巫 芯 宇

西南大學 圖書館，重慶 400715

2016年，被稱為知識付費元年，自2016年以來，我國知識付費行業(yè)始終保持快速增長趨勢．艾媒新經(jīng)濟產(chǎn)業(yè)研究中心報告顯示，2019年我國知識付費行業(yè)用戶規(guī)模達3.6億人，行業(yè)市場規(guī)模達278億元，估計2020年會突破392億元人民幣，其中18～30歲的人群占比超過50%[1]．然而，知識付費行業(yè)在保持快速增長的同時，也出現(xiàn)了市場競爭加劇、產(chǎn)品同質(zhì)化、產(chǎn)品價格不合理、廣告泛濫、缺乏知識產(chǎn)權(quán)保護等問題[2]，這對知識付費行業(yè)的持續(xù)發(fā)展帶來了不利影響．此外，盡管我國知識付費行業(yè)規(guī)模持續(xù)增長，但其同比增速卻在下降．

目前，我國知識付費行業(yè)已進入到精細化運營時代，需要對用戶群體的差異化進行分類研究．大學生是使用知識付費產(chǎn)品的主要群體之一，但是目前針對該群體的研究主要集中在動機和影響因素等方面，而基于大學生群體知識付費產(chǎn)品使用行為的用戶細分研究還相對較少．因此，本文基于傳統(tǒng)的RFM模型，結(jié)合知識付費產(chǎn)品的特點，提出一種改進的FTRM模型，利用K-means聚類算法，將大學生群體聚類為睡眠型(或流失型)用戶、忠實型用戶、未付費轉(zhuǎn)化型用戶、沖動消費型用戶4類用戶群體，并針對每一類群體提出差異化的營銷建議．

1 國內(nèi)外研究現(xiàn)狀

本文以“(大學生 + 高校學生)*知識付費”作為檢索詞對知網(wǎng)數(shù)據(jù)庫進行主題精確檢索，共檢索到相關(guān)文獻66篇．通過對這66篇文獻的分析發(fā)現(xiàn)，目前對大學生知識付費產(chǎn)品使用行為的研究主要集中在大學生使用知識付費產(chǎn)品的現(xiàn)狀、付費意愿、影響因素以及知識付費產(chǎn)品的有用性、易用性等方面．有關(guān)國內(nèi)大學生知識付費相關(guān)研究主題(前10)如下所示(圖1)．

圖1 國內(nèi)大學生知識付費相關(guān)研究主題(前10)

孫曉臻等[3]以青島大學為例，對大學生使用知識付費產(chǎn)品的動機、態(tài)度等進行了調(diào)研分析，提出了知識分享平臺應(yīng)堅持內(nèi)容為王的發(fā)展戰(zhàn)略和低收費、多受眾的營銷策略．何慧雪等[4]基于技術(shù)接受模型和期望確認理論，提出影響大學生持續(xù)使用知識付費產(chǎn)品意愿的8個因素．陳娟等[5]基于修正后的技術(shù)接受模型TAM2和感知價值接受模型，構(gòu)建了知識付費產(chǎn)品使用偏好模型．劉詩卉等[6]以性別、年級、月均消費額(Average monthly consumption，簡稱A)等為自變量，以對知識付費的態(tài)度為因變量進行二元Logit回歸分析，認為經(jīng)濟條件和內(nèi)容質(zhì)量是影響大學生知識付費的主要因素，發(fā)現(xiàn)大學生知識付費產(chǎn)品使用行為注重實用性和娛樂性等特點．劉瀾等[7]對大學生知識付費產(chǎn)品使用行為、付費需求和付費態(tài)度等進行了分析，并結(jié)合文化產(chǎn)業(yè)政策、數(shù)字出版市場、圖書館資源組織和閱讀服務(wù)等方面提出了數(shù)字付費閱讀使用對策．

