常见用户行为分析模型解析

(1)——行为事件分析模型

一、什么是行为事件分析?

行为事件分析法来研究某行为事件的发生对企业组织价值的影响以及影响程度。企业借此来追踪或记录的用户行为或业务过程,如用户注册、浏览产品详情页、成功投资、提现等,通过研究与事件发生关联的所有因素来挖掘用户行为事件背后的原因、交互影响等。

在日常工作中,运营、市场、产品、数据分析师根据实际工作情况而关注不同的事件指标。如最近三个月来自哪个渠道的用户注册量最高?变化趋势如何?各时段的人均充值金额是分别多少?上周来自北京发生过购买行为的独立用户数,按照年龄段的分布情况?每天的独立 Session 数是多少?诸如此类的指标查看的过程中,行为事件分析起到重要作用。

二、行为事件分析模型的特点与价值

行为事件分析法具有强大的筛选、分组和聚合能力,逻辑清晰且使用简单,已被广泛应用。简单的说,行为事件分析法一般经过事件定义与选择、下钻分析、解释与结论等环节。

事件定义与选择

事件定义包括定义所关注的事件及事件窗口的长度,这也是事件分析法最为核心和关键的步骤。这里需要了解“Session”的概念,Session 即会话,是指用户在指定的时间段内在 APP、WEB 上发生的一系列互动。例如,一次会话可以包含多个网页或屏幕浏览、事件、社交互动和电子商务交易。当用户想了解“访问次数”、“平均交互深度”、“平均使用时长”、“页面平均停留时长”、“跳出率”、“页面退出率”等指标时,都需引入 Session 才能分析。因此,创建和管理 Session 是事件定义的关键步骤。

多维度下钻分析

最为高效的行为事件分析要支持任意下钻分析和精细化条件筛选。当行为事件分析合理配置追踪事件和属性,可以激发出事件分析的强大潜能,为企业回答关于变化趋势、维度对比等等各种细分问题。同时,还可以通过添加筛选条件,可以精细化查看符合某些具体条件的事件数据。

解释与结论

此环节要对分析结果进行合理的理论解释,判断数据分析结果是否与预期相符,如判断产品的细节优化是否提升了触发用户数。如果相悖,则应该针对不足的部分进行再分析与实证。

三、行为事件分析模型应用场景

场景一:互金行业常见的行为事件分析

某互联网金融客户运营人员发现,4月10日号来自新浪渠道的 PV 数异常标高,因此需要快速排查原因:是异常流量还是虚假流量?

企业可以先定义事件,通过“筛选条件”限定广告系列来源为“新浪”。再从其它多个维度进行细分下钻,比如“地理位置”、“时间”、“广告系列媒介”、“操作系统”、“浏览器”等。当进行细分筛查时,虚假流量无处遁形。下图为来源为“新浪”的各城市浏览页面的总次数。

图1 通过神策数据了解来源新浪的各城市浏览页面的总次数

在剔除虚假流量后,运营人员可进行其他用户行为分析。通过“投资成功”事件,查看各个时段的投资金额。若想知道每个产品类型的投资金额,此时再按照“产品类型”进行分组查看即可。如图2。

图2 通过神策数据了解不同产品投资成功的支付金额的总和

当用户投资到期后,后续行为可能是提现或继续投资,运营人员可以实时关注“提现率”的变化趋势。

图3 通过神策数据了解用户投资到期后提现率的变化情况

值得强调的是,行为事件分析方法是多种数据分析模型之一,它与其他分析模型存在无法割裂的关系。只有各分析模型实现科学互动和配合,能够科学揭示出用户个人/群体行为的内部规律,并据此做出理论推导,不断在工作实践中优化商业决策和产品智能。

 

 

(2)——用户留存分析模型

据某第三方平台近期调研结果显示,在金融创业领域,2013 年一家互联网金融创业公司的投资获客成本区间为 300 – 500 元,而 2016 年则涨为 1000 – 3000 元;在电商领域,新用户的获取成本,是维护一个老用户的 3 倍到 10 倍……

如今,高居不下的获客成本让互联网、移动互联网创业者们遭遇新的“天花板”,甚至陷入“纳不起”新客的窘境。而花费极高成本所获取的客户,可能仅打开一次APP、或完成一次交易,就流白白流失。随着市场饱和度上升,绝大多数企业亟待解决如何增加客户黏性,延长每一个客户的生命周期价值。因此,留存分析分析模型备受青睐。

一、什么是留存分析

留存分析是一种用来分析用户参与情况/活跃程度的分析模型,考察进行初始行为的用户中,有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。

留存分析可以帮助回答以下问题:

  • 一个新客户在未来的一段时间内是否完成了您期许用户完成的行为?如支付订单等;
  • 某个社交产品改进了新注册用户的引导流程,期待改善用户注册后的参与程度,如何验证?
  • 想判断某项产品改动是否奏效,如新增了一个邀请好友的功能,观察是否有人因新增功能而多使用产品几个月?

