我們經(jīng)常在淘寶上購物, 作為淘寶方, 他們肯定想知道他的使用用戶是什么樣的, 是什么樣的年齡性別, 城市, 收入, 他的購物品牌偏好, 購物類型, 平時(shí)的活躍程度是什么樣的, 這樣的一個(gè)用戶描述就是用戶畫像分析。
無論是產(chǎn)品策劃還是產(chǎn)品運(yùn)營, 前者是如何去策劃一個(gè)好的功能, 去獲得用戶最大的可見的價(jià)值以及隱形的價(jià)值, 必須的價(jià)值以及增值的價(jià)值, 那么了解用戶, 去做用戶畫像分析, 會成為數(shù)據(jù)分析去幫助產(chǎn)品做做更好的產(chǎn)品設(shè)計(jì)重要的一個(gè)環(huán)節(jié)。
那么作為產(chǎn)品運(yùn)營, 比如要針用戶的拉新, 挽留, 付費(fèi), 裂變等等的運(yùn)營, 用戶畫像分析可以幫助產(chǎn)品運(yùn)營去找到他們的潛在的用戶, 從而用各種運(yùn)營的手段去觸達(dá)。
因?yàn)楫?dāng)我們知道我們的群體的是什么樣的一群人的時(shí)候, 潛在的用戶也是這樣的類似的一群人, 這樣才可以做最精準(zhǔn)的拉新, 提高我們的ROI。
在真正的工作中, 用戶畫像分析是一個(gè)重要的數(shù)據(jù)分析手段去幫助產(chǎn)品功能迭代, 幫助產(chǎn)品運(yùn)營做用戶增長。總的來說, 用戶畫像分析就是基于大量的數(shù)據(jù), 建立用戶的屬性標(biāo)簽體系, 同時(shí)利用這種屬性標(biāo)簽體系去描述用戶。像上面描述的那樣, 用戶畫像的作用主要有以下幾個(gè)方面：在做用戶增長的例子中, 我們需要在外部的一些渠道上進(jìn)行廣告投放， 對可能的潛在用戶進(jìn)行拉新, 比如B站在抖音上投廣告。我們在選擇平臺進(jìn)行投放的時(shí)候, 有了用戶畫像分析, 我們就可以精準(zhǔn)的進(jìn)行廣告投放, 比如抖音的用戶群體是18-24歲的群體, 那么廣告投放的時(shí)候就可以針對這部分用戶群體進(jìn)行投放, 提高投放的ROI，假如我們沒有畫像分析, 那么可能會出現(xiàn)投了很多次廣告, 結(jié)果沒有人點(diǎn)擊。假如某個(gè)電商平臺需要做個(gè)活動(dòng)給不同的層次的用戶發(fā)放不同的券, 那么我們就要利用用戶畫像對用戶進(jìn)行劃分, 比如劃分成不同的付費(fèi)的活躍度的用戶, 然后根據(jù)不同的活躍度的用戶發(fā)放不用的優(yōu)惠券。比如針對付費(fèi)次數(shù)在 [1-10] 的情況下發(fā) 10 元優(yōu)惠券刺激, 依次類推。
精確的內(nèi)容分發(fā), 比如我們在音樂app 上看到的每日推薦, 網(wǎng)易云之所以推薦這么準(zhǔn), 就是他們在做點(diǎn)擊率預(yù)估模型(預(yù)測給你推薦的歌曲你會不會點(diǎn)擊)的時(shí)候, 考慮了你的用戶畫像屬性。
比如根據(jù)你是90后, 喜歡傷感的, 又喜歡杰倫, 就會推薦類似的歌曲給你, 這些就是基于用戶畫像推薦。
這個(gè)主要是金融或者銀行業(yè)設(shè)計(jì)的比較多, 因?yàn)榻?jīng)常遇到的一個(gè)問題就是銀行怎么決定要不要給一個(gè)申請貸款的人給他去放貸。經(jīng)常的解決方法就是搭建一個(gè)風(fēng)控預(yù)測模型, 去預(yù)約這個(gè)人是否會不還貸款，同樣的, 模型的背后很依賴用戶畫像。用戶的收入水平, 教育水平, 職業(yè), 是否有家庭, 是否有房子, 以及過去的誠信記錄， 這些的畫像數(shù)據(jù)都是模型預(yù)測是否準(zhǔn)確的重要數(shù)據(jù)。
互聯(lián)網(wǎng)的產(chǎn)品價(jià)值 離不開 用戶 需求 場景 這三大元素, 所以我們在做產(chǎn)品設(shè)計(jì)的時(shí)候, 我們得知道我們的用戶到底是怎么樣的一群人, 他們的具體情況是什么, 他們有什么特別的需求， 這樣我們才可以設(shè)計(jì)出對應(yīng)解決他們需求痛點(diǎn)的產(chǎn)品功能。
