400-050-6600

CPDA教你三步輕松建模

來源:CPDA數據分析師網 / 作者:數據君 / 時間:2020-07-17

一  用戶建模的底層邏輯


首先,為什么要建模?

因為使用一個產品的用戶千千萬,每個人的興趣、性格千差萬別,產品端不可能做到對每一個人的1V1服務。

但是互聯網用戶又是很挑剔的,越來越多的精準推送、個性化營銷、個人特權,都是在滿足每個人獨特的口味。可以說現在的互聯網環境下,精準,是產品和服務能否有機會與用戶連接的核心。

因此要用戶建模,其目的是明確用戶特征,在最低成本、涵蓋最大范圍的基礎上,實現最高效率的運營。

好,那如何做呢?

用戶建模的切入點有兩個:用戶屬性、用戶行為。

用戶屬性特征就是用戶一時難以改變的基礎信息,包括地域、性別、年齡、文化程度、社會身份等等。

比如:一個一線城市的女大學生,和一個四線城市的全職媽媽,對產品的使用需求、信息的接受程度可能就有很大的不同。

而用戶的行為特征就更有價值了:她喜不喜歡我們的產品?是怎么在使用我們的產品?使用過程中有沒有明顯的偏好?使用頻率如何等等。

有了以上這兩個基礎,我們能夠大概率地還原這個用戶的真實畫像。



用戶建模,就是要把不同屬性和行為的用戶拆分開來,再依據不同的目標進行區別化運營。


比如:針對活躍度這一指標,用戶建模的具體應用場景是:針對不活躍的用戶啟動針對性的活躍度提升的運營策略,針對活躍用戶啟動針對性的加強忠誠度,引導帶動不活躍用戶的運營策略。


二  用戶流失模型的搭建
當我們在進行用戶流失建模的時候,要點就是把流失用戶根據一定的屬性或行為特征進行分類,為流失用戶進行屬性或行為特征的拆解,找到對于流失用戶的關鍵性指標。


主要應用在兩個方面:流失用戶召回、現有活躍用戶防流失。
具體步驟:

1. 定義流失用戶
精準防范用戶流失時,要做的第一步就是先明確流失用戶定義,需要根據自身產品的類型、調性以及用戶畫像來定義流失用戶的概念。
但是不同類型的產品對用戶活躍程度的要求不一樣,所以也無法設定一個統一的標準。在這里我提出兩個標準,以作參考。
標準1:針對社交類產品,以DAU/MAU的指標定義流失用戶

社交類產品對用戶黏性有著極高的要求,因此用戶活躍度是重要考核標準。DAU/MAU的數值是一個介于0.03-1之間數字,數字越高,活躍度越高(DAU取當月的每日DAU的平均值)。


如果DAU/MAU=1,那么說明用戶每天都來,所以DAU和MAU相等,而這個值的最低線就是0.03左右,即所有的用戶一個月只來一天,低于0.03的用戶基本上可以被定義為流失用戶。


    除了微信、QQ這樣每天都必須要用的社交產品(微信的DAU/MAU的比例從2016年以來一直維持在075-0.8左右的比例,用戶的粘性極強),基本上DAU/MAU達到0.3左右就是比較活躍的,就是用戶基本上每三天會打開一次。


    標準2:針對電商類產品,以購買活躍度的指標定義流失用戶


    產品的使用場景決定了它基礎的使用頻次,并不是所有的東西都要每天使用才算有價值的。在另一端還有一些產品雖然使用是偶爾使用的,但每一次互動都具有很高的價值,針對這些產品DAU/MAU就不是合適的指標。


    淘寶的活躍度只有0.29,平均活躍度基本上是一周三天左右,但是淘寶是一個電商應用,本就不可能讓用戶每天打開瀏覽,其購買活躍度才是更重要的指標。


電商APP通過用戶購買來盈利,所以通常以購買的活躍程度來定義流失用戶。如果用戶只看不買,對于電商來說就是一個可能會流失的用戶。


    2. 建構用戶流失模型


    應用于參考不同頻次的用戶的行為特征來構建行為模型的做法,為流失用戶進行行為特征的拆解,找到對于流失用戶的關鍵性指標。


    建立模型的一大便利是可以清晰地看出流失用戶具體的臨界值,我們都知道DAU/MAU的值越高越好,但是低于多少才算是流失呢?


    這時候就可以利用圖表來判斷:當流失率到達一個比較穩定的趨勢時,定義這個時間點的流失用戶比較合理。


    這批新用戶的流失率達到40%,且在第28天后達到一個穩定趨勢,即證明了“30天內沒訪問”就認定為流失用戶的這個定義還是比較合理的。


  而且從圖中還可以看出:用戶在激活后的兩周內流失率是比較高的,如果熬過這兩周,流失的用戶也大大降低。


    接下來,就是細分這批流失用戶畫像,包括他們和活躍用戶的行為差異、進入app的渠道、在流失之前對app的訪問頻次、在app的使用行為(如:是在哪個環節跳走后而流失),從而推斷用戶流失的原因。


    舉個例子:對用戶行為進行分析,發現用戶A在流失前訪問頻次很高,每周會訪問3-5次,但是幾次從app跳走的頁面都是支付頁,那么極有可能支付環節出了大問題。


    可能是支付經常提示錯誤造成用戶厭煩,可能是支付流程復雜讓用戶覺得困擾。不好的體驗造成了用戶A流失的主要原因。


    再舉個例子:某產品在經過一次更新以后發現用戶流失率增加,經過用戶屬性分析發現:其中女性流失用戶占比較大,那么可能是產品改版以后UI界面不討女性用戶喜愛。或者經過行為分析發現:新注冊用戶流失比例很大,那可能是改版以后的新手引導沒有做好。


    3. 找到產品留存關鍵點,通過各種渠道召回


    定義了流失用戶、也建立了用戶流失模型,找到了用戶流失原因,接下來就是要召回用戶了。


    常見的有:短信、email、站內push、微信服務號等。


    在這個環節中,用戶流失模型同樣能派上大用場。


    比如:根據購買頻次和金額來細分


  • 1次也沒購買過的用戶可派發大額度優惠券、大促活動或超低價商品吸引回訪,成為首單新客。

  • 購買1—2次且客單價較低的用戶,可精準推送優惠專場或在這個客單水平的好貨。

  • 購買3次及以上的用戶,可推送用戶偏好的品牌或品類,額外增加會員專屬優惠券等形式。


    總而言之,根據用戶流失模型區分不同行為和屬性的用戶,以及他們流失的節點、原因,運營才可以做到有的放矢,強化用戶召回的效果。


    對流失用戶的挽回是很難的。更有效的思路是:既然我們已經知道了流失用戶的特征,那么當不活躍用戶出現了流失用戶的特征的時候,說明出現了流失預警,需要啟動相應的防流失策略。


    用戶運營工作貴在“針對性”,無論建立何種的用戶模型,都需要根據產品的特性,與數據產品團隊多次磨合,才能找到一個比較合適的模型建立方式。在對用戶進行細分后,針對性地提出解決方案,才是成功的用戶運營。



Prev article

沒有了

Next article

SPSS單樣本非參數檢驗——卡方檢驗

課程服務

認證服務

在線咨詢

色惰日本视频网站