用戶(hù)運(yùn)營(yíng)實(shí)戰(zhàn)案例之 7 大用戶(hù)分析增長(zhǎng)模型

用戶(hù)研究是用戶(hù)中心的設(shè)計(jì)流程中的第一步。它是一種理解用戶(hù)，將他們的目標(biāo)、需求與商業(yè)宗旨相匹配的理想方法，能夠幫助企業(yè)定義產(chǎn)品的目標(biāo)用戶(hù)群。在用戶(hù)研究過(guò)程中，數(shù)據(jù)的使用及挖掘是非常重要的。那么，有哪些通用的用戶(hù)分析方法？如何分析你的用戶(hù)？本篇重點(diǎn)圍繞七大用戶(hù)分析方法論/模型，展開(kāi)分享幾個(gè)比較常見(jiàn)的用戶(hù)運(yùn)營(yíng)實(shí)際案例。

六大用戶(hù)分析方法論

• 1、行為事件分析
• 2、點(diǎn)擊分析模型
• 3、用戶(hù)行為路徑分析
• 4、用戶(hù)健康度分析
• 5、漏斗模型分析
• 6、用戶(hù)畫(huà)像分析

下面一一解析每種方法論的定義及實(shí)戰(zhàn)案例，先從最基礎(chǔ)的行為事件分析法開(kāi)始

1?行為事件分析

行為事件分析法主要用于研究某行為事件的發(fā)生對(duì)企業(yè)組織價(jià)值的影響以及影響程度。企業(yè)借此來(lái)追蹤或記錄用戶(hù)行為及業(yè)務(wù)過(guò)程，如用戶(hù)注冊(cè)、瀏覽商品詳情頁(yè)、成功下單、退款等，通過(guò)研究與事件發(fā)生關(guān)聯(lián)的所有因素來(lái)挖掘用戶(hù)行為事件背后的原因、交互影響等。

行為事件分析法一般經(jīng)過(guò)三大環(huán)節(jié)：事件定義、多維度下鉆分析、解釋與結(jié)論。

1、事件定義

事件定義包括定義所關(guān)注的事件及事件窗口的長(zhǎng)度，這也是事件分析法最為核心和關(guān)鍵的步驟。事件的定義遵循5W原則：Who、When、Where、What、How。

5W事件定義方式：

某X平臺(tái)的所有注冊(cè)用戶(hù)在X月X日使用優(yōu)惠券下單購(gòu)買(mǎi)的單數(shù)是多少？這是一個(gè)完整的時(shí)間定義，一般數(shù)據(jù)人員需要記錄的對(duì)應(yīng)字段有：時(shí)間、商品名稱(chēng)、商品是否使用優(yōu)惠券、父單數(shù)、購(gòu)買(mǎi)數(shù)量、購(gòu)買(mǎi)金額等。

5W

• （Where）某X平臺(tái)
• （Who）所有注冊(cè)用戶(hù)
• （When）在X月X日
• （How）使用優(yōu)惠券
• （What）下單購(gòu)買(mǎi)的單數(shù)

在大廠混的我們都多少接觸過(guò)各種數(shù)據(jù)報(bào)表，Path口徑、Session口徑等各種口徑，我們所熟悉的字段“訪問(wèn)次數(shù)”、“瀏覽深度”、“使用時(shí)長(zhǎng)”、“停留時(shí)長(zhǎng)”、“跳出率”、“頁(yè)面退出率”等指標(biāo)，都需引入 Session 才能分析。因此，創(chuàng)建和管理 Session 是事件定義的關(guān)鍵步驟。

這里需要了解“Session”的概念，Session一般翻譯為時(shí)域。在計(jì)算機(jī)專(zhuān)業(yè)術(shù)語(yǔ)中，Session是指一個(gè)終端用戶(hù)與交互系統(tǒng)進(jìn)行通信的時(shí)間間隔，通常指從注冊(cè)進(jìn)入系統(tǒng)到注銷(xiāo)退出系統(tǒng)之間所經(jīng)過(guò)的時(shí)間。具體到Web中的Session指的就是用戶(hù)在瀏覽某個(gè)網(wǎng)站時(shí)，從進(jìn)入網(wǎng)站到關(guān)閉瀏覽器所經(jīng)過(guò)的這段時(shí)間，也就是用戶(hù)瀏覽這個(gè)網(wǎng)站所花費(fèi)的時(shí)間。因此從上述的定義中我們可以看到，Session實(shí)際上是一個(gè)特定的時(shí)間概念。

