中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

數(shù)據(jù)被視為下一個時代的新能源，對于互聯(lián)網(wǎng)企業(yè)來說，掌握用戶數(shù)據(jù)是至關(guān)重要的。企業(yè)需要從用戶行為中洞察和分析，以滿足用戶需求并促使用戶“上癮”，這是產(chǎn)品增長的核心。

企業(yè)與用戶鏈接的渠道經(jīng)歷了三個發(fā)展階段：

第一個階段以線下門店為主的單一渠道鏈接；第二階段是以郵件，PC, 網(wǎng)站等為主多渠道鏈接；第三階段，是以移動APP為主的全渠道鏈接。

隨著移動互聯(lián)網(wǎng)爆發(fā)產(chǎn)生的多種APP，不斷爭奪用戶注意力，搶占用戶時間，用戶行為軌跡，隨之而來是分散在各處用戶行為數(shù)據(jù)。如此復(fù)雜而繁雜的用戶數(shù)據(jù)，搭建一個合理且有效的用戶數(shù)據(jù)看板是了解用戶的基礎(chǔ)，也是用戶精細(xì)化運營的第一步。

一、搭建用戶數(shù)據(jù)看板

由于用戶作為整個服務(wù)對象，針對用戶的精細(xì)化運營需要經(jīng)過：用戶行為數(shù)據(jù)采集 ——用戶標(biāo)簽化/用戶畫像——用戶分層——精細(xì)化運營

二、如何采集用戶行為數(shù)據(jù)？

1. 指標(biāo)體系搭建

用戶行為分析指標(biāo)按照不同的分類標(biāo)準(zhǔn)可以分成不同的類別。按照用戶行為軌跡將行為分析指標(biāo)分為渠道類指標(biāo)、訪問類指標(biāo)、轉(zhuǎn)化類指標(biāo)、留存類指標(biāo)及社交類指標(biāo)5類指標(biāo)。通過用戶來源和用戶行為，形成不同的標(biāo)簽，將用戶貼上標(biāo)簽進(jìn)行精細(xì)化運營和分層運營。

2. 用戶數(shù)據(jù)采集

數(shù)據(jù)采集也叫數(shù)據(jù)埋點、埋碼或者是打點，就是將一套數(shù)據(jù)采集代碼埋入 APP/小程序/WEB 頁面，用戶在觸發(fā)某一事件（瀏覽、點擊等）時將該行為數(shù)據(jù)進(jìn)行上報，從而形成用戶行為數(shù)據(jù)表。

埋點方式分以下幾個種類：

舉個例子

某電商平臺首頁有兩個運營位，分別叫 “商品上新” 和 “猜你喜歡”，兩個運營位里分別有新商品的輪播展示和通過算法推薦給用戶的商品輪播展示。業(yè)務(wù)人員提出想要看這兩個運營位內(nèi)商品的點擊次數(shù)和人數(shù)，并且區(qū)分出用戶點擊的是哪個商品。

既然 “點擊新商品” 和 “點擊推薦商品” 這兩個事件都屬于點擊，那么在設(shè)計埋點的時候需要將這兩個事件結(jié)合成一個埋點，并將運營位名稱和“商品名稱/ID” 屬性放入該埋點中作為事件屬性進(jìn)行上報，以區(qū)分用戶點擊的運營位信息和商品信息。

三、用戶標(biāo)簽/用戶畫像

用戶全生命周期運營是精細(xì)化運營的關(guān)鍵，主要是掌握什么人，在什么時間，處于什么階段，需要準(zhǔn)確且規(guī)范的數(shù)據(jù)支持，需要業(yè)務(wù)數(shù)據(jù)和用戶行為數(shù)據(jù)兩種類型數(shù)據(jù)支持。

1. 明確用戶生命周期

用戶全生命周期是指從用戶第一次接觸產(chǎn)品開始到用戶徹底不用產(chǎn)品為止的整個階段。以Saas行為，用戶生命周期大致可分為：認(rèn)知，考慮，選項，抉擇購買，使用，續(xù)約，推薦，流失召回等幾個階段。通過業(yè)務(wù)數(shù)據(jù)識別用戶的關(guān)鍵動作，能夠幫助我們更好的根據(jù)AARRR模型確定用戶全生命周期。

