1.什么是用户模型

1.1 业务分析的对象

image.png
在业务分析的过程中，商品|服务|产品、渠道|市场，都是人为可以控制的，但是对于用户我们是无法掌控的，因此就需要对用户的行为、画像进行分析，来实现最大程度的对用户控制。

分析哪些用户？

  • 核心用户，即优质且活跃的用户。任何一个核心用户的流失，都是对我们整个分析或者说业务的一个巨大损失。所以无论我们如何去建立模型去分析用户，核心用户一定是我们最核心最主要最本质的一个分析对象。
  • 流失用户，即失活用户。我们无论建立什么样的模型，或者说怎么去分析，怎么去预防用户的流失，活跃用户最终一定会流失到是活用户当中，这是不可避免的，因为任何用户他都是有其生命周期的，所以我们最主要的分析对象除了核心用户之外，还要分析流失用户，要分析哪些用户是流失的用户、是失活的用户、是没有价值的用户，并且要分析出为什么这些用户会失火，会失去价值。

1.2 用户模型的分类

image.png

用户行为模型

用来分析用户的某个行为特征，并且要分析这个行为特征背后的一个逻辑。比如说提交了一个订单，提交订单之后，可能不会立即购买，可能会返回首页继续搜索商品，也可能提交之后立刻付款。这两种截然不同的行为背后就有不同的动机。用户行为模型就是通过这个模型来分析为什么用户会产生这两种截然不同的动作，从而引导用户去走向最优的一个路径。
包括：行为事件模型、行为路径模型

用户流失模型

把流失用户按照一定的属性或特征进行分类，找到流失用户的关键特征或指标。进行用户流失的模型主要有两个目的：

  1. 为了把流失用户唤醒。
  2. 为了防止活跃用户，最终变成流失用户。

包括：AARRR、RARRA

用户价值模型

业务分析很多情况下都是要在资源有限的情况下，去最大化地撬动业务价值。所以在做用户分模型分析的一个作用，就是挖掘出拥有最大潜力，拥有最大价值的客户，这就是用户价值模型的作用。
包括：RFM、CLV、用户社交价值模型

用户分层模型

用户分层模型就是对用户进行指标化标签化，通过用户的历史行为路径、行为特征或情感偏好等，把用户分成不同的群体，按照这样的规律把这些用户进行归类，然后采取一些具体的措施。
包括：用户画像模型、同期群模型

用户留存模型

用户留存模型是用来衡量产品对于用户价值高低的一种方法。最主要的一个指标是“留存率”，用来判断商品或产品对用户的价值，能否留住用户。
包括：留存率模型、漏斗模型

2. 用户行为模型

用户行为模型分析的目的是要挖掘出用户在进行一个行为或动作时，背后的逻辑是什么，或者说用户的动机是什么。包括：用户事件模型、用户行为路径模型，用户页面点击模型等等。
本文以最常见的用户事件模型为例介绍一下用户行为模型。
下图所展示的是用户的在购物网站上的一些行为指标，依次是搜索、浏览商品、添加购物车、下单、付款、交易成功。
image.png
异常数据：用户从浏览商品到添加购物车出现了大幅度下滑
大多数的用户浏览商品后没有将商品加入购物车，这就是一个用户事件，而我们需要做的就是挖掘出事件背后的原因和逻辑是什么。

我们可以通过非常多的维度去分析，这里以渠道来源为例进行分析：
用户会通过非常多的渠道去了解产品，那么我们就可以把这些渠道进行分级，比如说一级渠道二级渠道，然后统计出用户在每一个级渠道上的停留时长是多少。比如说线上渠道的停留时长是最长的，包括贴吧、论坛、品牌、微信等，而线下渠道停留的时长会较短。我们可以将用户“浏览商品”和“添加购物车”这两个行为事件与渠道来源相关联，然后去对比其中的一些差异。通过差异就可以从用户来源的角度来分析什么渠道来源的用户会产生明显的流失行为。

image.png image.png

用户的行为事件模型，分析的本质是研究某一行为发生对数据的影响程度。反之，也可通过数据的异常来判断用户的某个行为。
此外，也可从性别、年龄等角度对某个事件进行分析。

