（3）用户画像
用户画像就是通过各种数据勾勒出用户的轮廓，凡是可以定义出用户属性的指标都可以放在用户画像里，包括性别、年龄、学历、收入、支出、职业、行业、个人兴趣爱好、商业兴趣、社交关系等等，数据越多，用户的轮廓就越清晰，相应的制定运营策略的时候就越有针对性。
3.我们每天手机上会收到各种短信、PUSH、陌生电话，邮箱里经常收到广告邮件，且越来越精准的戳中你的点，促使你再次启动app，如果你很久没有使用这个app了，那这很可能就是运营人员基于数据分析采取的召回措施，试图挽回流失的用户。
这一阶段主要是对流失原因的分析以相应召回方案的制定，数据指标用来衡量工作效果。体现在数据指标上为流失和召回体系，包括流失率、到达率、打开率、打开点击率、回流率。
流失率：流失率和留存率是互为此消彼长的一对概念，某个统计时间后不再使用产品的用户比率，两个指标一般都是采用同期群的计算方式，但因为流失率有一定的滞后性，所以通常是通过查询留存率来预计流失率。
到达率：推送到达用户手机或邮箱的比率。
打开率：用户看到推送打开的比率。
打开点击率:用户打开后点击内容/链接的比率。
回流率：回流用户数与统计周期内流失用户的比率。
我们的目标是让流失用户回流，但却不是一蹴而就的，后面四个指标层层递进，形成一个转化漏斗。推送的形式、推送发送时间、推送标题、发件人是否官方、发送对象是否精准、实际内容与标题是否一致甚至页面排版都会影响到每一层的转化。
三、数据驱动用户运营
有了结构化的数据指标体系，但这还不能算是完整的运营体系。数据本身是没有价值的，变成策略才有价值。我们构建出来的数据指标都是为决策来服务的，帮我们制定和优化运营策略。
通过数据我们不仅是要知道“是什么”和“有多少”的问题，更重要的是要知道“为什么”？这才是数据能驱动业务的关键。数据驱动业务体现在两个方面：
一是用数据优化运营策略，比如用户留存率低，而留存率与用户质量和产品吸引力有关系，通过渠道分析发现用户质量没有问题，而通过用户流失分析发现主要流失阶段在初始接触期，这就找到了原因，于是在产品稳定性、易用性和新用户引导上做优化。
二是数据验证运营策略，比如你想上线一个新的用户激励措施，但不确定和原有方式相比是否会有更好结果，这时候通过合理的AB测试得出的对比数据可以为你提供决策依据。
数据分析查找原因和运营策略优化是互相反复进行的过程，我们以用户的防流失为例来说明。
防止用户流失工作的核心是降低用户流失率或者延长用户的生命周期（流失无法避免的情况下）。造成用户流失的原因千差万别，有的是在推广过程吸引了大量价值不高的用户，有的是用户对产品不感兴趣，有的是使用过程中兴奋点不断提高而兴趣不断降低，只有找准用户流失的原因才能推出有效的防止用户流失和流失用户召回策略，而这都需要依赖于通过数据指标体系来说明问题。
1.不同渠道用户流失率分析
渠道A：SEM
渠道B：微博
全站用户
通过分析不同渠道用户的流失情况，我们会发现不同渠道的用户流失率明显不同，并且与全栈的用户流失率也不同。
在第一周，渠道A—通过SEM注册产品的用户流失为34%，而渠道B—通过微博注册产品的用户流失率为54%。为何渠道A的用户情况会明显好于渠道B？无论是渠道A的关键词主动搜索也好还是渠道B的推广链接感兴趣点击也好，用户的需求基本是一致的，否则在注册阶段就会流失了。
再往下分析，因为SEM是付费推广而微博是免费自然流量，运营为了提高SEM的投入产出比，渠道A的用户进入产品页面后会有专门的着陆页介绍产品，而微博直接链接到活动页，用户对产品认知较差，导致用户流失增加。
运营可以通过为通过微博来的用户添加新用户引导功能，继续观察微博过来的新用户的数据。如此反复不断优化策略。
2.不同生命周期用户流失率分析
通过使用时长和使用频次两个指标将用户生命周期划分为为接触适应期、探索成长期、成熟稳定期、衰退期，不同时期的用户人数和流失率统计如下：
从上表可以看出，在用户刚开始接触产品的探索适应期流失率偏高，有很大改进空间。根据我们用户运营的经验，在此阶段用户流失的原因一般包括新手引导体验差、访问速度慢、学习成本高、内容不匹配等，而这些在数据上都会有所体现，通过相应数据的分析查找原因，并制定相关的用户策略，再继续观察数据，反复优化策略。
以上以防止用户流失为例来说明如何利用数据来驱动用户运营，其它环节大同小异，利用用户运营的思想，结合数据分析的思路，选定合理的数据指标体系，精准分析原因，制定相应策略，重新观察数据优化策略。
四、总结 搭建数据化用户运营体系的流程为：用户数据收集—构建用户数据化运营指标体系—数据驱动运营。根据用户在产品的周期建立结构化数据指标体系，将用户运营工作数据化。数据驱动业务，通过数据查找制定相应运营策略并通过继续观察数据不断优化。
