本文要点：
本文以“what-how-why”的框架为基础，按照第一步明确用户行为的相关定义和模型、第二步介绍如何搭建三大增长模型及配套落地指导原则、第三步说明基于用户行为增长模式的底层逻辑
“触动人心的运营策略系”系列，一共三篇文章，分别从用户属性分析、基于转化漏斗的生命周期划分、基于用户行为的增长逻辑切入，三篇文章中一以贯之的核心思想，就是用户的转化和成长
1
当我们在讨论用户行为时，
我们在说什么
从基础出发，回归初始定义
很多日常脱口而出的词，其实我们并没有思考过它真实的含义。大多数争论和错误决策的起点，也在于定义的不清晰和不一致。
互金运营是离钱最近的一项工作，清晰的用户行为定义便显得尤为重要了。
用户行为
用户行为由最简单的五个元素构成，时间（when）、地点（where）、人物（who）、交互（how）、交互的内容（what）。对用户行为进行分析，要将其定义为各种事件。比如用户搜索是一个事件，在什么时间、什么平台上、哪一个id、做了搜索、搜索的内容是什么。这是一个完整的事件，也是对用户行为的一个定义。有了这样的事件以后，就可以把用户行为连起来观察。
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。
具体而言，用户行为分析是基于用户在互联网产品上的行为，以及行为背后的人发生的时间频次等维度，深度还原用户使用场景并且指导业务增长。
一个完整、多维、精确的用户画像=用户行为数据+用户属性数据。
消费者行为
消费者行为在狭义上讲：仅仅指消费者的购买行为以及对消费资料的实际消费。在广义上讲：消费者为索取，使用，处置消费物品所采取的各种行动以及先于且决定这些行动的决策过程，甚至是包括消费收入的取得等一系列复杂的过程。消费者行为是动态的，既涉及了感知、认知、行为以及环境因素的互动作用，也涉及了交易的过程。
消费者行为模型（aisas）
消费者行为模型
随着互联网的兴起和发展，针对消费者进行研究的模型已经从最初的aidma模式（attention 注意、interest 兴趣、desire 欲望、memory 记忆、action 行动），演化到了到后来的aisas模式：
1、attention——引起注意
2、interest——引起兴趣
3、search——进行搜索
4、action——购买行动
5、share——发起分享
基于基础定义的分析框架搭建
在线性方向上，从“注意”到“分享”的核心路径上存在着多个关键节点，而由于“说服心理学滑梯”效应的作用（下文将说明），导致从起始节点到最终节点的过程中，用户会因为各种原因出现流失，从而形成用户转化漏斗。
对互金运营来说，需要结合公司当前目标和自身kpi，抓住转化漏斗的关键触点，据此设计相应的运营策略。
对用户行为进行分析，要将其定义为各种事件，而将时间（when）、地点（where）、人物（who）、交互（how）、交互的内容（what）聚合在一起，便构成了一个完整的用户任务。从任务的层次来看，从核心到外围，可以分为三档：核心任务、扩展任务、外延任务。
对互金运营来说，必须深入到本公司产品的体系中，了解用户操作的关键路径和主线流程，根据用户任务的重要程度，设计运营活动，这样能够最大程度上避免运营和产品惨烈撕x的情况出现。在往下看之前，你可以停下来想一想，对于投资用户来说，ta的核心任务、扩展任务、外延任务分别是什么？
由于不同用户在转化漏斗的阶段各有不同，其在本平台所处的生命周期发展阶段也就有了群体差异。引入期、成长期、成熟期、休眠期、流失期，针对不同发展阶段的用户，运营策略的差别往往十分巨大。
这部分内容，在道是无此前的文章《用户生命周期管理的完整方法论——触动人心的运营策略02》已经有了比较详细的论述，需要了解的同学可以点击链接查看。
到这里，我们已经初步搭建起了用户增长策略的基本框架：
1、根据转化漏斗梳理操作流程，进而识别关键触点进行优化
