数据分析的理念、流程、方法、工具(下)

四、用户分群

1、用户分群

用户分群是精细化运营的基础要求,也是数据分析的最基础方式。对用户进行分群,能帮助我们了解每个细分群体用户的变化情况,进而了解用户的整体现状及发展趋势。同时,由于运营资源本身有限,不可能真的做到一对一的个性化运营,但针对群体的运营是十分必要的。

2、用户分群模型

用户分群的首要任务是根据具体的业务场景,确定不同的分类规则,给出清晰的定义。

  1. AARRR模型分群法

借鉴增长黑客AARRR模型,可以把用户分为:

注册用户:通过不同获客渠道完成注册的用户。

活跃用户:注册且登陆的用户。

留存用户:一定时间内未流失的用户。

下单用户:对营收产生价值的用户。

忠诚用户:对产品高度认同及依赖的用户。

  1. RFM模型分群法

(1)RFM模型——用于建立分群维度

传统行业对用户分类最常用的方法是RFM模型,RFM分别是三个英文单词的首字母。

R(Recency)代表消费新鲜度。理论上,最近一次消费时间越近,说明此用户相对来说是比较优质的用户,对提供即时的商品或者服务,他们是最可能及时响应的。

F(Frequency)代表消费频率。是用户在某段时间内购买商品或服务的次数。一般来说,消费频率越大,顾客忠诚度越高。

M(Monetary)代表消费金额。消费金额体现用户的消费能力。

(2)用户五等分模型——用于明确分群规则

美国数据库营销研究所Arthur Hughes用户五等分模型,将指标按下列规则分类:

1)查询近一个月(查询时间往前推30天)所有内容创建者最近一次的登录时间。

2)按最近一次登录时间距离查询当日的时间排序:前20%标记为R5,记为5分;前20%~40%,标记为R4,记为4分;前40%~60%,标记为R3,记为3分;前60%~80%,标记为R2,记为2分;前80%~100%,标记为R1,记为1分。依此类推,将创建内容的用户分成五等分。

3)查询出内容用户在一个月内登录的天数,及创建的内容数,按同样的方法五等分进行标记。

4)将R5、F5、M5等同于5分,R4、F4、M4等同于4分,R1、F1、M1等同于1分,将每个顾客对应的三个数字相加,作为内容提供用户价值的得分。

(3)RFM模型分群法的应用

1)细分用户群分析

对某个或某几个用户分群进行分析,从而给出具有针对性的运营建议。如对R1、R2的用户进行分析,找到活跃用户的共性,从而反推用户不活跃或流失的原因。

2)顾客价值评估

基于用户五等分模型,对用户进行价值评估。在资源有限的情况下,可以优先满足10分以上高价值用户的需求,同时通过完善权益机制,激励9分以下的低价值用户升级,引导整个用户体系的良性发展。

用户价值划分:

3~5分:低贡献用户

6~9分:一般用户

10~13分:优质用户

14~15分:高价值用户

3)流失用户监控

基于R、M两个维度,对不同分值用户打上标签,区分出高价值忠诚用户、高价值流失用户等,以便展开具体的运营举措。

R≥3且M<3,打上标签:低价值忠诚用户。

R≥3且M≥3,打上标签:高价值忠诚用户。

R<3且M<3,打上标签:低价值流失用户。

R<3且M≥3,打上标签:高价值流失用户。
数据分析的理念、流程、方法、工具(下)_第1张图片
3. 关于「同期群」

同期群是一种用户分群的方式,按用户的新增时间将用户分群,得到的每个群叫一个同期群。

由于同一项产品改进对不同同期群中的用户产生的影响是不同的,分开衡量才更能反映真实的情况,因此,我们常常会进行同期群分析。同期群分析是指将用户进行同期群划分以后,分析和对比不同同期群组用户的相同指标。

五、数据分析模型

很多时候我们听到「模型」两个字都会觉得高深莫测,当然也有不少人会对这种「学院派」的做法嗤之以鼻。但实际上,模型只是「对数据分析思路的抽象」,通过模型能快速帮助我们梳理思路,理清数据的内在关联。

数据分析模型有很多种类,本文里我们不涉及技术,只对关键的逻辑模型做重点说明:

挖掘算法模型:主要是针对具体的业务问题,通过数学算法等方式输出计算结果,如预测、聚类、文本挖掘。

数据库模型:结合业务对底层数据进行整合

逻辑模型:是指通过一些指标的内在联系组合起来的可分析问题的模型。比如RFM模型以及「增长黑客」中常用的AARRR模型。

关于「增长黑客」的理论、方法、工具等内容,我们将在后续文章中详细介绍。

  1. 4P营销理论(适用于业务整体分析)

4P营销理论是密西根大学教授杰罗姆·麦卡锡(E.Jerome Mccarthy)在20世纪60年代提出的。这个理论将营销组合的要素分为产品(Product)、价格(Price)、促销(Promotion)、渠道(Place)四要素,使得营销简化并方便记忆和传播。

产品:在产品维度,侧重回答我们的产品是什么?是否实现盈利?产品如何满足用户需求?产品的目标用户是谁?产品的优化是否有效?存在什么问题?