2、多維度下鉆分析

最為高效的行為事件分析要支持任意下鉆分析和精細(xì)化條件篩選。當(dāng)行為事件分析合理配置追蹤事件和屬性，可以激發(fā)出事件分析的強(qiáng)大潛能，為企業(yè)回答關(guān)于變化趨勢(shì)、維度對(duì)比等等各種細(xì)分問(wèn)題?！昂Y選條件”例如：“地理位置”、“時(shí)間”、“廣告系列媒介”、“操作系統(tǒng)”、“渠道來(lái)源”等。當(dāng)進(jìn)行細(xì)分篩查時(shí)，才可以更好地精細(xì)化定位問(wèn)題來(lái)源。

3、解釋與結(jié)論

解釋與結(jié)論即所謂的出分析報(bào)告階段。對(duì)分析結(jié)果進(jìn)行合理的理論解釋?zhuān)袛鄶?shù)據(jù)分析結(jié)果是否與預(yù)期相符，如果相悖，則應(yīng)該針對(duì)不足的部分進(jìn)行再分析與實(shí)證。

行為事件分析案例解說(shuō)

運(yùn)營(yíng)A在日常運(yùn)營(yíng)某平臺(tái)頻道的過(guò)程中發(fā)現(xiàn)，某天的UV值突然翻倍異常標(biāo)高，需要快速定位：是異常流量還是虛假流量？我們可以先按照5W法則拆解事件，可以發(fā)現(xiàn)實(shí)際上我們是要找出HOW，也就是為什么流量飆升的理由。

• （Where）某平臺(tái)
• （Who）某頻道
• （When）某天
• （How）？？？
• （What）UV值異常翻倍

緊接著，通過(guò)多維度“篩選條件”進(jìn)行下鉆分析：選擇“流量入口來(lái)源”、“時(shí)間點(diǎn)”、“地理位置”、“操作系統(tǒng)”等。當(dāng)進(jìn)行細(xì)分篩查時(shí)，運(yùn)營(yíng)A發(fā)現(xiàn)：早上10點(diǎn)鐘時(shí)，微信渠道側(cè)的流量飆高并且是由于公眾號(hào)推送場(chǎng)景帶來(lái)的流量，確認(rèn)公眾號(hào)確實(shí)為早上10點(diǎn)推動(dòng)并且當(dāng)天的推送質(zhì)量很高，用戶(hù)點(diǎn)擊數(shù)較往常更高，基本判斷UV的飆高是異常值，不是虛假流量，并且是由于該事件帶來(lái)。

2?點(diǎn)擊分析模型

點(diǎn)擊分析模型在各行業(yè)內(nèi)數(shù)據(jù)分析應(yīng)用較為廣泛，是重要的數(shù)據(jù)分析模型之一。其中點(diǎn)擊圖是點(diǎn)擊分析方法的效果呈現(xiàn)，在用戶(hù)行為分析領(lǐng)域，點(diǎn)擊分析包括元素被點(diǎn)擊的次數(shù)、占比、發(fā)生點(diǎn)擊的用戶(hù)列表、按鈕的當(dāng)前與歷史內(nèi)容等因素。

點(diǎn)擊分析方法主要解決的問(wèn)題主要有三點(diǎn)：

• 1、精準(zhǔn)評(píng)估用戶(hù)與產(chǎn)品交互背后的深層關(guān)系；
• 2、實(shí)現(xiàn)產(chǎn)品的跳轉(zhuǎn)路徑分析，完成產(chǎn)品頁(yè)面之間的深層次的關(guān)系需求挖掘；
• 3、與其他分析模型配合，全面視角探索數(shù)據(jù)價(jià)值，深度感知用戶(hù)體驗(yàn)，實(shí)現(xiàn)科學(xué)決策。

點(diǎn)擊分析模型主要用于什么分析？

• 1、官網(wǎng)
• 2、活動(dòng)頁(yè)面
• 3、產(chǎn)品頻道/首頁(yè)
• 4、詳情頁(yè)

點(diǎn)擊分析通用的兩種形式包括：可視化與固定埋點(diǎn)，可視化多用熱力圖進(jìn)行呈現(xiàn)，運(yùn)營(yíng)可以根據(jù)點(diǎn)擊密度判斷用戶(hù)的瀏覽喜好。