此外，筆者以類似的方法對EI數(shù)據(jù)庫進行檢索，檢索到“online paid knowledge OR pay for knowledge”與“college student OR university student”關(guān)鍵詞組相關(guān)文獻149篇．通過對這些文獻進行分析發(fā)現(xiàn)，外文期刊中對大學生知識付費產(chǎn)品使用行為的研究并不多，且不少文獻是來自中國學者的研究，現(xiàn)有的研究也主要集中在知識付費意愿(Willingness to pay)、使用決策模式(Decision Making)、在線教育(E-Learning)等方面(圖2)．盡管知識付費相關(guān)概念和模式起源于國外，但是由于知識產(chǎn)權(quán)保護等原因，知識付費產(chǎn)品在國外發(fā)展并不那么迅速[8]．而且，外文期刊中還沒有比較明確的知識付費概念，相關(guān)研究成果較少，僅有少量國外媒體采用“online paid knowledge”來報道知識付費相關(guān)內(nèi)容．

Xie Wei等[9]認為知識付費產(chǎn)品的功能價值、情感價值、社會價值均對購買意愿產(chǎn)生積極且顯著的正向影響．Moutaz Khouja等[10]指出不斷提升服務(wù)是影響付費成員支付意愿的重要因素．另外，雷兵等[11]在對國內(nèi)外知識付費研究進展的文獻綜述中指出，國內(nèi)外現(xiàn)有研究較多關(guān)注平臺商業(yè)模式及個人行為的影響因素，缺乏更深層次研究，且相關(guān)文獻關(guān)注點較為集中，使研究存在一定的同質(zhì)性．

目前，國內(nèi)外學術(shù)界對大學生知識付費主題的研究主要集中在知識付費動機及行為影響因素兩方面．但大學生群體因性別、專業(yè)、月均消費額等不同，在知識付費產(chǎn)品使用行為上存在差異．楊舒怡[12]認為，知識付費平臺應(yīng)開展用戶研究，并深入挖掘用戶需求，而挖掘用戶需求不能單單以年齡、學歷、職業(yè)等標簽劃分用戶群，而要找出更具個性化的標簽來區(qū)分用戶．因此，本文根據(jù)大學生使用知識付費產(chǎn)品的行為差異，將大學生群體劃分為不同類別，并制定差異化的營銷策略，實現(xiàn)精準營銷，有助于進一步推動知識付費行業(yè)持續(xù)發(fā)展．以“(大學生 + 高校學生)*知識付費*(聚類 + 分類 + 細分)”作為檢索詞在知網(wǎng)數(shù)據(jù)庫中進行檢索，僅檢索到1篇相關(guān)論文，該論文對大學生知識付費行為進行了調(diào)研分析，并運用SWOT分析方法對知識付費市場需求提出了建議[13]．盡管該文使用了K-means聚類算法，但文章聚類的對象是影響知識付費產(chǎn)品的變量，并非大學生用戶群體．

數(shù)據(jù)由愛思唯爾旗下的Engineering Village數(shù)據(jù)庫提供．圖2 國外大學生知識付費相關(guān)研究主題

綜上所述，通過對當前國內(nèi)外學者關(guān)于大學生知識付費主題的研究現(xiàn)狀進行分析，筆者認為：目前學術(shù)界對大學生群體使用知識付費行為進行的用戶聚類、用戶細分等研究相對較少．目前，基于用戶分類的精準營銷、精細化運營已成為各類互聯(lián)網(wǎng)產(chǎn)品運營必須采取的措施．因此，本文基于傳統(tǒng)的RFM模型，結(jié)合知識付費產(chǎn)品的特點，提出了FTRM模型，并基于該模型利用K-means聚類算法[14]，將大學生群體細分為不同類別，并針對不同用戶特點提出差異化的營銷建議，以提高知識付費產(chǎn)品的營銷效率，實現(xiàn)精準營銷．

2 FTRM模型與K-means算法

2.1 FTRM模型

RFM模型是衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段，被廣泛應(yīng)用于用戶價值衡量、用戶細分等領(lǐng)域中．在RFM模型中，R(Recency)表示最近一次消費時間到當前時間的時間間隔，R值越大表示用戶價值越低；F(Frequency)表示某段時間內(nèi)消費的次數(shù)，F(xiàn)值越大表示用戶價值越高；M(Monetary)表示某段時間內(nèi)消費的總金額，M值越大表示用戶價值越高[15]．

