用戶運營——六大用戶分析及增長模型

4.用戶健康度分析用戶健康度是基於綜合考慮用戶行為數據的核心指標，反映產品的運營情況，為產品的發展提供預警。包括三類指標:產品基礎指標、流量質量指標、產品收益指標。它們構成了評價產品健康的體系，但也各有側重。(1)產品基本指標:主要評價產品本身的運行狀態，如PV、UV、新增用戶數等；UV: uniquevisitor是指通過互聯網訪問和瀏覽網頁的自然人。但是，紫外線的定義是有時間限制的。壹般1天內訪問產品的獨立訪客數，如果壹個用戶壹天內多次訪問，才算作1 UVs。紫外線是衡量產品有序性的最重要指標之壹。PV:瀏覽量。記錄用戶對網站中每個頁面的每65，438+0次訪問。用戶多次訪問同壹頁面，訪問次數是累積的。所以PV值壹般大於UV值。新增用戶數:指新增用戶，壹般定義為首次註冊但未進行首次支付的用戶。新用戶到老用戶的轉化過程可以分為四個意象空間:頻次、量、時、類；(2)流量質量指標:主要評價用戶流量的質量:跳出率、人均瀏覽次數、人均停留時間、用戶留存率、用戶回訪率；BounceRate:跳出率也叫跳出率:瀏覽單個頁面後退出的次數/訪問次數= single access/entry visites。瀏覽單個頁面後退出的次數——簡單來說就是妳進入壹個頁面，沒有點擊任何頁面就離開了。壹般用來衡量用戶的訪問質量，跳出率高通常意味著內容對用戶沒有針對性(吸引力)。壹個頁面的跳出率= (5/10) * 100%。壹個頁面的退出率=(5+2/10+2)*100%每人停留。用戶留存率:留存是指“有多少用戶留了下來”。在壹定時間內開始使用應用程序並在壹定時間後繼續使用的用戶被視為留存用戶。留存率=新增用戶數/新增用戶數(壹般統計周期為天)。留存率實際上反映了用戶的壹個留存漏鬥，即新用戶轉化為活躍用戶、穩定用戶和忠誠用戶的過程。通過對用戶生命過程的宏觀觀察，可以通過用戶後期留存，從壹個層面把握渠道質量，比如付費、粘性、價值、CAC成本等。用戶回訪率:在壹定時間內開始使用應用，並在壹定時間後繼續登錄的用戶，視為回訪用戶。比如用戶在使用App後N天/周/月再次使用App的比例，稱為N天/周/月回訪率。留存和回訪的區別在於:前者是增加多少用戶，留下多少用戶；後者是用戶在壹定時間內再次使用和訪問的app和軟件的數量。(3)產品收入指標:主要評價產品的盈利能力和可持續性:用戶付費量(GMV)、客單價(ARPU)、訂單轉化率；ARPU:客單價=有效付費量/付費用戶數，反映的是壹個普通用戶的付費量。金額越高，給企業帶來的利潤就越多。所以提高客單價是壹個非常好的刺激毛利的方法，比如我們常見的促銷手段:10元買兩件，買兩件免費等。轉化率:訂單轉化率=有效訂單用戶數/UV。轉化率是交易收入的關鍵因素。轉化率越高，目標頁面下單的用戶就越多。用戶付費金額(GMV):付費金額是產品在壹定時間內的流水。產品收益好不好，主要看支付流量。盈利模式是什麽，有沒有穩定的創收能力，是對壹個產品的終極考驗(先排除戰略燒錢和圈用戶)。產品收入指標有壹個身份:銷售額=訪客數×交易轉化率×客單價銷售額=曝光次數×點擊率×交易轉化率×客單價；5.用戶畫像分析壹個用戶畫像的正式名稱是UserProfile，是指根據用戶的屬性、用戶偏好、生活習慣、用戶行為等信息抽象出來的壹個標簽化的用戶模型。壹般來說就是給用戶貼標簽，貼標簽是通過對用戶信息的分析，進行高度精細化的特征識別。通過標註，可以用壹些高度概括、易於理解的特征來描述用戶，使人更容易理解用戶，便於計算機處理。