突破用戶分析難點(diǎn)的關(guān)鍵模型+案例解析
上兩個(gè)篇章,我們重點(diǎn)講了行業(yè)研究和用戶研究,來(lái)幫助我們理解產(chǎn)品和用戶,這個(gè)篇章我們將圍繞用戶行為分析來(lái)展開(kāi),幫助我們?cè)跀?shù)據(jù)中找到用戶行為規(guī)律和特點(diǎn),更有針對(duì)性的制定產(chǎn)品策略。
一、用戶行為分析方法論
在實(shí)際的用戶行為分析工作中,運(yùn)用怎樣的分析方法很重要,但是找準(zhǔn)問(wèn)題更重要。
我們經(jīng)常會(huì)由于某一個(gè)數(shù)據(jù)結(jié)果的波動(dòng)而發(fā)現(xiàn)問(wèn)題,但是如何定義到實(shí)際的問(wèn)題范圍,并進(jìn)行有序的排查是非常重要的,這里提供一個(gè)我個(gè)人總結(jié)的方法。
我以一個(gè)非常簡(jiǎn)單的案例來(lái)說(shuō)明:產(chǎn)品DAU下滑
Step1:在日常工作中,要有意識(shí)的梳理業(yè)務(wù)的核心邏輯樹(shù),并定義好關(guān)鍵指標(biāo)
邏輯樹(shù)可以分為橫向、縱向兩個(gè)維度,橫向?yàn)橹笜?biāo)結(jié)構(gòu),縱向?yàn)殛P(guān)鍵指標(biāo)和影響因素,如下圖所示
Step2:指標(biāo)異動(dòng)或不符合預(yù)期時(shí),結(jié)合邏輯樹(shù)排查,并初步形成分析假設(shè)
根據(jù)上述的方法論和邏輯樹(shù),在有邏輯樹(shù)的支撐下,我們基本可以了解一個(gè)指標(biāo)的波動(dòng),或者用戶行為不達(dá)預(yù)期,可能造成的因素有哪些,可以初步形成假設(shè),并制定好優(yōu)先級(jí)進(jìn)行排查論證。
Step3:收集數(shù)據(jù)、校驗(yàn)數(shù)據(jù)準(zhǔn)確性
這是我們?cè)谌粘9ぷ髦幸龊玫幕A(chǔ)工作,關(guān)注核心業(yè)務(wù)模塊的埋點(diǎn)、上報(bào),以及準(zhǔn)確性校驗(yàn),包括數(shù)據(jù)收集和清洗
- 數(shù)據(jù)收集:確保收集到的數(shù)據(jù)全面且準(zhǔn)確,包括用戶的操作日志、點(diǎn)擊流、停留時(shí)間等。這要求我們建立一個(gè)健全的數(shù)據(jù)追蹤系統(tǒng),在產(chǎn)品中嵌入事件追蹤代碼。(特別在涉及復(fù)雜的多來(lái)源結(jié)構(gòu)時(shí),一定要提前梳理好明確渠道ID和來(lái)源,避免實(shí)際操作時(shí)無(wú)上報(bào)數(shù)據(jù))
- 數(shù)據(jù)清洗:處理缺失值、異常值,確保數(shù)據(jù)質(zhì)量。包括數(shù)據(jù)預(yù)處理,異常值檢測(cè)和處理,以及數(shù)據(jù)轉(zhuǎn)換等。
- 數(shù)據(jù)可視化:通過(guò)圖表、熱圖、路徑圖等形式直觀展示數(shù)據(jù),便于發(fā)現(xiàn)模式和趨勢(shì)。
Step4:假設(shè)驗(yàn)證分析,結(jié)合合適的模型分析,找出真實(shí)原因
行為模式識(shí)別:利用聚類分析、序列模式挖掘、關(guān)聯(lián)規(guī)則等方法,識(shí)別用戶行為的典型模式。
Step5:總結(jié)用戶群體的行為規(guī)律和特點(diǎn)
通過(guò)數(shù)據(jù)分析,我們可以總結(jié)出用戶群體的以下行為規(guī)律和特點(diǎn)