傳統(tǒng)的RFM模型主要用于直銷產(chǎn)品，通過用戶付費行為對用戶價值進行衡量．然而，知識付費產(chǎn)品作為一種基于互聯(lián)網(wǎng)的軟件產(chǎn)品，區(qū)別于傳統(tǒng)的消費品，用戶日?；钴S行為也是衡量用戶價值的重要指標，在App產(chǎn)品數(shù)據(jù)分析中，DAU(Daily Active Users，日活躍用戶數(shù))、MAU(Monthly Active Users，月活躍用戶數(shù))也是最重要的分析指標．因此，本文基于傳統(tǒng)的RFM模型，結(jié)合知識付費產(chǎn)品的特點，提出針對知識付費產(chǎn)品行為分析的FTRM模型．其中，F(xiàn)，T用于衡量用戶的日?；钴S行為，R，M用于衡量用戶的付費購買行為．FTRM具體含義如下：

F(Frequency)：使用頻率，表示用戶使用某App的月平均次數(shù)．

T(Time Length)：使用時長，表示用戶每次使用某App的時間長度(min)．

R(Recency)：最近一次付費，表示用戶最近一次購買時間到當前時間的時間間隔．

M(Monetary)：付費金額，表示用戶在某段時間內(nèi)付費購買的總金額．

2.2 K-means算法

K-means聚類算法是一種經(jīng)典的、最常用的無監(jiān)督學習聚類算法．通過K-means算法，可以將數(shù)據(jù)按照距離分為不同的簇，簇內(nèi)樣本相似度高，簇間樣本相似度低．其核心步驟如下：

S1：從數(shù)據(jù)集中選取K個數(shù)據(jù)對象作為初始聚類中心．

S2：逐一計算數(shù)據(jù)集中每個樣本到K個初始聚類中心的距離，并根據(jù)距離遠近，將每個樣本聚類到距離其最近的聚類中心，形成不同的簇．

S3：計算每個簇中樣本的均值，將均值作為新的聚類中心．

S4：重復S1～S3，通過不斷迭代，直至聚類中心不再變化．

S5：評估聚類效果．由于聚類數(shù)量K是人為確定的，不同K值下聚類的結(jié)果不同，一般常用的K值確定方法是計算不同K值下的簇內(nèi)誤方差(SSE)和輪廓系數(shù)(Silhouette Coefficient)，當K值位于SSE學習曲線變化的“肘部”位置或使得輪廓系數(shù)取最大值時，即為最佳K值．

通過FTRM模型對使用行為進行建模，再利用K-means算法對數(shù)據(jù)進行聚類，對用戶使用情況進行分析，挖掘不同用戶的使用特點．

3 數(shù)據(jù)的獲取與預(yù)處理

3.1 用戶行為的界定

用戶行為復雜多樣，主要受內(nèi)在心理和外在環(huán)境因素的影響，其研究涉及范圍較廣，囊括了經(jīng)濟學、傳播學、心理學、計算機技術(shù)等學科，課題研究綜合性較強．因此在知識付費用戶行為研究中，對其范圍進行界定也極為重要．董富強等[16]認為用戶行為是指用戶在使用資源時所呈現(xiàn)出的規(guī)律．楊善林等[17]對用戶行為進行了細致分類，將其分為消費行為、參與行為和創(chuàng)造行為3類．消費行為是指用戶對知識付費產(chǎn)品購買，參與行為則是用戶與內(nèi)容生產(chǎn)者的交互，創(chuàng)造行為是指用戶獨立生產(chǎn)和創(chuàng)造一定的內(nèi)容．目前學術(shù)界并未對知識付費行為有一個統(tǒng)一的界定，而是將其統(tǒng)稱為用戶對知識付費產(chǎn)品的購買使用．