二、为什么要做留存分析,直接看活跃用户百分比不行吗?

对此疑惑,答案显然是,当然不行!

如果产品目前处于快速增长阶段,很有可能新用户中的活跃用户数增长掩盖了老用户活跃度的变化。按初始行为时间分组的留存分析可以消除用户增长对用户参与数据带来的影响。通过留存分析,你可以将用户按照注册时间分段查看,得出类似如下结论:

“三月份改版前,该月注册的用户 7 天留存只有 15%;但是四月份改版后,该月注册的用户 7 天留存提高到了 20%。”

三、留存分析模型特点与价值

科学的留存分析模型具有灵活条件配置——根据具体需求筛选初始行为或后续行为的细分维度,针对用户属性筛选合适的分析对象的特点。那么,留存分析有哪些价值呢?

1、留存率是判断产品价值最重要的标准,揭示了产品保留用户的能力

留存率反映的实际上是一种转化率,即由初期的不稳定的用户转化为活跃用户、稳定用户、忠诚用户的过程。随着统计数字的变化,运营人员可看到不同时期用户的变化情况,从而判断产品对客户的吸引力。

2、宏观上把握用户生命周期长度以及定位产品可改善至之处

通过留存分析,可以查看新功能上线之后,对不同群体的留存是否带来不同效果? 可以判断产品新功能或某活动是否提高了用户的留存率?结合版本更新、市场推广等诸多因素结合,砍掉使用频率低的功能,实现快速迭代验证,制定相应的策略。

三、留存分析应用场景

场景一:游戏行业提升活跃、留存——如何精准找到玩家“流失点”?

游戏的生命周期的时长差异、玩家的游戏粘度,直接体现了游戏的竞争能力和盈利能力。玩家对游戏的直观感受、游戏难度曲线、游戏节奏的松弛、游戏福利等游戏内涵都能够导致游戏玩家流失。正确找到玩家流失原因,是促进玩家、活跃挽留玩家的第一步。下面为《迷城物语》在删档测试期间的相关应用情景。(注:以下配图所涉及的数据,均为模拟真实应用场景下的虚拟数据)

图一统计出流失玩家的等级分布,判断玩家流失与关卡设置的相关性。

图1 了解玩家在首次登陆游戏之后的8周流失情况分析(图片来源:神策数据产品)

上图显示,100~110级、80~90级是玩家流失较多的关卡。为精准导致玩家流失的关键因素,需要每个环节、具体场景进行深入追踪与分析,余略。

场景二:了解新用户的留存

运营人员想从总体上看用户留存的情况是否越来越好了。可根据新用户启动 APP 的时间按日或按月进行分组,得到同期群,观察该群体用户发生投资的 7 日留存、14 日留存或 30 日留存(可自由选择),通过比较不同的同期群,可以获知。也可以点击“曲线标识”按钮,就可以看到每天留存率的变化趋势了。

图 2 新用户群体七天留存趋势变化(图片来源:神策数据产品)

对于 7 日或者 30 日仍留下来做投资的用户,显然是一批忠诚度非常高的用户,什么样的用户群体有这么高的留存率?以 4 月 10 号这天的新用户为例,一共有 1931 个新用户,在第 7 天有 68 人留下来了,点击“ 68 ”这个数字,我们进入了用户列表界面。

这里值得强调的是,在任何分析模型中都支持人群明细的查看,将让用户行为分析事半功倍,如下图:

图 3 第 7 天用户留存 68 人基本信息明细(图片来源:神策数据产品)

这里我们能够看到留存下来的用户的一些详细的基础信息,比如借款次数,借款金额、年龄等,通过总借款次数以及借款金额,可进行用户质量评估;通过年龄可以分析到金融平台吸引的群体用户的年龄分布。

若想深度挖掘高留存用户有哪些共性特征、具体操作流程,以作为后序产品优化与改进的借鉴,则可使用用户分群功能,命名为“ 4 – 10 号 7 日留存用”然后通过用户路径等其他分析模型进一步深度分析。

