,开始的第一步尤其要注意不要让用户望而生畏。

7、激励可被感知:不能骚扰用户,但是也不能一点都不通知用户,适时地强调用户成长体系的存在感,体现不同的差异化和可展现性,用户才有动力去玩。

8、等级可被期待:用机制和玩法保持稀缺感,同时可考虑增加降级或下限机制:如连续12个月不发言将销号、未完成任务降级等。

9、“刷假”可被预防:包括每日任务只能做多少次,特定行为只计算第一次有效,重复同样内容不计数等,也是有效保证体系稀缺感的做法。

▍简述设计用户成长体系的步骤

一个完整的用户成长体系的模块包括「入口」 、「成长形式」 、「计算方法」 和「出口」 。下面快速说说整体的设计过程是怎样的,然后在下文中再单独讲述其中的细节。

1、定义产品的业务指标;

2、按照产品业务特点,把用户分类/建模;

3、规划用户最佳路径,确定我们期望用户做什么行为,从什么类型的用户变成什么类型的用户,过程中用户的理想操作和路径是怎样的;

4、根据运营目标定义每一个行为的权重,选择适合的成长形式;

5、根据上一步计算行为获得的成长值(或其他形式),计算每日获得成长值的上限;

6、设定每个等级的升级时长和整体的升级计算方法,指数函数、幂函数或斐波拉契数列等,划分每个等级所需要的成长值;

8、制定成长体系每个入口的出口,使用户行为形成闭环,包括设计等级或其他所需要的勋章和称号等,规划展示位置。

▍如何选择入口(目标确立)

定义:这里说的入口是指可以获得成长值/积分/虚拟货币等的方式。一个APP里的用户行为有很多,我们又可以按什么方法来选择可以作为入口的用户行为呢?

1、目的划分:

这是最基本最简单的划分和选择方法,对应运营的四个基础目标,不作详细解释。

1)拉新

2)留存

3)活跃

4)流失用户挽回

2、用户分级(建模):

为不同的用户设计不同的入口和出口,有针对性地设计才能更有效果。且用户行为应该是能形成「闭环」 的,用户成长体系应根据不用用户的使用习惯和目的,围绕他们的行为提供更多激励点,促进它们形成闭环。

我们常用的划分维度:

行为特征:用户进行的某种行为,如活跃度、使用时间、时长、某种特定的操作之类的

身份特征:基于用户本身自带的属性,如性别、地区、学历、城市维度、婚育情况等等

渠道属性:基于用户来源来判定的属性,常见的渠道有;百度、地推、移动广告等等

敏感度属性:基于用户心理的一种属性判断,如价格敏感型,服务敏感型等等

以一个在线多人K歌软件为例,加强大家的理解。

1)大牛用户:唱歌为主,寻求自我实现


2)抱团用户:组建家族,希望获得小团体里的认可


3)朋友团用户:线下用户的朋友群打破地域限制,共同娱乐


4)自娱自乐型用户:唱歌练歌为主,顺便拓宽陌生人人脉


3、按照行为划分:

1)主动行为:指用户主动对产品进行的行为,如分享个人主页、发帖等,以提高用户活跃为主,量的维度

2)被动行为:指用户做出主动行为后,其他人对其的认可行为,如点赞、转发等,以保证用户活跃的质量,而非滥竽充数,质的维度

▍规整选择好的入口和权重

确定了需要哪些入口后,我们通常还会给它们分类,为不同的入口确定不同的使用频率。目的是为了制造多样的玩法和机制,保证用户成长体系不会太容易被玩腻,同时引导不同的用户能尽量围绕适合他们的核心行为来玩。

1、新手任务

针对新用户使用,门槛低, 具有教育和引导意义。常见的入口有注册、完善个人信息、首次完成某个用户行为。

2、日常任务

主要作用于提高DAU,鼓励用户打开你的APP,是让他使用产品的第一步。常见的形式有签到、某些主线任务的第一次完成。日常任务和主线任务可能会有重复,它关注的点在于当天第一次完成,奖励方式会有些不同。

3、主线任务

就是为了让用户做出你最想他做的行为的那些任务咯,每个产品的核心功能和价值点都不一样,因产品而异。而主线任务应该是奖励最多,可执行限制最少,权重最大的任务。常见的主线任务有直播(直播平台)、上传作品(K歌软件)、阅读(读书工具)、运动(健身平台),等等。

