基于“福格行为模型”的用户分层实践
背景
福格行为模型（B = MAP） 理论的含义是当动机（Motivation）、能力（Ability）和提示（Prompt）三者同时出现的时候，行为就会发生。
相信不少产品同学已经听说过福格行为模型（BJ Foog’s Behaviour Model）或者微习惯的概念。
该模型的初衷其实并不是说用来分析用户商业行为的分析，而主要是用来帮助培养个人习惯的，但我在阅读过程中会发现，用这个模型来分析用户动机也很好用，并且我也成功将这个模型应用在了业务的量化分析中，这是福格博士在书中也没有具体进行的实践，本文后面会有应用步骤的分享。考虑到有朋友可能不了解这个模型，这里先对模型做一个简单介绍。
一、模型简介
B=MAP（行为 = 动机 + 能力 + 提示）
其实可以简单理解为，只有当用户有动力、有能力且收到提示这三者同时存在时，行为才会发生。
下图是模型的一个示例图，横坐标代表做某件事的能力，越靠右代表越容易做到；纵坐标是动机，越往上代表动力越强。在行动线的右上方区域，如果有合适的提示，那么行为就会发生（也就是动机足够强或难度足够低）。
B=MAP 虽然容易理解，但是由该公式衍生出的一系列策略（如何促使行为发生/不发生），才是福格行为模式的精髓。拿读书举例：对于想培养阅读习惯的人而言，可能完整阅读一本书很困难，行动难以发生。但如果只是让你每天读下书封或者一页书，难度便很低，该行为到了行动线的右上方，则容易达成，如下图：
当然，我身边有一位给自己定每天读一页书的同事，结果依然无法坚持，这又如何解释？当动机和能力都具备时，缺乏的则是提示——总是忘记要看书。这时候则可以对自己增加一些提示：设定闹钟或在特定的时间，例如睡觉前在床头柜上放着书籍，这样可能就会更容易坚持了。
并且随着你做一件事情的次数越来越多，事情的难度通常也会更低，习惯变会更容易地养成。
此外，B=MAP也可以用于分析用户行为。例如，如果你负责某电商产品的用户转化，那么针对不转化的用户，你也可以从MAP三个维度进行分析：
- 用户是否有足够的动机：商品卡片和详情页能否更有吸引力？增加热销、热评是否能提升购买意愿？
- 用户是不是没有能力购买：优化购物链路、提供一键登录、快速购买、分期付款？
- 用户是否收到了足够的提示：我们的优质商品用户看到了吗？我们的促销信息用户了解了吗？
这三个角度是一个很好的思考框架，简单且易于理解，不过在实际产品分析过程中难以定量评估“程度”，所以通常是作为简单定性分析的工具辅助产品判断。但我个人认为，只要有足够的数据化思维，依然是能够利用该模型对用户进行分层的，我以分享业务为例做了一个实践，与大家分享我是如何将该模型“定量”的运用在用户分层和增长业务中的。
二、模型应用：以分享业务为例
1. 别只聚焦在漏斗增长上
分享业务通常以“拉新人数”为目标，在复杂度不高的产品中，拉新活动通常比较简单，基本是“邀请好友有礼”的形式，即用户邀请到一个好友注册或转化，则可以获得特定的奖励（优惠券或会员）等。
在做这类业务的增长时，不少增长产品会陷入到活动漏斗优化上，拿电商类产品举例：
- 发起人漏斗：进入活动页->点击分享->分享成功；
- 参与人漏斗：新用户参与->点击注册->完成注册->完成下单。
基于上述漏斗数据，观察哪个环节流失较多，再去想如何优化链路、增加奖励等等办法来提升漏斗转化。但这类的增长天花板不高，且很容易遇到瓶颈，同时这种方式往往也很难取得大的增长效果。
漏斗增长当然要做，但如果业务的目标是取得100%的增长，光靠这个漏斗的优化是很难达成的。很多人会忽略这个漏斗上方其实还有很重要的一环，往往也是流失最多，也就是：大盘活跃用户->进入活动页。 按照以往经验，在各个业务中，这个环节将会流失90%+的用户。 大量的用户并没有参与分享！
为什么要用对用户分层？
有的同学到这一步，可能就直接开始提方案了：“简单，不分享的话，我们可以通过增大曝光，来让更多用户知道活动，例如下单后弹窗、首屏广告等等方案。”
但请别着急拍脑袋下结论和提方案，虽然我相信还有不少产品会直接这么做的。但更好的做法是：我们需要对不分享的原因进行了解和划分。用户不分享的原因一定是各式各样的，例如：老年人不懂如何操作、有人对奖励不感兴趣、有的人爱面子不愿意分享、或者没有注意到活动、还有人身处陌生城市周围没朋友等等，这些都不是简单通过曝光就能解决的。
