不会做用户分析?这些方法你应该了解。

对于电商网站来说,相信大家在日常营销和运营的过程中都遇到过类似的问题:

  • 网站的目标群体是对时尚感兴趣的年轻女性,但是通过推广活动引流入站的群体与目标群体差异明显
  • 精心策划的新品上线或促销活动转化率低于预期
  • 想要构建精准的用户画像但苦于找不到方法

其实这些问题大都归结于:

  • 不知道谁是我的忠诚用户
  • 不了解哪些用户群体能为我带来更高的价值
  • 不了解用什么方法对用户进行细分或者精细营销
  • 不知道怎么能为我的用户打上更“立体”的标签

本文会从以下三个方面为大家提供一些用户分析的思路和方法。

  1. 了解用户:Google Analytics【受众群体】报告
  2. 细分用户:RFM模型
  3. 用户信息标签化:用户画像

1、Google Analytics【受众群体】报告

对于企业来说,每个业务线或者主要业务都是建立在有某种需求的用户身上。

就线下销售而言,通过对用户的“察言观色”就可以快速了解用户一些基本信息。比如性别、年龄段、对哪类商品感兴趣,同时还可以快速确认销售系统中是否有会员信息。

而对于线上业务来说,了解用户更好的方式则是通过收集到的数据对用户画像、用户偏好以及用户习惯进行分析和验证,实现精准描绘用户的目的,定位网站中的哪些用户信息对我们来说是有价值的。

如下图所示,我们可以通过Google Analytics中【受众群体】的几张简单的报告从多角度了解、分析用户。

【属性】类报告可以呈现:

  • 用户的性别和年龄结构是什么样的?
  • 实际入站、或者收入贡献高的用户的性别和年龄与网站的目标用户有差异吗?
  • 网站中的高质量用户分布在哪里?
  • 哪些国家/城市还值得进一步开发?

【行为】类报告中可以提取出:

  • 新用户对什么内容比较感兴趣?
  • 用户平均来访几次会产生购买行为?
  • 因为共同的特征被关联在一起的用户群组有哪些表现?

【设备】报告可以告诉我们:

  • 会不会出现浏览器的某个版本兼容性有问题,导致用户在结算时无法跳转至指定的页面导致转化率低?
  • 有没有一些可能是不常用的版本在开发测试时没有兼顾到,但是由于网站基数大,导致这部分用户量也很可观,需要同时顾及?
  • 通过屏幕分辨率报告,确认网站首屏是否可以完整的呈现在用户可视的范围内,重点元素会不会被遮挡。

通过【意愿&和兴趣】报告:

  • 可以洞察到站用户同时还对哪些网站感兴趣,辅助用户属性数据优化广告投放的受众
  • 结合电商数据,考量对低价值用户支出的投放费用

以受众特征中的【性别】报告为例,我们可以借助这张报告做一些基础的分析,评估网站的获客准确度。

上图报告中,女性用户的占比约为36%,男性用户占比约为64%,但从收入贡献数据看,两个群体贡献的收入差距不大,女性群体甚至更高。

拿到这样的数据报告后,分析的角度可以是:

  1. 假设网站以女装为主,但是引流结果是男性居多,那我们选择的引流渠道是不是需要优化?
  2. 通过添加次级维度“来源/媒介”或者“渠道”,是不是可以进一步推断出哪些渠道和网站的需求更匹配?
  3. 哪些渠道的引流目标和网站的目标人群有偏差?
  4. 在性别数据的基础上,结合其它受众特征,是不是可以了解网站优质用户的受众特征,依次进行更精细化的营销?
  5. 或者说对于汽车类网站来说,实际留资并进行线下试驾的用户以男性群体居多,但网站流量中有超过60%的女性群体,这时就要考虑选择的投放平台是否真的合适。

通过更多维度的交叉,我们还可以获取到更精细的用户群组:

用户属性分析的小提示:

1、避免使用意义不大的单一维度

  • 有意义:性别、年龄、兴趣、地理位置等
  • 无意义:新访回访

单纯的分析新访回访意义不大,我们在进行营销规划的时候,不可能只针对回访用户进行再营销等投放,重点应该是放在怎么把新访用户变成回访用户。

2、选用合理的维度交叉,群体可控,实现良性增加

  • 合理:性别、年龄、时间段、设备等
  • 不合理:操作系统、分辨率

设备信息的意义在于让我们如何更好的去适应用户,而不是只“挑选”某一类用户。

3、不建议追求价值极高,但数量极少的用户群体

进行用户交叉分析过程中,我们可能会发现一些质量很高的用户,但是这些用户的属性可能很难复制或者推广

4、细分的数据更有价值

即使是一些基础的细分操作,都可以帮助我们发现、挖掘数据细节下暗藏的价值,解开数据“真实的面貌”。

很多企业的业务诉求之一就是识别高价值用户,为了实现这个诉求,就需要通过收集用户决策行为中的几个重点要素实现。

从大方向来说,这些要素包括用户属性、用户访问行为以及用户的购买行为的分析。

通过Google Analytics,除了我们上述提到的基本用户属性信息,还可以获取到:

用户访问行为:

  • 流量来源
  • 着陆页面、访问页面
  • 行为流
  • 搜索、点击、访问停留的深度和广度
  • 访问频率

购买行为:

  • 会员注册
  • 表单提交

产品页面的浏览行为

  • 订单提交
  • 售后服务咨询/服务查询
  • 促销活动交互(促销页面行为,代金券下载,促销广告页面的曝光与点击,线下代金券使用等)

2、RFM 模型

什么是RFM模型

RFM模型是衡量用户价值和用户创利能力的重要工具和手段。

  • R值:最近一次消费(Recency)用户最近一次消费距当前的时间间隔,理论上R值越小(即上次消费时间越接近当前)的用户,回购的可能性越大,我们越容易维系与其的关系。 
  • F值:消费频率(Frequency)用户在某段时间内的购买次数,F值越大的用户,其购买频率越高,活跃度也就越高。
  • M值:消费金额(Monetary)用户在某段时间内的累计消费金额,消费金额是营销的黄金指标,直接反应用户的对企业利润的贡献。

根据R、F、M三个值各自高于或不高于平均分的情况,可以细分出2×2×2共8组用户。

对于网站来说,理想的用户状态是用户消费时间间隔(R)越短越好,消费频率(F)越高越好,消费金额(M)越大越好,这类用户可以认为是最具价值的用户。以1表示得分优于均值,以0表示得分劣于均值,划分的8组用户类型如下:

RFM模型的使用场景:

1、RFM模型可帮助提高客户生命周期价值

基于实际的交易历史,RFM模型是我们快速了解当前客户价值的方法。在更好地了解细分受众群体的情况下,通过改善业务,促使用户从流失用户→普通用户→忠诚用户转变。

2、通过RFM模型最大程度上降低营销成本并提高回报率

将营销活动针对那些更有可能对活动做出响应的客户,而非全部用户,从而降低营销成本成本,也提过了转化率。

3、通过RFM模型提高用户忠诚度

根据帕累托法则(即二八定律),20%的用户会给我们带来80%的贡献。针对高价值用户,我们可以通过感谢信、节日专属福利等方式,增进与其的联系,加强用户归属感。

4、通过RFM模型改善用户流失

处于休眠状态或流失边缘的用户是值得我们特别注意的,我们需要识别出这部分用户,并通过相应的措施,如个性化电子邮件、短信,亦或是优惠券、折扣商品等,及时将用户唤回。

如何搭建RFM模型

1、获取源数据

从CRM系统或业务数据库中导出用户订单信息表,最简单的只需要4个字段:用户ID,最近一次消费时间、消费频率、累计消费金额。以某电商公司数据为例,导出2019/01/01至2019/12/31日的订单数据,然后将数据导入Power BI中。

以2020/01/01为参照点时间,计算用户最近一次消费距参照点的天数间隔,得到R值:

2、R、F、M值评分

确定RFM的分段和对应分段的分值,按照评分表计算用户的得分情况。实际情况中,RFM值具体分段应根据自身业务情况出发,或通过四分位数、加权等方法制定更合理的分段和分值。本次评分示例如下:

注意:R值表示上次交易时间距当前的时间间隔,故R值越小,得分越高,相反F值和M值越大,得分越高。

依照评分表,我们可以依次计算出各用户对应的RFM得分:

3、划分用户价值类型

回到前文下图示,我们需要判断RFM值高于还是低于平均分的情况,以判断用户属于哪个价值类型。

我们以“1”表示得分高于平均分,以“0”表示得分不高于平均分,依次对RFM值进行计算,得到如下结果:

为方便观察,我们再将每个用户对应的分类名称加上:

基于上述方法,我们就可以划分每个用户所属的价值类型了。


3、用户画像

对于大多数企业来说,运营过程中都会遇到以下的问题:

单一角度认知不完整

希望通过多种数据分析、挖掘和计算方法,对不同运营对象从各个维度上做剖析。

但问题在于,每个维度上只能看到其片面的形象,犹如盲人摸象,对目标对象的认知并不完整。尤其当运营对象及其复杂时,这种问题更加明显。

缺乏全生命周期认知

任何一个对象都是有生命周期的,用户、广告渠道、商品等莫不如此。

例如用户生命周期可分为宣传期、观察期、形成期、稳定期、衰退期和流失期等。

各个阶段的特征差异非常大,对其认知不能只建立在其断面时间点的过往历史周期,还应该将其未来生命周期内的价值都囊括在内

所以设计用户画像方案时,基础信息可分为两部分:用户基本情况和用户周期周期标签。

用户画像不仅基于静态数据。每个运营主体都是在动态变化的,例如用户在昨天、上周和上个月的需要变化是潜在的,而这些变化需要全面的体现在我们的认知之中。

而目前的认知都是基于特定时间点户或时间段做数据加工处理,得到的数据仅仅能体现处理周期内的用户特征,而无法反应其动态变化特性。


触脉咨询画像解决方案

1、用户画像解决方案

基于上述问题,触脉咨询从自动化标签生成、个性化动态标签模型定义以及多维画像关系表达三方面入手,形成用户画像解决方案服务:

用户画像是构建对用户完整认知的一种方法,用户画像的结果一般都是以标签和标签值为标准结果。

触脉提供的用户画像将用户数据以时间为X轴、以标签及标签值为Y轴,以人物为Z轴的三维立体模型。能够以场景+标签+行为路径的方式,描述每个用户在不同场景下的行为画像。

场景化是画像分析和应用的基础,基于场景化得到的衍生路径反应了用户标签(画像特征)的变迁。

在这个过程中,除行为变迁,用户的人口属性、会员属性、金融属性、消费属性、工作属性、学习属性、娱乐属性、社交属性等特征在全生命周期下都可以被描述得淋漓尽致。

此方案是一个动态分析客户的过程,而非截面式的静态分析方法。

2、商品画像解决方案

除了用户分析,产品分析也是电商网站运营工作中的重点。

触脉咨询在刻画商品画像的过程中,将商品画像分为前台(商品页在网站,应用端的曝光,点击,销售数据)和后台(商品的库存,物流,及采购数据)两部分。

前台画像主要围绕商品类别构成权重、商品类别价值、商品销售渠道、营销促销,将这些要素作为商品价值衡量维度,通过大数据模型设计,训练与调试,形成最适合企业实际情况的用户价值最大化的商品销售模型。这是属于传统的侧重于“销售”领域的课题。

除此之外,触脉还开创性地将后台数据库的理念整合到商品画像中,即将对商品销售影响重大的后端支持要素,以成本、利润、库存、物流、退换货、评价为主线,涵盖商品的“流动特征”,形成完整的商品画像。


对于企业而言,运营的目标就是尽一切可能延长用户的生命周期,增加每个用户的生命周期价值,最终让企业实现利益最大化。

简而言之就是我们要想办法让用户留下来,并且赚钱。

关注我们,获取更多数据分析方法及新鲜资讯