基于此，筆者對知識付費產(chǎn)品行為做了一個簡單的歸納：對用戶購買和使用知識付費產(chǎn)品等行為進行搜集和分析，發(fā)掘出不同類型的用戶因自身的特點和需求在知識付費產(chǎn)品使用上的不同特點，從而為其打造專屬的營銷策略．本文的用戶僅限大學生群體，用戶使用行為包括付款、購買等消費行為、參與行為和創(chuàng)造行為．而活躍行為則是對使用行為狀態(tài)的描述，與潛水行為相對應(yīng)，具體指用戶在使用知識付費產(chǎn)品時積極或消極的態(tài)度．用戶使用知識付費產(chǎn)品越頻繁，體驗感越好，購買欲望則越強．

并不是所有用戶在使用知識付費產(chǎn)品時都存在購買的意愿，因此商家在宣傳時往往會打出“打折”“促銷”等口號，并采用優(yōu)惠拼團或7天試用等方式，降低用戶感知價值的風險．商家還會提供按篇購買、積分兌換、試讀部分章節(jié)等行為，通過較低的入場費促進用戶最終進行購買消費．用戶獲得了優(yōu)質(zhì)的知識內(nèi)容或解決了實際問題后，商家還設(shè)置了包月行為、包年行為、普通用戶行為、vip行為等供用戶選擇，最大限度地提升用戶的使用體驗，以便吸引更多的用戶群體．用戶行為實際上是由商家提供的支撐行為決定的，不是獨立存在的，因此這些行為也將被轉(zhuǎn)換為用戶行為．

3.2 問卷設(shè)計與數(shù)據(jù)獲取

為了深入研究大學生使用知識付費產(chǎn)品的情況，本文設(shè)計了調(diào)研問卷，對大學生基本屬性、動機、認知及行為等方面進行調(diào)研，并利用問卷星平臺獲取調(diào)研數(shù)據(jù)(只針對大學生群體進行隨機發(fā)放)．

基本屬性包括性別、學歷、專業(yè)類別、月均消費額等，其中專業(yè)類別按照教育部普通高校本科專業(yè)類別劃分標準設(shè)置；動機主要是使用知識付費產(chǎn)品的原因；認知包括對知識付費產(chǎn)品的認知程度，喜歡哪種類型的知識付費產(chǎn)品，喜歡哪種知識提供者，目前知識付費產(chǎn)品存在的問題等；行為主要包括日?；钴S行為和付費購買行為，日?；钴S行為包括最近一年內(nèi)，月均使用頻率和每次使用的平均時長，付費行為包括最近一次付費時間和最近一年付費的總金額．

3.3 數(shù)據(jù)預(yù)處理

本次調(diào)研共獲得問卷5 219份，數(shù)據(jù)預(yù)處理時首先剔除完全不了解知識付費產(chǎn)品的問卷805份，最終獲得有效問卷4 414份．由于F，T，R，M這4個指標量綱不同，為了避免量綱不同帶來的偏差，在數(shù)據(jù)預(yù)處理時，對這4個指標進行了歸一化處理，歸一化公式如下：

(1)

式(1)中，Xi為各指標樣本集中每個樣本的值，Xmax和Xmin分別為各指標樣本集的最大值和最小值．

4 大學生知識付費產(chǎn)品使用行為描述性分析

4.1 動機與認知描述性分析

在動機層面，大學生使用知識付費產(chǎn)品的主要原因有獲取專業(yè)知識，獲取更有價值的信息以及滿足一定的社交需求等，也有少量原因是新鮮感、好奇心、從眾等心理因素(圖3)．

圖3 大學生使用知識付費產(chǎn)品動機

在總體認知層面，知識付費產(chǎn)品在大學生群體中普及率達85%，平均熟悉程度為6.74分(總分10分)．其中，41%的大學生用戶表示對知識付費產(chǎn)品熟悉程度達到8分及以上．而在不同類型知識付費產(chǎn)品的喜好上，大學生群體更傾向于知識平臺類，如喜馬拉雅、得到、蜻蜓FM、豆瓣時間等，以及付費文檔類，如百度文庫、豆丁文庫、道客巴巴等；而對于社區(qū)直播，如知乎Live、荔枝微課、千聊，以及社群類，如知識星球、小紅圈等使用相對較少．此外，對不同類型知識付費內(nèi)容提供者的喜好上，大學生群體更傾向于專家學者和行業(yè)大咖(圖4)．此外，針對目前知識付費產(chǎn)品存在的問題，63%的大學生用戶表示知識付費產(chǎn)品定價較高或存在不合理現(xiàn)象；60%的大學生用戶表示知識付費產(chǎn)品內(nèi)容質(zhì)量混雜，部分質(zhì)量較低；也有部分大學生用戶表示知識付費產(chǎn)品廣告較多，降低了用戶體驗度．