下面對(duì)比熱力圖與固定埋點(diǎn)形式的差異化

點(diǎn)擊分析模型案例解說(shuō)

以上圖天貓超市為案例，開(kāi)發(fā)可對(duì)每一個(gè)前端模塊進(jìn)行埋點(diǎn)，然后上報(bào)數(shù)據(jù)，運(yùn)營(yíng)可在數(shù)據(jù)報(bào)表處下載對(duì)應(yīng)數(shù)據(jù)，數(shù)據(jù)可包括：PV、UV、下單、GMV等，可針對(duì)不同指標(biāo)進(jìn)行分析。

假設(shè)上圖中個(gè)人護(hù)理icon點(diǎn)擊UV占比為67%，是頻道內(nèi)所有icon中最高的一個(gè)，那么對(duì)于貓超這么一個(gè)老用戶(hù)居多的業(yè)務(wù)場(chǎng)景來(lái)說(shuō)，老用戶(hù)對(duì)在超市中購(gòu)買(mǎi)“個(gè)人護(hù)理”有很強(qiáng)烈的訴求與黏性，可以重點(diǎn)挖掘業(yè)務(wù)價(jià)值。再比如，假設(shè)banner模塊的日均UV為1w，我們假定這個(gè)值是偏低的，并且banner在頁(yè)面首頁(yè)的使用面積占比又超過(guò)UV及訂單的貢獻(xiàn)占比，此時(shí)可以考慮兩種方案：壓縮banner尺寸或者提升banner點(diǎn)擊率。

從長(zhǎng)期監(jiān)控?cái)?shù)據(jù)上看，點(diǎn)擊分析可以觀察頁(yè)面某位置（業(yè)務(wù)）的改變對(duì)于用戶(hù)的價(jià)值，一般而言，點(diǎn)擊UV越高，說(shuō)明用戶(hù)的黏性越大。當(dāng)然點(diǎn)擊率還跟所處位置有關(guān)，同一頁(yè)面高度，根據(jù)用戶(hù)視覺(jué)習(xí)慣，一般左邊點(diǎn)擊優(yōu)于右邊。

3?用戶(hù)行為路徑分析

用戶(hù)路徑的定義，就是用戶(hù)在APP或網(wǎng)站中的訪問(wèn)行為路徑。對(duì)于一個(gè)指定的頁(yè)面（URL），用戶(hù)是從哪些場(chǎng)景來(lái)到這個(gè)頁(yè)面（來(lái)源）？進(jìn)入這個(gè)頁(yè)面后又去往哪些場(chǎng)景(去向）？用戶(hù)瀏覽路徑是否是按照運(yùn)營(yíng)設(shè)計(jì)的路徑前進(jìn)還是偏移？用戶(hù)行為路徑分析就是解決以上問(wèn)題的分析方法：指導(dǎo)運(yùn)營(yíng)明確用戶(hù)現(xiàn)存路徑，優(yōu)化用戶(hù)行為沿著最優(yōu)訪問(wèn)路徑前進(jìn)，結(jié)合業(yè)務(wù)場(chǎng)景需求進(jìn)行前端布局調(diào)整。

以電商為例，買(mǎi)家從登錄網(wǎng)站／APP到支付成功需要經(jīng)過(guò)首頁(yè)瀏覽、搜索商品、加入購(gòu)物車(chē)、提交訂單、支付訂單等一系列過(guò)程。一個(gè)新用戶(hù)和一個(gè)老用戶(hù)在進(jìn)行購(gòu)買(mǎi)流程的時(shí)候，他們的瀏覽路徑是否有區(qū)別？新用戶(hù)傾向什么路徑？老用戶(hù)傾向什么路徑？與其他分析模型配合進(jìn)行深入分析后，可以快速找到用戶(hù)動(dòng)機(jī)，從而引領(lǐng)用戶(hù)走向最優(yōu)路徑或者期望中的路徑。

用戶(hù)路徑分析案例解說(shuō)

假設(shè)上圖中，用戶(hù)進(jìn)入店鋪?lái)?yè)中選擇以下路徑：

• 1、約40%的客戶(hù)會(huì)點(diǎn)擊Banner活動(dòng)頁(yè)；
• 2、約30%的客戶(hù)會(huì)直接進(jìn)行商品搜索；
• 3、約10%的用戶(hù)會(huì)瀏覽商品詳情頁(yè)；
• 4、約5%的客戶(hù)啥都不干直接退出店鋪；