2.1 事件模型的构成

  • 第一步：定义事件
    • 定义事件本身
    • 定义属性和值
  • 第二步：多维度下钻
    • 指标下钻
    • 问题溯源

  • 第三步：结论

    • 归纳演绎
    • 假设验证

      2.1.1 第一步：定义事件

  • 定义事件本身

事件六要素：时间、地点、人物、起因、经过、结果

image.png

  • 定义属性和值

属性就是指标，值则是评判指标效果的。
image.png

2.1.2 第二步：下钻

细分原则、溯源原则，穷尽枚举分析的维度
image.png

2.1.3 第三步：结论

归纳演绎、假设验证
image.png

2.2 举例

所需数据包：第十一讲数据.zip
2015年10月，IOS的PV异常高。对用户行为进行分析，找到异常值的原因。
image.png

分析过程

2.2.1. 第一步：定义事件

维度 指标 属性
时间 2015年10月 年、月、日、时
地点 iOS 无
人物 未知 性别、地区、年龄
起因 未知 访问渠道
经过 未知 访问停留阶段
结果 PV值升高 PV、UV、跳转率、停留时长、交易率

2.2.2 第二步：下钻

基于第一步定义事件中的属性，逐一分析不同的指标，得到如下图
用户行为分析.pdf

2.2.3 第三步：结论

通过第二步的下钻分析，得出结论为为：

  • 2015年10月，新媒体营销对iOS的UV值提升效果显著，环比提高100%。
  • 渠道方面：尤其是“品牌基础推广”和“轮台、贴吧推广”两个二级渠道，环比分别增长了400%和300%。
  • 用户类型：新媒体营销对拉新和付费转化有明显的提升，新用户占比环比从44%提升至56%，VIP用户从12%提升至16%。
  • 性别和年龄：营销活动吸引的主要为年龄20-21岁的男性用户。

3. 用户价值模型

3.1 RFM模型

参考以下文档
1.4 数据分析的思维技巧（象限法）

3.2 CLV

CLV = P/r
P是指客户的年度贡献，r指的是年度流失率
注意此公式对群体有效，对个体精准度较低，因为个体流失率影响因素太多，而群体流失率却是可以统计的。对于CLV的应用，可以从以下两个模型来看，将企业的最优客户与不值得投入的客户区分出来：
image.png
image.png

4. 用户流失模型

4.1 AARRR模型

image.png

4.1.1 需要关注的指标

  • 横向：转化周期，漏斗的上一级到下一级需要多久。

  • 纵向：转化率，漏斗的上一级到下一级转化率是多少。

    4.1.2 漏斗模型的分析方法：

  • 归因：每一次转化节点应根据事件功劳差异而科学设置。

什么叫功劳差异呢？就是这个事件对最终转化用户或者说用户产生价值带来了多少贡献量。比如说在做打广告的时候，可能通过微信、贴吧、微博等线上的渠道打广告，同时也通过线下的市场活动打广告，最终可能触发了用户的购买行为。
促成用户购买行为的主要事件或者做出了最主要贡献的原因是哪个呢？比如说在APP上买了一款手机，那么是通过一场线下活动了解的手机，还是说从网上看到了这样一个信息，促使用户最终购买了手机。这就需要分别从数据角度和业务角度出发，根据不同事件对于转化的贡献值大小进行归因。

  • 关联：在定义“转化”时，会要求漏斗转化的前后步骤有相同的属性值。

关联的意思就是在进行转化的时候，一定要确保漏斗转化的前后步骤具有相同的属性值。比如说要分析用户华为手机P30，那么它的漏斗的转换的上下两层一定都是同一款华为p30，也就是说要保持主键的一致。反之，如果是浏览苹果手机的数据计算进去，就是错误的。

4.1.3 实例

继续用上述数据，绘制漏斗图，结果如下所示。
image.png
分析过程：得到漏斗图后，异常数据出在“浏览商品”和“添加购物车”两步。则结合2.1提到的“事件模型”，将这两步定位为2个事件，以及事件对应的属性和值。上图中是从“年龄”和“渠道”2个维度进行的拆解，尝试找出异常数据的原因及背后的逻辑。