 

 

(3)——漏斗分析模型

现代营销观念认为:“营销管理重在过程,控制了过程就控制了结果。”用户行为分析之漏斗分析模型是企业实现精细化运营、进行用户行为分析的重要数据分析模型,其精细化程度影响着营销管理的成败,以及用户行为分析的精准度。粗陋的漏斗分析模型因为过程管理不透明、数据分析不精细、用户行为分析不科学而造成结果失控。因此,我们经常能够听到一些产品经理的抱怨不绝于耳:从启动 APP 到“支付成功”,用户转化率为何仅仅 0.8 %?

一、什么是漏斗分析?

究竟什么是漏斗分析?漏斗分析是一套流程式数据分析,它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。

漏斗分析模型已经广泛应用于流量监控、产品目标转化等日常数据运营与数据分析的工作中。例如在一款产品服务平台中,直播用户从激活APP开始到花费,一般的用户购物路径为激活APP、注册账号、进入直播间、互动行为、礼物花费五大阶段,漏斗能够展现出各个阶段的转化率,通过漏斗各环节相关数据的比较,能够直观地发现和说明问题所在,从而找到优化方向。

二、漏斗分析模型的特点与价值

对于业务流程相对规范、周期较长、环节较多的流程分析,能够直观地发现和说明问题所在。值得强调的是,漏斗分析模型并非只是简单的转化率的呈现,科学的漏斗分析模型能够实现以下价值:

1.企业可以监控用户在各个层级的转化情况,聚焦用户选购全流程中最有效转化路径;同时找到可优化的短板,提升用户体验。

降低流失是运营人员的重要目标,通过不同层级的转情况,迅速定位流失环节,针对性持续分析找到可优化点,如此提升用户留存率。

2.多维度切分与呈现用户转化情况,成单瓶颈无处遁形。

科学的漏斗分析能够展现转化率趋势的曲线,能帮助企业精细地捕捉用户行为变化。提升了转化分析的精度和效率,对选购流程的异常定位和策略调整效果验证有科学指导意义。

3.不同属性的用户群体漏斗比较,从差异角度窥视优化思路。

漏斗对比分析是科学漏斗分析的重要一环。运营人员可以通过观察不同属性的用户群体(如新注册用户与老客户、不同渠道来源的客户)各环节转化率,各流程步骤转化率的差异对比,了解转化率最高的用户群体,分析漏斗合理性,并针对转化率异常环节进行调整。

三、在漏斗分析模型中,科学归因、属性关联的重要性

先谈归因

在科学的漏斗分析中,需要科学归因设置。每一次转化节点应根据事件功劳差异(事件对转化的功劳大小)而科学设置。企业一直致力定义最佳用户购买路径,并将资源高效集中于此。而在企业真实的漏斗分析中,业务流程转化并非理想中那么简单。

以市场营销为例,市场活动、线上运营、邮件营销都可能触发用户购买。A 欲选购一款化妆品,通过市场活动了解 M 产品,后来在百度贴吧了解更多信息,但是始终没有下定决心购买。后来收到 M 公司的营销邮件,A 被打折信息及详实的客户评价所吸引,直接邮件内跳转至网站购买了该商品。

那么,在漏斗设置时,转化归因应该“归”哪一个渠道呢?在这个案例中,运营人员愿意以实际转化的事件的属性为准。邮件营销的渠道在用户购买决策的全流程中对用户影响的“功劳”最大、权重较大,直接促进用户转化。在科学的漏斗分析模型中,用户群体筛选和分组时,以实际转化事件——邮件营销来源的用户群体的属性为准,则大大增大了漏斗分析的科学性。

再一起看属性关联

在进行漏斗分析时,尤其电商行业的数据分析场景中,运营人员在定义“转化”时,会要求漏斗转化的前后步骤有相同的属性值。比如同一 ID(包括品类 ID、商品 ID)才能作为转化条件——浏览 iphone6,购买同一款 iphone6 才能被定义为一次转化。因此,“属性关联”的设置功能是科学漏斗分析不可或缺的内容。

四、漏斗分析场景

场景一:电商行业不同客户群体的转化情况

某电商企业客户根据客户的消费能力,将客户划分为普通会员、黄金会员、钻石会员。为加强对用户的转化引导,F 欲针对不同用户群体采用不同的运营方式。

图1  普通会员与钻石会员的漏斗转化情况对比(图片来源:神策数据产品)

