精细化运营的逻辑起点,在于对用户洞察(用户分析)的精细化上。

用户分析,究竟是在分析什么?当我们在ChatGPT上问了这个问题后,给出的回答是:

  1. 用户行为维度:包括用户访问量、停留时间、点击率、转化率等,通过对这些行为的分析,可以了解用户的兴趣、偏好、购买行为等。
  2. 用户属性维度:包括年龄、性别、地域、职业等,通过对这些属性的分析,可以了解用户的基本情况和消费能力。
  3. 用户来源维度:包括搜索引擎、社交媒体、广告等,通过对这些来源的分析,可以了解哪些渠道对用户的吸引力更大。
  4. 用户画像分析:通过对用户的行为、属性、来源等多维度数据进行深度分析,构建用户画像,更准确地洞察用户需求,提升用户体验。
  5. 用户价值分析:通过对用户的消费行为、购买力、留存率等数据进行分析,识别高价值用户和低价值用户,制定差异化营销策略,提高用户留存和复购率。
  6. 事件分析:通过对用户在产品或网站上的行为进行分析,识别关键事件和行为路径,了解用户的行为习惯和需求,提升用户体验和转化率。
  7. A/B测试:通过对不同版本或不同策略的比较,分析用户的反应和行为,确定最优的运营方案,提高用户转化率和满意度。

仅仅在这个层面理解用户分析,对不对呢?

对,但对的地方不多。

我懂ChatGPT在说什么,我能理解他试图用尽可能多的维度来阐述用户分析这件事,本身没有任何问题。但是,如果你通过这个思路去理解用户分析和用户洞察时,就会陷入一个怪圈:

你知道的维度越多,你分析的周期就越长,你能分析出来的东西越少。

这个过程,就像是郭靖、杨过、小龙女这几位顶尖高手一样,最一开始他们都要把心法、口诀烂熟于心,再等到时机成熟之后,去学习套路和招式才能发挥出神功的威力来,否则就像是鸠摩智、欧阳锋一样,不仅功力没有精进,反而会走火入魔。那我们一点点来看看心法、套路、招式分别是什么。

一、心法:真正的用户分析是什么

用户分析,==最本质的任务就是要无限接近用户在具体购买决策过程中的影响因子的真实状态,并将整个决策过程进行解构,从而能够找到针对性的推动用户更快完成购买。==

最终,我们是要推动用户完成购买——站在用户的角度,即最终我的需求要被满足,不论你是以什么形式、什么姿态。

那么,我们需要分两步来做:

第一步,找到需求。

第二步,追踪决策过程。

1、用户需求洞察

实际上,首先应该被分析的,是用户主动暴露的需求,即你通过对用户的反馈、评论和投诉等信息进行分析,可以直接提炼出的实际需求和痛点。

首先,你需要广泛搜集用户的反馈

接着过滤、整合用户反馈的信息并从中分析提炼用户需求

初步达成对需求优先级、满足方式、成本方面规划

接着通过试验、调研等方式验证判断和解决方案合理性

最终得出用户需求分析的阶段性结论和对策

你的洞察,不是汇总数据,也不是制作表格,而是提炼用户的需求,到此还不应该结束,你还需要探索判断和解决方案的合理性,并最终决策出一个对策,这才是一个完整的洞察流程,即最终你是可以的结论,并即将做出决策。你想想,你去洞察的目的是什么,就应该坚持走到这一步。

2、用户偏好捕捉

当用户需求分析的基础打好之后,才应该开始关注每一个可能会影响需求被满足的因子。

这些因子总结起来,可以概括为两大方向——用户行为和用户习惯——也可以统称为用户偏好。

用户行为:通过对用户的点击、浏览、搜索、购买等行为进行分析,可以了解用户的喜好、偏好和购买意向,从而为企业提供精准的产品推荐和服务。

用户习惯:通过对用户的使用习惯和使用场景进行分析,可以了解用户的行为规律和消费习惯,从而更好地设计和推出相关产品和服务。

这部分数字的绝对值的高低,是否具有决定意义?