2. 描繪用戶狀態(tài)

在描繪用戶狀態(tài)的過程中，90%以上的數(shù)據(jù)依賴語用戶行為數(shù)據(jù)。用用戶數(shù)據(jù)判斷哪個功能更好用，偏好哪個類型的商品，觀察到用戶在每個階段流失的原因，從而進(jìn)行有針對性的優(yōu)化和調(diào)整，提升轉(zhuǎn)化率。

3. 確定用戶標(biāo)簽和用戶畫像

用戶標(biāo)簽VS用戶畫像VS用戶分群

• 用戶標(biāo)簽——人為定義的，對用戶屬性和行為高度抽象和提煉的特征（例如：性別，年齡，行為愛好等）
• 用戶畫像——對用戶個體的特征，屬性描述，通常輸出形式是個體實例的描述（例如：穿著格子襯衫的小王）
• 用戶分群——建議在同一類特征，屬性上的人群。通?；跇I(yè)務(wù)運營的需求，對多個標(biāo)簽篩選，找到相同特征或偏好的用戶（例如：購買商品=AJ1，最近流量AJ1商品時間<30天）

從數(shù)據(jù)提取和開發(fā)的優(yōu)先級角度看，用戶標(biāo)簽主要分三層：事實標(biāo)簽、模型標(biāo)簽、預(yù)測標(biāo)簽

1. 事實標(biāo)簽：來自原始的數(shù)據(jù)提取和統(tǒng)計（用戶所在地區(qū)，年齡，購買偏好）
2. 模型標(biāo)簽：來源規(guī)則的定義和模型計算（比如用戶是高價值用戶等）
3. 預(yù)測標(biāo)簽：參考已有的數(shù)據(jù)來預(yù)測用戶的行為和偏好（比如用戶對科技感產(chǎn)品投入會增加）

搭建標(biāo)簽體系，可以形成更精確的用戶畫像，讓業(yè)務(wù)人員對用戶更加了解；用戶標(biāo)簽是用戶畫像的基礎(chǔ)，用戶畫像是用戶精細(xì)化運營的基礎(chǔ)。

通過數(shù)據(jù)的積累建立的用戶標(biāo)簽和用戶畫像，進(jìn)而形成用戶分群，對不同用戶進(jìn)行不同的運營策略，比如：當(dāng)用戶A的標(biāo)簽“營銷敏感型”“價格敏感”“熱賣品偏好”等標(biāo)簽時，推送活動折扣和熱賣品信息轉(zhuǎn)化更好；當(dāng)用戶B的標(biāo)簽是“新品偏好”“客單價高”“忠誠用戶”的標(biāo)簽時，推送高精尖新品的轉(zhuǎn)化率會更高

用戶標(biāo)簽指定規(guī)則不難，但是維護(hù)和優(yōu)化的成本較高；大多數(shù)用戶標(biāo)簽會隨業(yè)務(wù)場景和平臺發(fā)展變化，用戶角色和用戶信任度也會改變；所以需要對系統(tǒng)規(guī)則進(jìn)行定期信息同步。

• 更新周期：定期更新；實時更新；每日更新；不定期更新；
• 更新維度：產(chǎn)品價格變更，業(yè)務(wù)變更，目標(biāo)變更
• 更新權(quán)限：運營人員，產(chǎn)品技術(shù)，數(shù)據(jù)分析
• 標(biāo)簽類型：有效標(biāo)簽，一次性標(biāo)簽，廢棄標(biāo)簽

四、用戶分層

用戶分層是在特定維度或指標(biāo)下按照特定規(guī)則標(biāo)準(zhǔn)，劃分出不同行為特征的用戶類型。

常見的用戶分層模型有：

1. RFM模型（Recently + Frequency + Monetary）

R——衡量用戶的新鮮度，消費時間越近的用戶，越容易維系客戶關(guān)系

F——頻次，用戶在段時間內(nèi)購買的次數(shù)，購買次數(shù)越高，則忠誠度越高

M——消費金額，提現(xiàn)用戶購買力和企業(yè)的價值貢獻(xiàn)