圖4 大學生使用知識付費產(chǎn)品傾向與喜好

從動機與認知層面可以看出，知識付費產(chǎn)品在大學生群體中使用率相對較高；從動機和喜好看，知識付費平臺的內(nèi)容質(zhì)量、專業(yè)程度是其關(guān)注的核心．

4.2 基本屬性與使用行為關(guān)系分析

一般而言，用戶屬性的差異會導致不同的使用行為．因此，本文進一步挖掘了大學生群體的基本屬性與知識付費產(chǎn)品使用行為之間的相關(guān)性，即探討性別、學歷、專業(yè)、月均消費額A與F，T，M之間的相關(guān)性．

1) 性別、學歷、專業(yè)與F，T，M的關(guān)系分析

由于性別、學歷、專業(yè)均為定性數(shù)據(jù)，而F，T，M均為定量數(shù)據(jù)，因此，本文使用方差分析方法，分析基本屬性的不同分類(如性別男、女)在特定使用行為指標(如F)下的差異，如表1所示．

表1 性別、學歷、專業(yè)與F，T，M的關(guān)系分析

表格中P值為某基本屬性的不同分類在特定使用行為指標下的差異，如F項的性別P值，表示性別基本屬性中，不同分類(男、女)在F上是否存在差異．如果p<0.05，則說明差異有統(tǒng)計學意義，即表現(xiàn)出一定的相關(guān)性．因此，由表1可知，性別、學歷、專業(yè)均對F，T差異無統(tǒng)計學意義，而對M均差異有統(tǒng)計學意義(p<0.05)，也就是說，性別、學歷、專業(yè)與F，T之間沒有相關(guān)性，而與M之間存在一定相關(guān)性．進一步分析這種相關(guān)性可以發(fā)現(xiàn)，大學生群體中，男性知識付費金額比女性高3%，而博士、碩士、本科知識付費金額依次為3%，3%，10%．對不同專業(yè)大類，文學、歷史學、醫(yī)學等專業(yè)知識付費金額相對較高，而工學、理學、經(jīng)濟學則相對較低(圖5)．

圖5 不同專業(yè)大類知識付費金額(M值，歸一化后)

2) 月均消費額A與F，T，M的關(guān)系分析

月均消費額A與F，T，M均為定量數(shù)據(jù)，可使用相關(guān)性分析方法，分析這4個變量之間是否存在相關(guān)性．在進行相關(guān)性分析之前，首先對定量數(shù)據(jù)進行正態(tài)性檢驗，本文采用K-S檢驗，經(jīng)檢驗，A，F(xiàn)，T，M差異有統(tǒng)計學意義(p<0.05)，即均不具有正態(tài)性特質(zhì)．

由于Pearson相關(guān)系數(shù)一般適用于正態(tài)數(shù)據(jù)分布，而以上數(shù)據(jù)指標均不具有正態(tài)性特質(zhì)，因此，本文采用Spearman系數(shù)進行相關(guān)性分析．

經(jīng)過計算，A與F，T，M之間的Spearman系數(shù)依次為0.049，0.057，0.073，說明A與F，T，M之間存在較弱的相關(guān)性(表2)．

表2 A與F，T，M關(guān)系分析

通過以上研究發(fā)現(xiàn)，大學生用戶的基本屬性，如性別、學歷、專業(yè)均與付費金額等付費購買行為之間存在一定相關(guān)關(guān)系，與使用頻率、使用時長等日?；钴S行為不存在顯著關(guān)系，而月均消費額與付費金額、使用頻率、使用時長等使用行為均不存在顯著相關(guān)關(guān)系．因此，知識付費平臺在進行營銷時，可針對特定人群進行差異化營銷．

