注册

驱动力

其他分类其他2022-11-27
402

目录

从数据工具到业务赋能

36个顶级数据分析方法与模型,高效分析必备!

构造标签,是数据分析师必须掌握的硬技能!

几类常见的用户行为分析方法

驱动力

从数据工具到业务赋能

——备付金报备系统离线ETL数据同步任务

        备付金信息核对校验业务,是指银联、网联、连通按照人民银行备付金信息核对校验相关政策安排,将支付机构在业务系统中有关客户资金的存放、使用、划转等信息与其在备付金集中存管账户中的相关记录进行比对,按照“账账相符、账实相符”的原则对两者存在的差异做出分析后,将核对校验结果上报监管部门的业务。
        根据上面的业务背景我们可以得到下面这样的业务流程:

业务背景

        根据上述流程,我们发现产生了2个非常基本的需求:
  • 在第一步“数据获取和清洗”时需获取到易宝各个支付业务的所产生的所有交易数据(业务类型、交易金额、手续费)。
  • 在第二步“数据加工”中处理完成的数据报表需要按照一定的时间周期部署定时定点生成。

        对于获取其他业务方数据来说,我们最常规的处理方式无外乎两种:
        ①:直连业务方数据库:
        简单直接,缺点也很明显,耦合了其他数据源,既不符合服务单一原则也增加了维护难度,尤其是有一些数据库做了分表,需要己方项目中依赖一套分表规则;
        ②:业务方增加获取数据接口:
        这个答案看起来是一个很正确的选择,一个正常的系统交互确实应该通过接口的方式进行数据交互。
        但是对于报备的业务场景来说,需要对每日数据进行汇总且每天只会报送一次,如果考虑到异常,每天取数次数也不会超过10次,在这样一个低频次,又需要汇总的场景下,加一个接口是否真的有必要?
        如果这个业务方不只一个,变成四五个的时候..,另外一个问题就是如果涉及很多业务方数据库的时候,每个业务方都增加一个接口,时间成本又过高。
        这个时候,我们就希望出现一个工具替我们对接多个数据源并获取数据,再将多个数据源的数据转换成一个报表,定时放到已方应用可以访问的数据库中,也就是我们常说的ETL过程。
        ETL,是英文Extract-Transform-Load的缩写,用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程,是大数据处理中非常重要的一个环节。

ETL解决报备业务的痛点

刘旭晨

图1

图2

从数据工具到业务赋能

驱动力

下面我们以获取银联数据任务为例

实现过程

这些业务方散落在易宝的各个角落里,下一步我们就用要etl把数据“搬”到报备系统。
使用使用ETL对数据进行清洗大概有这么几个过程:
1、开通所使用表的权限
2、在己方业务系统数据库创建接收ETL数据的表
3、写sql
:获取CFS数据传输报备系统(UnionPayCFS2BankReport)
配置选项:(详见ETL文档)
【任务配置】

【E(extract)数据抽取】
        获取tbl_bank_clear_data表中所需要的数据,这一步支持复杂sql的查询。
        我这里是每日都会定时执行,图6的sql里面会通过${START}控制每天的时间,${START}为上一步“任务配置”中的时间范围;
        在E的过程中也可以对时间做过分表的进行查询,如图7。例子为单个E的过程,可配置多个E达到串联多个数据源的场景。

图3

图4

图5

图6

图7

从数据工具到业务赋能

驱动力

【T过程(transform)】

L过程(load)
        业务侧应用ETL的核心,在通过et两个过程对原始数据进行了加工,通过L把数据交付给己方,即己方数据库表。

图8

图9

       上面完成一个业务方的数据获取,如果获取多个数据源的时候,可以通过配置多个E来达到目的。另外一个思路可以通过工作串/并行达到对多个etl任务的统一调度。

36个顶级数据分析方法与模型,高效分析必备!

36个顶级数据分析方法与模型,高效分析必备!

转自《爱数据LoveData》公众号

好的数据分析师不仅熟练地掌握了分析工具,还掌握了大量的数据分析方法和模型。
这样得出的结论不仅具备条理性和逻辑性,而且还更具备结构化和体系化,并保证分析结果的有效性和准确性。今天我将从以下6个维度36种分析模型和方法逐个简略介绍,赶紧点赞收藏!
  • 战略与组织
  • 质量与生产
  • 营销服务
  • 财务管理
  • 人力资源
  • 互联网运营

战略与组织

1、SWOT分析
主要应用于商业和管理领域,通过内部环境:机会与威胁,外部环境:优势与劣势两个维度,将企业的战略与之结合起来的一种分析方法。
最终依照矩阵形式排列,得出SO战略(增长型战略)、WO战略(扭转型战略)、ST战略(多种经营战略)、WT战略(防御型战略)这4种决策战略。

驱动力

3、BSC平衡计分卡
从财务、客户、内部运营、学习与成长四个角度,将组织的战略落实为可操作的衡量指标和目标值的一种新型绩效管理体系。能够有效地解决指定战略和实施战略脱节的问题,堵住“执行漏斗”。

2、PEST分析
该模型通过政治(politics)、经济(economy)、社会(society)、技术(technology)这4个因素,分析一个集团在所处的宏观环境背景下所面临的状况。

36个顶级数据分析方法与模型,高效分析必备!