- 用戶活躍時(shí)段:分析用戶活躍的高峰時(shí)段,為內(nèi)容推送和活動(dòng)安排提供依據(jù)。例如,通過(guò)時(shí)間序列分析,我們可以發(fā)現(xiàn)用戶在周末的活躍度高于工作日。
- 功能使用頻率:識(shí)別用戶最常使用的功能,優(yōu)化產(chǎn)品的核心功能。通過(guò)事件分析,我們可以了解哪些功能是用戶留存的關(guān)鍵。
- 用戶流失原因:通過(guò)流失用戶的行為分析,找出可能導(dǎo)致用戶流失的關(guān)鍵因素。例如,通過(guò)漏斗分析,我們可以識(shí)別用戶在哪個(gè)環(huán)節(jié)放棄使用產(chǎn)品。
Step6:基于數(shù)據(jù)分析的產(chǎn)品迭代優(yōu)化建議
- 個(gè)性化推薦:根據(jù)用戶行為數(shù)據(jù),提供個(gè)性化的內(nèi)容和服務(wù)推薦。利用協(xié)同過(guò)濾、內(nèi)容推薦算法等技術(shù),可以提高推薦的準(zhǔn)確性和用戶滿意度。
- 用戶引導(dǎo)優(yōu)化:優(yōu)化用戶引導(dǎo)流程,減少用戶流失,提高轉(zhuǎn)化率。通過(guò)A/B測(cè)試,我們可以測(cè)試不同的引導(dǎo)策略,找出最有效的方法。
- 功能迭代:根據(jù)用戶行為模式,調(diào)整或新增功能,以滿足用戶需求。例如,如果發(fā)現(xiàn)用戶在某個(gè)功能上花費(fèi)的時(shí)間顯著增加,可以考慮將其作為產(chǎn)品的重點(diǎn)發(fā)展方向。
二、關(guān)鍵模型及案例
1. 聚類分析
模型說(shuō)明:通過(guò)數(shù)據(jù)分析將“用戶相似性”的部分提煉呈現(xiàn)。大白話可以理解為每個(gè)用戶都是一顆珠子,聚類分析把大小、顏色接近的珠子,即用戶,進(jìn)行歸類,并找出他們中相似的行為和特點(diǎn)。
使用場(chǎng)景:用戶細(xì)分、市場(chǎng)細(xì)分、圖像分割、社交網(wǎng)絡(luò)分析等。
案例說(shuō)明:健康追蹤應(yīng)用的用戶細(xì)分
產(chǎn)品邏輯:健康追蹤應(yīng)用旨在通過(guò)分析用戶的運(yùn)動(dòng)和飲食習(xí)慣,提供個(gè)性化的健康建議。
數(shù)據(jù):應(yīng)用收集了用戶的運(yùn)動(dòng)頻率、飲食選擇、睡眠模式和健康指標(biāo)等數(shù)據(jù)。
通過(guò)K-means聚類分析,應(yīng)用將用戶分為幾個(gè)不同的群體,例如“健身狂熱者”、“夜貓子”和“健康飲食倡導(dǎo)者”。分析發(fā)現(xiàn),“健身狂熱者”群體在工作日的運(yùn)動(dòng)頻率高于周末,而“夜貓子”群體的夜間活動(dòng)更為頻繁。
應(yīng)用根據(jù)這些用戶群體的特點(diǎn),設(shè)計(jì)了針對(duì)性的健康計(jì)劃和提醒服務(wù),如為“健身狂熱者”提供周末運(yùn)動(dòng)挑戰(zhàn),為“夜貓子”提供改善睡眠質(zhì)量的建議。
結(jié)果:用戶對(duì)應(yīng)用的滿意度提高,個(gè)性化服務(wù)的參與度增加了30%。
2. 序列模式挖掘
模型說(shuō)明:序列模型是Apriori算法,用于在大型數(shù)據(jù)集中發(fā)現(xiàn)頻繁出現(xiàn)的項(xiàng)集,這些項(xiàng)集表示為用戶行為的順序關(guān)系。大白話說(shuō)就是可以利用算法追蹤用戶的行為路徑,比如用戶做A行為,是先做了B、C行為,構(gòu)成用戶行為順序。
使用場(chǎng)景:用戶行為路徑分析、推薦系統(tǒng)等。
