电商行业如何做好用户行为分析(一):用户行为事件分析

【小百摘要】电商行业的尤其关注用户终身价值(CLV),用户获取成本的升高、活跃度的降低、留存率减小等,都将影响用户收益率。通过用户分群与深度下钻分析,有助于从不同群组用户的行为事件中找出规律,制定有针对性的措施。

电商行业的尤其关注用户终身价值(CLV),用户获取成本的升高、活跃度的降低、留存率减小等,都将影响用户收益率。通过用户分群与深度下钻分析,有助于从不同群组用户的行为事件中找出规律,制定有针对性的措施。

先来看一下买家(即电商用户)在一个电商平台中的典型行为事件。

以上电商用户的行为事件,涵盖了典型的AARRR海盗指标中获取、激活、留存、营收、推荐的五个重要节点。相对应的,也反映了电商平台运营应该关注的几个核心指标:即渠道转化率、跳出率、弃购率、用户付费转化率、活跃用户比例、用户终身价值、病毒系数等。

在《精益数据分析》中,埃里克·莱斯对好的数据指标进行了定义,即:

1.    好的数据指标具有可比较性

2.    好的数据指标是简单易懂的

3.    好的数据指标是一个比例

4.    好的数据指标会改变行为

电商用户的行为事件分析,也需要在好的指标的指引下,进行深度下钻分析,从而找出“好”行为事件和“坏”行为事件。

以下通过数数科技ThinkingAnalytics系统来说明如何做好电商平台用户行为事件分析。

一、定义明确的用户行为事件

每个电商平台根据产品特性,会有不同的行为事件,在进行前期数据规划中,需要对可分析事件进行全量数据埋点。后期平台运营过程中,都将依赖于前期的数据采集规划。

TA系统定义的电商用户事件组(部分)

二、确定行为事件分析维度

分析维度的定义主要可以从用户属性、用户分群、事件属性、分析时段、布尔运算的角度定义。

常用的用户属性有:省份、城市、用户来源、首次访问时间、注册时间、首次购买时间、最后购物时间、最后访问时间、性别、VIP等级、出生年月等。

针对以上用户属性,可以将用户划分为:广点通来源客户、近期日未登录用户、最近7天支付订单用户、北上广深用户等群组。

常用的事件属性有:商品ID、商品名、商品数量、商品大类、商品细分类目、加入购物车入口、商品订单、使用优惠券、提交订单、支付订单、分享商品、浏览商品、联系客服、点击推广栏、领取优惠券等。

比如我们想找出近30天内、通过不同渠道获取的客户、加入购物车商品数量大于2个的用户情况,以此来查看不同渠道获取客户的购买意向(在此假定购物车商品数量一定程度上代表了购买意向高低)。在TA系统中选定多维分析字段后查询结果如下:

选定分析维度

近30天分析结果

从分析结果可以看出,朋友推荐的用户购买意向明显较高,运营过程中可增加用户分享的刺激要素。而通过新浪、软文转化而来的用户购买意向较低,有可能是推广中标定的用户群体准确定不够,可以在这两种推广过程中,加强目前群体的筛选。

三、发现规律后进行下钻分析,找出原因

比如从上一步的分析看到,朋友推荐方式购买意向强,软文推广、新浪推广购买意向低,那么实际上是否购买意向强的用户完成了更多购买?高购买意向的用户和低购买意向用户在平台里的行为有哪些差异?前者可以通过渠道漏斗转化,对不同渠道转化率进行分析,后续文章再做详细分析。后者则可通过查看高意向与低意向用户行为序列、用户访问等形式,寻找原因。

选出通过新浪、软文方式获取到的高意向客户进行分析

两个渠道来源用户的城市分布

通过分析看到,两个渠道获取的客户多集中在成都、合肥、南京等非超一线城市。

朋友推荐用户的城市分布

而从通过朋友推荐进入的用户分析可以看到,北京、武汉、上海等城市用户的购买意向明显高于其他城市,其中北京遥遥领先。

之后的市场推广、平台运营,可以调整软文投放、新浪推广的目标群体,集中到北京、上海等城市。

同时对于其他城市用户购买意向偏低的情况,还可进一步下钻分析,看看其加入购物车商品的类别、价格等情况,找出是因为价格、商品类别、运费过高还是其他原因造成的购买意愿不强,从而及时进行调整,或者坚定平台的精品路线。

电商平台设计初期,就应该对用户行为事件进行明确定义,做好数据采集布置,在运营阶段灵活进行多维分析,以找到快速增长的要素。

下一期将带来“电商行业的用户留存分析”。

0条评论 添加新讨论

登录后参与讨论
Ctrl+Enter 发表