假設(shè)以上四種路徑中，第三種直接瀏覽商品詳情頁(yè)的用戶(hù)下單比例最高，超過(guò)90% ，與其形成鮮明對(duì)比的是，盡管第一種“點(diǎn)擊Banner活動(dòng)頁(yè)”的用戶(hù)占比高達(dá)40%，但是僅5%的用戶(hù)下單了，說(shuō)明Banner的內(nèi)容布局和利益點(diǎn)有著比較糟糕的用戶(hù)體驗(yàn)，則將此作為首選優(yōu)化與改進(jìn)的方向。

改進(jìn)方式：

• 1、優(yōu)化內(nèi)容質(zhì)量：素材圖片、利益點(diǎn)、承接頁(yè)動(dòng)線(xiàn)、承接頁(yè)商品讓利程度等；
• 2、壓縮banner模塊實(shí)際面積：比如淘寶的banner基本為千人千面或者商家直通車(chē)購(gòu)買(mǎi)，展示總量大，比較難控制所有內(nèi)容質(zhì)量，因此選擇更小的尺寸高度來(lái)分散用戶(hù)點(diǎn)擊占比，為其它首屏優(yōu)質(zhì)業(yè)務(wù)提供更多的流量；相對(duì)的，天貓的banner活動(dòng)一般為類(lèi)目排期活動(dòng)，較少商家購(gòu)買(mǎi)（能花得起這個(gè)錢(qián)的商家一般也是KA，不會(huì)把內(nèi)容質(zhì)量搞的很糟糕），因此天貓的banner高度較淘寶會(huì)更醒目；

4?用戶(hù)健康度分析

用戶(hù)健康度是基于用戶(hù)行為數(shù)據(jù)綜合考慮的核心指標(biāo)，體現(xiàn)產(chǎn)品的運(yùn)營(yíng)情況，為產(chǎn)品的發(fā)展進(jìn)行預(yù)警。包括三大類(lèi)型指標(biāo)：產(chǎn)品基礎(chǔ)指標(biāo)、流量質(zhì)量指標(biāo)、產(chǎn)品營(yíng)收指標(biāo)。它們?nèi)邩?gòu)成了評(píng)價(jià)產(chǎn)品健康度的體系，它們也各有側(cè)重點(diǎn)。

• 1、產(chǎn)品基礎(chǔ)指標(biāo)，主要評(píng)價(jià)產(chǎn)品本身的運(yùn)行狀態(tài)：PV、UV、新用戶(hù)數(shù)；
• 2、流量質(zhì)量指標(biāo)，主要評(píng)價(jià)用戶(hù)流量的質(zhì)量高低：跳出率、人均瀏覽次數(shù)、人均停留時(shí)間、用戶(hù)留存率、用戶(hù)回訪率；
• 3、產(chǎn)品營(yíng)收指標(biāo)，主要評(píng)價(jià)產(chǎn)品的盈利能力與可持續(xù)性：用戶(hù)支付金額（GMV）、客單價(jià)（ARPU）、訂單轉(zhuǎn)化率；

1、產(chǎn)品基礎(chǔ)指標(biāo)：

UV：獨(dú)立訪客數(shù)（unique visitor），指通過(guò)互聯(lián)網(wǎng)訪問(wèn)、瀏覽這個(gè)網(wǎng)頁(yè)的自然人。但對(duì)于UV的定義有一個(gè)時(shí)間限制，一般是1天之內(nèi)，訪問(wèn)你的產(chǎn)品的獨(dú)立訪客數(shù)，如果一個(gè)用戶(hù)一天內(nèi)多次訪問(wèn)也只計(jì)算為1個(gè)訪客。UV是衡量產(chǎn)品量級(jí)的最重要指標(biāo)。

PV：頁(yè)面瀏覽量（Page View），用戶(hù)每1次對(duì)網(wǎng)站中的每個(gè)網(wǎng)頁(yè)訪問(wèn)均被記錄1次。用戶(hù)對(duì)同一頁(yè)面的多次訪問(wèn)，訪問(wèn)量累計(jì)。因此一般PV值大于UV值。

新用戶(hù)數(shù)：對(duì)于電商來(lái)說(shuō)，新用戶(hù)一般定義為未注冊(cè)或者已注冊(cè)，但還未進(jìn)行首單支付的用戶(hù)。一個(gè)新用戶(hù)到老用戶(hù)的轉(zhuǎn)變過(guò)程可以用四象空間來(lái)劃分：次數(shù)、金額、時(shí)間、品類(lèi)；

