查看原文
其他

终于有人讲透了用户分析方法论

饼干哥哥 DataFunTalk
2024-09-10

导读 本文详细介绍了用户运营工作中用到的用户分析方法。适合初级用户运营师和想要进入用户运营行业以及成为数据/商业分析师的人士阅读。

主要内容包括以下几个部分:

1. 什么是用户运营

2. 常见用户分析方法

3. 用户分群:业务逻辑与算法聚类

4. 用户的 Aha时刻-魔法数字

分享嘉宾|饼干哥哥 某消费品上市集团 数据分析主管 

编辑整理|孙蒙新

内容校对|李瑶

出品社区|DataFun


01
什么是用户运营

用户运营是指基于用户全生命周期的管理活动,旨在提高用户价值和提升销售额。以逛街购物为例,商家会通过广告等方式吸引用户注意,引导用户完成购买,并在用户购买过程中提供优质服务,让用户实现消费。在用户生命周期有限的情况下,商家需要通过用户运营手段,尽可能让用户掏更多的钱,从而提升销售额。

用户运营的目的是提高用户转化率和提高用户价值。商家可以在用户全生命周期的各个环节采取相应的运营动作,例如引导用户完成注册、首单、提高用户活跃度等。这些运营动作的目的都是为了提高用户的价值,从而提升销售额。概括来说,用户分析是指通过对用户行为、数据等进行分析,来提高某些环节的效率。

02

常见用户分析方法

了解了什么是用户运营,以及用户分析要解决的问题后,下面来介绍一下用户分析的常用方法。回到前文中购物的场景,可以抽象出一个用户模型,如下图所示,谁在多长时间内做了多少次什么行为。这个用户模型包含许多要素:人物、时间、频次、行为。进一步压缩,可以得到一个新的模型图,即谁做了什么。这个模型的要素只有两个:用户属性和用户行为。这就是用户分析可以拆分成的两个部分,用户属性分析和用户行为分析。

  1. 1. 用户属性分析

在用户属性分析方面,主要解决的问题是商家对用户的认知和理解,以及如何将有限的资源分配给最有价值的用户。

用户分析分为四个常见的场景:用户特征、用户画像、用户分群和用户分层。

用户特征分析旨在揭示人群特点,帮助了解产品消费人群或不同人群间的异同。推荐的分析方法是对比分析和可视化决策树。用户特征分析中,所有特征都是通过对比得出的。在分析报告中,如果只给出单一人群的特点,则缺乏说服力。实际操作中,应将目标人群与参照人群进行对比,以得出更准确的结论。例如,在分析双 11 活动中复购人群的特征时,应将其与未复购人群进行对比。对比分析之后推荐采用可视化决策树的方法。可视化决策树是一种机器学习方法,将复购人群和未复购人群标记为 0 和 1,并将各级特征放到可视化决策树中,以查看每个特征的值分布。这种方法具有很强的可解释性,业务人员可以直观地看出每个特征的分值,从而更好地理解分析结果。

用户画像解决的问题是商家想知道使用其产品的人是谁。与用户特征分析不同,用户画像是一种基于定性描述的分析方法。在用户画像中,TGI 指标很重要,用于计算用户群中各个指标的趋势强度,一般 TGI 大于 100 表示在该方面有明显特征。

用户分群是将人群划分成几个部分,以便为不同的营销方案制定策略。有两种方法可以实现用户分群:业务逻辑和聚类算法。业务逻辑基于对用户的洞察,而聚类算法则使用常见的 k-means 算法等技术。后文中会具体介绍这种方法。

用户分层与用户分群不同,它将人群分成不同的等级,以便为不同的用户提供不同的服务和资源分配。用户分层可以解决如何分配资源的问题,并可以为某些用户提供优先权。在用户分层中,标准思维非常重要,需要根据一定的标准来衡量用户。帕累托法则是一种常用的方法,根据用户的行为累积值将人群分成不同的部分。同时在用户分层中,也经常会使用到用户属性分析方法。

  1. 2. 用户行为分析

在用户行为分析方面,主要解决的问题是了解用户的行为模式和偏好,从而优化产品和服务,提高用户满意度和忠诚度。这里分为四个场景:用户的 Aha 时刻、用户留存、用户流失、用户生命周期价值。

用户的 Aha 时刻解决的问题是找到魔法数字,也就是边际效用分界点。

用户留存解决的是新用户留存提升的问题,如何让新用户在一定时间内尽可能地活跃。用户留存分析通常使用统计群分析方法,将某一时间点进入的人群圈起来,并跟踪随时间变化的情况。

用户流失是很多商家头疼的问题,但如果能够提前预测到哪些用户可能会流失,就可以提前进行干预。对于已经流失的用户,可以分析流失原因来制定召回策略。用户流失分析有时需要使用机器学习方法,如回归分析。

用户生命周期价值是指每个用户在整个生命周期内会贡献多少钱,可以用来制定新客的获客成本或新客的 ROI,以及分析用户还剩下多少价值。

接下来展开介绍其中两个场景,用户分群和用户的 Aha 时刻分析。

03

用户分群:业务逻辑和聚类算法

用户分群是指将大量用户划分成若干个具有相似特征的人群,以便制定针对性的营销策略。以天猫为例,它将用户划分成八大策略人群,如新锐白领、资深中产等。

在进行用户分群之前,需要明确要解决什么问题。以天猫的八大策略人群为例,这些人群的划分是为了解决产品组合和定价、开发新品等问题。根据人群画像,可以了解人群的特征和消费习惯,从而制定不同的营销策略和产品方案。

