“不僅要知道用戶(hù)當下在想什么,數據手必更要知道用戶(hù)背后在想什么,分析以及用戶(hù)正在經(jīng)歷著(zhù)什么。模型(′-ι_-`)”
傳統用戶(hù)模型構建方式
用戶(hù)模型:基于對用(yong)戶(hù)的大數訪(fǎng)談和觀(guān)察等研究結果建立,嚴謹可靠但費時(shí);
臨時(shí)用戶(hù)模型:基于行業(yè)專(zhuān)家或市場(chǎng)調(╯°□°)╯查數據對用戶(hù)的據分理解建立,快速但容易有偏頗。析模型新(缺乏時(shí)間,運營(yíng)運營(yíng)資源的數據手必情況下)
為了節省時(shí)間,降低風(fēng)險,分析產(chǎn)品團隊往往盡快將產(chǎn)品推向用戶(hù),模型快速試錯,大數在這種場(chǎng)景下如何構造用戶(hù)模型?據分
1,首先,析模型新整理和收集已經(jīng)獲得的運??營(yíng)運營(yíng)任何可認知用戶(hù)的經(jīng)驗和數據,將這些信息映射成為用戶(hù)的描述信息(屬性)或用戶(hù)的行為信息,并存儲起來(lái)形成用戶(hù)檔案,
2,實(shí)時(shí)關(guān)注自身數(?????)據的波動(dòng),及時(shí)采( ?ヮ?)取行動(dòng)
3,記錄用戶(hù)的行為數據而不是單純地為用戶(hù)打標簽
4,360°覆蓋用戶(hù)全生命周期的用戶(hù)檔案
用戶(hù)的每一步成長(cháng)都通過(guò)行為記錄下來(lái),基于用戶(hù)所在生命周期的不同階段,針對新用戶(hù)、流失用戶(hù)、活躍用戶(hù)、沉默用戶(hù)分別采取有針對性的拉新、轉化、留存等運營(yíng)策略。
2、事件模ヽ(′ー`)ノ型1.事件是什么
就是用戶(hù)在產(chǎn)品上的行為,它是用戶(hù)行為的一個(gè)專(zhuān)業(yè)描述,用戶(hù)在產(chǎn)品上的所有獲得的程序反饋都可以抽象為事件,由開(kāi)發(fā)人員通過(guò)埋點(diǎn)進(jìn)行采集,通俗講就是:將一段代碼(′?_?`)放入對應的頁(yè)面/按鈕,用戶(hù)進(jìn)入頁(yè)面/點(diǎn)擊按鈕的本質(zhì)是在加載背后的代碼,同時(shí)再加載事件采集代(dai)碼,這樣就被SDK所記錄下來(lái)了。
(利用百度統計加入代碼(′;д;`)采集用戶(hù)下載成功和失敗事件)
2.事件的ヽ(′▽?zhuān)?ノ采集
事件:用戶(hù)在產(chǎn)品上的??行為
屬性:描述事件的維度
值:屬性的內容
采集時(shí)機:用戶(hù)點(diǎn)(╯‵□′)╯擊??(click)、網(wǎng)頁(yè)加載完成??、服務(wù)(wu)器判斷返回等。在設計埋點(diǎn)(dian)需求文檔時(shí),采集時(shí)機的說(shuō)明尤為重要,也??是保證數據準確性的核心。
舉個(gè)例子,在采集過(guò)程中如果沒(méi)有明確時(shí)機,當用戶(hù)點(diǎn)擊了注冊(′?`*)按鈕,由于用戶(hù)輸入了錯誤的注冊信息實(shí)際沒(méi)有注冊成功,可能仍然會(huì )(′?`)(hui)進(jìn)行記錄,這樣在統計注冊成功事件的時(shí)候就不是準確的。而正確的采集時(shí)機描述應該是“服務(wù)器返回注冊成功的判斷”。(日本官網(wǎng)采集的就是返回(hui)激活成功或者失敗頁(yè)面)
3.事件的分析
人數:某一事件(行為)有多少人觸發(fā)了次數:某一事件(行為)觸發(fā)了多少次人均次數:某一事件(行為)平均觸發(fā)多少次活躍比:在一個(gè)時(shí)間區間內,觸發(fā)某一事件(jian)的人數占當前時(shí)間段內所有活躍人數的比4.事件的管理
當事件很多時(shí),可以對事件進(jìn)行分門(mén)別類(lèi)地管理。同時(shí),可以從產(chǎn)品??業(yè)務(wù)角度將??重??要的用戶(hù)行為標注出(′?ω?`)來(lái),以便可以在分析時(shí)方便、快捷地查找常用、重要的事件。
3、漏斗模型漏斗模型幫助你分析一個(gè)多步驟過(guò)程中每一步的轉化與流失情況。
舉例來(lái)說(shuō),用戶(hù)下載產(chǎn)品的完整流程可能包含以下步驟:
我們可以將如上流程設置為一個(gè)漏斗,分析整體的轉化情況,以及每一步具體的轉化率和轉化中位時(shí)間
我們需要將按照流程操作的(de)用戶(hù)進(jìn)行各個(gè)轉化層級上的監控,尋找每個(gè)層級的可優(yōu)化點(diǎn);
對沒(méi)有按照流程操作的用戶(hù)繪制他們的轉化路徑,找到可提升用??戶(hù)體驗,縮??短路(lu)徑的空間。
更好的利用漏斗模型:
1.細化每一個(gè)環(huán)節,展示到點(diǎn)擊之間?點(diǎn)擊到下載之間?下載到安裝之間?安裝到體驗之間?
