終於有人講透了使用者分析方法論
導讀:本文詳細介紹了使用者運營工作中用到的使用者分析方法。適合初級使用者運營師和想要進入使用者運營行業以及成為資料/商業分析師的人士閱讀。
01 什麼是使用者運營
使用者運營是指基於使用者全生命週期的管理活動,旨在提高使用者價值和提升銷售額。以逛街購物為例,商家會透過廣告等方式吸引使用者注意,引導使用者完成購買,並在使用者購買過程中提供優質服務,讓使用者實現消費。在使用者生命週期有限的情況下,商家需要透過使用者運營手段,儘可能讓使用者掏更多的錢,從而提升銷售額。
使用者運營的目的是提高使用者轉化率和提高使用者價值。商家可以在使用者全生命週期的各個環節採取相應的運營動作,例如引導使用者完成註冊、首單、提高使用者活躍度等。這些運營動作的目的都是為了提高使用者的價值,從而提升銷售額。概括來說,使用者分析是指透過對使用者行為、資料等進行分析,來提高某些環節的效率。
02 常見使用者分析方法
瞭解了什麼是使用者運營,以及使用者分析要解決的問題後,下面來介紹一下使用者分析的常用方法。回到前文中購物的場景,可以抽象出一個使用者模型,如下圖所示,誰在多長時間內做了多少次什麼行為。這個使用者模型包含許多要素:人物、時間、頻次、行為。進一步壓縮,可以得到一個新的模型圖,即誰做了什麼。這個模型的要素只有兩個:使用者屬性和使用者行為。這就是使用者分析可以拆分成的兩個部分,使用者屬性分析和使用者行為分析。
1. 使用者屬性分析
在使用者屬性分析方面,主要解決的問題是商家對使用者的認知和理解,以及如何將有限的資源分配給最有價值的使用者。
使用者分析分為四個常見的場景:使用者特徵、使用者畫像、使用者分群和使用者分層。
使用者特徵分析旨在揭示人群特點,幫助瞭解產品消費人群或不同人群間的異同。推薦的分析方法是對比分析和視覺化決策樹。使用者特徵分析中,所有特徵都是透過對比得出的。在分析報告中,如果只給出單一人群的特點,則缺乏說服力。實際操作中,應將目標人群與參照人群進行對比,以得出更準確的結論。例如,在分析雙 11 活動中復購人群的特徵時,應將其與未復購人群進行對比。對比分析之後推薦採用視覺化決策樹的方法。視覺化決策樹是一種機器學習方法,將復購人群和未復購人群標記為 0 和 1,並將各級特徵放到視覺化決策樹中,以檢視每個特徵的值分佈。這種方法具有很強的可解釋性,業務人員可以直觀地看出每個特徵的分值,從而更好地理解分析結果。
使用者畫像解決的問題是商家想知道使用其產品的人是誰。與使用者特徵分析不同,使用者畫像是一種基於定性描述的分析方法。在使用者畫像中,TGI 指標很重要,用於計算使用者群中各個指標的趨勢強度,一般 TGI 大於 100 表示在該方面有明顯特徵。
使用者分群是將人群劃分成幾個部分,以便為不同的營銷方案制定策略。有兩種方法可以實現使用者分群:業務邏輯和聚類演算法。業務邏輯基於對使用者的洞察,而聚類演算法則使用常見的 k-means 演算法等技術。後文中會具體介紹這種方法。
使用者分層與使用者分群不同,它將人群分成不同的等級,以便為不同的使用者提供不同的服務和資源分配。使用者分層可以解決如何分配資源的問題,並可以為某些使用者提供優先權。在使用者分層中,標準思維非常重要,需要根據一定的標準來衡量使用者。帕累托法則是一種常用的方法,根據使用者的行為累積值將人群分成不同的部分。同時在使用者分層中,也經常會使用到使用者屬性分析方法。
2. 使用者行為分析
在使用者行為分析方面,主要解決的問題是瞭解使用者的行為模式和偏好,從而最佳化產品和服務,提高使用者滿意度和忠誠度。這裡分為四個場景:使用者的 Aha 時刻、使用者留存、使用者流失、使用者生命週期價值。
使用者的 Aha 時刻解決的問題是找到魔法數字,也就是邊際效用分界點。
