聊聊用户行为分析

共 2037字,需浏览 5分钟

 ·

2022-04-18 17:43

你们好,我是宝器!

在一二级市场萎靡的大环境下,新消费品的商业模式需要从早期的 流量-转化-留存 中解放出来,转而更专注于服务体验产品价值。商品品质和服务体验做得好,才能带来长期价值,要优于通过烧钱拉新的方式扩大短期规模。

本文中数据均为网易严选脱敏/虚构数据。

1

商业模式

在做用户分析前,通常需要对商业模式做一个基本的了解,我们先来看经典的5W1H问题。

对于网易严选:
  • Who:用户是谁?- 精品电商的用户群体

  • Why:用户为什么来?- 有消费需求/内容吸引

  • Where:用户到哪消费?- 多端&多渠道/线上&线下

  • When:用户什么时间来消费?- 用户的生命周期

  • What:用户来做什么事?- 消费

  • How:怎么做?- 挑选 > 下单 > 支付 > 物流 > 收货 > 售后 


后续会有单独的一章做更详细的商业模式扩展分析,这里不做过多描述。

先看一个熟悉的公式,从用户角度出发
  • [营业收入 Revenue] = [交易额 GMV] × [佣金率 TR]

  • [交易额 GMV] = [活跃用户规模 DAU] × [转化率 CR] × [客单价 ARPU]


可以通过 提升佣金率、扩大规模、提升转化、提升客单价 达成增长目的。但根据系统性原理,以上因素都是相辅相成的,单一变量的变化会对其他变量造成影响。这里就有一个问题,究竟哪个环节是能够驱动增长的核心过程?

用一句话来说答案大概是:吸引并和留存高价值的活跃用户群体。

我们从行为分析的视角出发,当前电商的运营模式可以大致分为两类:

如上图所示,由于业态的差别,境内和境外的电商模式,有明显的差异。以首页为例,与 Amazon / Etsy 相比,淘宝 / 京东 的首页显然承接了更多消费以外的需求,如商业化、签到、游戏场景等。究其原因,平台在不影响现有消费导向用户的体验的前提下(搜索作为主入口),满足更多特定群体用户的偏好需求,以提升[活跃用户规模 DAU],并且愿意花费额外的人力成本在其中。

回来看网易严选,显然属于后者。除销售导购外,网易严选的APP中也承载了更多互动和体验内容,也需要我们做更细致的用户行为分析,以找到机会点并驱动增长。

2

用户需求

回归电商的本质,用户到严选APP的最终目的,应该是消费。消费前用户会有一个的决策过程,也就是逛和选

这两部分是用户的核心需求,由此我们可以定义一些关键指标,用作后续分析:
  • 消费相关:消费金额,消费频次

  • 逛选相关:访问频次,收藏/加购频次,访问深度


我们这里不使用停留时长作为指标,详细见附录。了解过网易严选电商平台的产品定位以及用户群体后,我们就可以做定向的分析了。

3

分析框架

3.1 场景分析
前边提到了网易严选APP的业务形态比较多元,除了核心的销售场景外,还有一些互动场景。通过调研了解,我们对网易严选做了一些场景划分,以便于更好的分析。

有了场景后,我们可以通过分场景的UV/PV排序,来做用户的场景洞察,根据用户常出没的场景,做定向的导购/推荐/挽回等策略。

数据可视化:场景分布中常用的两种可视化方案,PV展示用饼图类,UV展示用柱图类(推荐玉珏图)。

UV展示:

PV展示:

3.2 路径分析
通常情况下,电商场景的主路径为:搜索-列表-详情-订单-支付-完成

但由于很多导购、互动场景的存在,会使得用户的路径更多元化,如下图所示。

在路径分析中,我们核心关注的问题是:
① 用户为什么来访?- [投放吸引]:广告/PUSH/短信 等 or [主动访问]:直购/内容/物流/活动 等
② 用户为什么离开?- 未找到商品/价格不满意/服务不满意 等

数据可视化:路径分析中常用的两种可视化方案,桑基图和路径图。

3.3 偏好分析
大部分用户都有个人的使用习惯和偏好,了解目标用户的偏好可以帮助我们做更好的精准营销。

3.3.1 时间偏好
用户的时间偏好(访问时间偏好/购买时间偏好)也是很重要的特征,可以协助我们更深入的了解用户习惯。举例如部分用户偏好在8~10点做签到任务,部分用户偏好在晚上20~24点间观看直播,诸如此类。该特征可用于个性化推荐,以及PUSH/短信等主动触达方案的时间控制。