案例說(shuō)明:電商平臺(tái)的購(gòu)物車優(yōu)化
產(chǎn)品邏輯:電商平臺(tái)希望提高用戶的購(gòu)物車轉(zhuǎn)化率,即用戶將商品添加到購(gòu)物車后最終完成購(gòu)買(mǎi)的比例。
數(shù)據(jù):通過(guò)分析用戶的點(diǎn)擊流數(shù)據(jù),電商平臺(tái)收集了用戶從瀏覽商品到最終購(gòu)買(mǎi)的完整行為序列。
通過(guò)序列模式挖掘,電商平臺(tái)發(fā)現(xiàn)了一個(gè)常見(jiàn)的用戶行為序列:“瀏覽商品 -> 添加到購(gòu)物車 -> 瀏覽其他商品 -> 返回購(gòu)物車 -> 修改購(gòu)物車 -> 完成購(gòu)買(mǎi)”。
分析顯示,用戶在添加商品到購(gòu)物車后,往往會(huì)繼續(xù)瀏覽其他商品,但在返回購(gòu)物車時(shí),有相當(dāng)一部分用戶會(huì)移除某些商品或放棄購(gòu)買(mǎi)。
為了優(yōu)化這一流程,電商平臺(tái)對(duì)購(gòu)物車頁(yè)面進(jìn)行了設(shè)計(jì)改進(jìn),如增加“快速結(jié)賬”按鈕,提供購(gòu)物車商品的組合優(yōu)惠,以及在用戶添加商品后立即顯示推薦商品。(可以參考拼多多沒(méi)有加入購(gòu)物車直接付款的設(shè)計(jì))
結(jié)果:購(gòu)物車轉(zhuǎn)化率提高了15%,用戶在購(gòu)物車頁(yè)面的停留時(shí)間減少了,整體購(gòu)物體驗(yàn)得到提升。
3. 關(guān)聯(lián)規(guī)則學(xué)習(xí)
模型說(shuō)明:關(guān)聯(lián)規(guī)則,F(xiàn)P-Growth(Frequent Pattern Growth)是一種用于發(fā)現(xiàn)數(shù)據(jù)集中頻繁項(xiàng)集的有效算法。這個(gè)模型幫助我們發(fā)現(xiàn)用戶行為之間的隱藏聯(lián)系,就像找出哪些食物經(jīng)常一起出現(xiàn)在同一個(gè)購(gòu)物籃里。
使用場(chǎng)景:商品推薦、交叉銷售等。
案例說(shuō)明:音樂(lè)流媒體服務(wù)的個(gè)性化推薦
產(chǎn)品邏輯:音樂(lè)流媒體服務(wù)希望提高用戶的音樂(lè)發(fā)現(xiàn)效率和用戶留存率。
數(shù)據(jù):平臺(tái)收集了用戶的音樂(lè)播放歷史,包括歌曲、藝術(shù)家、播放列表和用戶互動(dòng)(如點(diǎn)贊、評(píng)論)。
利用關(guān)聯(lián)規(guī)則學(xué)習(xí),平臺(tái)分析了用戶播放行為之間的關(guān)聯(lián)性,例如,“如果用戶播放了A藝術(shù)家的歌曲,他們很可能會(huì)喜歡B藝術(shù)家的歌曲”。
平臺(tái)發(fā)現(xiàn),用戶對(duì)特定音樂(lè)風(fēng)格或情緒的歌曲有較高的重合度,如“輕松的周末”播放列表中的用戶更可能喜歡爵士樂(lè)。
基于這些關(guān)聯(lián)規(guī)則,平臺(tái)開(kāi)發(fā)了個(gè)性化推薦系統(tǒng),為用戶推薦他們可能喜歡的歌曲和播放列表。
結(jié)果:個(gè)性化推薦顯著提高了用戶的日均播放時(shí)長(zhǎng),用戶留存率提升了20%。
4. 預(yù)測(cè)建模