使用者留存解決的是新使用者留存提升的問題,如何讓新使用者在一定時間內儘可能地活躍。使用者留存分析通常使用統計群分析方法,將某一時間點進入的人群圈起來,並跟蹤隨時間變化的情況。
使用者流失是很多商家頭疼的問題,但如果能夠提前預測到哪些使用者可能會流失,就可以提前進行干預。對於已經流失的使用者,可以分析流失原因來制定召回策略。使用者流失分析有時需要使用機器學習方法,如迴歸分析。
使用者生命週期價值是指每個使用者在整個生命週期內會貢獻多少錢,可以用來制定新客的獲客成本或新客的 ROI,以及分析使用者還剩下多少價值。
接下來展開介紹其中兩個場景,使用者分群和使用者的 Aha 時刻分析。
03 使用者分群:業務邏輯和聚類演算法
使用者分群是指將大量使用者劃分成若干個具有相似特徵的人群,以便制定針對性的營銷策略。以天貓為例,它將使用者劃分成八大策略人群,如新銳白領、資深中產等。
在進行使用者分群之前,需要明確要解決什麼問題。以天貓的八大策略人群為例,這些人群的劃分是為了解決產品組合和定價、開發新品等問題。根據人群畫像,可以瞭解人群的特徵和消費習慣,從而制定不同的營銷策略和產品方案。
以下是使用者分群流程圖:
第一步:需要有一個品牌使用者群。
第二步:準備業務標籤。需要從眾多標籤中找出具有真正業務含義和人群劃分價值的標籤。這與要解決的問題有關,例如,如果要解決定價問題,就需要知道使用者的消費能力,可以使用月均消費頻次和月均消費金額等標籤來衡量。有了這些標籤,就可以進行人群劃分。
第三步:人群劃分。這裡用到前文中講到的兩個方法,一個是基於業務邏輯,一個是聚類方法。最終聚類出不同的人群,比如上圖中的三種顏色代表三個人群。聚類出人群之後,還要反過來去看它在不同特徵下面的佔比。
第四步:為人群找到合適的標籤。計算 TGI 指標或特徵佔比。TGI 指標大於 100 認為是顯著的,小於 100 認為是不顯著的。最終把每一個標籤過濾出來之後得到定性的描述。如新銳白領、小鎮青年、精緻媽媽等。
這裡用到兩個工具:聚類演算法和業務邏輯。
聚類演算法是透過計算人群之間的距離,將人群自動分類。在進行聚類分析時,需要注意選擇合適的指標,並去掉異常值人群和極端人群,再對剩餘人群進行分類或圈出不同的人群。K-Means 聚類能夠自動地對多維資料進行聚合。但它的缺點是缺乏業務邏輯和業務含義,要解決這一問題就要加入業務邏輯。用 K-Means 聚類演算法劃分完後,如果發現其與業務不相符,那麼就需要去調整。
除了用聚類演算法之外,還可以用業務邏輯去進行使用者分群。比如將人群和產品的標籤進行交叉,就可以得到不同人群在不同產品標籤下面的特點。例如,可以將年齡劃分成幾個段,然後反過來看每個人群在不同產品標籤下面的特徵,例如更加偏好 0-400 元的產品、更加偏好職場穿搭類的產品等。
根據這些特點進行人工聚類,得到不同的人群劃分結果。最後,基於人群劃分結果和產品標籤,可以得到相應的策略,例如針對不同人群的營銷策略、內容製作策略等。這樣的標籤過程可以將業務邏輯和機器學習相結合,從而得到更加準確和更具業務含義的人群劃分結果,並在業務場景中落地。
04 使用者的 Aha 時刻-魔法數字
魔法數字解決的是最終標準閾值的問題,例如劃分會員等級的標準閾值為 1 萬元。為什麼是 1 萬而不是 1 萬五或者其它數字,這就是一個標準閾值問題。
先來簡單介紹下留存率。統計某一天註冊的使用者數,以及第二天回來活躍或購買的使用者數,然後將第二天回來的人群去除,就可以得到次日留存率。
比如LinkedIn 發現新使用者在 7 天之內加滿 5 個人,留存率會提高 3 倍。再比如Facebook 發現,新使用者 10 天內關注 7 個人可以提高留存率。
