用戶數(shù)據(jù)分為用戶屬性數(shù)據(jù)和用戶行為數(shù)據(jù)。
通過用戶數(shù)據(jù)分析可了解真實(shí)的用戶需求，通過產(chǎn)品和運(yùn)營更好地滿足這些需求，從而推動增長。小編接下來將就增長模型的數(shù)據(jù)分析分享一些實(shí)用方法論。用戶數(shù)據(jù)通常可以分為兩類，一類是用戶屬性數(shù)據(jù)，另一類是用戶行為數(shù)據(jù)。
用戶屬性數(shù)據(jù)代表的是用戶自身基本信息和狀態(tài)，包括天然特征和行為提醒的特征，一般是較為固定，不會輕易改變的。而用戶行為數(shù)據(jù)是用戶產(chǎn)品內(nèi)的行為軌跡，代表了用戶和產(chǎn)品的互動模式，通?？赏ㄟ^各種方式影響數(shù)據(jù)。
一、用戶分群
用戶分群就是通過屬性和行為數(shù)據(jù)將類似的用戶歸為一個(gè)群組的過程，并針對不同群組的用戶尋找區(qū)別對待和精細(xì)化運(yùn)營的機(jī)會。用戶分群驅(qū)動增長主要通過設(shè)定分群維度和應(yīng)用分群結(jié)果這兩個(gè)步驟來實(shí)現(xiàn)。
1.1 設(shè)定分群維度
在任何產(chǎn)品中都會存在用戶的各種屬性以及行為，如何在這些屬性和行為中選擇最初的分群維度？主要可以按兩類維度類型進(jìn)行分群。一類是按照用戶屬性進(jìn)行分類。另一類是按照用戶行為進(jìn)行分類。
用戶屬性：用戶天然的屬性和特征，不會輕易的改變。
獲客渠道；
可推測用戶興趣的屬性：年齡，性別，城市，家庭。
可推薦用戶經(jīng)濟(jì)狀態(tài)的屬性：設(shè)備類，型號，城市，職業(yè)。
用戶行為：用戶在產(chǎn)品生命周期的關(guān)鍵行為。
生命周期的關(guān)鍵行為：新老用戶。
用戶活躍程度RFM；
付費(fèi)情況：是否付費(fèi)；
功能使用；
增長模型：增長模型中的某個(gè)變量在不同人群中差異較大。
貸款額度：互金類產(chǎn)品。
客單價(jià)：滴滴打車。
價(jià)位：SaaS。
在一些初創(chuàng)團(tuán)隊(duì)的產(chǎn)品，可能會用不分群的方式，雖然數(shù)據(jù)分析簡單，但對用戶一視同仁，導(dǎo)致很對增長的線索無法被發(fā)掘，錯(cuò)過增長機(jī)會。與這類公司反差明細(xì)的是一些巨型企業(yè)，會使用千人千面的分群方式。這種方法需要技術(shù)和算法的支持。而且分析出的結(jié)果需要有對應(yīng)的運(yùn)營和產(chǎn)品資源配合，在絕大多數(shù)公司并不適用。在大多數(shù)公司中，維度分群是從實(shí)際業(yè)務(wù)問題出發(fā)，從1-2個(gè)維度進(jìn)行簡單分群。當(dāng)用戶量達(dá)到一定數(shù)量級后，可選擇3-5個(gè)維度，進(jìn)行多元組合分群。
1.2 應(yīng)用分群結(jié)果
通過用戶分群得到分群結(jié)果，主要可以分為兩種應(yīng)用方向，以獲取用戶為分隔點(diǎn)，在獲取用戶之前，可以通過結(jié)果優(yōu)化精準(zhǔn)拉新的策略。在獲取用戶之后，可以通過結(jié)果提高精細(xì)化運(yùn)營的產(chǎn)品體驗(yàn)。
精準(zhǔn)拉新：
對現(xiàn)有用戶進(jìn)行分群，找到高質(zhì)量的用戶群，從而進(jìn)一步定位高質(zhì)量用戶的獲客渠道或者廣告。
選擇高質(zhì)量用戶，將這類用戶特征上傳渠道平臺，通過算法找到類似的用戶。
精細(xì)化產(chǎn)品運(yùn)營體驗(yàn)：
產(chǎn)品算法支持的千人千面的商品和內(nèi)容推薦等
針對不同群組，進(jìn)行不同的運(yùn)營動作。包括Push推送，促銷活動等。
1.3 案例分析