通过对比,可明显看出,普通会员从“提交订单”到“支付订单”的转化率明显低于钻石会员。为找到“支付订单”阶段转化率变低的原因,F公司运营人员应深度分析普通会员转化率情况,如对比不同付费渠道(PC 端、手机端等)的转化情况,找到优化的短板。另外,可以尝试支付订单流程的新手引导,帮助新手顺利完成购买。

场景二:零售行业——中商惠民科学评估站内推广位的效果

首页推广位的效果监控是站内运营重要一环,数据的监测与分析是重要工作,它为站内优化、页面体验提升作出指导。运营人员可以通过用户的点击转化率与购买转化率可以判断页面不同推广位置效果。下图是中商惠民首页推广位“一元促销”、“清洁专场”两个Banner转化率情况对比。(注:为涉嫌商业机密,以下场景模拟真实应用场景而设,数据均为虚拟。)

图2  “一元促销”、“清洁专场”两个Banner转化率情况对比(图片来源:神策数据产品)

除此之外,漏斗分析模型已经广泛应用于各行业的数据分析工作中,用以评估总体转化率、各个环节的转化率,以科学评估促销专题活动效果等,通过与其他数据分析模型结合进行深度用户行为分析,从而找到用户流失的原因,以提升用户量、活跃度、留存率,并提升数据分析与决策的科学性等。

 

 

(4)——用户行为路径分析模型

什么是用户行为路径?

用户路径分析,顾名思义,用户在APP或网站中的访问行为路径。为了衡量网站优化的效果或营销推广的效果,以及了解用户行为偏好,时常要对访问路径的转换数据进行分析。

以电商为例,买家从登录网站/APP到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程。而在用户真实的选购过程是一个交缠反复的过程,例如提交订单后,用户可能会返回首页继续搜索商品,也可能去取消订单,每一个路径背后都有不同的动机。与其他分析模型配合进行深入分析后,能为找到快速用户动机,从而引领用户走向最优路径或者期望中的路径。

用户路径分析模型的价值

用户路径的分析结果通常以桑基图形式展现,以目标事件为起点/终点,详细查看后续/前置路径,可以详细查看某个节点事件的流向,总的来说,科学的用户路径分析能够带来以下价值:

第一,可视化用户流,全面了解用户整体行为路径;

通过用户路径分析,可以将一个事件的上下游进行可视化展示。用户即可查看当前节点事件的相关信息,包括事件名、分组属性值、后续事件统计、流失、后续事件列表等。运营人员可通过用户整体行为路径找到不同行为间的关系,挖掘规律并找到瓶颈。

第二,定位影响转化的主次因素,产品设计的优化与改进有的放矢。

路径分析对产品设计的优化与改进有着很大的帮助,了解用户从登录到购买整体行为的主路径和次路径,根据用户路径中各个环节的转化率,发现用户的行为规律和偏好,也可以用于监测和定位用户路径走向中存在的问题,判断影响转化的主要因素和次要因素,也可以发现某些冷僻的功能点。

用户路径应用场景

谈到用户路径的真实应用场景,许多企业通过第三方数据分析平台来实现,下面结合笔者实际工作中,所接触的企业案例的数据分析场景为例来介绍。

(注:因涉嫌商业机密,以下场景模拟真实应用场景而设,数据均为虚拟。)

中商惠民:启动APP后,为何只有 30 % 商超客户交易成功?

中商惠民是中国最大的社区O2O服务平台。在一次评估客户总体转化率过程中,通过漏斗分析发现,从登录惠配通APP后,提交订单的商超客户仅有 30 %,接下来可以通过用户路径客户流失的原因所在。通过用户路径分析模型,清晰展示了商超客户的动作走向,为判断客户流失原因重要方式之一。

图片来源:神策数据产品

中商惠民运营人员选取若干事件对客户购买路径进行深度分析。图中显示,用户登录APP后,约有40 %的客户会点击Banner,30 %的客户会直接进行商品搜索,约10%的用户会浏览商品列表,约 5 %的客户直接退出APP。

运营人员进一步看4类用户的提交订单的情况,直接进行“搜索商品”的用户进行提交订单比例最高,超过 90 % ;与其形成鲜明对比的是,尽管“点击Banner”是更多客户登录APP后的首选动作(约占总客户的40 %)但是这部分用户群体在浏览商品列表后,仅仅30%的用户提交订单,说明Banner内容布局有着比较糟糕的用户体验,则将此作为首选优化与改进的方向。