在產(chǎn)品功能迭代的時(shí)候, 我們需要分析用戶畫像行為數(shù)據(jù), 去發(fā)現(xiàn)用戶的操作流失情況, 最典型的一種場景就是漏斗轉(zhuǎn)化情況, 就是基于用戶的行為數(shù)據(jù)去發(fā)現(xiàn)流失嚴(yán)重的頁面, 從而相對應(yīng)的去優(yōu)化對應(yīng)的頁面。比如我們發(fā)現(xiàn)從下載到點(diǎn)擊付款轉(zhuǎn)化率特別低，那么有可能就是我們付款的按鈕的做的有問題, 就可以針對性的優(yōu)化按鈕的位置等等。
同時(shí)也可以分析這部分轉(zhuǎn)化率主要是在那部分用戶群體中低, 假如發(fā)現(xiàn)高齡的用戶的轉(zhuǎn)化率要比中青年的轉(zhuǎn)化率低很多, 那有可能是因?yàn)槲覀冏煮w的設(shè)置以及按鈕本身位置不顯眼等等, 還有操作起來不方便等等因素。在做描述性的數(shù)據(jù)分析的時(shí)候, 經(jīng)常需要畫像的數(shù)據(jù), 比如描述抖音的美食博主是怎么樣的一群人, 他們的觀看的情況, 他們的關(guān)注其他博主的情況等等。簡單來說就是去做用戶刻畫的時(shí)候, 用戶畫像可以幫助數(shù)據(jù)分析刻畫用戶更加清晰。首先 是數(shù)據(jù)層, 用戶畫像的基礎(chǔ)是首先要去獲取完整的數(shù)據(jù), 互聯(lián)網(wǎng)的數(shù)據(jù)主要是 利用打點(diǎn), 也就是大家說的數(shù)據(jù)埋點(diǎn)上報(bào)上來的, 整個(gè)過程就是 數(shù)據(jù)分析師會根據(jù)業(yè)務(wù)需要提數(shù)據(jù)上報(bào)的需求,然后由開發(fā)完成, 這樣就有了上報(bào)的數(shù)據(jù)。除了上報(bào)的數(shù)據(jù), 還有其他數(shù)據(jù)庫同步的數(shù)據(jù), 一般會把數(shù)據(jù)庫的數(shù)據(jù)同步到hive表中, 按照數(shù)據(jù)倉庫的規(guī)范， 按照一個(gè)個(gè)主題來放置。還有一些其他的數(shù)據(jù)比如外部的一些調(diào)研的數(shù)據(jù), 以excel 格式存在, 就需要把excel 數(shù)據(jù)導(dǎo)入到hive 表中。有了基礎(chǔ)的數(shù)據(jù)以后, 就進(jìn)入到挖掘?qū)? 這個(gè)層次主要是兩件事情, 一個(gè)是數(shù)據(jù)倉庫的構(gòu)建, 一個(gè)是標(biāo)簽的預(yù)測, 前者是后者的基礎(chǔ)。
一般來說我們會根據(jù)數(shù)據(jù)層的數(shù)據(jù)表, 對這些數(shù)據(jù)表的數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗，數(shù)據(jù)計(jì)算匯總, 然后按照數(shù)據(jù)倉庫的分層思想, 比如按照 數(shù)據(jù)原始層, 數(shù)據(jù)清洗層， 數(shù)據(jù)匯總層, 數(shù)據(jù)應(yīng)用層等等進(jìn)行表的設(shè)計(jì)。數(shù)據(jù)原始層的表的數(shù)據(jù)就是上報(bào)上來的數(shù)據(jù)入庫的數(shù)據(jù), 這一層的數(shù)據(jù)沒有經(jīng)過數(shù)據(jù)清洗處理, 是最外層的用戶明細(xì)數(shù)據(jù)。數(shù)據(jù)清洗層主要是數(shù)據(jù)原始層的數(shù)據(jù)經(jīng)過簡單數(shù)據(jù)清洗之后的數(shù)據(jù)層, 主要是去除明顯是臟數(shù)據(jù), 比如年齡大于200歲, 地域來自 FFFF的 等明顯異常數(shù)據(jù)。