聊聊用户行为分析-轻识

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。

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。

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。

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。

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

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·················

聊聊用户行为分析

推荐阅读