某电商:“未支付订单”超过30分钟自动取消,刺激用户支付

除了零售行业以外,用户行为路径在电商行业分析也应用广泛。某电商网站客户通过用户路径分析,看出有两条主要的路径:(图略,与上图效果类似。)

  • 一是启动App-搜索商品-提交订单-支付订单;
  • 二是启动App-未支付订单-搜索相似商品-取消订单。

通过第一条用户路径相关数值显示,客户提交订单后,大约75%的用户会支付,而高达25%的用户没有支付订单;第二条用户路径显然是一条有明确目的——为未最终敲定的商品而来的用户,因为在打开app后直奔“未支付订单”,但是路径中显示此用户再次“搜索相似商品”,这一行为可以判断客户可能存在比价行为,表明价格一定程度上影响了这部分用户的支付欲望,这是一批“价格导向”的客户。

对此,该电商运营人员采取针对性措施:

  1. “未支付订单”超过30分钟则自动取消;
  2. 将支付页面附近放置优惠券领取。

当该电商新版本上线后,再次通过用户路径分析模型,发现客户在提交订单后,由于30分钟的时间限制,有更多的客户愿意立即支付订单;同时未支付订单大大降低,说明在支付支付页面附近放置优惠券的方式刺激到对价格敏感的客户。因此这也是一次很成功的改版。

总之,用户真实的选购过程是一个交缠反复的过程,每一个路径背后都有不同的动机。通过用户行为路径能够清晰看到用户行为特点与背后原因。若与其他分析模型配合,会产生更佳效果,通过数据分析能够快速找到用户动机,从而引领用户走向最优路径或者期望中的路径。

 

 

(5)——用户分群

用户分群数据分析方法是进行用户画像的关键数据分析模型,这是企业进行数据分析、精细化运营的第一步。用户分群即用户信息标签化,通过用户的历史行为路径、行为特征、偏好等属性,将具有相同属性的用户划分为一个群体,并进行后续分析。

漏斗分析关注阶段差异,用户分群关注群体差异

前面的文章我们讲了漏斗分析模型。通过漏斗分析模型,运营人员可以看到,用户在不同阶段所表现出的行为是不同的,譬如新用户的关注点在哪里?已购用户什么情况下会再次付费?然而,由于群体特征不同,行为会有很大差别,因此运营人员或者产品人员希望可以根据历史数据将用户进行划分,将具有一定规律特性的用户群体进行归类,进而再次观察该群体的具体行为。这就是用户分群的原理。

普通用户分群与预测分群

严格说来,用户分群分为普通分群和预测分群。普通分群是依据用户的属性特征和行为特征将用户群体进行分类;预测分群是根据用户以往的行为属性特征,运用机器学习算法来预测他们将来会发生某些事件的概率,分别从两个场景介绍下这两种用户分群方式。

普通用户分群——分析用户属性与行为特征

以直播产品行业为例。高黏性与高频消费用户的行为观察是产品经理和运营人员工作重点。

例如某运营人员可以筛选出过去30 天内、等级 10 级以上、有“留言”和“点赞”行为,并且付费礼物送出次数超过 10 次的用户,视其为高黏性且高频消费用户,对其进行分群定义后展开数据分析。

通过高黏性与高频消费用户近期的行为观察不同用户群体近期的行为表现,从而可以看出该用户群体的人均观看时长与其他用户存一些差别,如高频花费用户与非高频花费用户观看时长人均值对比。

预测用户分群——通过机器学习算法预测事件概率

互联网金融产品常常会用到预测用户分群的功能。互联网金融客户按照风险投资偏好这一属性分为保守、稳健和激进,按照投资行为可分为已投资和未投资。

运营人员可以根据这一属性和行为将满足某种条件的用户群体提取出来,譬如激进型但未投资的这群用户,然后分析这一群体的行为特征从而优化产品促进用户投资,或者根据其浏览的项目页面推荐用户可能会感兴趣的项目。

用户分群分析模型行业价值与真实场景

用户分群正广泛应用于各行业领域的数据分析过程中。为各行业带来以下价值:

第一,帮助企业打破数据孤岛并真实了解用户

用户画像是用户分群的前提,对特定属性的用户群体进行持续深入的用户行为的洞察后,该用户群体的画像变得逐渐清晰。

帮助企业了解某个指标数字背后的用户群体具备哪些特征:

  • 他们是谁?
  • 行为特点有哪些?
  • 偏好是什么?
  • 潜在需求和行为喜好是什么?
  • 这为后续的用户群体针对性分析。

第二,定位营销目标群体,帮助企业实现精准、高效营销

清晰勾勒某特定群体在特定研究范围内的行为全貌,并定义目标人群,是运营人员信息推送的前提。运营人员根据需求对特定目标人群完成精准信息推送工作,如召回流失用户、刺激用户复购等等。当完成特定人群的精准信息推送工作,可再分析以实时全方位查看营销效果。帮助企业与用户实现精准高效的信息互通。

场景一:互金行业唤醒“沉睡”用户的精准推送与效果评估

某互联网金融客户为“唤醒” 2017 年 1 月注册且浏览过征信页面(通过分析发现,用户浏览征信页面后,后期的留存率较高),但未进行投资的用户,并向该群体推送“将于 1 月 20 日起发行贺岁版理财,预期年化收益率高达 9.50 %”的信息。为锁定目标人群,产品人员可以通过用户分群筛选营销目标群体。

对完成信息推送后,运营人员可进行多维度分析,了解推送后效果。如该互联网金融客户完成精准推送后,用户可在投资流程转化漏斗中再次查看用户转化情况,评估推送或者产品优化效果。

场景二:企业级服务(To B)“召回”流失客户的精准推送和效果评估

某To B企业客户,以投资到期之后再次投资作为留存的标准,近 8 周用户流失情况如下。在完成筛选工作后,企业运营人员可在用户明细页面上,直接将该用户群体进行定义,在此基础上完成精细化推送工作。

某To B企业8周内用户流失情况(图片来源:神策数据产品)

在该页面上,企业运营人员可以点击留存数值,即查看流失人群的详细信息,并可以直接创建用户分群命显示名为“流失用户”,并推送信息,以刺激其申请产品使用。

在大数据时代,为适应不断变化的外部市场环境,提升客户黏性,企业不断加速数字化营销转型。其中,提升营销效率、提高营销精准度是企业首要战略目标。以上三个场景都将“以客户为中心”理念真正贯穿精准营销的全流程,重构企业核心竞争力。

 

 

(6)——点击分析模型

点击分析模型在各行业内数据分析应用较为广泛,是重要的数据分析模型之一。

点击图与热力图有何差异?

热力图是以特殊高亮的形式显示访客热衷的页面区域和访客所在的地理区域的图示,如图。同样,点击图也是特殊高亮的颜色形式的显示。不同的是,点击图是点击分析方法的效果呈现,在用户行为分析领域,点击分析被应用于显示页面或页面组(结构相同的页面,如商品详情页、官网博客等)区域中不同元素点击密度的图示。包括元素被点击的次数、占比、发生点击的用户列表、按钮的当前与历史内容等因素。

图1 点击图  (图片来源于网络)

点击分析模型“分析”的是啥?

点击分析具有分析过程高效、灵活、易用,效果直观的特点。点击分析采用可视化的设计思想与架构,简洁直观的操作方式,直观呈现访客热衷的区域,帮助运营人员或管理者评估网页的设计的科学性。

在追求精细化网站运营的路上,企业对用户点击行为的可视化分析提出了更高需求,理想的点击分析方法主要分析:

1、精准评估用户与网站交互背后的深层关系

除了展示单个页面或页面组的点击图,前沿的点击分析应该能够支持事件(元素)属性、用户属性的任意维度筛选下钻;运营人员可以按照事件属性和用户属性进行筛选,对特定环境下特定用户群体对特定元素的点击进行精细化分析;支持查看页面元素点击背后的用户列表,满足企业网站的精细化分析需求。

2、实现网页内跳转点击分析,抽丝剥茧般完成网页深层次的点击分析;

前沿的点击分析应支持网页内点击跳转分析——在浏览页面点击图时,使用者能够像访问者一样,点击页面元素,即可跳转至新的分析页面,且新的分析页面自动延续上一页面的筛选条件。同一筛选条件下,运营人员可抽丝剥茧般完成网页深层次的点击分析,操作流畅,分析流程简易、高效。

3、与其他分析模型配合,以全面视角探索数据价值,能够深度感知用户体验,实现科学决策。

无法精细化地深入分析,会让网页设计与优化丧失了科学性。点击图呈现用户喜爱点击的模块或聚焦的内容,是数据价值最上层表现。当“点击分析”与其他分析模块配合,交叉使用,将数据和分析结果以多种形式可视化展现,运营人员即可深度感知用户体验。例如,改版后,如何评估新版本对用户体验的影响?一处修改,是否影响其他元素的点击……等等。再如 A/B 测试,反复验证优化效果选择最优方案等。

