![]()
传统营销学上讲得是客户生命周期（CL：Customer Lifetime）管理。对互联网运营，我更倾向用户生命周期的说法。
传统公司怎么管理客户生命周期？我们生活中遇到的很多营销手段，都可以归纳到这个范畴。不定期收到的各类促销信息、商场消费后拿到的满减券、航空公司的里程数以及售后维护等等。一切的手段都是为了延长客户的消费周期。你去菜场买一把菜，末了老板王二麻再送你一把葱，说：“下次记得再来，都可以算。”
互联网公司，客户在广义上变为用户，用户生命周期就是今天的话题。用户生命周期管理是一个很大的话题，用户从第一次使用APP，到最后一次打开的时间，我把它定义为用户生命周期。
运营角色一直贯穿整个生命周期，在新用户还没有注册前，就寻求媒体曝光、渠道推广和活动营销、哪怕在卸载APP后，同样会用尽手段希望唤回用户，例如老用户回馈，邮件推送社交好友动态等。
很多文章都会通俗的解释说，运营就是让用户留下来。没错，但是它漏了后半句话：让用户留下来，并且赚钱。
用户生命周期价值CLV（Customer Lifetime Value，也有称LTV：Life Time Value）比生命周期更重要。让用户能在生命周期中产生商业价值，才是运营的使命。这里的商业价值，不单纯是电商广告游戏等赚钱模式。信息和数据这些无形且很难量化的也是商业资产。
运营的目标就是：尽一切可能延长用户的生命周期，并且在生命周期中尽一切可能产生商业价值。
用户商业价值CLV会不断累加，生命周期CL会不断减少。期间又能划分成新增期、成长期、成熟期、衰退期和流失期等。这里就不深讲，主要讲与运营结合。
为什么要谈用户生命周期和价值？因为做运营不得不接受的事实是，无论你是多么出色的运营，都无法真正制止用户的流失。你可以延长它，但就是不能阻止它。
当产品获得足够多的用户时，最大的问题不是继续获取，而是从用户身上赚回钱。成熟的产品都应该考虑CL，以及更重要的CLV。
菜场首席运营官王二麻同志，他每次在你买菜后送一把葱，不是看你可爱帅气，而是希望下一次顾客仍旧去他那里买菜。这是打感情牌。
送一把葱才多少钱，可只要送的葱足够多，哪怕让10%的顾客有好感下次仍去他那里买菜，王二麻就能把钱赚回来。王二麻都有这个运营意识，“人人都是运营”的口号应该喊出来了。
只要用户能用产品更长时间，就有更大的可能赚钱。CL和CLV是基的不能再基的关系。
有些特殊的商业形态，获利周期极短或者只有一次，比如婚庆，比如微商，反正我是没见过傻的再买第二次的人了。这时没有CL。
这里引出运营的终极公式之一：
赚钱=CLV（用户生命周期价值）-CAC（获客成本）-COC（运营成本）整个公式是运营体系的框架之一，另外两个指标以后会写。
运营是互联网商业变现的落地和执行者。不同产品不同商业模式，用户的CLV也会差异很大。比如电商的CLV由一系列购买的指标决定，新媒体和门户的CLV由广告和曝光量指标决定，游戏的CLV则是土豪玩家这个群体。
一个合理的CLV模型应该是综合考量各种指标和数据建立起来的。
一款产品若没有探索出合适的商业模式，CLV模型很难搭建起来。需求低频，或者变现周期漫长，则计算一样不准确。
用户生命周期则比CLV更容易计算和运营。
我们通常说的留存率，就是用户生命周期的杀手锏应用。通过留存率，我们分析出用户的黏性、活跃度等指标。但留存率很难和商业挂钩，不具备商业的可解释性。我们就会换算成生命周期。
![]()
如果一款产品新增用户的月留存率是70%，那么估算出：平均用户生命周期=1个月/（1-70%）=3.3个月。
运营的目标就是延长用户生命周期从3.3个月到4个月、5个月乃至更长。并且在此期间产生商业价值。对于大部分产品，这个公式都是适用的。
如果这个产品低频，例如旅游类产品，普通人不可能频繁旅游，那么数据上留存率就不会特别好看。这时的估算会有偏差，可以拓大时间维度。
如果需要更精准的指标，则可以将数据制作成频数分布图。
![]()
来看看精准的分析和运营：
用户生命周期最少的那部分用户，例如10天，有什么具体特征，为什么不用？
用户生命周期最多的那部分用户，有什么特点？
分布人数最多的用户，怎么样能想办法抓住他们的痛点？延长他们生命周期
究竟是用的久的用户（二八理论），还是分布人数最多的用户（长尾理论），产生的商业价值大？
每个用户的生命周期都能产生商业价值，但有些用户注定更有价值。
用户生命周期和流失是息息相关的，用户流失，便是用户生命周期的终止。
用户不用APP，可能是比较忙，可能是出去旅游了，可能是大姨妈来了心情不好。那么运营应该怎么判定他是上述情况，还是卸载不用呢？也许我们需要几个月后才会发现用户最后登录停留在某一天。
高级运营和初级运营的分水岭在于：初级运营经常事后补救，高级运营能够防范于未然。
将用户的流失可能扼杀在萌芽阶段，是延长用户生命周期的有效手段之一。这听起来很玄乎，但举个例子就会明白的。
一款社交应用，通过流失用户的特征分析。发现了如下的几个特点。
这些特征很容易读懂了解，运营也很容易针对性的采取策略。例如良好的新手引导、引入好友推荐（想想微博和各兴趣向APP）、增加曝光量和乃至使用机器人等等。
如果数据化运营更彻底，可以运营和数据分析结合，将上述的特征建模，得出一个比较准确的流失概率预测。用模型计算出某一类人群流失概率在80%以上，和知道什么样的人可能流失，在运营上是两个层次。
我们可以构建决策树模型，因为决策树模型的可解释性强，它是if-then的集合，运营非常容易理解。比如用户完善资料低于50%，且没有导入通讯录好友，且好友数量低于3，则其一个月后的流失概率为80%。模型训练出叶节点，运营用SQL就能跑出来可能流失的用户群。
另外，发掘出变化性变量在运营中有奇效。比如完善资料，是否导入通讯录好友，都是静态、状态型的特征，更多是产品上的优化。但是某一类用户流失，能通过其他数据特征体现，比如上周打开了APP20次，本周打开了5次，下周打开了1次，趋势是下降的，这绝逼是累感不爱了啊！（趋势上升是另外一种运营策略了）这时我们运营就可以采取温暖的爱的抱抱，运营这类用户。
写到这里，突然觉得自己很温暖。虽然运营们营销，推送，喜欢从用户身上赚钱，但是我知道我们是好运营。
用户生命周期运营实际会更复杂，比如真正产生商业价值的群体应该去运营和分析，需不需要引入CRM，RFM等等，比如常见的积分体系能不能提高CL。关于这些，欢迎大家留言讨论。
作者：秦路，微信公众号：秦路【ID：tracykanc】
本文由 @秦路 授权发布于人人都是产品经理，未经作者许可，禁止转载。
![]()