2、流量質(zhì)量指標(biāo)

跳出率：跳出率(Bounce Rate)也被稱(chēng)為蹦失率：瀏覽單頁(yè)即退出的次數(shù)/訪問(wèn)次數(shù)=single access/entry visits。瀏覽單頁(yè)即退出的次數(shù)——簡(jiǎn)單說(shuō)就是進(jìn)入某個(gè)頁(yè)面后沒(méi)有點(diǎn)擊任何頁(yè)面就離開(kāi)。一般用來(lái)來(lái)衡量用戶(hù)訪問(wèn)質(zhì)量，高跳出率通常表示內(nèi)容對(duì)用戶(hù)不具針對(duì)性（吸引）；

• A頁(yè)面的跳失率=(5/10) *100%
• A頁(yè)面的退出率= (5+2/10+2 )*100%

人均停留時(shí)間：是指用戶(hù)瀏覽某一頁(yè)面時(shí)所花費(fèi)的平均時(shí)長(zhǎng)，平均停留時(shí)間越長(zhǎng)，說(shuō)明網(wǎng)站或頁(yè)面對(duì)用戶(hù)的吸引力越強(qiáng)，能帶給用戶(hù)的有用信息越多。

用戶(hù)留存率：留存指的就是“有多少用戶(hù)留下來(lái)了”。用戶(hù)在某段時(shí)間內(nèi)開(kāi)始使用應(yīng)用的用戶(hù)，經(jīng)過(guò)一段時(shí)間后，仍然繼續(xù)使用的用戶(hù)，被認(rèn)作是留存用戶(hù)。

留存率=新增用戶(hù)中登錄用戶(hù)數(shù)/新增用戶(hù)數(shù)（一般統(tǒng)計(jì)周期為天）

留存率反映的實(shí)際上是用戶(hù)的一個(gè)留存漏斗，即新用戶(hù)轉(zhuǎn)化為活躍用戶(hù)、穩(wěn)定用戶(hù)、忠誠(chéng)用戶(hù)的過(guò)程，宏觀觀察用戶(hù)的生命進(jìn)程情況，通過(guò)用戶(hù)的后期留存情況就能從一個(gè)層面把握渠道質(zhì)量，比如，付費(fèi)，粘性，價(jià)值量，CAC成本。

用戶(hù)回訪率：用戶(hù)在某段時(shí)間內(nèi)開(kāi)始使用應(yīng)用，經(jīng)過(guò)一段時(shí)間后，繼續(xù)登陸使用的用戶(hù)，被認(rèn)作是回訪用戶(hù)。比如用戶(hù)在使用該App之后的N天/周/月之后，再次使用該App的比例，叫做N天/周/月回訪率。留存與回訪這兩者的區(qū)別就是：前者是新增多少用戶(hù)，留下來(lái)多少；后者是在某時(shí)間段內(nèi)，用戶(hù)再次使用、訪問(wèn)app、軟件的數(shù)量。

3、產(chǎn)品營(yíng)收指標(biāo)

客單價(jià)（ARPU）：客單價(jià)=支付有效金額/支付用戶(hù)數(shù)，客單價(jià)反應(yīng)平均一個(gè)用戶(hù)支付的金額，金額越高，為企業(yè)帶來(lái)的利潤(rùn)也越多，因此提升客單價(jià)是一個(gè)很好幾刺激毛利潤(rùn)的方法，比如我們常見(jiàn)的促銷(xiāo)手段：買(mǎi)2件減10元，買(mǎi)2件送贈(zèng)品等；

轉(zhuǎn)化率：訂單轉(zhuǎn)化率=有效訂單用戶(hù)數(shù)/UV。轉(zhuǎn)化率是做成交營(yíng)收的一個(gè)關(guān)鍵因素，轉(zhuǎn)化越高表示越多用戶(hù)在目標(biāo)頁(yè)面下單。

用戶(hù)支付金額（GMV）：支付金額即產(chǎn)品某段時(shí)間的流水。產(chǎn)品的營(yíng)收做得好與不好，主要就是看支付流水。盈利模式如何，有沒(méi)有穩(wěn)定的創(chuàng)收能力，是對(duì)一個(gè)產(chǎn)品終極的考驗(yàn)（戰(zhàn)略燒錢(qián)和圈用戶(hù)的先不算在內(nèi)）

