哪些应用指标可用来做用户行为分析.docxVIP

哪些应用指标可用来做用户行为分析 哪些应用指标可用来做用户行为分析quest; 首先让我们说说用户行为分析分类研究的必要性及意义： 我们知道用户行为数据的获取是由用户在网页或者APP的点击产生的，这些在网页或者APP的行为数据能够用来判断用户对产品的喜好及期望，所以分析用户的行为数据对于我们做精准营销以及迭代出符合用户喜好的产品非常重要。 但是，用户行为数据又那么多，我们很难做到一个个不遗漏的去分析，所以我们很有必要对用户行为数据进行一个简单而又方便全面的划分，以便我们处理和分析这些用户行为数据。 本文将从用户行为分类及细分下的典型用户行为展开分析，希望能为用户分析人员提供一个全面的参考。 一、用户行为的分类及价值 我们知道由点击流数据衍生出了很多行为指标，比如：访问频率、平均停留时长、消费行为、信息互动行为、内容发布行为等。但是这些指标有太复杂，不利于我们进行快速的对用户进行分析，那么该如何对这些指标进行有效而又简单的而划分，进而有利于我们进行快速的分析用户呢？ 1、用户行为的分类 本着简单又全的原则，我们将用户行为数据分为三类： 为什么这样划分呢？ 这三个指标可以包含很多其他细分的行为指标，利用这三大指标进行系统而又简洁的划分，不遗漏的分析其他衍生出的指标将有助于我们避免累赘及减少工作量。而这些指标可共同衡量用户在网页及APP中的行为表现，进而去区分用户的行为特征，对用户打分，再去对不同类型的用户进行分群精细化营销推广，提升运营推广的价值。 用户行为分类如下图： 用户行为分析分类指标 2、用户行为指标意义 1）黏性：主要关注用户在一段时间内持续访问的情况，是一种持续状态，所以将“访问频率”、“访问间隔时间”归在黏性的分类； 2）活跃：考察的是用户访问的参与度，一般对用户的每次访问取平均值，将“平均停留时间”、“平均访问页面数”用来衡量活跃指标； 3）产出：用来衡量用户创造的直接价值输出，例如电商 网站的“订单数”、“客单价”，一个衡量频率，一个衡量平均产出 的价值。 当然，可以基于用户行为的三大类：黏性、活跃、产出，在每个大类上再去添加不同的行为指标，只要能够体现其分析价值并且不重叠。比如，“黏性”指标里面包含了“访问频率”、“访问间隔时间”，访问次数越多，那相应的访问页数也就越多，如果在“黏性”里面加上“PV”就存在相关联性，进而对分析结果就产生影响，所以这里选择“平均访问页面数”，并把它放在“活跃”里面。即基于行为分类和指标的独立性，才能体现不同的分析价值。 基于用户行为分析的细分 根据用户行为的分类：黏性、活跃、产出，我们可以判断用户对产品的价值贡献，但是对于这些用户只根据这些指标能够判断他们的喜好吗？显然，这是不够的，我们还得去研究这些用户的特征及对产品的期望，再去做精准营销。那么，如何分析用户的喜好呢？ 我们知道不同的用户对网站内容是有不同的期望的，我们只有将用户进行细分，才能针对性的做出推荐。这里主要将用户细分成三大类： 1）流失用户/留存用户； 2）新用户/老用户； 3）单次购买用户/二次购买用户。 基于这3类细分，对每个分类的用户购买商品情况进行比较，明确哪些商品更加符合预期。以电商网站举例： 2.1 流失用户/留存用户举例 流失与留存用户细分比较 算出流失用户比例后，我们只是知道每个商品的流失用户比例，但并不能评价这个商品是否对留住用户有促进作用，或者在一定程度上反而使得用户数量下降。我们只有设定一个电商网站商品的总体平均流失率，然后拿流失用户比例与总体平均流失率做对比，最后才能得出相应的结论。 那么，表格中的“与总体比较”数值是怎么计算得到的呢？通常，我们会根据网站的情况及经验设定一个总体平均流失率，这里设为56%，以A商品为例，计算的结果就是： （58.13%-56%）/565=3.80%。 使用同样的方法可以把其他商品“与总体比较”的值算出来。由计算我们知道： 1）当结果为正数时，说明用户流失率大于总体平均流失率，此款商品表现比较差，不适合留住用户，表格中标为红色； 2）当计算结果为负数时，说明用户流失率小于总体平均流失率，此款商品表现较好，适合留住用户，表格中标为蓝色。 很明显，这样分析对运营很有指导性，对于能够留住用户的商品进行重点推荐，对于不能留住用户的商品进行优化或者下架。 2.2 新用户/老用户举例 继续用上面的例子来分析新用户/老用户的购买喜好。如下图： 新老用户细分比较 从表格中知道，