点击分析应用场景:电商界面的优化与改进;企业官网改版

电商界面的优化与改进——配合实时多维分析,验证方案科学与否

以商品详情页的优化为例,电商产品人员可以 URL 规则建立了一个页面组,并选择任意一个商品详情页作为背景展示点击情况,“点击分析”对于相同结构的网页,如商品详情页、购物页面、博客文章等,提供了统一、便捷的点击分析方式。

图 1  该网站中商品详情页的点击图情况(图片来源:神策数据产品)

(注:图片所涉及的数据,均为模拟业务应用场景下的虚拟数据)

通过上图我们可以看到:

用户在该页面频繁地点击商品的图片,和已购买的人数。

显然,用户在购买前希望了解更多的商品信息,尤其是图片、已购买用户的评价,进而决定是否下单。然而,在更深入分析页面时发现,商品图片只有 1 张且不支持查看大图,又无法查看用户评价。通过查看网站的历史数据,每天大约有 50% 的用户来浏览的都是这样的商品详情页。因此为了优化目标页的用户体验,可以:

  • 要求商家发布商品时必须上传不少于 3 张照片;
  • 支持所有类型的商品详情页都有已购买者的评价露出。

从商品详情页的点击图中,右侧边栏中“我的心愿单”这个按钮被用户,尤其老用户点击率很高。以此为参考,为页面改版找到一些方向:在合适的位置新增“加入心愿单”按钮。

改版后,产品人员再次通过点击分析工具评估效果时发现,“加入心愿单”按钮的点击率达到 30%,而“立即购买”按钮的点击率只下降了 1%,图略。说明这次改版对“立即购买”按钮的点击率的冲击程度不大,并不会影响页面的最终转化。

“加入心愿单”是否对用户转化造成影响?产品人员可通过用户路径“加入心愿单”操作的频率和人数,或者通过留存率判断用户黏性的强弱变化……

图 2  通过漏斗分析功能,查看改版后的总体转化率(图片来源:神策数据产品)

改版后客户的转化率为 3.17%,可与改版前的转化率相比,若变高,则说明此次是一次比较成功的改版。如此判断“加入心愿单”是否是用户真实存在的需求,是否能对增加用户忠诚度产生贡献。

场景二:企业官网改版——筛选细分访客,页面优化有的放矢

企业官网是企业潜在客户的指路牌。某 To B 企业官网运营人员,根据用户的官网访问时长、用户行为路径、活跃度、注册与否等因素,将用户细分为“单纯浏览者”、“信息收集者”、“购买需求强烈者”三类。 运营人员事先按照自定义规则,将三类访客进行用户分群。接下来,在“点击分析”功能模块中,分别筛选出三类人群,并查看其页面点击情况。下面以“单纯浏览者”、“信息收集者”两类进行介绍。

1.用户群体之“单纯浏览者”的点击分析与优化方法

比如通过点击分析了解到,近 30 天,“单纯浏览者”对官网导航栏的点击情况。通过分析,若发现该类用户群体对“产品介绍”、“视频”点击率较高,这说明“产品介绍”、“视频”是初来乍到的访问者了解企业的“窗口”,而元素内容缺少“亮点”,导致访问者不愿意花时间停留。因此可尝试以下两方面优化:

  • 一方面,优化内容。让产品价值、优势、案例等内容尽可能醒目,以快速吸引浏览者注意;
  • 另一方面,在导航栏中尝试增加社交因素。如建立论坛、设立产品博客,如此增强访问者对官网的黏性,提高网站的活跃用户数量。

 2. 用户群体之“信息收集者”的点击分析与优化方向

运营人员可以通过点击分析了解近 30 天,“信息收集者”对官网导航栏的点击情况,官网运营人员应该帮助该用户群体确定购买意向。例如,“信息收集者”群体对官网导航条中“文档”、“博客”兴趣很高,而行业解决方案的点击较少。事实上,行业解决方案是该类群体值得关注的价值点,由于点击较低,可以尝试将其调整至醒目位置,进行效果对比。

综上,点击分析模型在各行业内数据分析中应用较为广泛,是数据分析重要分析模型。

 

 

数据分析方法论:你真的懂 Session(会话) 分析吗?