數(shù)據(jù)匯總層的數(shù)據(jù)主要是根據(jù)數(shù)據(jù)分析的需求, 針對想要的業(yè)務(wù)指標(biāo), 比如用戶一天的聽歌時(shí)長, 聽歌歌曲數(shù), 聽的歌手?jǐn)?shù)目等等, 就可以按照用戶的維度, 把他的行為進(jìn)行聚合, 得到用戶的輕量指標(biāo)的聚合的表。這個(gè)層的用處主要是可以快速求出比如一天的聽歌總數(shù), 聽歌總時(shí)長， 聽歌時(shí)長高于1小時(shí)的用戶數(shù), 收藏歌曲數(shù)高于100 的用戶數(shù)是多少等等的計(jì)算就可以從這個(gè)層的表出來。數(shù)據(jù)應(yīng)用層主要是面向業(yè)務(wù)方的需求進(jìn)行加工, 可能是在數(shù)據(jù)匯總的基礎(chǔ)上加工成對應(yīng)的報(bào)表的指標(biāo)需求， 比如每天聽歌的人數(shù), 次數(shù)， 時(shí)長, 搜索的人數(shù), 次數(shù), 歌曲數(shù)等等。按照規(guī)范的數(shù)據(jù)倉庫把表都設(shè)計(jì)完成后, 我們就得到一部分的用戶的年齡性別地域的基礎(chǔ)屬性的數(shù)據(jù)以及用戶觀看 付費(fèi) 活躍等等行為的數(shù)據(jù)。但是有一些用戶的數(shù)據(jù)是拿不到的比如音樂app 為例, 我們一般是拿不到用戶的聽歌偏好這個(gè)屬性的數(shù)據(jù), 我們就要通過機(jī)器學(xué)習(xí)的模型對用戶的偏好進(jìn)行預(yù)測。機(jī)器學(xué)習(xí)的模型預(yù)測都是基于前面我們構(gòu)建的數(shù)據(jù)倉庫的數(shù)據(jù)的, 因?yàn)橹挥型暾臄?shù)據(jù)倉庫的數(shù)據(jù), 是模型特征構(gòu)建的基礎(chǔ)。有了數(shù)據(jù)層和挖掘?qū)右院? 我們基本對用戶畫像體系構(gòu)建的差不多, 那么就到了用戶畫像賦能的階段。
最基礎(chǔ)的應(yīng)用就是利用用戶畫像寬表的數(shù)據(jù), 對用戶的行為進(jìn)行洞察歸因 挖掘行為和屬性特征上的規(guī)律。另外比較大型的應(yīng)用就是搭建用戶畫像的平臺, 背后就是用戶畫像表的集成。用戶提取: 我們可以利用用戶畫像平臺, 進(jìn)行快速的用戶選取, 比如抽取18-24歲的女性群體 聽過杰倫歌曲的用戶, 我們就可以快速的抽取。分群對比: 我們可以利用畫像平臺進(jìn)行分群對比。比如我們想要比較音樂vip 的用戶和非vip 的用戶他們在行為活躍和年齡性別地域 注冊時(shí)間, 聽歌偏好上的差異, 我們就可以利用這個(gè)平臺來完成。功能畫像分析: 我們還可以利用用戶畫像平臺進(jìn)行快速進(jìn)行某個(gè)功能的用戶畫像描述分析, 比如音樂app 的每日推薦功能, 我們想要知道使用每日推薦的用戶是怎么樣的用戶群體, 以及使用每日推薦不同時(shí)長的用戶他們的用戶特征分別都是怎么樣的，就可以快速的進(jìn)行分析。在數(shù)據(jù)分析的面試中, 你是否不止一次遇到以下的問題:像這樣的問題, 如果沒有科學(xué)的思維框架去梳理你的思路的話, 去回答這個(gè)問題我們就會有一種想要說很多個(gè)點(diǎn), 但不知道先說哪一個(gè)點(diǎn), 只會造成回答很亂, 沒有條理性, 同時(shí)有可能會漏斗很多點(diǎn)。回答這種分析的類似的問題的時(shí)候, 大多數(shù)情況下都可以利用5w2h 的方法幫助我們?nèi)ソM織思路, 這樣可以在回答這種類似的問題的時(shí)候, 可以做到邏輯清晰, 答得點(diǎn)縝密完善。
