判斷用戶的價值在于:如何評定一個用戶的忠誠度?

2 評論 27744 瀏覽 42 收藏 8 分鐘

用戶屬性分類分析幫助我們更簡潔的設定一些常用的用戶指標和重點關注的用戶指標,避免累贅和混淆;用戶行為分析幫助我們有效的對行為進行分類,減少不必要的工作量;那么,知道用戶屬性分類分析以及用戶行為進行分析后,我們如何去評定一個用戶的忠誠度,進而判斷用戶的價值呢?

一、忠誠用戶的意義

我們知道“以用戶為中心”的理念需要我們不斷地去優化和改善用戶體驗,進而提升用戶的滿意度,當用戶的預期不斷被滿足時,用戶就會喜歡上這個產品,進而成為產品的忠誠用戶,同時不斷為產品輸出價值。忠誠用戶不但自身為產品創造價值,還可以為產品帶來很多隱性的收益,比如品牌和口碑的推廣、去帶動其他用戶的進入和成長等。所以,我們需要去分析評定用戶的忠誠度,繼而去做相應的運營策略調整。

二、忠誠度的度量

忠誠度:即用戶出于對企業或品牌的偏好而經常性重復購買的程度。

我們可能比較清晰的是傳統銷售行業(特別電商)的忠誠度一般由重復購買意向(購買以前購買過的類型產品的意愿)、交叉購買意向(購買以前為購買的產品類型或擴展服務的意愿)、客戶推薦意向(向其他潛在客戶推薦,傳遞品牌口碑的意愿)、價格忍耐力(客戶愿意支付的最高價格)這4個指標來度量,但是對于現在大多數產品的忠誠度是由以下4個指標來度量的:

  • 訪問頻率:用戶在一段時間內訪問網站的次數;
  • 最近訪問時間:用戶最近訪問網站的時間,一般是用戶最近訪問時間距當前的天數;
  • 平均停留時間:用戶在一段時間內每次訪問的平均停留時間;
  • 平均訪問頁面數:用戶在一段時間內訪問瀏覽的平均頁面數。

這4個指標可以直接從點擊流數據獲取得到, 設定數據的區間需要根據實際情況來設定。比如產品信息更新較快,用戶訪問較為頻繁,時間段選的短一點有利于保持數據變化的靈敏度;反之,時間段選的長一點有利于數據的豐富性和指標分析結果的準確性。

上面的4個指標均可以被量化統計得到,單一的指標也是沒有意義的,我們還需要通過比較去找出哪些是忠誠用戶,哪些是流失用戶。

三、忠誠度的應用舉例——雷達圖

在應用忠誠度來衡量用戶的時候,我們可以先對指標進行一些處理,以使它們之間更具可比性,這里可以采用min-max標準化的方法,首先將所有指標的數值全部轉換到[0,1]區間,再進行倍數放大,比如使用10分制進行評分,則可以乘10,數據就全部分布在[0,10]區間內了,如下圖:

表中, 用戶忠誠度的4個分析指標經過標準化處理后統一以10分制的形式輸出,這樣就能直接區分每個用戶的每項指標的表現好壞?;诿總€指標的評分,可以對用戶進行篩選,比如對于經常訪問網站的用戶,我們可以選擇訪問頻率評分大于3分的用戶,或者重點跟進用戶訪問參與度較高的用戶,也可以篩選平均停留時間和平均訪問頁面數都大于3分的用戶,這樣就可以快速的定位忠誠用戶了。

當然,表中的數據只是簡單的舉例,實際情況我們還是需要根據每個指標的最大值和最小值去計算。根據表中的數據,所有指標已經統一到了同一個評分區間。這里我們可以用4個行為指標來評價用戶的忠誠度,通常這類基于多指標 進行評價最常見的展現方式是——雷達圖。

用雷達圖展示有以下幾個優點:

  • 可以完整地顯示所有評價指標;
  • 顯示用戶在各指標評分中的偏向性;
  • 可以簡單分析用戶忠誠度的綜合評分,即圖形圍成的面積;
  • 可以用于用戶間忠誠度的比較。

基于雷達圖,我們能做什么?

基于雷達圖這個展示的結果我們能做些什么呢?其實對于任何產品而言,有兩個方向是一致的:保留忠誠用戶,減少流失用戶。從雷達圖中的忠誠度體系擴展開,我們可以做以下事情:

  • 分析忠誠用戶的行為特征后,繼而去努力滿足他們的需求,提高他們的滿意度;
  • 從最近訪問時間的指標數據、忠誠度變化趨勢,去發現一些可能正在流失的用戶,分析他們流失的原因,并挽留流失用戶;
  • 比較忠誠用戶和流失用戶在指標數值上的差異,尋找哪些指標的差距導致了用戶忠誠度的降低,進而去優化網站在這些方面的表現。

四、總結

我們通過使用用戶行為四大指標:用戶訪問頻率、最近訪問時間、平均停留時間、平均訪問頁面數這4個指標,繼而去評價網站用戶的忠誠度;接著用雷達圖進行展示和比較,得出用戶忠誠度后再去擴展開來,從運營角度去調整運營策略并做一些優化和調整。

當然,你也可以根據雷達圖的通用性和自己的產品特征去發現更適合的指標和展示方式,進而最終確定需要做的事情——精確地找到網站的忠實用戶,并努力留住他們。

 

本文由 @聽象數據?原創發布于人人都是產品經理。未經許可,禁止轉載。

更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 我想錯了,應該是要先知道單獨維度里的min max,算單獨維度里的歸一化

    來自廣東 回復
  2. min-max歸一化的數據計算里,感覺是不是有問題啊,不應該是一定有一個標準化為0,一個標準化后為1的值么

    來自廣東 回復