4、非固定收益

顾名思义,不是固定周期出现的任务收益,多数是一些带给用户惊喜和额外鼓励的东西。其中包括获取粉丝额外奖励、运营活动奖励、其他用户的打赏,还有游戏中常见的捡宝箱。

▍常见的成长形式

成长形式,是指通过入口获得奖励或用户成长的呈现方式和规则。不同的产品,适用的成长形式不一样,花样也多。平时日常中常见的,笔者整理了一下,就已经有13种了。下面简单罗列一下各自的特点,都很好理解,不配图了,免得增加长文负担。

1、关系量/粉丝量:体现用户的影响力和话语权/地位

2、身份认证:相对理性和严肃的产品所需要的认证,包括实名认证、企业认证、资产水平

3、特征认证:多为官方审核提供的,包括V认证、达人认证等

4、勋章/头衔:可通过一些特定用户行为、站内运营活动、外部广告推广等自主获得的称号

5、VIP会员:可试用的,具有有效期,有多种时长套餐,本质是一种增值服务(IVAS),目的是鼓励用户付费

6、魅力值/经验值:各种业务相关的有针对性的分值

7、成长值:综合性的分值,不具消耗性,可和等级一起定期回收,电商中的RFM模型就是常见的这类型成长体系

8、积分:可被消费,可设置有效时间,可被看作是一种特殊的支付货币

9、虚拟货币:可被消费,没有时效性

10、虚拟道具:类似于一种特权的作用,也作为送礼用,具有交换二次售卖的属性

11、排行榜:上榜可设置奖励

12、等级:由积分等数值划分,可具有有效期

13、系列任务:把多个简单任务打包成一个大任务,可获得勋章、称号、纪念卡等

▍用户成长的计算依据

设置一套合理的计算方式是为了使等级之间划分出差距和界限。好的计算依据可以让一套成长等级拥有良好的差异性和稀缺性。因为笔者非科班出身,避免班门弄斧,所以引用了Jinkey原文中的这一部分,欢迎大家看原文《史上最全用户成长体系分析,附6大案例》。

1、幂函数

幂函数一般用于等级较多的平台,如马蜂窝和Pokemon Go。

有较大的互动空间、成长值获取的口径非常宽泛、容易成长的平台,适宜配置较多的等级。所以网游一般等级都非常多,因为里面打怪、日常任务、活动、副本、升级加成、装备锻造、生活技能、生育系统、竞技等超多玩法都可以获得成长值。成长体系主要为了DAU 而非 GMV,可以考虑设置更多的等级和配置更大的互动空间。

例子:Pokemon Go 的成长体系,对其总经验值进行回归后得到下图的公式


2、指数函数

斐波拉奇数列指数函数一般用于等级较少的平台,如京东会员、天猫会员等电商平台和垂直类的平台如网易云音乐。电商平台和某些平台除了购买、评论、点赞、登录之外,没有太多的互动空间,相应获得成长值的途径就少(也不排除产品经理太懒了..233333….)。所以如果你的平台互动少,成长体系主要为了 GMV 而非 DAU,可以考虑设置较少等级。

例子:QQ 会员的成长体系,对其总经验值进行回归后得到下图的公式。


3、其他分段函数

分段线性函数的成长比较缓和,升级难度较低。一般可用于等级对于平台不是太重要的情况。下图是LOL的等级分布情况,英雄联盟的召唤师等级其实并没什么用,主要还是看玩家的操作水平,因为LOL 有非常好的队伍匹配系统,很少说你一个1级的召唤师给你匹配一个最强王者的对手。


4、计算方式

依据用户历史数据,加权平均得到用户每天可以得到的经验上限 A,设定的等级数量 B,该体系可持续时长 C。按照指数函数或者幂函数(自定义系数项)计算每个等级的比例,将可持续时长C 按比例分配到每个等级,算出来看看数值会不会太离谱,比如升级需要10000天。腾讯发展到现在也才差不多19年,你一个等级需要花费用户27年谁玩……

确定每个等级所需要的天数 Dn 大概合理之后,用 A * Dn 得到第 n 个等级所需要的升级经验,如果希望得到每个等级需要的总经验,可以将前 n-1 个等级的经验求和。

以 QQ 会员为例,由于不知道 QQ 不同付费方式的用户比例,这里举例就暂且用最高和最低取平均值计算:


测算证明,你用的是什么函数计算,算出的所需天数、总经验、每个等级经验都基本符合所用的函数。

▍等级划分注意事项

任何成长形式的分、值,都会设定自己的等级,等级无处不在。于是等级的划分和设定尤其重要,用户成长体系中的多个原则其实也都是围绕等级来的。因此,这里着重把等级划分的注意事项再次列出来,提高大家的重视。

1、等级之间的概念最好是有关联系的,容易理解的;

2、等级的概念应该是易懂的;

3、等级的设计应该有较好的扩容性,当用户大量爆发时,等级可以很好地增加更多等级和玩法。当最高等级的用户数接近第二高等级的用户数时就要推出新等级,因为这意味着最高等级的用户开始丧失尊贵感;

4、此外,设计等级要同时从用户和运营角度考虑,实现等级的合理分布。不能让很多用户很快就能达到下一个等级,否则该等级的运营空间就会很小;

5、等级划分应该具有标杆性和稀缺性。越高的等级,应该越难获得,表示该等级的尊贵性;

6、设计降级制度,保证每个等级的质量,提高稀缺性;

7、等级之间的出口应该具有较强的差异性。

▍重新整理出口的5种分类

定义:这里说的出口是指通过获得的成长值/积分/虚拟货币等,用户可以兑换给自己的实物奖励或服务。在探索多种不同产品中的出口时,同样发现了和成长形式一样的问题,即多样性和不可同一性。所以,在列出了所见到过的所有出口后,笔者试图为他们归出类别,也方便以后在设计出口的时候可以按照这几个方向去思考。

1、功能特权:

  • 礼物兑现

  • 去广告

  • 产品相关的实用功能扩展

  • 获取生日礼包

  • 单次操作获得更多经验值(加速)

  • 达到活动参与门槛

2、资源优先:

  • 官方热门推荐

  • 添加标签,官方标签分类推荐

  • 优先推荐参与官方活动

  • 提高活动中奖率

  • 优先客服处理

  • 按情况优先上麦

3、限制放宽:

  • 照片批量上传数量和空间容量

  • 商城可买商品的品类增加

  • 功能操作次数限制放宽(如头像更改次数)

4、视觉差异显示:

  • 头像、昵称

  • 皮肤

  • 主页装饰元素

  • 出现形式:上麦效果,入场效果

5、兑换抵现:

  • (限时/抢先)兑换礼物

  • 参与抽奖

  • 商城消费抵现

  • 免运费,提供退货保障

*在比较了各种不同的框架后,文章整体的知识框架和概念选择采用Jinkey的文章《史上最全用户成长体系分析,附6大案例》里的框架,比较合理全面,而且容易理解。在此非常感谢Jinkey的分享。