比如DAU下降了, 5w2h 分析法會教你如何拆解DAU下降以及歸因以及給出建議。比如用戶留存率下降了, 5w2h方法會教你去拆解用戶, 歸納不同群體的留存率下跌原因；比如訂單數(shù)量下跌了, 5w2h 方法助力漏斗分析, 快速挖掘流失的關(guān)鍵步驟, 關(guān)鍵節(jié)點(diǎn)。5w2h 分析法主要是 以五個(gè)W開頭的英語單詞和兩個(gè)以H開頭的英語單詞組成的, 這五個(gè)單詞為我們提供了問題的分析框架。5W的內(nèi)容 1.What-發(fā)生了什么？一般用來值得是問題是什么, what 的精髓在于告訴我們第一步要認(rèn)清問題的本質(zhì)是什么。 2.When-何時(shí)？在什么時(shí)候發(fā)生的？ 問題發(fā)生的時(shí)間, 比如dau 下降了就是下降的具體時(shí)間分析, 這個(gè)時(shí)間是不是節(jié)假日等等。3.Where-何地？在哪里發(fā)生的？ 問題發(fā)生的拆解其中一個(gè)環(huán)節(jié), 還是dau 下降了, 是哪一個(gè)的地區(qū)的下降了, 是哪一個(gè)功能的使用的人下降了等等。4.Who-是誰？ 比如dau 下降了, 就是是哪一部分的用戶群體在降, 是哪一個(gè)的年齡, 性別, 使用app 時(shí)長等等。5.Why-為什么會這樣？dau 可能降低的原因猜想, 比如某個(gè)地區(qū)的dau 降低了, 其他地方的沒有降低, 那可能是這個(gè)地區(qū)的app 在使用的過程中有什么問題。1.How-怎樣做？知道了問題是什么以后, 就到了策略層了, 就是我們要采取什么樣的方法和策略去解決這個(gè)dau 下降的問題。2.How Much-多少？做到什么程度？這個(gè)主要是比如dau下降了以后, 我們采取對應(yīng)的策略是可能花費(fèi)的成本是多少, 以及我們要解決這個(gè)降低的問題解決到什么程度才可以。案例實(shí)戰(zhàn): 1.背景:某APP的付費(fèi)人數(shù)一直在流失, 如何通過數(shù)據(jù)分析去幫助產(chǎn)品和業(yè)務(wù)去挖掘?qū)?yīng)的付費(fèi)的流失原因并給出對應(yīng)的解決策略。 2.分析思路: 嘗試用5w2h 分析法去拆解這個(gè)問題。what: 我們的問題是付費(fèi)人數(shù)開始流失了, 這種流失應(yīng)該就是表現(xiàn)出來同比和環(huán)比可能都是下降的。
when: 整體的流失很難看出問題, 所以我們需要去分析不同的流失周期的用戶的占比大概都是多大, 從而分析出現(xiàn)在付費(fèi)用戶的流失周期主要集中在哪里。where: 付費(fèi)的入口和不同付費(fèi)點(diǎn)的分析, 主要是分析哪一個(gè)入口的付費(fèi)人數(shù)流失嚴(yán)重或者哪個(gè)功能的付費(fèi)人數(shù)流失嚴(yán)重, 挖掘關(guān)鍵位置。
who: 對用戶的屬性和行為進(jìn)行分析, 分析流失的這部分用戶群體是否具有典型的特征, 比如集中在老年群體, 集中在某個(gè)地區(qū)等等, 行為的特征分析表現(xiàn)在流失的用戶的行為活躍表現(xiàn)是怎么樣的, 比如是否還在app 上活躍, 活躍的時(shí)長和天數(shù)等等的分析。why: 通過上面的分析, 就可能大致得出用戶的流失的原因, 需要把數(shù)據(jù)結(jié)論和猜想對應(yīng)起來去看, 并做好歸納總結(jié)。
how: 當(dāng)我們挖掘和分析出付費(fèi)用戶流失的原因了以后, 需要采取對應(yīng)的策略去減少流失的速度, 同時(shí)針對流失的用戶進(jìn)行挽留和召回。how much: 在通過數(shù)據(jù)分析給出對應(yīng)的策略的時(shí)候, 也需要幫助業(yè)務(wù)方去評估我們的策略大概需要的成本, 讓業(yè)務(wù)方知道這個(gè)策略的可行性以及價(jià)值。