產(chǎn)品營(yíng)收指標(biāo)有一個(gè)恒等式：

• 銷(xiāo)售額=訪客數(shù)×成交轉(zhuǎn)化率×客單價(jià)
• 銷(xiāo)售額=曝光次數(shù)×點(diǎn)擊率×成交轉(zhuǎn)化率×客單價(jià)；

這是電商入門(mén)基礎(chǔ)中的戰(zhàn)斗機(jī)

5?漏斗模型分析

定義：漏斗模型分析，本質(zhì)是分解和量化，也就是說(shuō)從一個(gè)事件環(huán)節(jié)的最開(kāi)始（獲取用戶(hù)）到最終轉(zhuǎn)化成購(gòu)買(mǎi)這整個(gè)流程中的一個(gè)個(gè)子環(huán)節(jié)，相鄰環(huán)節(jié)的轉(zhuǎn)化率表現(xiàn)力，就是指用數(shù)據(jù)指標(biāo)來(lái)量化每一個(gè)步驟的表現(xiàn)。所以整個(gè)漏斗模型就是先將整個(gè)事件流程拆分成一個(gè)個(gè)步驟，然后用轉(zhuǎn)化率來(lái)衡量每一個(gè)步驟的表現(xiàn)，最后通過(guò)異常的數(shù)據(jù)指標(biāo)找出有問(wèn)題的環(huán)節(jié)，從而解決問(wèn)題，優(yōu)化該步驟，最終達(dá)到提升整體購(gòu)買(mǎi)轉(zhuǎn)化率的目的。

流量漏斗模型在產(chǎn)品運(yùn)用中的一個(gè)經(jīng)典運(yùn)用是AARRR模型，來(lái)自增長(zhǎng)黑客Growth hacker一書(shū)中（這本書(shū)特別值得一看），AARRR模型是結(jié)合產(chǎn)品本身的特點(diǎn)以及產(chǎn)品的生命周期位置，來(lái)關(guān)注不同的數(shù)據(jù)指標(biāo)，最終制定不同的運(yùn)營(yíng)策略。

《增長(zhǎng)黑客》增長(zhǎng)黑客是介于技術(shù)和市場(chǎng)之間的新型團(tuán)隊(duì)角色，主要依靠技術(shù)和數(shù)據(jù)的力量來(lái)達(dá)成各種營(yíng)銷(xiāo)目標(biāo)，而非傳統(tǒng)意義上靠砸錢(qián)來(lái)獲取用戶(hù)的市場(chǎng)推廣角色。他們能從單線(xiàn)思維者時(shí)常忽略的角度和難以企及的高度通盤(pán)考慮影響產(chǎn)品發(fā)展的因素，提出基于產(chǎn)品本身的改造和開(kāi)發(fā)策略，以切實(shí)的依據(jù)、低廉的成本、可控的風(fēng)險(xiǎn)來(lái)達(dá)成用戶(hù)增長(zhǎng)、活躍度上升、收入額增加等商業(yè)目的。簡(jiǎn)單來(lái)說(shuō)，就是低成本甚至零成本地讓產(chǎn)品獲得有效增長(zhǎng)。增長(zhǎng)黑客的核心是：自傳播/病毒傳播。

AARRR的說(shuō)明：

• 獲取Acquisition：用戶(hù)如何發(fā)現(xiàn)并來(lái)到你的產(chǎn)品？（瀏覽層）
• 激活A(yù)ctivation：用戶(hù)的第一次使用體驗(yàn)如何？（點(diǎn)擊/參與）
• 留存Retention：用戶(hù)是否還會(huì)回到產(chǎn)品？（回訪/留存）
• 收入Retention：產(chǎn)品怎樣通過(guò)用戶(hù)賺錢(qián)？（付費(fèi)）
• 傳播Retention：用戶(hù)是否愿意告訴其他用戶(hù)？（忠實(shí)/傳播用戶(hù)）

漏斗模型在實(shí)際的運(yùn)營(yíng)中很常見(jiàn)，我們可以抽象出決定漏斗形態(tài)的三個(gè)元素：時(shí)間、節(jié)點(diǎn)、流量。