在数据分析领域,Session是一种专业的数据分析。对于有数据驱动意识的互联网人来说,这并不陌生——Session 即会话,是指在指定的时间段内在网站上发生的一系列互动。例如,一次会话可以包含多个网页或屏幕浏览、事件、社交互动和电子商务交易。

Session:解决用户分析中的“线”型难题

Session 分析有何意义?

人们往往最熟悉事件分析模型,且用户行为事件往往以“点”的方式呈现,即某人在什么时间什么地点干了一件什么样的事,也就是我们熟知的 4W1H 模型:Who、When、Where、How、What。

王小明昨天下午在 i 百联通过个性化推送买了一双 NIKE 球鞋,张小花今天十点在融 360 上注册后领取了新人基金,某白领晚上六点在五道口区域扫码一辆 ofo 小黄车并报修了它……

基于这样用户角度的行为记录,产品方可以知道他们的用户都具体干了什么事情。并对自己的产品做出精细化运营,但是,还有一些需求,是不能通过“点”来描述的,比如:

  • 用户平均会来几次?
  • 每次平均逛了几个页面?
  • 每次来平均待多久?
  • 某个具体页面用户平均停留多长时间?

这些需要把用户单点行为串联起来形成一个整体,并在此基础上进行计算后才能得到的数据分析需求,更像是一条“线”。而 Session 分析的最大意义,就是解决用户分析中的“线”型难题,从不同角度指导精细化运营与商业决策。

如何用 Session 分析支持工作?

如果根据定义,Session 的关键点显然是:多长时间内用户做了什么事。

Session 切割时间

假如王小明打开某企业官网了解信息,点击了 DEMO 按钮,并进行了注册试用行为,然后就被领导叫去开会,四十分钟后又跑回来继续浏览页面,这是几个 Session?

这要看数据分析工具的 Session 切割规则,通常来讲,Web 产品建议切割时间为 30 分钟,APP 产品建议切割时间为 1 分钟。比较符合用户的使用习惯,当然规则是活的人也是活的~可以根据产品的业务形态变更。所以王小明两次浏览页面的时间超过了 Web 端的 30 分钟,被记录为两个 Session。

Session 事件

Session 记录什么事件,取决于需要关注的用户行为。如果 Session 事件只包含了注册行为(核心事件),那王小明的行为将会被记录为一个 Session。如果包含浏览页面,则会被记录为两个 Session。

图1 不同切割时长的 Session   图片来源:神策数据

那么,Session 分析究竟可以分析什么?

平均使用时长

平均访问时长是指在一定统计时间内,浏览网站的一个页面或整个网站时用户所逗留的总时间与该页面或整个网站的访问次数的比。

图2 平均访问时长

平均访问时长越久,证明 Web/APP 越有吸引力,如果用户停留的平均时间非常低,那么可能内容不够有趣,或界面优化较差,真正有价值的内容无法吸引用户,影响用户体验。

平均交互深度

平均交互深度和平均访问深度定义虽有差别,意义却很相似,都是衡量 Web/APP 质量的重要指标,可以帮助企业了解页面内容的价值,功能是否满足用户需求,指标的具体意义需要依照业务判断。

图4 平均交互深度

跳出率

这部分我在后面的文章会详细的介绍,有兴趣的朋友可以关注下。

Session 转化分析

营销推广中一个非常典型的需求是需要知道不同渠道带来的注册、购买等转化情况,该需求本质上,就是需要界定 Session,然后按渠道属性查看注册、购买等事件的转化数量。

用户路径

在业务流程中,了解用户的行为路径,有助于运营同学找到用户大量流失环节,衡量网站营销推广效果,产品同学验证用户行为流与初步设想进行对比,完善功能,优化用户体验。

使用用户路径分析,设定起始事件与 Session 切割时间,可以观察一个 Session 内用户的行为流。

 

 

作者:神策张乔

温馨提示:
  • 请注意,下载的资源可能包含广告宣传。本站不对此提供任何担保,请用户自行甄别。
  • 任何资源严禁网盘中解压缩,一经发现删除会员资格封禁IP,感谢配合。
  • 压缩格式:支持 Zip、7z、Rar 等常见格式。请注意,下载后部分资源可能需要更改扩展名才能成功解压。
声明:
  • 本站用户禁止分享任何违反国家法律规定的相关影像资料。
  • 内容来源于网络,如若本站内容侵犯了原著者的合法权益,可联系我们进行处理,联系微信:a-000000