模型說(shuō)明:邏輯回歸(Logistic Regression),一種統(tǒng)計(jì)模型,用于分析一個(gè)或多個(gè)自變量(解釋變量)與一個(gè)二元因變量(響應(yīng)變量)之間的關(guān)系。簡(jiǎn)單來(lái)說(shuō)就是可以通過(guò)分析用戶過(guò)去的行為,預(yù)測(cè)他們未來(lái)可能的行為,比如是否會(huì)流失、是否會(huì)續(xù)費(fèi)等。
使用場(chǎng)景:風(fēng)險(xiǎn)評(píng)估、市場(chǎng)預(yù)測(cè)等。
案例說(shuō)明:在線教育平臺(tái)的課程完成率預(yù)測(cè)
產(chǎn)品邏輯:在線教育平臺(tái)希望提高課程的完成率,增加用戶的學(xué)習(xí)成效。
數(shù)據(jù):平臺(tái)收集了用戶的學(xué)習(xí)行為數(shù)據(jù),包括課程訪問(wèn)頻率、作業(yè)提交情況、測(cè)試成績(jī)和用戶反饋。
利用邏輯回歸等預(yù)測(cè)建模技術(shù),平臺(tái)分析了影響課程完成率的關(guān)鍵因素。
發(fā)現(xiàn)用戶在課程開(kāi)始階段的活躍度和作業(yè)提交率是預(yù)測(cè)課程完成率的重要指標(biāo)。
平臺(tái)根據(jù)這些預(yù)測(cè)模型,為潛在的低完成率用戶提供額外的學(xué)習(xí)支持和激勵(lì)措施。
結(jié)果:課程的總體完成率提高了20%,用戶對(duì)課程的滿意度顯著提升。
三、用戶分析案例說(shuō)明
案例1:工具產(chǎn)品:促進(jìn)用戶活躍
- 背景:一款時(shí)間管理App希望提高用戶的活躍度和留存率。
- 分析方法:采用事件分析(Event Analysis)來(lái)追蹤用戶在應(yīng)用中的關(guān)鍵行為,如設(shè)置任務(wù)、完成任務(wù)、使用提醒功能等。同時(shí),運(yùn)用留存分析(Retention Analysis)來(lái)識(shí)別用戶在不同時(shí)間點(diǎn)的留存情況。
- 發(fā)現(xiàn):分析顯示,頻繁使用提醒功能的用戶比不使用該功能的用戶周留高出50%。此外,用戶在首次使用應(yīng)用后的第二周是關(guān)鍵的留存轉(zhuǎn)折點(diǎn)。
- 行動(dòng):基于這些發(fā)現(xiàn),產(chǎn)品團(tuán)隊(duì)優(yōu)化了提醒功能的用戶體驗(yàn),并在用戶首次使用后的第二周發(fā)送個(gè)性化的激勵(lì)消息,如成就徽章和額外的提醒設(shè)置。這些措施使DAU提高了20%,周留提升了30%。
案例2:社交產(chǎn)品:提高用戶互動(dòng)
- 背景:一個(gè)社交App希望增加用戶的互動(dòng)頻率和內(nèi)容分享。
- 分析方法:利用社交網(wǎng)絡(luò)分析(Social Network Analysis)來(lái)研究用戶之間的互動(dòng)模式,包括點(diǎn)贊、評(píng)論和分享行為。同時(shí),通過(guò)內(nèi)容分析(Content Analysis)來(lái)識(shí)別最受歡迎的內(nèi)容類型。
- 發(fā)現(xiàn):分析揭示了用戶之間的互動(dòng)強(qiáng)度與用戶留存率正相關(guān)。此外,高質(zhì)量的原創(chuàng)內(nèi)容和用戶UGC能夠顯著提高用戶的參與度。
- 行動(dòng):社交平臺(tái)針對(duì)這些發(fā)現(xiàn),推出了一系列激勵(lì)措施,如為高互動(dòng)用戶提供徽章和優(yōu)先展示,以及為原創(chuàng)內(nèi)容創(chuàng)作者提供獎(jiǎng)勵(lì)。這些措施使用戶的互動(dòng)頻率提高了40%,內(nèi)容分享率提升了25%。