• 1、時(shí)間：轉(zhuǎn)化周期，即為完成每一層漏斗所需時(shí)間的集合。通常來(lái)講，一個(gè)漏斗的轉(zhuǎn)化周期越短越好。
• 2、節(jié)點(diǎn)：每一層漏斗，就是一個(gè)節(jié)點(diǎn)。而對(duì)于節(jié)點(diǎn)來(lái)說(shuō)，最核心的指標(biāo)就是轉(zhuǎn)化率，轉(zhuǎn)化率 = 通過(guò)該層到達(dá)下一次層的流量/到達(dá)該層的流量。
• 3、流量：每個(gè)環(huán)節(jié)的數(shù)值大小，也就是人群數(shù)。

流量漏斗模型案例解說(shuō)

以電商實(shí)際運(yùn)營(yíng)過(guò)程中的具體案例說(shuō)明流量漏斗模型的運(yùn)用，假設(shè)（數(shù)據(jù)均虛擬）我們做了一場(chǎng)營(yíng)銷(xiāo)活動(dòng)，活動(dòng)頁(yè)面的流量漏斗模型如下圖：用戶(hù)的流量路徑如下：點(diǎn)擊主會(huì)場(chǎng)頁(yè)面→進(jìn)入商品詳情頁(yè)→下單購(gòu)買(mǎi)→發(fā)貨（上賬）；

對(duì)比正常賣(mài)場(chǎng)流量漏斗平均圖可以看出，用戶(hù)在“活動(dòng)頁(yè)面→進(jìn)入商品詳情頁(yè)”這個(gè)步驟中，跳轉(zhuǎn)率只有40%，假設(shè)遠(yuǎn)低于平均值45%，可以思考下用戶(hù)進(jìn)入主會(huì)場(chǎng)后為什么不點(diǎn)擊商品呢？一般而言，跳轉(zhuǎn)率低下主要由以下幾個(gè)原因：

• 1、頁(yè)面開(kāi)發(fā)問(wèn)題bug：手機(jī)機(jī)型適配問(wèn)題、無(wú)法點(diǎn)擊、頁(yè)面空窗、鏈接錯(cuò)誤等；
• 2、內(nèi)容與引流用戶(hù)不匹配：引流用戶(hù)對(duì)商品/內(nèi)容不感興趣、BI推薦不準(zhǔn)確等 ；
• 3、頁(yè)面運(yùn)營(yíng)問(wèn)題：利益點(diǎn)對(duì)應(yīng)商品承接、商品讓利不夠、文案內(nèi)容與承接落地頁(yè)面不符；

一個(gè)個(gè)去排除問(wèn)題后，我們可以初步將問(wèn)題點(diǎn)鎖定，針對(duì)性解決。簡(jiǎn)單總結(jié)，漏斗模型適合運(yùn)用于監(jiān)控不同的產(chǎn)品環(huán)節(jié)數(shù)據(jù)指標(biāo)，并找出對(duì)應(yīng)的問(wèn)題。

6?用戶(hù)畫(huà)像分析

用戶(hù)畫(huà)像的正式名稱(chēng)是User Profile，是指根據(jù)用戶(hù)的屬性、用戶(hù)偏好、生活習(xí)慣、用戶(hù)行為等信息而抽象出來(lái)的標(biāo)簽化用戶(hù)模型。通俗說(shuō)就是給用戶(hù)打標(biāo)簽，而標(biāo)簽是通過(guò)對(duì)用戶(hù)信息分析而來(lái)的高度精煉的特征標(biāo)識(shí)。通過(guò)打標(biāo)簽可以利用一些高度概括、容易理解的特征來(lái)描述用戶(hù)，可以讓人更容易理解用戶(hù)，并且可以方便計(jì)算機(jī)處理。在產(chǎn)品早期和發(fā)展期，會(huì)較多地借助用戶(hù)畫(huà)像，幫助產(chǎn)品運(yùn)營(yíng)理解用戶(hù)的需求，想象用戶(hù)使用的場(chǎng)景，產(chǎn)品設(shè)計(jì)從為所有人做產(chǎn)品，變成為帶有某些標(biāo)簽的3-5個(gè)人群做產(chǎn)品，間接降低復(fù)雜度。