這里通過一個(gè)某潮品電商產(chǎn)品的用戶分群案例，來分享一下如何運(yùn)用用戶分群進(jìn)行增長策略的置頂。
選擇重點(diǎn)的屬性和行為維度，進(jìn)行組合分群：
針對不同的分群，制定對應(yīng)策略（方案僅供參考，不具有真實(shí)性）。
二、用戶行為
行為分析是通過詳實(shí)的用戶行為數(shù)據(jù)描述出用戶在產(chǎn)品中真實(shí)的路徑和互動情況。針對用戶行為分析的結(jié)果，通過產(chǎn)品或運(yùn)營的方式引導(dǎo)用戶，改變用戶行為的軌跡和模式，讓用戶更好的從產(chǎn)品中獲得價(jià)值。
用戶行為驅(qū)動增長主要通過明確分析對象和選擇分析方法這兩個(gè)步驟來實(shí)現(xiàn)。
2.1 明確分析對象
用戶行為可分為兩類關(guān)鍵用戶行為，一類是一次性或低頻行為，另一類是周期性行為。
一次性或低頻行為代表著用戶為使用產(chǎn)品打下基礎(chǔ)的重要行為。例如下載App、完成注冊、輸入身份信息、充值等。
周期性行為代表著用戶使用產(chǎn)品功能的核心行為。例如下單、點(diǎn)贊、閱讀、觀看視頻等。
在產(chǎn)品中用戶產(chǎn)生的行為很多。準(zhǔn)確找到這兩類關(guān)鍵用戶行為的方式可分為兩類：
從數(shù)據(jù)中驗(yàn)證：在實(shí)際數(shù)據(jù)中，通過路徑分析找到關(guān)鍵轉(zhuǎn)化路徑，通過比較行為頻次找到高頻行為，發(fā)現(xiàn)任何遺漏的行為。
從業(yè)務(wù)中出發(fā)：從關(guān)鍵轉(zhuǎn)化路徑中或高頻的周期性行為中尋找并確認(rèn)關(guān)鍵行為。
2.2 選擇分析方法
通過用戶行為分析解決的本質(zhì)問題，可以歸納為兩類問題：
轉(zhuǎn)化問題：一般通過分析用戶行為路徑，讓更多的用戶執(zhí)行某種行為，走上正確的路徑。
留存問題：一般通過針對周期性行為的分析，讓用戶更多的更持久的執(zhí)行某種行為，養(yǎng)成正確的習(xí)慣。
2.2.1 用戶行為路徑分析：漏斗分析
漏斗分析是事先設(shè)定的若干個(gè)關(guān)鍵節(jié)點(diǎn)的轉(zhuǎn)化路徑中，簡單直觀的顯示同一群用戶從每一步到下一步的轉(zhuǎn)化率。通過轉(zhuǎn)化率的高低，快速判定出大多數(shù)用戶是否遵循了產(chǎn)品設(shè)定的路徑在行進(jìn)，并可查出流失最高的關(guān)鍵節(jié)點(diǎn)是哪個(gè)。
漏斗分析是大家非常熟悉的一種分析方法，常用的漏斗分析方法有以下兩種：
（1）通過全鏈漏斗中找尋用戶流失點(diǎn)和增長機(jī)會。
（2）通過AARRR各個(gè)環(huán)節(jié)的細(xì)分漏斗尋找用戶流失點(diǎn)和增長機(jī)會。
獲客：新用戶注冊漏斗
激活：新用戶激活漏斗
留存：關(guān)鍵周期性行為漏斗。
推薦：老帶新用戶轉(zhuǎn)化漏斗。
變現(xiàn)：下單漏斗、投資漏斗等。
2.2.2 用戶行為路徑分析：路徑分析
路徑分析是顯示用戶從每一步到下一步的轉(zhuǎn)化率。通過發(fā)散性分析方式，確定大多數(shù)用戶的實(shí)際行為路徑。通過路徑分析可得到：
確定用戶在產(chǎn)品內(nèi)實(shí)際路徑和走向與產(chǎn)品期望的主路徑的區(qū)別點(diǎn)。
確定用戶的實(shí)際主流路徑。
發(fā)現(xiàn)一些事先不為人知的路徑。
常見的思考方向：
用戶實(shí)際路徑和產(chǎn)品設(shè)計(jì)期望的路徑有什么不同？
新用戶進(jìn)入首頁后的實(shí)際路徑有哪些？最喜歡去哪些頁面？
如何引導(dǎo)用戶回到主流路徑，迅速到底核心功能？
以某個(gè)行為為終點(diǎn)的路徑：到達(dá)某個(gè)功能的路徑里，哪條最主流？
用戶哪些路徑可觸達(dá)該行為？
