终于有人讲透了用户分析方法论

终于有人讲透了用户分析方法论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.

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。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