用戶(hù)畫(huà)像的數(shù)據(jù)內(nèi)容包含但不局限于：

• 1、人口屬性：包括性別、年齡等人的基本信息；
• 2、興趣特征：瀏覽內(nèi)容、收藏內(nèi)容、閱讀咨詢(xún)、購(gòu)買(mǎi)物品偏好等；
• 3、位置特征：用戶(hù)所處城市、所處居住區(qū)域、用戶(hù)移動(dòng)軌跡等；
• 4、設(shè)備屬性：使用的終端特征等；
• 5、行為數(shù)據(jù)：訪問(wèn)時(shí)間、瀏覽路徑等用戶(hù)在網(wǎng)站的行為日志數(shù)據(jù)；
• 6、社交數(shù)據(jù)：用戶(hù)社交相關(guān)數(shù)據(jù)；

用戶(hù)畫(huà)像主要運(yùn)用常場(chǎng)景如下圖

用戶(hù)畫(huà)像運(yùn)用場(chǎng)景三維空間圖，X軸代表業(yè)務(wù)場(chǎng)景維度；Y軸代表用戶(hù)標(biāo)簽維度；Z軸代表服務(wù)層次維度。首先用戶(hù)畫(huà)像業(yè)務(wù)場(chǎng)景可以分為用戶(hù)細(xì)分、產(chǎn)品優(yōu)化、渠道拓展、運(yùn)用提升、風(fēng)險(xiǎn)控制等?；诿恳粋€(gè)業(yè)務(wù)場(chǎng)景，都有不同的用戶(hù)標(biāo)簽定義，比如用戶(hù)細(xì)分場(chǎng)景業(yè)務(wù)中，主要是用戶(hù)的基本屬性，包括性別、年齡、地域等。而風(fēng)險(xiǎn)控制業(yè)務(wù)場(chǎng)景中，主要是用戶(hù)風(fēng)險(xiǎn)控制標(biāo)簽，包括黃牛標(biāo)簽、異常評(píng)分標(biāo)簽等。首先對(duì)用戶(hù)群進(jìn)行用戶(hù)標(biāo)簽處理，根據(jù)不同的標(biāo)簽進(jìn)行個(gè)性化推薦，再到到運(yùn)營(yíng)層面進(jìn)行決策運(yùn)營(yíng)。環(huán)環(huán)相扣，所以用戶(hù)畫(huà)像的核心是標(biāo)簽的建立。

用戶(hù)畫(huà)像分析案例解說(shuō)

「她是一位住在北京的80后的女性白領(lǐng)，起居時(shí)間規(guī)律，喜歡運(yùn)動(dòng)，家有幼兒，關(guān)注時(shí)尚愛(ài)蘭蔻……」這段話(huà)語(yǔ)用來(lái)描述的是某個(gè)用戶(hù)，并不是一類(lèi)用戶(hù)。我們談的用戶(hù)畫(huà)像User Profile，本質(zhì)是對(duì)任何一個(gè)用戶(hù)都能用標(biāo)簽和數(shù)據(jù)描述。

因此，我們將此類(lèi)用戶(hù)標(biāo)簽化為：作息規(guī)律、注重品質(zhì)、生活健康、嘗試新鮮、小資；當(dāng)然這種標(biāo)簽沒(méi)辦法精細(xì)化指導(dǎo)運(yùn)營(yíng)工作，對(duì)于用戶(hù)運(yùn)營(yíng)而言，比較經(jīng)典的用戶(hù)畫(huà)像指導(dǎo)運(yùn)營(yíng)的模型是RFM模型；

文：廖小蟲(chóng)愛(ài)吃肉/運(yùn)營(yíng)狗成長(zhǎng)筆記（yygczbj）

首席增長(zhǎng)官CGO薦讀產(chǎn)品運(yùn)營(yíng)：

• 《如何從0到1精細(xì)化做用戶(hù)運(yùn)營(yíng)？|用戶(hù)分層篇》
• 《從快速增長(zhǎng)用戶(hù)分析上來(lái)看：為什么拼多多能成功上市》
• 《完整的競(jìng)品分析可以幫你隨時(shí)隨地調(diào)整產(chǎn)品運(yùn)營(yíng)策略》

更多精彩，關(guān)注：增長(zhǎng)黑客（GrowthHK.cn）

增長(zhǎng)黑客（Growth Hacker）是依靠技術(shù)和數(shù)據(jù)來(lái)達(dá)成各種營(yíng)銷(xiāo)目標(biāo)的新型團(tuán)隊(duì)角色。從單線(xiàn)思維者時(shí)常忽略的角度和高度，梳理整合產(chǎn)品發(fā)展的因素，實(shí)現(xiàn)低成本甚至零成本帶來(lái)的有效增長(zhǎng)…