2、根据任务层次梳理最小闭环，进而分层次、分阶段设计运营策略
3、根据用户生命周期进行用户分层，进而针对不同生命周期的用户实施差异化的运营手段
2
18字诀：
为什么要分析用户行为
做画像
完整的互金用户画像=用户属性数据+用户行为数据+交易数据+风险收益数据。互联网公司擅长前2块，但往往偏重于一般的互联网用户分析，缺乏对金融和投资的理解；金融机构强于后2块，一般认为用户行为数据只是过程性信息而不屑收集，可能一款app已经推出很多年都没有做过基本的埋点或转化率分析。
在整个用户画像的体系中，用户行为是串起用户和平台两端的其他3项数据的关键要素，值得深入探究和完善。
知偏好
通过对用户访问页面的类型、访问路径的深度，可以帮助识别用户对某些投资品种或运营活动的偏好程度，进而针对此类用户推送更多此类产品上架的信息，或是与相关产品有关的优惠券（加息券/抵扣券/满减券等）。平台再大一点，可以据此完善“千人千面”的前端架构设计。
此前growingio、诸葛io等用户行为分析机构，已经推出了此类产品，虽然在精度上还有待进一步加强，但毕竟是一个有益的尝试。从实际使用的反馈情况来看，偏好分析在投资理财类app上的分析效果，会好于在借贷类产品上的应用。
控营收
从用户导入到用户流失，全链路跟进转化率和留存率提升。
根据公式：
用户生命周期价值（ltv）
=（某个客户每个月的投资频次*客单价*毛利率）*（1/月流失率）
由此可知，在客单价和毛利率水平不变的情况下，我们可以着手的点有2个：
提升投资频次：持续做好用户转化节点的运营策略优化，让用户在“注册-实名-绑卡-交易-复投”的转化过程中，有充分的动力持续向下一步跃迁，实现交易笔数和交易金额的提升，最终提升平台用户生命周期价值。降低流失率：通过释放出各种任务引导持续提升等级，进而做好用户的忠诚度提升；通过刺激活跃和召回策略提升用户留存，最终降低平台用户流失率。
做策略
做运营策略，并不是简单地抄一抄竞品、落实老板要求那么简单。或者换个角度说，如何更好地抄到竞品的精髓、把老板的要求落到可规划/可执行/可汇报的程度，都有赖于对用户行为数据的收集和分析。离开用户行为谈运营，无异于耍流氓。
搞复盘
根据用户行为数据复盘版本升级和运营活动的效果，并据此进行调整和优化。无论活动的目标是提升日活、提升gmv还是单品交易量，最终都要落实到用户在转化漏斗节点或用户任务上。
对于活动效果的检视，简单地看无非是“达成”或“未达成”，而对用户行为数据的分析，却能回答为什么、好在哪/不好在哪儿、下次如何和才能做得更好。
作比较
基于转化漏斗的各种转化率、基于海盗指标的拉新-促活-留存分析、基于用户任务体系的注册-投资-提现数据分析等，都能够帮助我们搭建一套对本平台指标体系搭建和竞品比较分析的框架，对于运营指标制订、资源申请和效果检视有显著的帮助。
3
如何搭建基于用户行为的增长体系
基于用户行为的增长体系建设，可分为前置条件、执行策略、通道搭建和落地配套原则4部分。下文将分别展开。
part1.前置条件：用户数据准备
如上文所述，完整的互金用户画像体系，由如下这4部分数据构成：属性数据、行为数据、交易数据、风险收益数据。
互联网金融数据分析体系
属性数据：用户作为自然人和社会人的最基本数据，也是其他三类数据的基础行为数据：串起用户和平台两端的其他各项数据的关键要素，一切运营策略的落脚点。以用户行为数据为基础，结合平台的标签体系，还可以得到衍生的用户转化数据和用户行为偏好数据，在此不详细展开交易数据：计算平台营收、roi、ltv等经营指标的基础，也是用户价值的判断的重要标准风险收益数据:用户的投资属性数据,既是差异化运营的依据,也是平台落实风控合规要求的体现属性数据举例
行为数据举例
基于以上数据,结合频率、时间维度、用户数等指标,就能得到更多指标数据,比如:
时间周期(月)+投资次数=月活(mau)最后一次回款日期+回款后最近一次投资日期=用户流失时间区间内投资金额/时间区间内投资用户数=人均投资金额如果将用户投资行为，与最近一次交易时间、交易频率、单位时间内交易金额相结合（根据rfm模型），在计算和分析后对于用户价值判断、召回策略制定等方面将能够提供有力支撑。
r(recency)：用户投资的时间间隔f(frequency)：用户在单位时间内投资的次数m (monetary)：用户在时间内投资的金额交易数据举例
风险收益数据举例
有关风险收益数据，稍微展开说一下：
对于大多数互金平台来说，产品的展示和推荐，首先还是基于营销的目的来做，不太考虑用户自身的风险承受力情况。甚至有些时候，在用户完成风险测评后，还会诱导用户购买超出自身风险承受力的产品，于是你就会看到下面这种画风：
xx金融在用户完成风险测评后给出的投资建议
（图片来自公众号@智能投顾联盟）
按照这两年监管发展的方向，“把合适的产品卖给合适的投资者”的适当性原则落地，将逐渐从持牌金融机构向互联网金融公司逐步扩散。基于用户风险承受力和收益目标来进行产品和运营策略设计，一方面能够提高合规水平和平台安全边际，另一方面，也是对用户投资需求和投资能力的更进一步把握。这部分内容之前的文章也有涉及，可点击《触动人心的运营策略01：深解互联网金融用户属性》查看。
用户风险承受力与产品风险等级的匹配关系-基于用户风险承受力（5档分级）
用户风险承受力与用户投资目标的关系-基于用户风险承受力（3档分级）
2016年蚂蚁金服公布的《蚂蚁聚宝大众投资人大数据分析》中，透露出来的5项内容，分别都能对应到上文提到的四大类数据中：
注：
在实际搭建数据指标体系的过程中，指标会拆解得更加细化，这里不是写prd，就不针对这四类数据对应的报表字段详细展开了此处的“交易数据”，主要只用户发生投资行为后的持仓数据；而用户的首投、复投相关的时间、金额、产品数量等投资行为数据，包含在“行为数据”的类目下
part2.用户增长模型搭建
基于用户行为的增长策略，依赖于三个基础模型的建立，它们分别是：转化漏斗模型、生命周期模型和任务分层模型。
其中：
转化漏斗模型是在纵向上，对用户转化的节点进行分析；以此为基础，根据用户在不同转化节点的分布情况，对将用户在平台上所属的生命周期进行定义和划分任务分层模型是在横向上，对用户在平台上的各种行为进行拆解和分组，按照“核心任务-扩展任务-外延任务”的体系进行划分，以此为基础引导用户在不同层级的任务中迁移和成长最终，通过对用户转化率的持续优化、用户任务完成行为的持续引导，进而实现对平台各生命周期用户的差异化运营和服务，最终实现平台用户快速和持续的增长
模型ⅰ-用户转化漏斗模型
关于转化漏斗模型，道是无在此前的文章中已经有过比较详细的描述，在此就不再展开。
转化漏斗模型（理财端）
基于以上模型，对于理财端用户的转化关键节点和对应的重要指标就可以比较轻松地掌握了。但在实际的应用中，这只是达到了60分的及格线而已。那么，该如何用更高阶的手段来使用转化漏斗模型呢？以下是2个可以参考的方向：
1、用户分支路径转化漏斗（以传播/邀请为例）
转化漏斗模型-分支路径转化
以转化漏斗模型的“传播”这个节点为核心，可以拆解出从“老用户看到界面邀请提示”到“新用户接受邀请并完成注册开户”，其间至少有7个转化节点。拆解到这个颗粒度，运营更多的工作开始浮现出来：
最终从结果来看，精细化的漏斗划分，一方面能帮助运营提升效率和投入产出比，另一方面，也有利于在活动过程中快速地定位和解决问题。活动结束后进行复盘时，做得好不好、下一次怎么才能做得更好，得出的结论才会更加靠谱。
2、方向二：平行转化漏斗
转化漏斗模型-平行转化
注：在上图中，对用户来说，投资、内容、每日加息、传播等业务，都被定义为“平行业务”。
如果按照不同的颗粒度、不同的业务条线来分拆，一个app内其实可以拆解很多平行的转化漏斗，对运营来说，单纯为了拆而拆是没有意义的，我们需要根据当前运营重点和部门kpi梳理出需要重点关注的几个...