大部分的群體的流失周期還不是很長, 說明整體來說用戶的流失是最近剛發(fā)生的, 同時(shí)流失的周期不長, 說明我們有能力可以針對這部分的流失用戶利用策略進(jìn)行挽留。
對比付費(fèi)的四個(gè)主要的入口, 分析每天的付費(fèi)人數(shù)的走勢, 發(fā)現(xiàn)付費(fèi)人數(shù)的減少主要集中在我的tab 入口, 我的tab 入口的付費(fèi)降低的可能原因是什么呢？
這就需要拉上業(yè)務(wù)方一起去分析對應(yīng)的原因, 比如是可能是這個(gè)位置的付費(fèi)功能的具體流失的每一個(gè)環(huán)節(jié)的流失情況(結(jié)合漏斗分析一起去看)。分析出我的tab 頁面中 付費(fèi)功能具體的流失環(huán)節(jié), 然后再針對性的進(jìn)行調(diào)整迭代。
這里以年齡為例, 分析流失的付費(fèi)用戶的年齡特征, 發(fā)現(xiàn)主要集中在18歲以下的未成年群體, 這部分的用戶群體為什么流失呢？ 就需要結(jié)合用戶反饋等一起去看。
除了年齡的角度, 我們還可以分析流失的用戶的性別特征, 城市級別特征, 活躍時(shí)長和活躍天數(shù), 經(jīng)常使用的功能等特征。通過分析, 付費(fèi)的用戶群體主要原因是我的tab 的付費(fèi)功能引起的, 可能是具體的某個(gè)付費(fèi)轉(zhuǎn)化環(huán)節(jié)出現(xiàn)問題。
流失的用戶群體主要是18歲以下， 男性, 三線城市為主(假設(shè))。流失的用戶群體活躍時(shí)長, 活躍次數(shù), 活躍天數(shù)等沒有明顯下降。這個(gè)環(huán)節(jié)需要和業(yè)務(wù)方反饋我們的數(shù)據(jù)分析結(jié)論, 然后結(jié)合產(chǎn)品的經(jīng)驗(yàn)以及用戶反饋以及調(diào)查問卷等方法進(jìn)一步確定原因。
如果確定好是我的tab 中付費(fèi)功能的某個(gè)環(huán)節(jié)出現(xiàn)問題, 就需要針對的進(jìn)行改進(jìn), 同時(shí)上線小流量的ab test 去驗(yàn)證我們的策略是否有效。邏輯樹又稱為問題數(shù)，演繹樹或者分解樹，是麥肯錫公司提出的分析問題，解決問題的重要方法。
首先它的形態(tài)像一顆樹，把已知的問題比作樹干，然后考慮哪些問題或者任務(wù)與已知問題有關(guān)，將這些問題或子任務(wù)比作邏輯樹的樹枝，一個(gè)大的樹枝還可以繼續(xù)延續(xù)伸出更小的樹枝，逐步列出所有與已知問題相關(guān)聯(lián)的問題。總的來說, 邏輯樹滿足三個(gè)要素： 數(shù)據(jù)體系的搭建中, 需要借助邏輯樹的思路將業(yè)務(wù)的整體的目標(biāo)結(jié)構(gòu)化的進(jìn)行拆解, 然后轉(zhuǎn)化成可以量化的數(shù)據(jù)指標(biāo), 再轉(zhuǎn)變?yōu)橹笜?biāo)體系。
舉個(gè)例子, 比如下面的OSM模型搭建數(shù)據(jù)體系的思路就是借助了邏輯樹的思路。
首先業(yè)務(wù)的整體目標(biāo)是 提升表情的分發(fā), 讓表情的溝通更有趣更簡單。通過邏輯樹分析法, 我們可以進(jìn)行第一步的拆解, 就是把整體表情進(jìn)行拆解為提升表情發(fā)送數(shù), 提升表情下載, 增加表情傳播。提高表情發(fā)送數(shù)主要是提升用戶的發(fā)送, 那么就變成去提升用戶的發(fā)送, 那么怎么提升用戶的發(fā)送呢, 我們可以通過內(nèi)容和功能維度去解答。在內(nèi)容方面, 我們要做到我們的表情豐富度和有趣度和新穎度和表達(dá)度等等, 要讓用戶有發(fā)這個(gè)表情的欲望。除了表情本身, 在發(fā)表情功能上我們也要針對性的進(jìn)行優(yōu)化, 比如提高用戶查找表情的效率, 我們要去縮短查找表情的時(shí)間。提升表情的下載, 也是同樣的內(nèi)容和功能本身, 在功能方面, 我們涉及到怎么把每個(gè)用戶喜歡的表情排在最前面, 因?yàn)檫@樣用戶可以快速找到他們想要下載的表情。