这里暂且不表,留给大家带着问题去思考。

这要求企业要有一定的技术能力和数据处理能力,能够先把这些纷繁复杂的数据拿回来(后面我们在讲到搭建数据分析体系时会提及),并且有战略定力,愿意投入大量的时间和精力。

二、套路:有哪些常见的用户分析模型

看起来,用户分析的本质、分析最重要的两个方向都被解构了,那是不是就可以开始着手做用户分析了。

实际上,还缺少一步。

用户运营好比是盖新房子,你得从地基开始一点点盖起来、把框架搭起来、再把梁架起来、最后封顶。而用户分析有所不同,用户分析就好比是翻修老房子,得先把框架和梁找出来、把承重墙确定了,再一点点的看你用得什么砖瓦、如何优化走线和通风。

那么,用户分析的骨架是什么?

是分析模型。

用户分析,用户洞察,都不是瞎分析,什么都要看,什么能用,而是确认好你要分析什么之后,用最合适的模型去把关键信息挖掘出来,进而高效指导实践,否则洞察和分析就失去了意义。

我有一篇文章,提到过《这些用户分析模型,帮你快速搭建用户分析体系》,大家可以到这里看一看有哪些模型可以选用。今天我主要帮当家快速明确方向即我应该在什么时候选用什么模型。

设计一套完整的用户数据分析体系需要考虑到覆盖整个用户旅程各个阶段,在这里我们引入了一个概念用户旅程,关于用户旅程究竟是什么,大家可以文后移步查看我的另一篇文章《如何做好用户旅程》。

以下是我建议的分析体系,包括以下五个阶段:

  1. 发现阶段:
    • 用户行为分析:通过分析用户的搜索、访问、浏览行为,了解用户在网站、应用或社交媒体上的行为模式和习惯。
    • 关键词分析:分析用户搜索的关键词,了解他们的需求和兴趣点。
    • 参与度模型:通过分析用户的参与度,了解用户在不同平台、场景下的行为特征。
  2. 探索阶段:
    • 任务及情境分析模型:通过分析用户在使用产品或服务时的任务和情境,深入了解他们的需求和痛点。
    • 需求分解模型:通过分析用户需求,将其拆分成更加具体、可操作的任务和功能点。
    • 驱动力模型:通过分析用户的驱动力和动机,了解他们为什么要使用你的产品或服务。
  3. 使用阶段:
    • 场景化思考模型:通过分析用户在特定场景下的使用情况,了解他们的需求和问题。
    • 需求地图模型:将用户需求转化成一张需求地图,展示用户在使用过程中的需求结构和关联关系。
    • Jobs-to-be-Done模型:通过分析用户使用产品或服务的目的,了解他们在完成具体任务时的需求。
  4. 评价阶段:
    • 用户心智模型:通过分析用户的期望和体验,了解他们在使用过程中的满意度和不满意点。
    • 情境分析模型:通过分析用户在特定情境下的反馈和意见,了解他们的意见和建议。
    • 文化人类学模型:通过分析用户所处的文化和社会背景,了解他们的价值观和行为方式。
  5. 推广阶段:
    • 用户偏好捕捉模型:通过分析用户偏好和行为数据,了解他们的购买习惯和兴趣点。
    • 用户生命周期价值模型:通过分析用户在产品或服务使用周期中的行为,了解他们对企业的价值和忠诚度。
    • 用户调研和反馈:通过定期的用户调研和反馈收集用户意见和建议,为产品优化提供参考。

还是那个老问题,是不是确定了分析模型之后,就可以开始做用户分析了。

其实,还不可以,你会发现,做到这一步之后,我们仅仅是把房子的框架搞明白了,知道下一步该怎么做了,就像是泥瓦匠没有趁手的工具,一面墙也砌不平一样,接下来才是平时大家最关心,最开始做的,但是却没有做好用户数据分析体系的搭建了。