5 大學生知識付費產(chǎn)品使用行為聚類分析

5.1 聚類結(jié)果實現(xiàn)

K-means算法中，SSE和輪廓系數(shù)是評估K值最常用的指標．SSE即簇內(nèi)誤方差平方和，即經(jīng)過多次迭代后，數(shù)據(jù)集中每個樣本點到各簇質(zhì)心的距離平方的總和，一般來說，SSE學習曲線的“肘部”K值最佳．SSE公式如公式(2)所示，其中，x(i)表示樣本點i，u(j)表示第j簇的質(zhì)心：

(2)

輪廓系數(shù)結(jié)合內(nèi)聚度和分離度2種因素，其取值為[-1，1]，一般來說，輪廓系數(shù)的值越接近1，聚類越好．輪廓系數(shù)公式如公式(3)所示，其中，a(i)為樣本i到同簇樣本點的平均距離，b(i)為樣本點i到其他每個簇距離平均值的最小值[16]：

(3)

本文采用sklearn.cluster中的Kmeans類進行K-means聚類分析，并采用sklearn.metrics的silhouette score類計算輪廓系數(shù)．然后將K值從2～10逐次循環(huán)，并繪制不同K值下的學習曲線．由圖6可知，當K=4時，SSE達到“肘部”，且輪廓系數(shù)達到最大值，即表示在2種評價指標下，K取4時聚類效果最佳．

圖6 不同K值下的簇內(nèi)誤方差(SSE)和輪廓系數(shù)

最后，基于FTRM模型和K-means算法對清洗后的數(shù)據(jù)進行聚類，得到4類數(shù)據(jù)，然后對每一類數(shù)據(jù)的F，T，R，M值分別計算均值和標準差，最終所得數(shù)據(jù)如表3所示，其中樣本數(shù)量和樣本比例以N和P′兩個指標代替．

表3 每一類數(shù)據(jù)的F，T，R，M值的均值、標準差及N，P′

5.2 聚類結(jié)果分析

通過對4類群體聚類結(jié)果的F，T，R，M值分析可以發(fā)現(xiàn)：

1) cluster_1，此分類群體的F，T，M值均較小，R值最大，說明該群體在知識付費產(chǎn)品的日?；钴S行為和付費購買行為上都表現(xiàn) “較差”，尚未真正養(yǎng)成使用知識付費產(chǎn)品的習慣或曾經(jīng)使用知識付費產(chǎn)品，但基于一些原因已經(jīng)流失，屬于睡眠型(或流失型)用戶，這類用戶占總體比例的19.44%．

2) cluster_2，此分類群體的F，T值均較大，M值次之，R值較小，說明該群體在知識付費產(chǎn)品的日常活躍行為和付費購買行為上都表現(xiàn) “優(yōu)異”，已經(jīng)養(yǎng)成使用知識付費產(chǎn)品的習慣，屬于忠實型用戶，這類用戶占總體比例的13.82%．

3) cluster_3，此分類群體的F，T，R值均較大，M值很小，說明該群體在知識付費產(chǎn)品的日?；钴S行為中表現(xiàn)“較優(yōu)”，但付費購買行為表現(xiàn)“較差”，即經(jīng)常使用知識付費產(chǎn)品，但尚未轉(zhuǎn)換成真正的付費用戶，屬于未付費轉(zhuǎn)化型用戶，這類用戶占總體比例的49.66%．

4) cluster_4，此分類群體的F，T，R值相對較小，M值最大，說明該群體在知識付費產(chǎn)品的日?；钴S行為中表現(xiàn)“較差”，但付費購買行為表現(xiàn)“優(yōu)異”，即經(jīng)常付費購買知識付費產(chǎn)品，但并未真正有效使用，屬于沖動消費型用戶，這類用戶占總體比例的17.08%．