4、BCG矩阵
BCG矩阵又叫波士顿矩阵,通过“预计市场增长率”和“相对市场占有率”两个维度,去评估一个企业的整体业务情况,该方法可以使公司在资源有限的情况下,合理安排产品组合,收获或放弃萎缩产品,加大对有发展前景的产品上投资。

5、GE矩阵
通过对现有业务组合进行分析,对不同事业单元的增资或减资策略做出决策。
  • 浅蓝区域:采取增长/发展战略,企业优先分配资源;
  • 浅黄区域:采取维持现状/有选择性发展战略,保护现有规模,调整企业发展方向;
  • 浅灰区域:采取退出、停止、撤退、转移战略。

驱动力

2、TQM
TQM中文译名全面质量管理,以质量为中心,是指一个组织以全员参与为基础,目的在于通过让顾客满意和本组织所有成员及社会受益而达到长期成功的管理途径。

1、TPM
TPM中文译名安全生产维护,通过追求生产系统效率极限化,改善企业体制,追求零灾害、零不良、零故障,各部门共同推进,几乎适合所有制造业。

36个顶级数据分析方法与模型,高效分析必备!

4、PDCA
PDCA是指由计划(plan)、执行(do)、检查(check)、处理(act)这4个环节构成一个封闭的环,应用此工具,可以将每一项工作形成闭环,实现闭环管理,同时用大环套小环,旧环生成新环,层层递进,层层管理。

5、AUDIT法
保证产品质量的先进质量管理控制方法。站在用户的立场,以用户的期望和要求,用专业的、最挑剔眼光对已取得合格证得可供销售的汽车产品进行质量评价鉴定,得出一个质量等级,从而评价出该产品在某一时期的质量水平。

质量与生产

3、六西格玛
六西格玛是运用 DMAIC (定义问题,测量问题,分析问题,改进问题,控制)战术步骤来解决问题的方法论,目前主要应用于制造业。

驱动力

2、4Ps营销组合
4Ps营销策略,即:产品(Product) 、价格(Price) 、促销(Promotion)、渠道和分销(Place&Distribution),抓住公司的这四个P,就把市场营销内容版块基本点给立起来,企业一个简洁的市场营销体系也初步搭建起来。在经典4Ps营销策略基础上增加三个“服务性的P”,即:人员(People)、流程(Process)、环境(Physical evidence),就形成7Ps营销策略理论。7Ps营销策略多被用于服务行业。

1、STP分析
在即将进入一个新的市场或进行某一项研发之前,经常使用的分析手段就是STP分析。STP分析即市场细分(Segmenting)、目标市场(Targeting)和市场定位(Positioning)。

36个顶级数据分析方法与模型,高效分析必备!

4、按索夫矩阵
安索夫矩阵是以2X2的矩阵代表企业企图使收入或获利成长的四种选择,其主要的逻辑是企业可以选择四种不同的成长性策略来达成增加收入的目标。

5、推销方格理论
根据推销员在推销过程中对买卖成败及与顾客的沟通重视程度之间的差别,将推销员在推销中对待顾客与销售活动的心态划分为不同类型。推销方格中显示了由于推销员对顾客与销售关心的不同程度而形成的不同的心理状态。
6、哈夫模型
提出了购物场所各种条件对消费者的引力和消费者去购物场所感觉到的各种阻力决定了商圈规模大小的规律。哈夫模型区别于其他模型的不同在于模型中考虑到了各种条件产生的概率情况。

营销服务

3、SPIN销售法
以客户为中心的一种销售策略和销售技巧,当你按照顺序问这四种问题时,会显著增加销量转化的可能性。

驱动力

3、杜邦分析法
利用各主要财务比率指标之间的内在关系,通过建立一套财务指标的综合模型,来综合、系统地分析和评价企业财务状况及其经济效益的一种方法。
由于杜邦分析法较为艰深,之前也有分析让我出门教程,如何制作杜邦分析,今天我就简单实操下,小伙伴可以简单跟着练一下。这里用到的工具是我一直都在使用的FineBI工具:
具体使用杜邦分析法的三个步骤:
第一步:从净资产收益率(ROE)开始,根据财务三大表(主要是资产负债表和利润表)逐步分解计算各指标;在Excel中准备好数据后,接着使用FineBI这个工具逐步分解计算各指标(Excel是可以直接连接FineBI的)

1、Z-SCORE模型
Z-score模型是以多变量的统计方法为基础,以破产企业为样本,通过大量的实验,对企业的运行状况、破产与否进行分析、判别的系统。
2、ABC成本法
ABC成本法是根据事物的经济 、技术等方面的主要特征,运用数理统计方法,进行统计、排列和分析,抓住主要矛盾,分清重点与一般,从而有区别地采取管理方式的一种定量管理方法。

36个顶级数据分析方法与模型,高效分析必备!

第二步:将计算出的指标填入杜邦分析图;
第三步:逐步进行前后期对比分析,也可以进一步进行企业间的横向对比分析,分析哪些指标影响了ROE,找到原因;合并数据表后,我们就要开始计算销售净利率。
添加「计算字段」,命名为「销售净利率」,输入公式:SUM_AGG(净利润)/SUM_AGG(销售收入),点击「确定」
销售净利率、资产周转率、权益乘数、净资产收益率(ROE)同样操作

4、比率分析法
财务比率法是一种用于揭示企业的财务结构、经营状况、发展趋势等内在情况的方法,是分析财务报表最基础、最常用、最有价值的分析工具,由盈利能力比率、流动比率、杠杆比率、劳动能力比率四方面构成。

财务管理

驱动力

6、净现值法
净现值法:是评价投资方案的一种方法。该方法是利用净现金效益量的总现值与净现金投资量算出净现值,然后根据净现值的大小来评价投资方案。净现值为正值,投资方案是可以接受的;净现值是负值,投资方案就是不可接受的。

5、零基预算法
“零基预算”是指从零开始编制预算。传统预算侧重于在前期预算的基础上做出变更,而零基预算关注的是预算中每一个项目一直以来的成本合理性。管理者必须对其控制下的各个领域进行深入的检视来对其成本的合理性提供理由。

36个顶级数据分析方法与模型,高效分析必备!

1、360绩效考核
360度绩效考核又称为全方位考核法,是指通过员工的主管、同事、下属、顾客和员工自己等不同主体的反馈来评价员工绩效。
2、盖普洛Q12测评法
盖洛普Q12测评法是针对前导指标中员工敬业度和工作环境的测量,发现12个关键问题最能反映员工的保留、利润、效率和顾客满意度的四个硬指标。
3、绩效棱柱模型
绩效棱柱模型个三维绩效框架模型,用棱柱的五个方面分别代表组织绩效存在内在因果关系的五个关键要素:利益相关者的满意、利益相关者的贡献、组织战略、业务流程和组织能力。

4、职位分析问卷法
职位分析问卷法是一种通用的、以统计分析为基础的方法来建立某职位的能力模型,同时运用统计推理进行职位间的比较,以确定相对报酬的方法。

人力资源

驱动力

1、热图分析
热图分析:通过记录用户的鼠标行为,并以直观的效果呈现,从而帮助使用者优化网站布局。

5、职业锚
职业锚又称职业系留点。是指当一个人不得不做出选择的时候,他无论如何都不会放弃的职业中的那种至关重要的东西或价值观。实际就是人们选择和发展自己的职业时所围绕的中心。

36个顶级数据分析方法与模型,高效分析必备!

2、漏斗分析
漏斗分析是是一种可以直观地呈现用户行为步骤以及各步骤之间的转化率,分析各个步骤之间的转化率的分析方法。
3、AB测试
AB测试强调的是同一时间维度对相似属性分组用户的测试,时间的统一性有效的规避了因为时间、季节等因素带来的影响;而属性的相似性则使得地域、性别、年龄等等其他因素对效果统计的影响降至最低。
4、RFM模型
RFM模型是通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3个维度来描述该客户价值状况的客户分类模型。

5、购物篮分析
购物篮分析是商场常用的一种分析手段,经典案例“啤酒和纸尿裤搭配售卖”就是一种购物篮分析。

互联网运营

6、同期群分析
同期群分析是将用户按初始行为的发生时间,划分为不同的群组,进而分析相似群组的行为如何随时间变化而变化。

驱动力

构造标签,是数据分析师必须掌握的硬技能!

转自《数据化管理》公众号

本文将分享数据分析师重要的能力之一:构造标签(俗称:打标签)。打标签能力,是区分真数据分析师和 sql boy 的重要标准。

什么是标签?

标签是对事物的概要性描述。就像商品标签上会写商品分类、主要原料一样。虽然一件商品有很多属性,但是我们只通过几个有限的标签,就能锁定我们想要的商品,这就是标签的作用。

有哪些标签?