我们继续往下来聊。

三、招式:如何搭建数据分析体系

我们在前面两个部分,确定了用户洞察的方向、用户分析的模型,接下来就是真刀真枪的开始做分析了。正如我们前面提到,就像是郭靖、杨过、小龙女这几位顶尖高手一样,最一开始他们都要把心法、口诀烂熟于心,再等到时机成熟之后,去学习套路和招式才能发挥出神功的威力来,否则就像是鸠摩智、欧阳锋一样,不仅功力没有精进,反而会走火入魔。每个阶段,每个环节那么多模型可以选用,这些我们搞清楚了,接下来我们必须要明确每个模型下究竟应该去看哪些数据指标,才能帮我们把一整套剑谱打出来,否则就会像得到剑谱前的林平之、熟读武学秘籍的王语嫣一样,难以发挥出日常的修为。

为了帮助大家快速定位,我这里依然选用户旅程这个概念,建议大家先熟读《如何做好用户旅程》
这部分。

我将按照五个阶段中,需要的过程指标和结果指标来帮大家搭建数据分析体系:

阶段一:意识阶段

在这个阶段,用户开始意识到你的品牌、产品或服务。他们可能通过社交媒体、广告、推荐或搜索引擎等渠道了解你的品牌。在这个阶段,你需要关注的指标包括:

过程指标:

  1. 曝光量(Impressions):广告或推荐的展示次数。
  2. 访客数/用户数:公司内部认可的用户数,比如可以是UV,比如可以是拥有临时或唯一ID的用户数。
  3. 点击率(Click-Through Rate, CTR):可以是广告的点击率,可以是网页某个CTA的点击率,可以是公众号用户数、小程序的UV数等等。
  4. 参与度:包括页面停留时间、页面浏览量、社交媒体分享等,反映用户与你的品牌或产品的交互程度。

结果指标:

  1. 注册/订阅用户转化率:从流量到注册/订阅的转化率,即转化率=注册/订阅数/总访问量。
  2. 注册/订阅用户转化量:所有渠道的注册/订阅数

阶段二:考虑阶段

在这个阶段,用户已经对你的品牌、产品或服务产生了兴趣,他们开始更深入地了解你的品牌或产品。在这个阶段,你需要关注的指标包括:

过程指标:

  1. 用户活跃度:即用户在各个触点上与品牌互动的频次、规模、偏好、占比等
  2. 产品/服务关注度:用户对于不同产品/服务的关注度,如产品/服务页面的浏览量、收藏量、分享量等。计算方法:使用网站分析工具,例如 Google Analytics,统计每个产品/服务页面的浏览量、收藏量、分享量等。
  3. 用户兴趣度:根据用户行为数据,挖掘用户的兴趣偏好,如浏览的产品/服务、关注的信息等。计算方法:通过用户行为分析工具,使用用户浏览行为和关注行为,挖掘用户的兴趣偏好。

结果指标:

高意向用户转化率(Conversion Rate):从潜在客户中转化为符合用户画像客户的用户数量与潜在客户的比率。

高意向客户转化数:通过用户活跃、用户打分或兴趣、产品、内容等方法确定的高意向用户数

其中,涉及到几个需要拓展的概念,比如符合用户画像的用户如何界定,比如用户打分怎么打,关于这两个问题,大家可以看我写得两篇文章:

《如何创建真正使用的用户画像》
《如何通过用户打分做好用户分层运营》

**阶段三:决策阶段

在购买决策阶段,用户已经完成了信息收集、对比和评估,并且对某个产品或服务产生了购买意愿。这部分,是绝大多数企业都回去关注的阶段,并不会存在太多大家不知道的东西,唯一需要注意的是,通过下面的梳理来复盘,自己的数据分析体系,是不是真的在分析决策阶段。

在这个阶段,可以优先关注以下指标:

过程指标:

这里主要面向消费这业务场景,如果您是ToB读者,可以在此基础上做知识的迁移,本质上只要阶段相通,关注的数据是类似的。

  • 购物车添加率:即每日活跃的用户中有多少将商品添加到购物车,问题的关键不是要计较我的业务里有没有购物车,而是要搞清楚你的用户已经明确表达我要购买的意向了,没有购物车的行业,可能是立即购买、可能是进入最终决策者评估、进入招标环节等等。不要过于死板的认为,我们行业没有购物车,那我们行业就不需要关注这环节的数据了,那就有点自欺欺人了。
  • 购物车转化率:用户将商品加入购物车后,进入到支付环节转化率。计算方法:统计商品加入购物车的数量和进入支付环节的数量,计算购物车转化率。
  • 订单完成率:完成订单的比率,即完成订单数/总订单数。计算方法:统计订单完成数和总订单数,计算订单完成率。
  • 购买决策时间(Time to Purchase Decision):用户从考虑购买你的产品或服务到做出决策的时间。
  • 退货率(Return Rate):购买后退货的用户数量与购买用户数量的比率。
  • 价格敏感度:用户对于产品/服务价格的敏感度,包括对于价格的反应、使用优惠码的情况等。计算方法:使用调查问卷或者数据分析工具,收集用户对于价格的反应数据,如购买行为、使用优惠码等。

结果指标:

  • 下单量(Order):成功提交订单的数量。
  • 下单金额(Order Amount):所有订单的总金额。
  • 购买转化率:购买人数/访问人数。该指标衡量了用户最终是否愿意购买产品或服务,可以用来评估产品或服务的销售能力。
  • 平均订单价值:总销售额/订单数。该指标衡量了每个订单的平均价值,可以用来评估产品或服务的定价策略和用户的购买力。

阶段五:忠诚和推广阶段

在推广和忠诚阶段,用户已经购买了产品或服务,可以通过推广和忠诚度提高用户的满意度和忠诚度。在这个阶段,关注以下指标:

  • 用户留存率(Retention Rate):在一段时间内依然使用产品或服务的用户占总用户数的比例,可以反映用户的忠诚度。
  • 用户活跃度(Active User):在一段时间内使用产品或服务的用户数量,可以反映产品或服务的使用程度。
  • 用户满意度(Customer Satisfaction):用户对产品或服务的满意程度,可以通过问卷调查等方式获得。
  • 网络推广者得分(Net Promoter Score):通过用户调查来确定用户的忠诚度和满意度,反映用户推荐该产品或服务的可能性。
  • 推荐转化率(Referral Conversion Rate):衡量通过用户推荐获得的新客户占总客户数的比例。计算公式为:(新客户数 / 推荐人数) * 100%。
  • 售后服务投诉率(After-sales Service Complaint Rate):衡量售后服务团队面临的投诉数量。计算公式为:(投诉数量 / 总售后服务
  • 售后服务响应时间(After-sales Service Response Time):衡量售后服务团队对用户问题的响应速度。计算公式为:用户提出问题到响应的时间。
  • 售后服务解决时间(After-sales Service Resolution Time):衡量售后服务团队解决用户问题的速度。计算公式为:问题解决完成时间减去用户提出问题时间。
  • 售后服务满意度(After-sales Service Satisfaction):衡量用户对售后服务的整体满意程度。可以通过调查问卷、用户反馈等方式进行调查。计算公式为:(非常满意用户数量 + 满意用户数量)/ 总用户数量 * 100%。

结果指标:

  • 重复购买率(Repeat Purchase Rate):衡量用户对产品或服务的忠诚度,即一个客户在某个时间段内再次购买同一产品或服务的概率。计算公式为:(重复购买次数 / 总购买次数) * 100%。
  • 客户终生价值(Customer Lifetime Value,简称CLV):衡量一个客户在其生命周期内对企业产生的总价值。计算公式为:(每次购买金额 * 购买次数) / 用户流失率。

让我们再回到那个问题:用户分析,究竟是在分析什么?

用户分析,==最本质的任务就是要无限接近用户在具体购买决策过程中的影响因子的真实状态,并将整个决策过程进行解构,从而能够找到针对性的推动用户更快完成购买。==

这次,你真的听懂了吗?

声明:部分内容来自互联网,如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。