基於這個邏輯,可以得到一個關於留存率與關注人數的關係圖,並透過尋找拐點來確定邊際效用的最大化。拐點是指留存率開始顯著提高的點。從數學上來講,拐點是指曲線的斜率開始明顯下降的點,也就是邊際效用最大的地方。在拐點之前,關注人數的增加對留存率的影響較大,而在拐點之後,關注人數的增加對留存率的影響逐漸減小。這個拐點就是我們的魔法數字。
如果我們找到了某個魔法數字(例如 10 或 3),那就可以將其應用於營銷策略和使用者運營策略中,例如讓使用者關注夠 10 個人或者購買夠 3 次。我們還可以將這個魔法數字作為劃分會員等級的閾值,或者想方設法讓使用者達到這個數字,從而更好地保住客戶。
上圖中展示了一個應用案例。從表格中可以看出價格與綜合滿意度的相關性是最高的,所以可以根據價格去計算迴歸,得到計算魔法數字的公式。當然這個數字也需要進一步結合業務去進行驗證。
來自 “ DataFunTalk ”, 原文作者:餅乾哥哥;原文連結:https://server.it168.com/a2023/1116/6829/000006829825.shtml,如有侵權,請聯絡管理員刪除。
相關文章
- 終於有人講清楚什麼是分析即服務(AaaS)
- 終於有人把MYSQL索引講清楚了MySql索引
- 終於有人把BungeeCord群組服搭建教程方法講明白了
- 分析即服務(AaaS)到底是什麼?終於有人講明白了
- 終於有人把O2O、C2C、B2B、B2C的區別講透了
- 終於有人把網路爬蟲講明白了爬蟲
- 終於有人把隱私計算講明白了
- 五險一金終於有人給講清楚了
- ClickHouse與Hive的區別,終於有人講明白了Hive
- 終於有人把15個JavaScript的重要陣列方法給講出來了JavaScript陣列
- BI和報表等於資料分析?終於有人講清楚了它們的區別
- 終於有人把工業資料採集講明白了
- 終於有人把Web 3.0和元宇宙講明白了Web元宇宙
- 終於有人把能把資料採集給講明白了
- MPP大資料系統架構,終於有人講明白了大資料架構
- 終於有人把ERP和OA的區別講清楚了!
- 終於有人能把c#樂娛LEY介面的作用講明白了C#
- 瞧!終於有人把智慧製造與工業4.0講明白了
- 終於有人把雲端計算、大資料和 AI 講明白了大資料AI
- 終於有人把安全知識圖譜技術講明白了(上篇)
- 資料視覺化的設計技巧,終於有人講明白了!視覺化
- 大資料基礎架構Hadoop,終於有人講明白了大資料架構Hadoop
- 這一次終於有人把MySQL主從複製講全面了!!!MySql
- 終於有人將資料中臺講清楚了,原來根本不算啥
- 終於有人把P2P、P2C、O2O、B2C、B2B、C2C的區別講透了!
- 終於有人把不同標籤的加工內容與落庫講明白了丨DTVision分析洞察篇
- 終於有人把雲端計算、大資料和人工智慧講明白了大資料人工智慧
- 終於有人講清楚了什麼是雲端計算的業務永續和多活
- 索引失效底層原理分析,這麼多年終於有人講清楚了索引
- 扣500塊全勤獎後,終於摸透了iPhone鬧鐘用法iPhone
- 5000字長文分享!資料倉儲的建設與框架終於有人給講明白了框架
- 終於有人把Java記憶體模型說清楚了Java記憶體模型
- C#:終於有人把 ValueTask、IValueTaskSource、ManualResetValueTaskSourceCore 說清楚了!C#
- 終於有人把機器學習中的文字摘要解釋清楚了!機器學習
- 【教程】終於有人把Java記憶體模型說清楚了!Java記憶體模型
- 深入淺出Spring原始碼,終於把學Spring原始碼的技巧吃透了!Spring原始碼
- 這篇文章終於講清楚了 宏旺半導體分析SSD降速的真相
- Python太慢了、Golang糟透了”:那些關於軟體工程的“宗教”辯論PythonGolang軟體工程