2.ヾ(′▽?zhuān)??擁有埋點(diǎn)意識和全局觀(guān)念,才能夠有效采集(ji),為每個(gè)環(huán)節的漏斗優(yōu)化做出決策依據,推動(dòng)各個(gè)部門(mén)優(yōu)化
4、熱??圖分析模型什么是熱圖分析模型?
反映用戶(hù)在網(wǎng)頁(yè)上的關(guān)注點(diǎn)在哪里,尤其對于??官網(wǎng)首頁(yè)來(lái)說(shuō)??,信息密度極高,用戶(hù)究竟是(shi)如何點(diǎn)擊,如何瀏覽的效果圖
按計算維度劃分,熱圖可以分為點(diǎn)擊熱圖和瀏覽熱圖。
點(diǎn)擊熱(re)圖:追蹤的是鼠標的點(diǎn)擊情況,進(jìn)行(xing)人數、次數統計并基(ji)于百分比進(jìn)(jin)行熱力分布( ?ヮ?),點(diǎn)擊熱圖又分為兩種,一種是鼠標的所有點(diǎn)擊,一種是頁(yè)面可點(diǎn)擊元素的點(diǎn)擊。前者可以追蹤頁(yè)面上所有可點(diǎn)擊和不可點(diǎn)擊位置的被(??ヮ?)?*:???點(diǎn)擊情況,后者只追蹤頁(yè)面上可點(diǎn)擊元素的點(diǎn)擊情況。
瀏覽??熱圖(也稱(chēng)(╯°□°)╯︵ ┻━┻注意(yi)力熱圖)記錄??的是用戶(hù)在不同頁(yè)面或同一頁(yè)面不同位置停留時(shí)間的百分比計算,基于停(╬ ò﹏ó)留??時(shí)長(cháng)。
1、面向特??定人群的分析與人群對比
比如理財產(chǎn)品,投資用戶(hù)和未投資用戶(hù)關(guān)注點(diǎn)肯定不同
2、聚焦分析
點(diǎn)擊率= 點(diǎn)擊次數/當前頁(yè)面的瀏覽次數
聚焦率=點(diǎn)擊次數/當前頁(yè)面的點(diǎn)擊總次(ci)數
應用場(chǎng)景
1、落地頁(yè)效果分析(′-ι_-`)
2、首頁(yè)流量追蹤
3、關(guān)鍵頁(yè)體驗衡量(產(chǎn)品體驗和下載頁(yè)面)
5、自定義留(′?`)存分析模型留存定義和公式
定義:滿(mǎn)足某個(gè)條件的用戶(hù),在某個(gè)時(shí)間點(diǎn)有沒(méi)有進(jìn)行回訪(fǎng)行為
公式:若滿(mǎn)足某個(gè)條件的用戶(hù)數為n,在某個(gè)時(shí)間點(diǎn)進(jìn)行回訪(fǎng)行為的用戶(hù)數為m,那么該時(shí)間點(diǎn)的留存率就是m/n
N-day留存,即第幾日留存,只計算第N天完成回訪(fǎng)行為(wei)的用戶(hù)Unbounded留存(N天(tian)內留存),留存會(huì )累計計算N天ヽ(′▽?zhuān)?ノ內?所有完成過(guò)回訪(fǎng)行為的用戶(hù)。-Bracket留存 (自定┐(′?`)┌義觀(guān)察期留存)N-day留存和Unbounded留存都是按照獨立的天/周/月為觀(guān)察單位計算,但有時(shí)候我們不希望受限于這??種固定時(shí)間度量,我們希望劃分為幾個(gè)觀(guān)察期第一個(gè)觀(guān)察期:次日
第二個(gè)觀(guān)察期:第3日-第7日
第三個(gè)觀(guān)察期:第8日-第14日
第四個(gè)觀(guān)察期:第15日到第30日
自定義留存
上述三種留存方式,都是對時(shí)間的限定,對留存的定義都是用戶(hù)打開(kāi)(kai)了APP或進(jìn)入了網(wǎng)站