通常我们理解的产品是有形的,但实际上这是狭隘的观点。实际上产品可以是任何在市场存活的,满足用户某种需求的东西,它可以是实物,也可以是服务、人员、技术、组织、智慧等或以上若干种的组合。

价格:在价格维度,侧重分析产品如何定价?收入情况如何?ROI如何?哪些环节会影响到收入?

促销:促销维度则关注促销方式是什么,效果怎么样?

渠道:渠道质量如何?渠道覆盖如何?用户的渠道偏好是怎样的?

  1. 5W2H(适用于向领导汇报数据分析计划)

5W2H是以5个以W开头的英文单词及2个以H开头的英文单词为缩写的简称,使用5W2H分析方法能很清晰地知道需要往哪些方面去思考和展开分析,帮助理清分析思绪。

What:数据分析的对象是什么?

Why:数据分析的背景是什么,为什么要做这次数据分析?

Where:数据源是什么?

When:数据采集时段是多久?

lWho:谁来执行具体的数据环节?

How:如何执行?

lHow much:需要投入什么资源?

  1. 其他模型

PEST:适用于宏观环境的分析。

SWOT:适用于做战略分析。

六、用户生命周期价值

  1. 用户终生价值的计算 (life time value)

LTV =(某个客户每个月的下单频次客单价毛利率)(1 /月流失率)=(某个客户每个月的下单频次 ARPU 毛利率)(1 /(1-月留存率))=用户生命周期内下单次数客单价毛利率

1)ARPU值的计算

ARPU(每个用户的平均收入)=某段时间内的总收入/同时期内活跃用户总数;

2)流失率的计算

流失率指的是一段时间内,有多少比例的用户不再使用你的产品了。所以流失率=在某段时间内流失的用户/同时期内活跃的用户,流失比较难定义,但留存比较好定义,故月流失率近似等价于1-月留存率;流失率的倒数用来表示预测的用户生命周期,如果一个产品的流失率为10%,则产品对应的生命周期为10个月。

  1. 应用场景

1)评估运营活动是否盈利

单个用户毛利=用户生命周期价值-获取用户成本-运营成本= CLV - CAC - COC

很多产品在初期一直以补贴用户的形式来留住用户,长此以往,资金链一旦断裂,将无以为继。只有当用户的毛利大于0时,产品才能良性地、持续稳健地发展下去。

2)追踪投资回报率

计算公式:ROI =转化率* ARPU/ (CAC + COC)

七、数据指标的拆解

作为运营负责人,常常面临分工不明确,考核难量化等问题。

将KPI进行拆解也是常见的分析方法,其核心思想是将KPI指标(如营收)拆解到各个业务线去,再由各业务线进行二次拆分。

为了促进流量运营、用户运营、内容运营等各运营团队之间的协作,可以将营业收入KPI以乘积的方式分解成各运营团队的KPI,各团队不仅需要完成各自KPI还需要相互合作才能完成共同KPI,有效减少了团队间的内耗。

例如,若整个大部门背负着收入指标,则根据计算公式:收入=客单价付费用户数=客单价用户数*付费转化率,可以将客单价、付费转化率、用户数作为不同小团队的KPI。

八、数据可视化工具推荐

网络上可搜寻到的数据可视化工具非常多,在数据图表制作、平台操作上也大多相似,但也各有特点,可以根据展示效果需要来选择工具。

1)花火Hanabi

可制作数据动图、短视频素材

2)镝数图表

除了数据图表制作外,有大量模版,可以制作数据展示的海报、长图文

3)图表秀

可制作PPT格式的数据分析报告、制作在线数据网站(包含点击交互效果)

4)思迈特Smartbi

企业数据分析BI解决方案

5)Datawrapper

适合外企,可制作图表、地图、报告,支持导出链接、pdf等格式

文章来源:网络 版权归原作者所有

上文内容不用于商业目的,如涉及知识产权问题,请权利人联系小编,我们将立即处理

你可能感兴趣的:(数据分析,IT,程序员,数据分析,大数据,人工智能)