常見的RFM指標(biāo)只獲取各個指標(biāo)的平均數(shù)，而忽略了指標(biāo)的整體數(shù)量的分布和集合極值的影響，可以采用專家確定，根據(jù)歷史經(jīng)驗確定業(yè)務(wù)的頻次和數(shù)據(jù)；參數(shù)配置：可以通過配置不同時間段的權(quán)重，控制靈活調(diào)整規(guī)則。

2. 用戶全生命周期分層模型

根據(jù)用戶在產(chǎn)品交互行為和交易行為，對用戶的價值階段進(jìn)行分層。

例如在一個新款A(yù)PP的用戶，下載和注冊屬于導(dǎo)入期用戶；瀏覽和首次購買視為成長期用戶；多次復(fù)購是成熟期用戶；運營的目標(biāo)是將大量的用戶引入成為成熟期用戶，且保持導(dǎo)入期用戶的增長；那如何引導(dǎo)導(dǎo)入期用戶向成長期和成熟期用戶過渡，成為運營的核心。

3. AARRR模型

AARRR模型涉及到Acquisition 用戶獲取，Activation 用戶激活，Retention 用戶留存，Revenue用戶變現(xiàn)，Refer 用戶推薦，代表這用戶的五個階段

結(jié)合用戶交易行為和交互行為，可以劃分為不同用戶等級，指定不同的運營策略。

比如：用戶A新注冊但較活躍，可以劃分為“新注冊活躍用戶”；用戶B注冊后進(jìn)行多次購買，可以劃分為“高價值用戶”；用戶C多次購買并進(jìn)行分享推薦，可以劃分為“高價值傳播性用戶”。

4. 其他可用的分層模型

常見的模型還有用戶金字塔模型，用戶養(yǎng)成模型等，用戶上癮hook模型等；對于不同的模型，底層邏輯都是相似的，在基礎(chǔ)模型的基礎(chǔ)上進(jìn)行變形，更符合業(yè)務(wù)發(fā)展需要。

例如：

RFM模型轉(zhuǎn)化成RFA模型

針對非交易類型產(chǎn)品而言，流量可能是產(chǎn)品最核心點，可以采用Action動作，即用戶做過的事情替代Monetary來衡量用戶對產(chǎn)品價值的接受度。 比如，閱讀類產(chǎn)品，可以選擇“閱讀時長”“筆記數(shù)量”“閱讀字?jǐn)?shù)”等來評價用戶對產(chǎn)品的喜愛程度，結(jié)合上“最后一次登錄時間”和“使用頻次”構(gòu)建成RFA的用戶分層模型。

從三維到二維的演變

借用“市場增長率”和“相對市場份額”來評估產(chǎn)品潛力，是可以將RFM進(jìn)行降維，選取2×2矩陣演變，拆分成”RXF” 或者”RXM” “FXM”矩陣，用戶分為4類制定不同的運營策略，簡易化精細(xì)運營策略

從三維到一維的演變

利用一個簡單的指標(biāo)進(jìn)行用戶分層，比如一個AB測試中，運營只想關(guān)注在AB兩個環(huán)境下，用戶的復(fù)購率對比，則可以將“復(fù)購次數(shù)”或者“復(fù)購率”做為單獨的運營指標(biāo)進(jìn)行衡量。更簡單明了看出整個實驗數(shù)據(jù)

RFM結(jié)合標(biāo)簽

比如運營人員希望對“沉睡期用戶”進(jìn)行喚醒，除了劃分出“沉睡期用戶”外，再結(jié)合RFM模型對用戶歷史行為進(jìn)行拆分，找到沉睡時間短、購買頻次高且購買金額較大的一波用戶，實施更加精準(zhǔn)的喚醒策略。

RFM模型是一種思考方式，但不是唯一的結(jié)果，理解經(jīng)典的底層邏輯，可以讓我們將其用于不同的場景，不同的業(yè)務(wù)。