数据可视化:时间偏好通常会采用热力图(推荐色块图)做数据可视化。

3.3.2 品类偏好
用户会有偏好的某一个品类,或者某几个品类,通过品类偏好分析,可以探究品类之间的关联性,让我们清楚的了解用户需求,同时提升交叉销售能力。

数据可视化:品类偏好通常采用关系图谱做数据可视化。

4

深入应用

接下来,我们结合用户筛选和用户成长模型来看,行为分析的具体应用场景及价值。我们定义用户的生命周期为:新访-激活-首购-复购-忠诚

落到具体场景,我们需要引入一个统计方式 TGI [Target Group Index] 来做用户评估:
TGI = [目标群体中具有某一特征的群体所占比例] ÷ [总体中具有相同特征的群体所占比例] - 1

为了方便展示,这里采用自定义的TGI,TGI>0表示目标用户的关注程度高于整体水平,反之TGI<0表示目标用户的关注程度低于整体水平。

4.1 新访-首购
这里我们以 [首购新访用户] 对 [全部新访用户] 做TGI统计。先从场景入手,如下图左所示 ↓,首单转化的用户对直播有非常明显的倾向性。此外从数据角度看,偏好0元购、每日抄底、红包的用户,更易达成首单转化。偏好茅台预约、新人会场、搜索场景的用户,更难达成首单转化。

我们可以得出一些结论:在新用户对平台不熟悉的情况下,倾向于购买一些低价商品、或使用红包/优惠券等权益达成首单转化,此外,一些羊毛党(如茅台预约用户)很难转化。

路径分析主要看用户来源渠道(SEM/CPC/ASA/CPS等广告各不相同,通常质量和价格挂钩),信息比较敏感,我们这里不做详细描述。

接下来时间偏好,如上右图所示 ↑,下午 12:00~20:00 偏好用户,更易达成首单转化。有时候新客运营团队会负责新客的前3单转化,分析逻辑和上述首单类似,可以扩展。首购的商品也会影响复购,详见4.2.1

4.2 首购-复购
用户的复购,通常分为单品类复购和交叉品类复购两种。这里我们以 [复购用户] 对 [有购买用户] 做TGI统计。

4.2.1 单品类复购
同样做场景分析,如下图所示 ↓,红包、优惠券、榜单等营销和推荐场景的用户,更易达成复购转化。偏好签到、心愿城等互动场景的用户,更难达成复购转化。

此外,用户的单品类复购行为,也与商品品质的好坏强相关。考虑到好评率会有幸存者偏差,我们建议采用NPS(问卷采集)做为评估手段。

NPS = [推荐者数]/[总样本数] - [贬损者数]/[总样本数]

这里主要是用户分析,商品分析不做过多展开。

4.2.2 交叉品类复购
我们先来了解下,著名心理学家威廉·詹姆斯提出的鸟笼效应:一个不养鸟的人,当别人送给他一个鸟笼,不久后就会养起鸟,并且购买鸟粮等附加品。人们会在偶然获得一件物品后,会继续添加更多与之相关而的东西。

我们希望可以找到可以驱动品类迁移的 [鸟笼],并以较低的价格“送给”用户,从而促使用户跨品类复购。实际上通过用户行为可以找到商品间的关联关系,做品类偏好分析,就能找到 [鸟笼]。

举几个简单的例子:
  • 懒人拖把 → 一次性地板湿巾

  • 空气炸锅 → 锡纸 / 防油纸盘 / 打蛋器等烘焙小工具

  • 香氛灯 → 香氛精油 / 香氛蜡烛


5

附录

关于 [停留时长和转化率关系] 这件事,是一个明显存在幸存者偏差的结论。
  • 数据观察:✅ 停留时长和转化率正相关。

  • 认知升级:✅ 消费用户的决策周期更长,所以停留时间更久。

  • 不足以支撑结论:❌ 由于用户停留时长更长,所以转化率更高。


以上两个事实只有相关关系,并不能证明存在因果关系。盲目提高用户在域内的停留时长,可能无法有效提升转化率,小红书电商就是一个很明确的例子,此外,淘宝早在2018年前就放弃了把停留时长作为目标管理中的一环(除个别游戏场景以外)。

但也不是完全无关,针对一些特定用户如直播敏感型用户,通过优化产品体验提升用户直播观看时长,对转化率是有正向作用的。

由于涉及到数据安全问题,文章中浅尝辄止,只是提供一些分析方法论,并没有深入的做细节探究。
·················END·················

推荐阅读

  1. 我在字节做了哪些事

  2. 写给所有数据人。

  3. 从留存率业务案例谈0-1的数据指标体系

  4. 数据分析师的一周

  5. 超级菜鸟如何入门数据分析?


欢迎长按扫码关注「数据管道」

浏览 36
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报