5.3 營銷建議

1) 睡眠型(或流失型)用戶．針對此類用戶，需要針對其睡眠或流失的原因進一步深入挖掘，然后制定針對性措施．如首先改善其日常活躍行為，再制定促銷措施，刺激其付費購買．

2) 忠實型用戶．針對此類用戶，可以按照其日?；钴S行為、付費購買行為等進一步劃分忠實等級，并給予一定的獎勵，運用粉絲經(jīng)濟、社群經(jīng)濟的思維進行精細化運營．如B站在UP主達到一定粉絲數(shù)量后，會逐次開放一些特權(quán)，如頭像加標識、頒發(fā)實體勛章等，用以增強用戶的認同感；此外，還可以制定一些轉(zhuǎn)發(fā)、介紹獎勵政策，進一步刺激忠實用戶介紹新的用戶，如拼購、轉(zhuǎn)發(fā)有禮、拉新有禮等．

3) 未付費轉(zhuǎn)化型用戶．此類客戶是整個用戶群體中占比最大的，達到49.66%，企業(yè)應(yīng)該重點針對此類用戶制定營銷策略，促進其轉(zhuǎn)化購買，如根據(jù)使用時長贈送積分，并采用積分+現(xiàn)金的組合方式優(yōu)惠購買付費產(chǎn)品；利用Apiorio算法進行付費產(chǎn)品大數(shù)據(jù)挖掘，發(fā)現(xiàn)關(guān)聯(lián)知識，提高付費單價等．

4) 沖動消費型用戶．針對此類用戶，應(yīng)該制定有效的活躍政策，提升其日常活躍行為，加強其學習的效果，增強其有用性體驗．否則長期購買但不使用，會使用戶產(chǎn)生產(chǎn)品無用、浪費錢等觀點，不利于品牌口碑傳播，因此需要特別注意．提升用戶日?；钴S行為的方法有設(shè)置定期、連續(xù)打卡，并對打卡行為給予獎勵；一些付費內(nèi)容設(shè)置學習時間期限，到期前定期提醒；日常簽到、學習時長積分，積分換禮等；此外，調(diào)研結(jié)果顯示，部分大學生群體使用知識付費產(chǎn)品的動機之一是滿足社交需求，因此，可以建立學習社區(qū)，社區(qū)選拔KOL，建立完善的社區(qū)管理機制，加強日常管理，增加用戶活躍度．

此外，大學生用戶的基本屬性，如性別、學歷、專業(yè)均與付費金額等付費購買行為之間存在一定相關(guān)關(guān)系，因此，知識付費平臺在進行營銷時，可針對特定人群進行差異化營銷．

6 結(jié) 語

本文首先對大學生使用知識付費產(chǎn)品的動機和認知進行了詳細的分析，通過分析發(fā)現(xiàn)，知識付費產(chǎn)品在大學生群體中使用比較普及，從喜好上看，大學生群體最關(guān)注的是知識付費平臺的內(nèi)容質(zhì)量和專業(yè)程度．另外通過分析發(fā)現(xiàn)，大學生用戶的基本屬性，如性別、學歷、專業(yè)與付費金額等付費購買行為之間存在相關(guān)關(guān)系，與使用頻率、使用時長等日?；钴S行為之間不存在顯著關(guān)系，同時發(fā)現(xiàn)月均消費額與付費金額、使用頻率、使用時長等使用行為之間均不存在顯著相關(guān)關(guān)系．最后，運用本文提出的FTRM模型，再采用K-means聚類算法，將大學生群體聚類為睡眠型(或流失型)用戶、忠實性用戶、未付費轉(zhuǎn)化型用戶、沖動消費型用戶4類用戶群體，并針對不同用戶群體的特點提出差異化的營銷建議．

本文基于傳統(tǒng)的RFM模型，結(jié)合知識付費產(chǎn)品的特點，提出了一種改進的FTRM模型，但研究中并未對該模型的權(quán)重進行深入探討，因此，模型權(quán)重是下一步的研究方向之一．此外，針對睡眠型用戶或流失型用戶產(chǎn)生的具體原因進一步深入挖掘，也是下一步的研究方向之一．