但这么去罗列原因也不是好方法，一方面那难以穷尽，另一方面也可能会导致可能原因之间有重复的关系，说不清楚。这时候，福格行为模型就能派上用场了。
2. 第一步：画出草图，对MAP进行“业务定义”
我们可以通过动机M、能力A、提示P三个维度，对用户进行划分，如下图（有点类似 RFM 分层）。
根据福格行为模型，用户只有同时满足M+A+P时。行为才会发生，也就是三个圆圈的交集越多，说明分享行为也越多。所以，从这个角度，业务增长也可以理解为：让MAP重合面积放大。
这里以裂变业务为例，我们需要对公式先进行业务定义，大概如下表。通过业务定义，我们至少对没有达到MAP的用户原因，做出了初略的划分，但我们还不知道这些人具体是谁，也没法做相应的动作，因此需要进行下一步操作，对人群进行“数据定义”。
3. 第二步：对MAP进行“数据定义”，判断占比和空间
这一步是最难的地方，因为福格行为模型本身偏向于是一个定性分析，福格在书中也没有说对这些维度进行具体的量化。但在互联网业务中，不进行一定程度的量化，就会导致 ：
1）无法判断优先级
2）无法锁定对应人群，从而无法运用
在对数据进行定义的环节，没有标准答案，这里通常需要各位结合业务经验和数据分析。
例如，对于动力（Motivation），我们可以首先假设：如果用户是平台忠实用户且对优惠券很感兴趣，则代表其有动力分享。
M = 历史订单数>5 且 历史领券数>5
当然具体数字并不是随便拍脑袋定的，而是我们可以先把用户历史订单数或领券数量与分享行为的数据表取出，分析这两者的关联性，以及拐点位置，再确定数值。）
再说能力（Ability），我通过业务经验，先假设新城市的用户拉新能力强（周围新人较多，因此用户拉新难度不大），另一方面，我们可能认为如果一个用户已经邀请了很多人，周围没什么朋友了，可能就会难以拉新，能力也会变弱。
基于这两个假设，我们可以分别取数分析：不同城市和不同历史拉新人数对拉新行为的影响，依然是找到拐点位置来确定数值（如果找不到拐点，或并不是强相关，可能说明初始假设出错了）。
A = 新城市且历史拉新人数小于5
最后对提示（Prompt）进行定义，我们认为近7天只要访问过活动页面，就表明有提示。（当然，这里也可以活动入口曝光来区分，核心是结合业务，以及该数据与关键行为的关联性来进行判断。）
P = 近7天访问过活动页面
有了数据定义后，人群占比基本也就搞定了，当然这个环节我们可能会拉上数据分析师，对指标进行来回的调整，最终我们可以得出类似下图的表格：
到这里，我们对不同不分享人群的原因定义和人群划分基本就结束了。
对于比例较大的人群，我们后续还可以继续细分，例如同样是有动力的人群，我们可以划分为“动力强”、“动力中”、“动力弱”三档。或者根据用户其他不同的行为来划分，但本质都是为了将不同特征的用户区分出来。
4. 第三步：针对不同人群，分配Owner并推进后续动作
到了这一步，人群类型和比例都确定之后，就可以开始盘具体的战术了。
由于针对每个环节的原因，其实都还有很多深入分析的空间，例如针对MA的用户，可能还可以根据渠道、根据订单金额、页面访问情况等各方面进行进一步的划分和分析，总之是定位的问题越具体，也就越容易解决。
所以这里通常还需要花不少的精力，资源充裕的情况下，可以将不同类型的问题分工给不同的产品同学来单独负责，继续下探。
在每周的会议上，则可以针对不同同学负责的内容，提出的策略进行讨论。策略不限于产品方案、运营手段乃至如果展示还不够明确的话，这里的动作也可以是后续的数据分析或用户调研，总之每个模块都需要有相关事项及具体的计划，符合SMART原则即可。
另外，对于这类效果不确定性较强的策略，建议可以通过ICE打分来进行需求优先级的排序，再往后就是项目管理的范畴了。
结语
福格模型相对来说是一个万能公式，通过动机M、能力A、提示P三个维度来对用户进行划分。但是，在某些业务场景下，这种划分方式却不一定最“高效”。
可能划分结束后，大部分会集中在一个维度上，这时候其实则需要在单个维度下再不断的下探，比较考验各位的业务洞察能力以及数据分析能力。
关于用户分层的逻辑和思路，我在近半年的工作中也有了更深的体会，后续可能会再单独写文章与大家分享。感谢大家的阅读。
作者
爱学习的Keyda。主要专注在线教育和电商类产品增长，擅长游戏化设计，定期分享产品设计和思考。
版权声明
本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！