从复杂程度上看,标签有四类:
  • 事实型标签:如商品的颜色、人的性别。这些是事实描述,可以直接拿来用
  • 规则型标签:如把“消费 1000 元以上”定义为:高消费群体。规则类标签,往往是基于一个数据指标,然后根据特定的规则进行分类
  • 复合型标签:如“高富帅”,就是一个典型复合型标签,它基于 N 个指标,进行综合计算,最后得出一个标签结果
  • 预测型标签:注意以上三类标签,用的都是已经发生的数据进行计算。预测型标签则是对未来情况的估计。可以用算法进行预测,也能人工预测。比如对用户进行分类,然后打个标签“预计流失用户”,就是指该用户会在未来 XX 时间内流失掉
这四类标签的复杂程度是不同的:预测型>复合型>规则型>事实型,相应的打标签的难度也不一样。

要怎么打标签?

打标签是个通俗说法,它指的是生产标签的过程。如果是简单的事实型标签,则直接拖过来用即可。其他三类,都得经过打标签的动作,越复杂的标签,生产起来越麻烦。

打标签有四个标准步骤。
  • 明确打标签的对象
  • 明确标签的用途
  • 明确标签规则
  • 明确标签的名称
举个最简单的例子:小妹还没有男朋友,想找个高富帅。
高富帅,就是个复合型标签,按四步走:
1、打标签对象:男人,活的
2、明确用途:选个潜在蓝盆友
3、明确规则:这是最复杂的一步,因为高富帅有三个维度,需要逐个维度单独讲清楚,然后再想办法综合。
这样,先对三个维度各自打标签,再进行综合(如下图):

综合的方法,可以用优先级排序,或者做综合评分(如下图):

看起来综合评分似乎更科学,但实际决策时候并不是!比如我,看到帅哥就走不动道了,管他富不富呢。综合评分有可能选出来平庸的个体,这个要注意哦。

构造标签,数据分析师必须掌握的硬技能!

驱动力

  • 高,相对容易,看身高然后给个标准即可
  • 帅,也相对容易,看到照片自己觉得还行,手工打个标签即可
  • 富,就很纠结了,有的人挣得多,可也花得多呀。不能光看收入,还得看负债
4、明确标签的名称:高富帅、非高富帅
可以看出,在生产标签的过程中,明确规则是最麻烦的一步。但实际上,麻烦不限于此。

打标签难在哪?

看完上边的小例子,很多人会觉得:“打标签很简单呀,我一个上午能打 1000 个出来”。如果只是往数据库里添加 1000 个新字段,确实很容易。但是,这 1000 个字段:
  • 有几个能被业务部门用起来?
  • 用完以后能提升业务表现?
  • 还有多少业务想要的标签,没有在其中?
这才是真正的难题。
反正我是见过,供应商傻乎乎的打了几百个标签,结果除了上线汇报 ppt 外,业务部门看都不看一眼的,更不要提用了。
一个好的标签,一定是:
  • 业务高频使用
  • 指向明确动作
  • 产生明显效果
就像小妹一听人介绍“高富帅”,就会顶着周五熬夜煲剧的黑眼圈起床化妆俩小时出门一样。这才是高频使用,有驱动力,产生明显效果的标签!
肯定有小伙伴问:业务上有没有这种标签?
当然有,比如我个人很喜欢的:促销敏感型用户(是/否)这个标签。专门用来区分:没有促销不买,有促销高概率买的薅羊毛体质用户。拿来解释日常消费转化率,事前预计活动效果,事后复盘达成情况,都很好用。
实际业务问题经常很复杂,很难用一个标签描述情况,因此也会需要围绕一个业务场景。构造若干个标签,形成标签体系,驱动业务工作。

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。

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 
先看一个熟悉的公式,从用户角度出
  • [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:

几类常见的用户行为分析方法

转自《数师兄》公众号

商业模式

几类常见的用户行为分析方法

驱动力

用户需求

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。

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:

分析框架

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。

PV展示:

几类常见的用户行为分析方法

驱动力

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。

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。

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。

3.3.2 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。

几类常见的用户行为分析方法

驱动力

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。

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]。

深入应用

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。

几类常见的用户行为分析方法

驱动力

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

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。

--end--

附录

几类常见的用户行为分析方法

投稿方式电话:1580-136-5057
邮箱:kai.zhao@yeepay.com
地址:万通中心D座25层

Copyright © 2024 陕西妙网网络科技有限责任公司 All Rights Reserved

增值电信业务经营许可证:陕B2-20210327 | 陕ICP备13005001号 陕公网安备 61102302611033号