另外, 也要通過功能的優(yōu)化, 提升用戶進(jìn)入到表情商店的比例, 從源頭上保證有足夠的用戶數(shù)都能夠進(jìn)入到表情商店。在內(nèi)容方面, 我們要保證表情商店的表情在豐富度和吸引用戶方面進(jìn)行優(yōu)化等等。提升表情的傳播, 也是需要在內(nèi)容和功能上優(yōu)化, 這就涉及到社交關(guān)系的傳播和表情的關(guān)系, 涉及除了要去引導(dǎo)用戶下載自己喜歡的, 還要去下載他和朋友共同喜歡的表情。這樣當(dāng)a 用戶發(fā)送了a 和a 的朋友b 共同喜歡的表情 就可以得到更多的轉(zhuǎn)發(fā)。針對用戶訂單減少的問題的分析, 可以利用邏輯樹分析法, 定位到可能的流失原因, 再用數(shù)據(jù)驗(yàn)證。比如某個(gè)電商平臺的訂單降低, 我們利用邏輯樹的拆解從地區(qū), 用戶, 商品類型等多個(gè)維度去思考。從地區(qū)的角度, 整體的訂單減少, 可以看一下是否是某個(gè)地區(qū)降低了， 可以細(xì)分到省, 市。從用戶的角度, 是否是哪一類的用戶的訂單在減少, 同時(shí)還可以區(qū)分不同活躍度的用戶在訂單上的表現(xiàn), 看具體的原因猜想。從商品的角度, 可以區(qū)分一下不同品類的商品看是否是特定品類的商品訂單量跌了。某電商app DAU 跌了, 需要分析為什么dau 會跌, 這也是數(shù)據(jù)分析面試經(jīng)典的問題, 在回答這個(gè)問題的時(shí)候, 為了使得我們的答案具有結(jié)構(gòu)化和條理化， 需要應(yīng)用邏輯樹分析法。整體的分析思路如上，首先是拆分成外部和內(nèi)部因素, 從最大的兩個(gè)思路去切入, 一般去分析這個(gè)問題的時(shí)候, 很容易就會忽略外部因素, 外部因素也是很重要的一部分 。外部的思考主要是競品分析, 分析是否是競品的崛起導(dǎo)致一部分用戶轉(zhuǎn)移到他們那邊去了。
外部的另外一個(gè)就是行業(yè)分析, 可以借助pest 等分析方法，分析這個(gè)行業(yè)的外部環(huán)境是否變得惡劣, 比如國家限制, 生活, 經(jīng)濟(jì), 政策, 政治等外部原因。
假如外部沒有明顯的問題, 這才進(jìn)入到內(nèi)部因素的排查。內(nèi)部的分析首先應(yīng)該是時(shí)間因素, 因?yàn)檎嬲诠ぷ鲗?shí)際中, 我們發(fā)現(xiàn)大多數(shù)的dau 等數(shù)據(jù)指標(biāo)有大幅度波動(dòng)都是因?yàn)楣?jié)日引起的。所以有兩個(gè)判斷的方法, 假如這個(gè)dau 只是環(huán)比跌的很厲害, 然而同比沒有明顯變化, 甚至可能比去年這個(gè)指標(biāo)還是漲的, 那么很大的概率可能就是節(jié)假日的影響。
然后是用戶維度, 整體的DAU= 新用戶+老用戶, 所以應(yīng)該看這兩個(gè)部分的是哪一部分的用戶數(shù)減少。如果是新用戶減少, 因?yàn)樾掠脩羰菑那劳ㄟ^廣告買量買過來的, 與這個(gè)數(shù)量相關(guān)的涉及到 渠道的質(zhì)量, 買量的錢, 買完的一些承接運(yùn)營活動(dòng)。所以, 可以分開拆解看, 是否是渠道本身的質(zhì)量問題, 比如騰訊廣點(diǎn)通, 頭條巨量, 看渠道本身在投放上起量是否是有問題的。
同時(shí)也要看我們投放廣告的錢是否有減少這會直接影響到我們能拉多少的人,預(yù)算直接決定了你的拉新絕對量的上限。
拉取過來的用戶要保證活躍, 我們通常會有運(yùn)營活動(dòng)或其他策略的承接， 也就是業(yè)界說的拉承一體化, 所以我們要去分析是否是運(yùn)營活動(dòng)的效果或者其他策略的效果影響我們的承接, 導(dǎo)致這部分用戶的活躍度下降。