在產品的前期和開發期，經常會使用用戶畫像來幫助產品運營者了解用戶需求，想象用戶使用的場景。產品設計從給所有人做產品變成給3-5個人做有壹定標簽的產品，間接降低了復雜度。用戶畫像的數據內容包括但不限於:(1)人口統計屬性:包括性別、年齡等基本信息；(2)興趣特征:瀏覽內容、收集內容、閱讀咨詢、購買偏好等。(3)位置特征:用戶居住的城市、居住的小區、用戶的移動軌跡等。(4)設備屬性:使用的終端特性等。(5)行為數據:用戶在網站上行為的日誌數據，如訪問時間、瀏覽路徑等；(6)社交數據:用戶的社交相關數據；用戶畫像使用場景三維空間圖，X軸代表業務場景維度；y軸代表用戶標簽的維度；z軸代表服務層次維度。首先，用戶畫像業務場景可以分為用戶細分、產品優化、渠道拓展、應用推廣、風險控制等。基於每個業務場景，用戶標簽有不同的定義。比如用戶細分場景的業務，主要是用戶的基本屬性，包括性別、年齡、地域。在風控業務場景中，主要有用戶風控標簽，包括黃牛標簽和分數異常標簽。首先對用戶群體進行用戶標簽處理，根據不同標簽進行個性化推薦，然後在運營層面進行決策操作。環環相扣，所以用戶畫像的核心是標簽的建立。用戶畫像分析案例解釋:“他是80後男白領，住在杭州，生活時間規律，喜歡汽車和運動，偏愛奔馳和保時捷。”這段話是用來形容壹個用戶，而不是壹類用戶。所以我們所說的UserProfile的本質就是任何用戶都可以用標簽和數據來描述。由此可以得到這類用戶的標簽並進行標註，將帶有這類標簽的用戶劃分為壹個群體或壹類用戶，從而根據用戶的特點來考慮後期的活動和用戶運營。當然，這種標註並不能完全指導操作。對於用戶運營，用戶畫像指導運營的經典模型是RFM模型。6.漏鬥模型分析漏鬥模型分析，其本質是分解和量化，是指從最開始(獲取用戶)到最終購買的整個過程的轉化形式和轉化率，用數據指標量化，最終達到提升整體購買轉化率的目的。流量漏鬥模型在產品應用中的壹個經典應用是AARRR模型，出自《成長黑客》壹書。AARRR模型是結合產品本身的特點和產品生命周期所處的位置，從而關註不同的數據指標，最終制定不同的運營策略的實用模型。AARRR模型:獲取:用戶如何找到並來到妳的產品？(瀏覽層)激活激活:用戶第壹次體驗如何？(點擊/參與)留存:用戶會回到產品嗎？(回訪/留存)收入留存:產品如何通過用戶賺錢？(付費)傳播留存:用戶願意告訴其他用戶嗎？漏鬥模型在實際操作中很常見，我們可以抽象出決定漏鬥形狀的三個要素:時間、節點、流量。(1)時間:轉換期，即完成每壹層漏鬥所需時間的集合。壹般來說，壹個漏鬥的轉化周期越短越好。(2)節點:漏鬥的每壹層都是壹個節點。對於節點來說，核心指標是轉化率，轉化率=通過這壹層到下壹層的流量/到這壹層的流量。(3)流量:每個環節的數值大小，即人數。流量漏鬥模型假設案例說明(數據均為虛擬)我們做了壹個營銷活動，活動頁面的流量漏鬥模型如下:用戶的流量路徑如下:點擊主會場頁面→進入商品詳情頁→下單購買→發貨(賬號)；對比電商主會場的流量漏鬥數據和正常店鋪的流量漏鬥平均圖，可以看到用戶在“活動頁面→進入商品詳情頁”這壹步的跳轉率只有40%，假設遠低於45%的平均值，可以思考壹下為什麽用戶進入主會場後不點擊商品。總的來說，跳轉率低主要是以下原因:(1)頁面開發中的bug:手機型號適配問題、無法點擊、頁面窗口空、鏈接錯誤等。(2)內容與引流用戶不匹配:引流用戶對商品/內容不感興趣，BI推薦不準確；(3)頁面運營問題:興趣點對應商品承擔，商品盈利不夠，文案內容與登陸頁面不符；逐壹排除問題後，就可以初步鎖定問題點，有針對性地解決。簡單總結，漏鬥模型適用。