当前位置: > 热闻

用户分析,看这一篇就够了

时间:2022-08-05 17:22:00 热闻 我要投稿

编辑导语:有时候,我们做用户分析,数据倒是列了不少,但是很多只是简单地归类,分析没有落到实处,对我们丝毫没有用处。那么用户分析究竟要怎么做,才能够有用?作者从策略层和执行层进行分析,希望对你有所帮助。

经常有同学抱怨:我们公司的用户分析做得太挫了。虽然数据列了很多,可都是简单的把用户按新老分个类,然后对比下性别、年龄、活跃时长、付费的差异就结束了。最后丢一句“新用户搜索功能用的少,建议搞高……”这分析完全没用处呀!用户分析到底要怎么做才有用?今天系统解答一下。

首先大家要明白:简单的拉个交叉表,丫就不叫分析,丫就是一张表而已。做数据分析,要有清晰的目标和可落地的细节才行。在用户分析领域,则是分成了策略/执行两大类专题。

一、策略层用户分析

在策略层,用户分析要着力解决三个核心问题:

重点用户是谁:我的业务,依靠少数高层次用户,还是大量低层次用户? 获得用户方式:我的目标用户,是通过筛选得到,还是通过培养得到? 投入产比比测算:获取/培养一个合格的目标用户,需要多久,投入产出比多少?

问题一,是事关业务成败的关键。因为高中低用户层次,需求天生不同。如果选择满足少数高层次用户,意味着一定有非常高的新用户流失率,一定要提供足够有吸引力的,让普通人望而却步,让有钱人显得足够尊贵、足够爽的产品与服务才行。如果选择满足大多数人的需求,薄利多销是必然的(如下图)。

很难有一个业务满足所有层次人的需求,必须有所取舍。在业务到一定规模之前,得先服务好某一个群体,才能建立品牌形象和口碑。因此,用户价值分层分析,是非常重要的。并且不能光看实际用户的数据,还得和目标群体做对比,来判断是否打造的品牌还不够高端,还得再加码。

问题二,是设计执行方案的思路来源。并非所有的客户都能培养,很多高端服务,比如金融、汽车、房子、商业投资、甚至美容保健,天生需要高端客户才能受用的起。此时只能做筛选,大浪淘沙的从大量新用户中,挑选出符合目标的。而零售、餐饮等行业既能走培养忠实用户的路线,又能走高端路线,此时就得业务方自己很清醒:我到底要做培养,还是筛超高端用户。

在数据上,观察培养与筛选的区别,主要看用户的需求是否会随着与我司关系深入而增加,以及能否被我司营销行为影响。如果经过长期相处与反复投放,都很难提升用户表现,则说明至少在当下我司力所能及的范围内,用户是无法被培养的。如果有某些措施能明显提升用户表现,则说明这个手段是好的培养手段。

问题三,是设计执行方案的尺子。给用户的补贴不可能无休无止,底线在哪里,要考获客/培养用户的投入产出比测算。

如果用户行为本身发生的很随机,则测算可以简化。比如啤酒、瓜子、矿泉水一类零食,用户购买可能完全是临时起意,没啥深入思考,也没啥忠诚度可言。此时只靠按单次广告投放核算成本即可。只要每次投出去的商品能赚钱就行。

比较有挑战的是需要培养才见效的用户。比如做美容,可能头三次都是为了吸引用户充卡加会员做的体验服务,收费很少,只有在体验期充卡的才能赚回利润。这时候就得把握:有多大比例用户转化,转化用户利润是否能覆盖体验用户的成本。

解决了策略问题以后,汇总的输出成果就是一张用户价值分布地图(如下图),在这里要清晰的展示:

我依靠的用户群体是谁,有多大商业价值? 用户成长轨迹是什么,获客以后多长时间能达成期望产出? 用户成长关键节点是什么,节点上业务动作是啥,往下一阶段的转化率/留存率是多少?

回答完这三个问题,策略层面就算做的差不多了,可以探讨执行层面了。

二、执行层用户分析

到了执行层面,用户分析反而变得简单了。因为在执行层,核心解决的问题就是:如何让用户响应我的策略。一条具体的策略,比如“促进用户二次消费”,落实到执行层,就是具体的:

在什么时间(看自然时间 or 用户生命周期时间) 用什么渠道(站内广告页、站外广告、短信……) 用什么文案(利益型、感情型、蹭热点型、……) 搭配什么商品(同类商品、关联商品、热销商品……) 给多少优惠(积分、礼品、优惠券……)

这一整套信息推送到用户身上,之后期待用户能产生响应(如下图):

在执行层,更多是大量的响应分析,看我的运营手段,是否能达成目标。如果只看一次推送的响应,收获会很小。如果把围绕同一目标的历次执行摆在一起,就能发现很多规律。比如下图,针对用户首单购买,讲多次推送列列清单,能发现更多问题。

此时,可以利用历次数据,同时给用户和业务打标。

用户标签:活动偏好、促销敏感度、渠道偏好、内容偏好 业务标签:XX渠道/内容/产品,更容易吸引XX类型用户

这些标签是可以直接指导业务行为的。在已知用户偏好的情况下,可以直接按标签组合,生成运营策略,所谓的自动化营销(Marketing Automatic简称MA)就是这个思路。

也可以把一个用户群体的所有标签摆在一起,看群体需求。比如发现高价值群体都更偏好某一类产品,则可以相应开发搭配产品、升级版产品。

也可以基于执行层的结果,反向影响策略。比如原来用户成长轨迹里,在1个月左右有明显转折。经过运营操作,用户生命周期已延长,到3个月,但响应成本也在增加。此时可以考虑在第2、3个月,阶梯性增加高利润产品推送,来弥补成本损失,保持高收益。

小结

什么很多公司的用户分析做不出东西来,原因已经很清晰了。

没有策略层分析,每次都用性别、年龄、累计消费、活跃这些简单分类维度划分用户,把各种类型混杂在一起看平均值,模糊了重点。 没有策略指引,执行层做的非常散,总是针对一次次零散活动搞评估,不注意围绕一个目标多测试几次,也没有同一群体多次活动对比。 没有标签积累,总是零散的看各种数据,不沉淀标签,不验证标签。虽然看似做了很多,但缺少表现稳定的标签。

这样总是没头苍蝇一样,肯定没结论积累。当然,不见得每个公司的运营,都能很清醒的先定策略,再做执行,再复盘积累标签。很多公司的运营,也是头疼医头、脚疼医脚,看着活跃低了就上大转盘,看着新人少了就砸一波流量,看着转化低了就猛发券。这样在执行层做出来的事情很零散,对积累数据经验是很不利的。

但是作为数据分析人员,策略层的洞察是不依赖执行的,完全可以自己多做,这样加深了自己的策略认知,再回头看执行层的数据,也更容易得出结论来。看到这,肯定有同学想看:用户标签到底怎么打。