除了新用戶的分析, 老用戶的分析也是非常重要的, 主要有常用的用戶畫像分析。主要是分析老用戶是否下降, 如果下降了分析這部分下降的用戶群體具有什么樣的畫像特征, 這樣可以輸出一個(gè)下跌用戶的完整行為和基礎(chǔ)屬性的洞察, 比如下降的用戶群主要是18歲以下的未成年人等等。第三個(gè)是產(chǎn)品本身維度, 如果分析出是所有類型的用戶, 所有渠道的用戶都在跌, 那就可能是產(chǎn)品本身的功能引起的。我們需要去排查一下dau 主要的功能模塊的組成的用戶, 去看一下這些功能的dau 是否跌的, 一般如果沒有版本上線, 舊的功能的用戶波動(dòng)是由于功能bug 引起的。產(chǎn)品本身的排查比較麻煩, 因?yàn)橛锌赡芏ㄎ荒硞€(gè)功能的人數(shù)變少了但是不知道原因, 這時(shí)候可以借助用戶反饋, 一般可以從用戶反饋上發(fā)現(xiàn)一些問題。漏斗分析是一種可以直觀地呈現(xiàn)用戶行為步驟以及各步驟之間的轉(zhuǎn)化率，分析各個(gè)步驟之間的轉(zhuǎn)化率的分析方法。
比如對應(yīng)我們每一次在淘寶上的購物, 從打開淘寶app, 到搜索產(chǎn)品, 到查看產(chǎn)品詳情, 到添加購物車， 到下單, 到成功交易, 漏斗分析就是幫助我們?nèi)ビ?jì)算每一個(gè)環(huán)節(jié)的轉(zhuǎn)化率。從打開淘寶app 到搜索的轉(zhuǎn)化率, 從搜索產(chǎn)品到查看產(chǎn)品的詳情的轉(zhuǎn)化率，從查看產(chǎn)品到添加購物車的轉(zhuǎn)化率, 從添加購物車到下單的轉(zhuǎn)化率等等。
漏斗分析的價(jià)值主要有: 功能優(yōu)化, 運(yùn)營投放, 用戶流失等。
以視頻制作工具為例, 從下面我們可以明顯看出, 進(jìn)入到上傳視頻的轉(zhuǎn)化率只有80%, 可能是上傳入口不明顯, 上傳的引導(dǎo)不夠, 上傳功能的吸引程度不夠等原因引起的, 我們就可以去優(yōu)化上傳功能。以運(yùn)營投放類為例, 在實(shí)際業(yè)務(wù)中經(jīng)常會對一些定向的用戶投放一些活動(dòng), 讓他們參加活動(dòng), 比如針對游戲的業(yè)務(wù), 會定期針對潛在的付費(fèi)用戶投放一批充值優(yōu)惠大禮包活動(dòng)。
從下圖的觸達(dá)到參與的轉(zhuǎn)化率只有 62.5%, 說明我們選的定向的用戶可能對于我們的活動(dòng)不是非常感興趣, 可能是這批用戶本身不是特別喜歡參與活動(dòng), 所以我們就可以重新選取其他可能更加可能響應(yīng)的用戶來做定向推送。那么怎么選取最有可能參與活動(dòng)的用戶呢, 這里最簡單的就可以用用戶特征分析的方法來, 我們可以分析出參與活動(dòng)和不參與活動(dòng)的特征差異, 進(jìn)行對比,也就是采取對比的分析方法。分析的結(jié)果就可以得到比如參與活動(dòng)的用戶可能本身在過去的付費(fèi)頻次上更好, 付費(fèi)的金額更大, 并且在游戲的平均時(shí)長, 平均的游戲局?jǐn)?shù)上更多, 年齡集中在18歲以下的群體中。那么我們就可以用這些特征去圈定更多的用戶去做投放。另外一種去優(yōu)化定向用戶提高參與率的方法就是去利用模型去提前預(yù)測好哪些用戶可能會參與活動(dòng), 可能使用的模型比如決策樹, 邏輯回歸等分類模型。以電商app 淘寶為例, 假如我們的訂單人數(shù)下降了, 這時(shí)候就需要梳理用戶購買鏈路, 把用戶從打開app 到下單的所有的鏈路都梳理一遍, 然后利用漏斗分析, 計(jì)算每個(gè)環(huán)節(jié)的轉(zhuǎn)化率。
假如我們梳理鏈路中發(fā)現(xiàn), 從搜索商品到查看商品的轉(zhuǎn)化率很低, 那么我們就需要看是否是很多搜索無結(jié)果, 或者是搜索中的結(jié)果很多用戶不太滿意, 導(dǎo)致用戶不買單。那就可以把電商的付費(fèi)問題轉(zhuǎn)化為搜索的問題, 從而又可以對搜索的整個(gè)轉(zhuǎn)化鏈路再做一次漏斗分析, 一步步的去定位問題。
