八大数据分析模型之——用户分群模型(八)

我是创始人李岩:很抱歉!给自己产品做个广告,点击进来看看。  

一、分群和分层

分群是对某一特征用户的划分和归组,而分层,更多的是对全量用户的一个管理手段,细分用户的方法其实我们一直在用,比如我们熟悉的RFM模型:

RFM模型是从用户的业务数据中提取了三个特征维度:最近一次消费时间(Recency)、消费频率 (Frequency)、消费金额 (Monetary)。通过这三个维度将用户有效地细分为8个具有不同用户价值及应对策略的群体,如下图所示。

八大数据分析模型之——用户分群模型(八)

图1:RFM模型

当然,这一模型更接近于对用户的层级划分,他本质上是一个分层模型。分群和分层稍有差异,你可以把分群理解为是分层的手段,只是分层通常我们会基于用户生命周期或用户价值来划分,各层级用户相加等于全量用户,A用户在第1层,那他一定不会同时出现在第2层。但如果将用户分群,那么A用户可能在1群,也可以同时出现在2群。

理解了分群和分层的区别,我们具体来看,当前的用户分群模型又在解决什么问题以及又有哪些新特性。

二、基于用户行为数据的分群模型

当我们能获取到足够多的用户数据,特别是用户行为数据,并且数据实时(包括分钟级、小时级实时),那对用户划分需求就提出了更丰富的要求,比如面向特定人群的营销、个性化的界面、找到流失人群以及更灵活的用户分层模型。

过去对用户群的划分都是基于标签,用户买过海外旅游产品,那可以打一个高端旅游消费的标签,当有相同业务需求的时候就会进行定向销售。我们总说,行为即标签,但标签更多的是在对既定结果下定义,当回到行为数据本身,你会发现,对用户的洞察可以更精细更溯源。

比如用户看过海外旅游产品三次,即使没有购买,那我们可以把他定义为待转化用户,从而在结果产生前进行有利于我们的引导。他让用户分群的能力回到了用户的整个转化过程中。

你不需要不停地给用户打成百上千个标签,用历史行为记录的方式可以更快的找到你想要的人群。这里有四个你需要知道的用户分群的维度:

1、用户属性

所谓人物基础属性指的是:用户客观的属性,描述用户真实人口属性的标签,比如:年龄、性别、城市、浏览器版本、系统版本、操作版本、渠道来源等就是用户属性。

比如:某天气类工具型产品,在北京进入雾霾季时,可针对北京地区的用户推送防霾关怀,提供防霾用品信息,一方面比起向全量用户推送一定会打扰到“清新”地区的用户,另一方面让“霾区”用户获得了一种“宝宝被重视了”的贴心体验。

另外,对于一个产品来讲,迭代是产品成长的必经之路,因此根据用户所使用的“系统版本”将用户进行分群,即可实现衡量改版前后的用户行为差异及改版效果。

2、活跃于

活跃用户是用户运营的重点,对活跃用户的营销更有可能转化为忠实用户,因此,快速找到某一自定义时间内的活跃用户,通过洞察活跃用户的行为特征,科学客观的衡量活动/功能的效果,从而更好的指导运营策略。

八大数据分析模型之——用户分群模型(八)

图2:诸葛io在线教育DEMO数据之“活跃于”用户分群

说明:如上图所示,假如某电商计划在母亲节期间(5月8-5月15日)上线全品类的促销活动,为了获得更高的销售转化,运营团队将活跃于4月30日-5月6日的用户筛选出来,将第一波专题活动进行小范围的测试,根据活跃用户的点击及转化情况衡量专题页效果,并将运营策略调整到最优再全量上线。

3、做过/没做过

用户行为直接反映出用户与产品交互的“亲密度”,比如,对于互金类产品,完成“绑卡”的用户对平台的信任度一定高于“未绑卡”用户,因此触发指定事件的用户可作为用户分群的重要维度。

八大数据分析模型之——用户分群模型(八)

图3:诸葛ioDEMO数据

说明:以互联网金融产品为例,将最近30天内成功支付起投金额为1000元的理财产品大于等于1次,且查看理财产品详情大于等于5次的用户定义为高价值用户,如果最近恰好有某起投金额在1000的理财产品上线,即可通过精准触达这部分用户群持续挖掘用户价值。

4、新增于

八大数据分析模型之——用户分群模型(八)

图4:诸葛ioDEMO数据

新增于这个维度,同样有2个条件可选择:最近/固定时段,以此精确筛选出新增用户的时间范围,灵活找到特定时间段内的特定用户群中。以电商类产品为例,如果你在8月1日-8月15日发起了一次大规模的市场拉新活动,那么上图的筛选即可找到活动期间新增用户群,进而评估活动效果及后续转化情况。

三、挖掘场景——用户视角之「新增后」

用户分群其实是最常做的,但是如何把群组划分这一操作变得更便捷和高效,诸葛进一步优化了这一模型,也足以满足很多场景下的用户分群需求,我们以业务中常用的场景为例,具体看看如何以用户视角挖掘价值。

「新增后」即计算用户触发某行为的时间和用户新增的时间,这个概念是以用户“路转粉”为起点的时间周期,而不是传统的自然月/自然周为时间周期,因为每个用户的新增时间都不相同,在这种条件下,我们会逐个用户单独计算,确定每一个用户是否在其新增后的 N 天内做过某事。

这个维度的好处,就是以用户视角洞察用户行为,快速找到用户购买的决策周期:用户新增后多少天完成核心转化,用户新增多少天使用产品的频次如何?咱们举个例子来说明。

八大数据分析模型之——用户分群模型(八)

图5:诸葛io在线教育DEMO数据之手机潜在消费用户

说明:诸葛io支持多条件筛选用户(并且+并且+并且···),比如将首次来源的广告关键词是华为手机和网上购物,首次来源域名是百度,这是对于用户渠道来源的筛选。此外,将新增后1天内就完成注册且查看了“耳机”类商品大于等于3次的用户,定义为“耳机”潜在消费用户,通过新增后1天这一筛选条件,即可快速精准定位出潜在用户群,通过这样的筛选,便可实现有针对性的触达,将耳机品类的专题活动发送给这些潜在用户,引发用户下单的欲望,提升购买转化率。相较于传统意义上的产品视角——以自然月维度来计算的新增来说,更科学,更具有指导意义。

在移动互联网时代,发展和维系用户是互联网企业占据市场的核心手段,挖掘用户需求、了解用户行为习惯成为产品设计和用户运营必不可少的一环。但是,单从宏观的数据和指标分析中,有时很难做到深入理解用户的需求偏好和行为特性。用户群细分分析可以帮助产品经理和运营人员更深入地理解各细分用户群的差异,以便用于差异化的产品设计或运营活动的投放,更好地满足用户需求,提高用户粘性。

作者:诸葛io / zhugeio1

随意打赏

八大数据分析模型之八大数据分析模型数据分析模型大数据是什么什么是大数据大数据的定义用户分析模型大数据市场大数据软件大数据网
提交建议
微信扫一扫,分享给好友吧。