* HOOKED模型内容采集自@杨国庆Larus的文章,详细请参考

《如何设计一个比较完备的、有用户黏性的用户激励体系?》

本文 转自 产品经理社区

URL:https://coffee.pmcaff.com/article/849219193623680?newwindow=1

关注成都CDA数据分析师公众号,获取更多精彩内容

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: Spark Streaming 和 Flink 都是流处理框架,但在一些方面有所不同。 1. 数据处理模型 Spark Streaming 基于批处理模型,将流数据分成一批批进行处理。而 Flink 则是基于流处理模型,可以实时处理数据流。 2. 窗口处理 Spark Streaming 的窗口处理是基于时间的,即将一段时间内的数据作为一个窗口进行处理。而 Flink 的窗口处理可以基于时间和数据量,可以更加灵活地进行窗口处理。 3. 状态管理 Spark Streaming 的状态管理是基于 RDD 的,需要将状态存储在内存中。而 Flink 的状态管理是基于内存和磁盘的,可以更加灵活地管理状态。 4. 容错性 Flink 的容错性比 Spark Streaming 更加强大,可以在节点故障时快速恢复,而 Spark Streaming 则需要重新计算整个批次的数据。 总的来说,Flink 在流处理方面更加强大和灵活,而 Spark Streaming 则更适合批处理和数据仓库等场景。 ### 回答2: Spark Streaming 和 Flink 都是流处理框架,它们都支持低延迟的流处理和高吞吐量的批处理。但是,它们在处理数据流的方式和性能上有许多不同之处。下面是它们的详细比较: 1. 处理模型 Spark Streaming 采用离散化流处理模型(DPM),将长周期的数据流划分为离散化的小批量,每个批次的数据被存储在 RDD 中进行处理,因此 Spark Streaming 具有较好的容错性和可靠性。而 Flink 采用连续流处理模型(CPM),能够在其流处理过程中进行事件时间处理和状态管理,因此 Flink 更适合处理需要精确时间戳和状态管理的应用场景。 2. 数据延迟 Spark Streaming 在处理数据流时会有一定的延迟,主要是由于对数据进行缓存和离散化处理的原因。而 Flink 的数据延迟比 Spark Streaming 更低,因为 Flink 的数据处理和计算过程是实时进行的,不需要缓存和离散化处理。 3. 机器资源和负载均衡 Spark Streaming 采用了 Spark 的机器资源调度和负载均衡机制,它们之间具有相同的容错和资源管理特性。而 Flink 使用 Yarn 和 Mesos 等分布式计算框架进行机器资源调度和负载均衡,因此 Flink 在大规模集群上的性能表现更好。 4. 数据窗口处理 Spark Streaming 提供了滑动、翻转和窗口操作等灵活的数据窗口处理功能,可以使用户更好地控制数据处理的逻辑。而 Flink 也提供了滚动窗口和滑动窗口处理功能,但相对于 Spark Streaming 更加灵活,可以在事件时间和处理时间上进行窗口处理,并且支持增量聚合和全量聚合两种方式。 5. 集成生态系统 Spark Streaming 作为 Apache Spark 的一部分,可以充分利用 Spark 的分布式计算和批处理生态系统,并且支持许多不同类型的数据源,包括Kafka、Flume和HDFS等。而 Flink 提供了完整的流处理生态系统,包括流SQL查询、流机器学习和流图形处理等功能,能够灵活地适应不同的业务场景。 总之,Spark Streaming 和 Flink 都是出色的流处理框架,在不同的场景下都能够发挥出很好的性能。选择哪种框架取决于实际需求和业务场景。 ### 回答3: Spark Streaming和Flink都是流处理引擎,但它们的设计和实现方式有所不同。在下面的对比中,我们将比较这两种流处理引擎的主要特点和差异。 1. 处理模型 Spark Streaming采用离散流处理模型,即将数据按时间间隔分割成一批一批数据进行处理。这种方式可以使得Spark Streaming具有高吞吐量和低延迟,但也会导致数据处理的粒度比较粗,难以应对大量实时事件的高吞吐量。 相比之下,Flink采用连续流处理模型,即数据的处理是连续的、实时的。与Spark Streaming不同,Flink的流处理引擎能够应对各种不同的实时场景。Flink的实时流处理能力更强,因此在某些特定的场景下,它的性能可能比Spark Streaming更好。 2. 窗口计算 Spark Streaming内置了许多的窗口计算支持,如滑动窗口、滚动窗口,但支持的窗口计算的灵活性较低,只适合于一些简单的窗口计算。而Flink的窗口计算支持非常灵活,可以支持任意窗口大小或滑动跨度。 3. 数据库支持 在处理大数据时,存储和读取数据是非常重要的。Spark Streaming通常使用HDFS作为其数据存储底层的系统。而Flink支持许多不同的数据存储形式,包括HDFS,以及许多其他开源和商业的数据存储,如Kafka、Cassandra和Elasticsearch等。 4. 处理性能 Spark Streaming的性能比Flink慢一些,尤其是在特定的情况下,例如在处理高吞吐量的数据时,在某些情况下可能受制于分批处理的架构。Flink通过其流处理模型和不同的调度器和优化器来支持更高效的实时数据处理。 5. 生态系统 Spark有着庞大的生态系统,具有成熟的ML库、图处理库、SQL框架等等。而Flink的生态系统相对较小,但它正在不断地发展壮大。 6. 规模性 Spark Streaming适用于规模小且不太复杂的项目。而Flink可扩展性更好,适用于更大、更复杂的项目。Flink也可以处理无限制的数据流。 综上所述,Spark Streaming和Flink都是流处理引擎,它们有各自的优缺点。在选择使用哪一个流处理引擎时,需要根据实际业务场景和需求进行选择。如果你的业务场景较为复杂,需要处理海量数据并且需要比较灵活的窗口计算支持,那么Flink可能是更好的选择;如果你只需要简单的流处理和一些通用的窗口计算,Spark Streaming是更为简单的选择。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值