在用戶增長的最出名的漏斗模型叫做AARRR, 即從用戶獲取, 用戶激活, 用戶留存, 用戶付費(fèi)到用戶傳播。以拼多多為例, 以AARRR漏斗模型解析拼多多的用戶增長之路。
拼多多主要的目標(biāo)群體是三四線城市，這也屬于現(xiàn)有電商品臺比較空白的區(qū)域，對于三四線用戶來說，最好的吸引方案就是優(yōu)惠。
而且三四線用戶時(shí)間充足，時(shí)間成本于他們而言是非常低的，而砍價(jià)也是一種慣常的方法，在他們的群體中很少存在對貪小便宜歧視的問題，也沒有太多的社交壓力，甚至砍價(jià)可以變成一種聯(lián)系的手段，砍價(jià)群又何嘗不是一種交流。他們也很樂意用時(shí)間和社交成本來換取更大的優(yōu)惠。所以砍價(jià)這種優(yōu)惠活動(dòng)紅極一時(shí)，也幫助拼多多拉取了很多流量砍價(jià)活動(dòng)借助微信朋友圈和微信群的關(guān)系鏈, 成為爆發(fā)式的轉(zhuǎn)發(fā)和增長, 一般親朋友不會拒絕你的要請砍一刀。2.用戶激活
當(dāng)拉到新用戶的時(shí)候, 就要保證最大程度的去激活他, 拼多多采取的做法也是跟拉新類似, 就是不斷用用戶的傳播去觸達(dá)好友。
當(dāng)一個(gè)用戶被其他朋友反復(fù)觸達(dá)的時(shí)候, 自然而然就會去打開曾經(jīng)下載過的app，在其他朋友感受到拼多多百億補(bǔ)貼各種補(bǔ)貼各種優(yōu)惠的真香的時(shí)候, 自己也會去嘗試。3.留存 為了提高用戶的留存, 拼多多提供了一個(gè)簽到領(lǐng)取獎(jiǎng)品的活動(dòng)鼓勵(lì)用戶每天都打開app 來簽到打卡, 簽到滿XX天就可以送你對應(yīng)的商品禮物, 大大促進(jìn)拼多多用戶群體的薅羊毛的心理, 同時(shí)也提升了留存。 除了這個(gè)活動(dòng)拼多多里面還設(shè)置了不同的各種小活動(dòng), 滿足不同的用戶群體的需要, 在玩小任務(wù)的過程中領(lǐng)取對應(yīng)的獎(jiǎng)勵(lì)。
4. 用戶付費(fèi)
拼多多以優(yōu)惠券等的形式刺激用戶下單, 比如下面的下首單并賺XX元, 而且還不給你叉掉這個(gè)頁面的按鈕。
還有就是非常出名的百億補(bǔ)貼, 直接用大額現(xiàn)金給用戶補(bǔ)貼, 這一個(gè)打法把一二線的用戶也被轉(zhuǎn)化了。還有就是0元下單的活動(dòng), 0元免費(fèi)下三單全額返還金額的活動(dòng)；以及限時(shí)優(yōu)惠限時(shí)秒殺, 9快手特賣等都是促使用戶去下單等活動(dòng)；頁面上也是各種“XX已經(jīng)拼單”等文字的提醒引導(dǎo)也是促進(jìn)用戶下單。5. 用戶傳播 傳播主要依賴微信這個(gè)流量大平臺以及微信關(guān)系鏈, 朋友之間的傳播分為, 有些東西是要轉(zhuǎn)發(fā)朋友才可以領(lǐng)取現(xiàn)金以及拼單以及優(yōu)惠, 在這些優(yōu)惠面前, 轉(zhuǎn)發(fā)的成本變得很小。 另外拼多多上是有一些真的實(shí)惠又好用的高性價(jià)比的商品, 這種的商品會引發(fā)朋友之間互相推薦。以上的一些原因, 拼多多的商品和玩法在朋友之前瘋狂流轉(zhuǎn), 在傳播的過程中, 每個(gè)用戶都熟知了拼多多可以做到這么實(shí)惠的玩法, 被觸達(dá)的用戶又會開始新的轉(zhuǎn)發(fā), 從而引爆增長。社交網(wǎng)絡(luò)的增長是沒有盡頭的, 也是阻止不了的, 一代帝國的誕生。數(shù)據(jù)是風(fēng), 你們是風(fēng)上閃爍的星群；風(fēng)中細(xì)數(shù)星群, 一如那余味纏繞的甘醇。
|