以下是用户分群流程图:

第一步:需要有一个品牌用户群。

第二步:准备业务标签。需要从众多标签中找出具有真正业务含义和人群划分价值的标签。这与要解决的问题有关,例如,如果要解决定价问题,就需要知道用户的消费能力,可以使用月均消费频次和月均消费金额等标签来衡量。有了这些标签,就可以进行人群划分。

第三步:人群划分。这里用到前文中讲到的两个方法,一个是基于业务逻辑,一个是聚类方法。最终聚类出不同的人群,比如上图中的三种颜色代表三个人群。聚类出人群之后,还要反过来去看它在不同特征下面的占比。

第四步:为人群找到合适的标签。计算 TGI 指标或特征占比。TGI 指标大于 100 认为是显著的,小于 100 认为是不显著的。最终把每一个标签过滤出来之后得到定性的描述。如新锐白领、小镇青年、精致妈妈等。

这里用到两个工具:聚类算法和业务逻辑。

聚类算法是通过计算人群之间的距离,将人群自动分类。在进行聚类分析时,需要注意选择合适的指标,并去掉异常值人群和极端人群,再对剩余人群进行分类或圈出不同的人群。K-Means 聚类能够自动地对多维数据进行聚合。但它的缺点是缺乏业务逻辑和业务含义,要解决这一问题就要加入业务逻辑。用 K-Means 聚类算法划分完后,如果发现其与业务不相符,那么就需要去调整。

除了用聚类算法之外,还可以用业务逻辑去进行用户分群。比如将人群和产品的标签进行交叉,就可以得到不同人群在不同产品标签下面的特点。例如,可以将年龄划分成几个段,然后反过来看每个人群在不同产品标签下面的特征,例如更加偏好 0-400 元的产品、更加偏好职场穿搭类的产品等。

根据这些特点进行人工聚类,得到不同的人群划分结果。最后,基于人群划分结果和产品标签,可以得到相应的策略,例如针对不同人群的营销策略、内容制作策略等。这样的标签过程可以将业务逻辑和机器学习相结合,从而得到更加准确和更具业务含义的人群划分结果,并在业务场景中落地。

04

用户的 Aha 时刻-魔法数字

魔法数字解决的是最终标准阈值的问题,例如划分会员等级的标准阈值为 1 万元。为什么是 1 万而不是 1 万五或者其它数字,这就是一个标准阈值问题。

先来简单介绍下留存率。统计某一天注册的用户数,以及第二天回来活跃或购买的用户数,然后将第二天回来的人群去除,就可以得到次日留存率。

比如LinkedIn 发现新用户在 7 天之内加满 5 个人,留存率会提高 3 倍。再比如Facebook 发现,新用户 10 天内关注 7 个人可以提高留存率。

基于这个逻辑,可以得到一个关于留存率与关注人数的关系图,并通过寻找拐点来确定边际效用的最大化。拐点是指留存率开始显著提高的点。从数学上来讲,拐点是指曲线的斜率开始明显下降的点,也就是边际效用最大的地方。在拐点之前,关注人数的增加对留存率的影响较大,而在拐点之后,关注人数的增加对留存率的影响逐渐减小。这个拐点就是我们的魔法数字。

如果我们找到了某个魔法数字(例如 10 或 3),那就可以将其应用于营销策略和用户运营策略中,例如让用户关注够 10 个人或者购买够 3 次。我们还可以将这个魔法数字作为划分会员等级的阈值,或者想方设法让用户达到这个数字,从而更好地保住客户。

上图中展示了一个应用案例。从表格中可以看出价格与综合满意度的相关性是最高的,所以可以根据价格去计算回归,得到计算魔法数字的公式。当然这个数字也需要进一步结合业务去进行验证。

最后欢迎大家添加我的微信来做进一步的交流。

以上就是本次分享的内容,谢谢大家。


分享嘉宾

INTRODUCTION


饼干哥哥

某消费品上市集团

数据分析主管

211 本科财务管理专业,8 年数据分析师,曾在多品牌集团搭建用户数据中台CDP、门店选址等系统,现为电商子公司从 0 组建数据团队、搭建数据中心、BI 系统及数字化流程。


往期优质文章推荐


往期推荐


超越Midjourney?基于语境学习训练图像扩散模型【前沿】

淘宝推荐场景的利器:融合复杂目标且支持实时调控的重排模型

小米数据中台建设实践赋能业务增长!

MaxCompute湖仓一体方案新能力

流式图计算在蚂蚁大数据场景的应用

网易云音乐推荐系统的冷启动技术

多任务和多场景在华为推荐系统中的应用

强化学习与多任务推荐

火山引擎云原生存储加速实践

字段抽取:异构数据结构化的利器

如何做内容推荐策略产品?

如何让大模型自由使用外部知识与工具?

抖音云原生向量数据库从“非主流”到“新常态”的演变

火山引擎VeCDP:如何0-1构建与应用标签体系

纵腾湖仓全链路落地实践


点个在看你最好看

修改于
继续滑动看下一个
DataFunTalk
向上滑动看下一个

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存