案例3:直播產(chǎn)品:提高時(shí)長(zhǎng)與付費(fèi)
- 背景:一個(gè)直播app希望提高用戶的觀看時(shí)長(zhǎng)和付費(fèi)轉(zhuǎn)化率
- 分析方法:運(yùn)用用戶行為路徑分析(User Journey Mapping)來(lái)追蹤用戶從進(jìn)入直播間到離開(kāi)的整個(gè)過(guò)程。同時(shí),通過(guò)多變量分析(如多元回歸分析)來(lái)識(shí)別影響用戶觀看時(shí)長(zhǎng)和付費(fèi)意愿的因素。
- 發(fā)現(xiàn):分析發(fā)現(xiàn),用戶在直播間的互動(dòng)(如彈幕、禮物贈(zèng)送)與觀看時(shí)長(zhǎng)正相關(guān)。此外,直播內(nèi)容的類型和主播的互動(dòng)能力對(duì)付費(fèi)轉(zhuǎn)化率有顯著影響。
- 行動(dòng):直播平臺(tái)根據(jù)這些發(fā)現(xiàn),優(yōu)化了直播間的互動(dòng)功能,鼓勵(lì)用戶參與互動(dòng),并為主播提供了互動(dòng)培訓(xùn)。同時(shí),平臺(tái)調(diào)整了內(nèi)容推薦算法,優(yōu)先推薦高互動(dòng)和高付費(fèi)潛力的直播內(nèi)容。這些措施使得用戶的觀看時(shí)長(zhǎng)增加了35%,付費(fèi)用戶數(shù)提升了20%。
通過(guò)這三個(gè)案例,我們可以看到:在不同的產(chǎn)品類型中,用戶行為分析可以幫助我們識(shí)別關(guān)鍵的行為模式,從而制定出有效的產(chǎn)品優(yōu)化和市場(chǎng)策略。這些策略不僅能夠提升用戶體驗(yàn),還能推動(dòng)業(yè)務(wù)增長(zhǎng)。
本文由 @查理運(yùn)營(yíng)啟示錄 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可,禁止轉(zhuǎn)載。
題圖來(lái)自Unsplash,基于CC0協(xié)議。
該文觀點(diǎn)僅代表作者本人,人人都是產(chǎn)品經(jīng)理平臺(tái)僅提供信息存儲(chǔ)空間服務(wù)。
模型都用什么工具搭建比較好接受呀
這類模型一般需要用數(shù)據(jù)建模和算法建模,我們一般是有專門(mén)的數(shù)據(jù)團(tuán)隊(duì)來(lái)搭建,基于業(yè)務(wù)本身的數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)集,去清洗,歸類,用函數(shù)輸出
文章內(nèi)容割裂感好強(qiáng),有種上文與下文的關(guān)系不大的感覺(jué),閱讀起來(lái)感覺(jué)不算吃力,但就很不舒服。
謝謝JOJO的回復(fù),也很感謝你閱讀我的文章。
我先說(shuō)一下我自己的想法,我的思路是先總結(jié)方法和流程,其次是在方法中挑更重要的部分,最后結(jié)合案例做進(jìn)一步的理解。
我嘗試?yán)斫庖幌履闾岬降母盍迅?,針?duì)這篇文章,是不是在方法和模型這一塊的承接沒(méi)有很好的過(guò)渡?導(dǎo)致你在閱讀的時(shí)候會(huì)有“怎么就講模型的感覺(jué)呀?”
我自己是為了避免過(guò)于技術(shù)型的描述,在闡述模型方法的時(shí)候會(huì)用大白話解釋一遍同時(shí)增加案例,最后的案例是對(duì)上面方法論,流程和模型的整體解析。
希望能解答你的問(wèn)題,針對(duì)你提的建議,我后面的文章也會(huì)進(jìn)一步優(yōu)化,最后還是謝謝你的閱讀和評(píng)論!