如果想提升觸達(dá)該行為的轉(zhuǎn)化率，先從哪條路徑入手最容易提升？
以某個(gè)行為為終點(diǎn)的路徑：用戶偏離預(yù)設(shè)的路徑后，實(shí)際走向是什么？
用戶到達(dá)行為對應(yīng)的頁面（如商品詳情頁）后，為什么沒有觸發(fā)行為(點(diǎn)擊支付)？
用戶去了其他什么路徑？
如何避免這類用戶偏離預(yù)設(shè)的路徑？
這里小編根據(jù)一個(gè)模擬的案例（某二手車交易平臺）來簡述一下如何運(yùn)用用戶路徑分析找到增長線索。
第一步：明確目標(biāo)：提高銷售額。
第二步：假設(shè)根據(jù)用戶路徑分析，發(fā)現(xiàn)有兩條主要路徑：
啟動App → 搜索商品 → 提交訂單 → 支付訂單
啟動App → 未支付訂單 → 搜索相似商品 → 取消訂單
第三步：分析數(shù)據(jù)，發(fā)現(xiàn)線索：
第一條用戶路徑：用戶提交訂單后，大約75%的用戶會完成支付，而 25%的用戶未支付。
第二條用戶路徑：目標(biāo)商品已經(jīng)加入訂單，但未最終敲定，因此在打開App后直奔“未支付訂單”。
但是第二條路徑中，發(fā)現(xiàn)部分用戶會再次“搜索相似商品”，根據(jù)這一行為可判斷客戶可能存在比價(jià)行為。
表明價(jià)格一定程度上影響了這部分用戶的支付欲望，這是一批“價(jià)格導(dǎo)向”的客戶。
第四步：提出方案：
對此，該電商運(yùn)營人員采取針對性措施：
“未支付訂單”“超過 30 分鐘則自動取消。
將支付頁面附近放置優(yōu)惠券領(lǐng)取。
當(dāng)該新版本上線后，再次通過用戶路徑分析模型：
發(fā)現(xiàn)由于30分鐘的時(shí)間限制，有更多的用戶愿意在提交訂單后，立即支付訂。
同時(shí)未支付訂單大大降低，說明在支付頁面附近放置優(yōu)惠券的方式，會刺激對價(jià)格敏感的客戶。
2.2.3 用戶行為路徑分析：軌跡細(xì)查
軌跡細(xì)查是按時(shí)間排列一系列行為，展示單個(gè)用戶的實(shí)際行為路徑。通過聚焦性分析，尋找單個(gè)用戶的實(shí)際行為路徑中的異?；蛘咭?guī)律。
常見思考方向：
某類用戶流失了，TA流失前都做了什么事情，有哪些異常？
某個(gè)功能的優(yōu)化或Bug是否影響了用戶軌跡，出現(xiàn)了哪些異常？
將2.2.2.的二手車交易平臺案例場景沿用到本節(jié)中，如下：
2.2.4 周期性行為分析：留存分析
留存分析是通過用戶留存數(shù)據(jù)分析，確定產(chǎn)品的留存健康程度。對比不同用戶組的留存率，找到改善留存的增長線索。
通過留存分析來優(yōu)化增長的思考方向可以從以下幾個(gè)問題入手：
產(chǎn)品的留存能力如何
首次登陸的用戶，有多少會留存下來。
哪個(gè)時(shí)間段年內(nèi)留存最嚴(yán)重？
產(chǎn)品的留存率和行業(yè)平均值相比如何？
產(chǎn)品內(nèi)的留存率是否有差異？
不同產(chǎn)品功能的用戶留存率的差異。
不同獲客渠道的用戶留存率的差異
不同用戶屬性的用戶留存率的差異。
2.2.5 周期性行為分析：頻次分析
頻次分析是通過用戶使用產(chǎn)品或某個(gè)功能的頻次分析，確定用戶習(xí)慣的健康程度。
通過頻次分析來優(yōu)化增長的思考方向可以從以下幾個(gè)問題入手：
觀察使用頻次的分布規(guī)律，優(yōu)化產(chǎn)品和運(yùn)營策略
甄選高價(jià)值用戶，并對應(yīng)調(diào)整資源分配和運(yùn)營策略。
針對不同渠道，用戶特征的用戶，對比使用頻次分布情況，實(shí)時(shí)調(diào)整運(yùn)營策略。
文章來源：鳥哥筆記
【轉(zhuǎn)載說明】 若上述素材出現(xiàn)侵權(quán)，請及時(shí)聯(lián)系我們刪除及進(jìn)行處理：[email protected]