自定義留存是基于業(yè)務(wù)場(chǎng)景下的留存情況,比如閱讀類(lèi)產(chǎn)品會(huì )把看過(guò)至少一篇文章的用戶(hù)定義為真正的留存用戶(hù),電商類(lèi)產(chǎn)品會(huì )把至少(′▽?zhuān)?查看過(guò)一次商品詳??情定義為有效留存
初始行為:初始與回訪(fǎng)是相對的概念?;卦L(fǎng)行為:與初始行為的設定是并且關(guān)系。用戶(hù)的(′?`*)初始行為可以理解為上一次行為,回訪(fǎng)行為即理解為下一次行為。定義:對活躍用戶(hù)使用產(chǎn)品的習慣的分析,例如一個(gè)月使用了幾天,使用大于一天,大于七天的用戶(hù)有多少,例如某些(xie)產(chǎn)品上線(xiàn)了新功能,用戶(hù)使用需要簽到,可以由此分析出用戶(hù)的使用習慣,評估新功能的吸引力和健康度。
作用:使用留存分析,了解產(chǎn)品和功能黏住用戶(hù)的能力如何,用戶(hù)喜歡哪個(gè)功能,不同用戶(hù)在同一功能在適用上的差異,有助于科學(xué)評估產(chǎn)品,制定留存策略
舉例:股票APP,已投資用戶(hù)和未投資的用戶(hù)觸發(fā)功能【查看股票市場(chǎng)】的次數
7、全行為路徑分析行為路徑分析分為漏斗分析和全行為路徑分析。與漏斗分析模??型不同,漏斗分析模型是分析既定的行為轉化,例如電商產(chǎn)品,分析從查看產(chǎn)品詳情到最終支付每一步的轉化率。而全行為ˉ\_(ツ)_/ˉ路徑分析是對用戶(hù)在A(yíng)PP或網(wǎng)站的??每個(gè)模塊的流轉情況,挖掘用戶(hù)的訪(fǎng)問(wèn)模式,從而優(yōu)化產(chǎn)品或網(wǎng)站
一般可用樹(shù)形圖(′?_?`)表現,如下圖,一個(gè)線(xiàn)上培訓網(wǎng)(′?`)站,用戶(hù)大都會(huì )打開(kāi)搜索課程,所以需要優(yōu)化搜索課程。而在第一次搜索課程后,用戶(hù)并(bing)沒(méi)有搜索到想要的課程,又進(jìn)行了第二次搜索,因此可以將用戶(hù)搜索頻率高的關(guān)鍵詞設置成(cheng)可點(diǎn)擊元素,鏈接到用ヽ(′▽?zhuān)?ノ戶(hù)使用頻率高的相關(guān)課程。引導用戶(hù)點(diǎn)擊得到想要的結果
8、用戶(hù)分群模型分群是對某一特征用戶(hù)的劃分(′▽?zhuān)?和歸組,而分層,更多的是對全量用戶(hù)的一個(gè)管理手段,細分用戶(hù)的方法其實(shí)我們一直在用,比如我們熟悉的RFM模型:
RFM模型是從用戶(hù)的業(yè)務(wù)數據中提取了三個(gè)特征維度:最近一次消(′ω`)費時(shí)間(Rece??ncy)、消費頻率 (Frequency)、消費金額 (M(′?`*)onetary)。通過(guò)這三個(gè)維度將用戶(hù)有效地細分為8個(gè)具有不同用戶(hù)價(jià)值及應對策略的群體,如下圖所示。
另外四個(gè)用戶(hù)分群的維度:
1、用戶(hù)屬性:用戶(hù)客觀(guān)的屬性,描述用戶(hù)真實(shí)人口屬性的ヽ(′ー`)ノ標簽,比如:年齡、性別、城市、瀏覽器版本、系統版本、操作版本、渠道來(lái)源等就是用戶(hù)屬性
2.活躍時(shí)間
3.做過(guò),沒(méi)做過(guò)
4.新增于(yu):何時(shí)新增用戶(hù)較多