如何分析用户行为数据,来驱动业务增长?

风巽沐兮@
风巽沐兮@
风巽沐兮@
8
文章
0
评论
2020-05-2713:05:00 评论 128 2572字
摘要

所谓的用户行为数据实质上是从点击、频次等多维深度的还原用户动态使用场景和用户体验,再通过对用户行为监测获取的数据进行分析。

本期来讨论交流一下从如何分析用户行为数据,驱动业务增长?

如何分析用户行为数据,来驱动业务增长?

所谓的用户行为数据实质上是从点击、频次等多维深度的还原用户动态使用场景和用户体验,再通过对用户行为监测获取的数据进行分析,可以更加详细、清楚地了解用户的行为习惯、还可以找出产品功能、网站、推广渠道等各个业务线中存在的问题,让产品业务线更加精准、有效,提高转化率、还可以进行用户分层和用户分群,实现用户精准营销和精细化运营,从而驱动业务实现增长。

然而,全局视野看用户的行为轨迹数据,会有意想不到的收获,可通过行为数据补充,对用户模型构建出精细、完整的用户画像。以行为触发为起点,向上关联用户,向下关联业务,这样最大限度的保证数据完整性,进而驱动业务增长。

那么,首先来看一下,用户行为主要包括哪些数据呢?

•用户来源渠道、地区;

•用户的pv、uv、ip、老访问数、新访问数;

•用户停留时间、使用时间及频次、跳出率、回访次数、回访相隔天数;

•用户使用频次分布、时间段分布,平均停留时长;

•用户所使用搜索引擎、关键词、关联关键词和站内关键字;

•用户在页面上的点击量;

•用户进入下一个路径的转化率;

•用户的客单价、订单数、会员购买率;

•用户发视频数,创建企业数等等。

用户使用产品的有很多场景,所以用户行为数据有很多,在这里不一一介绍了,当然欢迎大家留言补充。总的来说,这些数据反映的都是产品业务线的总体情况,数据的价值除了反映现状,还有更重要的是应用。如何应用这些数据,通过分析,来驱动业务增长呢?

接下来,来梳理一下如何分析用户行为数据,来驱动业务增长?

第一、了解产品业务线的整体用户情况。

如,pv、日均访问量、用户总数、订单数、会员数、总销售额、用户来源分布及占比、有购买行为的用户数量、用户的客单价、复购率分别是多少?等等整体用户概况数据。

第二、利用用户行为转化漏斗梳理用户的全行为路径。

如,toc的购买路径一般为打开APP→点击商品页面→浏览商品详细页→ 添加购物车→ 完成支付;tob的路径一般用户会经历认知→熟悉→试用→使用→忠诚→购买的过程。可以清晰的看到用户在路径中的每一步转化。

比如,从查看商品详情到最终支付成功每一步的转化率,从而对既定路径不断调优。若用户点击加购物车的转化率较低得到话 ,需要提高用户的购买意愿,可通过活动促销、精准营销等方式。

第三、根据不同的行为进行用户分群,了解人群特征。

如,完成支付与未完成支付的人群有什么特征?添加购物车与未添加购物车的人群有什么特征?注册用户和非注册用户,分析两者之间的浏览特征等等,发现问题,优化运营策略,从而进行用户精细化运营,实现用户精准营销,驱动业务增长。

比如,通过用户分群了解到近期用户有高频次搜索的同一类关键词的特征,可同步到前端页面,设置成可点击元素,提高搜索效率。还可以知道有明确目标客户,受促销和广告影响少。

第四、根据不同时间段维度,了解用户行为习惯。

如,用户在不同时段的访问量情况分布、活跃情况、新增情况、使用间隔分布等。看出不用时间段的用户行为趋势,通过分析,看出趋势高低的原因,进而优化运营策略,加大或者减少投放费用等,驱动业务增长。

比如,通过分析不同时段用户的搜索行为习惯及峰值和低谷,为不同时段的用户补充不同的商品/课程/服务、加大活动力度、优化搜索结果页结构、优化搜索推荐等提供数据支持。还可以根据用户的活跃时间段精准推送商家的折扣优惠或促销活动,提高购买率。

第五、基于RFM模型进行用户分析。

RFM模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。基于一个理想的客户特征来衡量现实中客户价值的高低,通过此类分析,定位最有可能成为品牌忠诚客户的群体,让我们把主要精力放在最有价值的用户身上。进而实现精准的营销以及用户维护,驱动业务增长。

比如,通过RFM模型进行用户分类,可以显示出该各类客户的占比,显而易见一般挽留客户与一般发展客户占据多数,说明该产品业务线用户结构不是很合理,需要尽快采取措施进行优化。还可以通过对R 和 F 的数据监测,推测客户异常状况,挽回流失客户。

我们也需要思考一般挽留客户与一般发展客户占据多数,这个是比较正常的情况,根据正态分布,中间的数字确实是挺高的,所以这一点可能需要琢磨一下,根据二八原则,一个公司百分之八十的利润,是百分之二十的客户带来的,所以资源一般是向这百分之二十的客户去倾斜,而不是剩下的百分之八十。挽回流失的客户也是需要成本的,可能还是得考虑投入产出比的问题。

总之,透过用户行为数据深挖用户表面行为的背后真实、本质的需求。全面视角的分析用户行为数据,实现用户精准营销和精细化运营,从而驱动业务实现增长。

还有一个值得需要考虑的是成本问题,朋友如是说:"我所了解的用户行为分析,需要较高的门槛,既要有一套完整的数据监控体系,而且要确保数据是真实的,同时拿到一大堆用户的行为数据来分析,也是很头疼的一件事。从产入产出比来看,如果用户行为分析只是用在用户画像和智能推荐的话,成本是一个必须要考虑的问题。"

而对于用户进行分析不局限于"RFM模型",可以根据分析的目的,灵活选择常用的分析模型,对用户进行分析和分类区分,引用朋友的一句话"我们意识形态里面都会觉得大数据里面一定能挖掘出一些信息,或者价值。实际情况有这么一种:在促销活动里面,我们通常会认为促销的方案落地之后,营业的数据一定曲线向上,实际上更多的时候营业数据的波动并不会特别明显,甚至用了某些模型,会得出"促销方案的效果几乎等于0"的结论,所以,数据分析的背后是不是一定能挖掘出某些价值,如果没有,那么问题出在哪里,对"数据分析"这个工具的使用,还有哪些注意方式"。

所以,我们需要找到合适的"数据分析"工具方法及模型。

本期扩展

RFM模型

R是指用户的最近一次消费时间,用最通俗的话说就是,用户最后一次下单时间距今天有多长时间了,这个指标与用户流失和复购直接相关。

F是指用户下单频率,通俗一点儿就是,用户在固定的时间段内消费了几次。这个指标反映了用户的消费活跃度。

M是指用户消费金额,其实就是用户在固定的周期内在平台上花了多少钱,直接反映了用户对公司贡献的价值。

End.

作者:木兮月宝

来源:木木自由公众号

本文已和作者授权,如需转载请与作者联系

  • 我的微信公众号
  • 微信扫一扫
  • weinxin
  • 我的微信公众号
  • 微信扫一扫
  • weinxin
匿名

发表评论

匿名网友 填写信息

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: