对于电商网站来说，相信大家在日常营销和运营的过程中都遇到过类似的问题：
- 网站的目标群体是对时尚感兴趣的年轻女性，但是通过推广活动引流入站的群体与目标群体差异明显
- 精心策划的新品上线或促销活动转化率低于预期
- 想要构建精准的用户画像但苦于找不到方法
其实这些问题大都归结于：
- 不知道谁是我的忠诚用户
- 不了解哪些用户群体能为我带来更高的价值
- 不了解用什么方法对用户进行细分或者精细营销
- 不知道怎么能为我的用户打上更“立体”的标签
本文会从以下三个方面为大家提供一些用户分析的思路和方法。
- 了解用户：Google Analytics【受众群体】报告
- 细分用户：RFM模型
- 用户信息标签化：用户画像
1、Google Analytics【受众群体】报告
对于企业来说，每个业务线或者主要业务都是建立在有某种需求的用户身上。
就线下销售而言，通过对用户的“察言观色”就可以快速了解用户一些基本信息。比如性别、年龄段、对哪类商品感兴趣，同时还可以快速确认销售系统中是否有会员信息。
而对于线上业务来说，了解用户更好的方式则是通过收集到的数据对用户画像、用户偏好以及用户习惯进行分析和验证，实现精准描绘用户的目的，定位网站中的哪些用户信息对我们来说是有价值的。
如下图所示，我们可以通过Google Analytics中【受众群体】的几张简单的报告从多角度了解、分析用户。
【属性】类报告可以呈现：
- 用户的性别和年龄结构是什么样的？
- 实际入站、或者收入贡献高的用户的性别和年龄与网站的目标用户有差异吗？
- 网站中的高质量用户分布在哪里？
- 哪些国家/城市还值得进一步开发？
【行为】类报告中可以提取出：
- 新用户对什么内容比较感兴趣？
- 用户平均来访几次会产生购买行为？
- 因为共同的特征被关联在一起的用户群组有哪些表现？
【设备】报告可以告诉我们：
- 会不会出现浏览器的某个版本兼容性有问题，导致用户在结算时无法跳转至指定的页面导致转化率低？
- 有没有一些可能是不常用的版本在开发测试时没有兼顾到，但是由于网站基数大，导致这部分用户量也很可观，需要同时顾及？
- 通过屏幕分辨率报告，确认网站首屏是否可以完整的呈现在用户可视的范围内，重点元素会不会被遮挡。
通过【意愿&和兴趣】报告：
- 可以洞察到站用户同时还对哪些网站感兴趣，辅助用户属性数据优化广告投放的受众
- 结合电商数据，考量对低价值用户支出的投放费用
以受众特征中的【性别】报告为例，我们可以借助这张报告做一些基础的分析，评估网站的获客准确度。
上图报告中，女性用户的占比约为36%，男性用户占比约为64%，但从收入贡献数据看，两个群体贡献的收入差距不大，女性群体甚至更高。
拿到这样的数据报告后，分析的角度可以是：
- 假设网站以女装为主，但是引流结果是男性居多，那我们选择的引流渠道是不是需要优化？
- 通过添加次级维度“来源/媒介”或者“渠道”，是不是可以进一步推断出哪些渠道和网站的需求更匹配？
- 哪些渠道的引流目标和网站的目标人群有偏差？
- 在性别数据的基础上，结合其它受众特征，是不是可以了解网站优质用户的受众特征，依次进行更精细化的营销？
- 或者说对于汽车类网站来说，实际留资并进行线下试驾的用户以男性群体居多，但网站流量中有超过60%的女性群体，这时就要考虑选择的投放平台是否真的合适。
通过更多维度的交叉，我们还可以获取到更精细的用户群组：
用户属性分析的小提示：
1、避免使用意义不大的单一维度
- 有意义：性别、年龄、兴趣、地理位置等
- 无意义：新访回访
单纯的分析新访回访意义不大，我们在进行营销规划的时候，不可能只针对回访用户进行再营销等投放，重点应该是放在怎么把新访用户变成回访用户。
2、选用合理的维度交叉，群体可控，实现良性增加
- 合理：性别、年龄、时间段、设备等
- 不合理：操作系统、分辨率
设备信息的意义在于让我们如何更好的去适应用户，而不是只“挑选”某一类用户。
3、不建议追求价值极高，但数量极少的用户群体
进行用户交叉分析过程中，我们可能会发现一些质量很高的用户，但是这些用户的属性可能很难复制或者推广。
4、细分的数据更有价值
即使是一些基础的细分操作，都可以帮助我们发现、挖掘数据细节下暗藏的价值，解开数据“真实的面貌”。
很多企业的业务诉求之一就是识别高价值用户，为了实现这个诉求，就需要通过收集用户决策行为中的几个重点要素实现。
从大方向来说，这些要素包括用户属性、用户访问行为以及用户的购买行为的分析。
通过Google Analytics，除了我们上述提到的基本用户属性信息，还可以获取到：
用户访问行为：
- 流量来源
- 着陆页面、访问页面
- 行为流
- 搜索、点击、访问停留的深度和广度
- 访问频率
购买行为：
- 会员注册
- 表单提交
产品页面的浏览行为
- 订单提交
- 售后服务咨询/服务查询
- 促销活动交互（促销页面行为，代金券下载，促销广告页面的曝光与点击，线下代金券使用等）
2、RFM 模型
什么是RFM模型
RFM模型是衡量用户价值和用户创利能力的重要工具和手段。
- R值：最近一次消费（Recency）用户最近一次消费距当前的时间间隔，理论上R值越小（即上次消费时间越接近当前）的用户，回购的可能性越大，我们越容易维系与其的关系。
- F值：消费频率（Frequency）用户在某段时间内的购买次数，F值越大的用户，其购买频率越高，活跃度也就越高。
- M值：消费金额（Monetary）用户在某段时间内的累计消费金额，消费金额是营销的黄金指标，直接反应用户的对企业利润的贡献。
根据R、F、M三个值各自高于或不高于平均分的情况，可以细分出2×2×2共8组用户。
对于网站来说，理想的用户状态是用户消费时间间隔(R)越短越好，消费频率(F)越高越好，消费金额(M)越大越好，这类用户可以认为是最具价值的用户。以1表示得分优于均值，以0表示得分劣于均值，划分的8组用户类型如下：
RFM模型的使用场景：
1、RFM模型可帮助提高客户生命周期价值
基于实际的交易历史，RFM模型是我们快速了解当前客户价值的方法。在更好地了解细分受众群体的情况下，通过改善业务，促使用户从流失用户→普通用户→忠诚用户转变。
2、通过RFM模型最大程度上降低营销成本并提高回报率
将营销活动针对那些更有可能对活动做出响应的客户，而非全部用户，从而降低营销成本成本，也提过了转化率。
3、通过RFM模型提高用户忠诚度
根据帕累托法则（即二八定律），20%的用户会给我们带来80%的贡献。针对高价值用户，我们可以通过感谢信、节日专属福利等方式，增进与其的联系，加强用户归属感。
4、通过RFM模型改善用户流失
处于休眠状态或流失边缘的用户是值得我们特别注意的，我们需要识别出这部分用户，并通过相应的措施，如个性化电子邮件、短信，亦或是优惠券、折扣商品等，及时将用户唤回。
如何搭建RFM模型
1、获取源数据
从CRM系统或业务数据库中导出用户订单信息表，最简单的只需要4个字段：用户ID，最近一次消费时间、消费频率、累计消费金额。以某电商公司数据为例，导出2019/01/01至2019/12/31日的订单数据，然后将数据导入Power BI中。
以2020/01/01为参照点时间，计算用户最近一次消费距参照点的天数间隔，得到R值：
2、R、F、M值评分
确定RFM的分段和对应分段的分值，按照评分表计算用户的得分情况。实际情况中，RFM值具体分段应根据自身业务情况出发，或通过四分位数、加权等方法制定更合理的分段和分值。本次评分示例如下：
依照评分表，我们可以依次计算出各用户对应的RFM得分：
3、划分用户价值类型
回到前文下图示，我们需要判断RFM值高于还是低于平均分的情况，以判断用户属于哪个价值类型。
我们以“1”表示得分高于平均分，以“0”表示得分不高于平均分，依次对RFM值进行计算，得到如下结果：
为方便观察，我们再将每个用户对应的分类名称加上：
基于上述方法，我们就可以划分每个用户所属的价值类型了。
3、用户画像
对于大多数企业来说，运营过程中都会遇到以下的问题：
单一角度认知不完整
希望通过多种数据分析、挖掘和计算方法，对不同运营对象从各个维度上做剖析。
但问题在于，每个维度上只能看到其片面的形象，犹如盲人摸象，对目标对象的认知并不完整。尤其当运营对象及其复杂时，这种问题更加明显。
缺乏全生命周期认知
任何一个对象都是有生命周期的，用户、广告渠道、商品等莫不如此。
例如用户生命周期可分为宣传期、观察期、形成期、稳定期、衰退期和流失期等。
各个阶段的特征差异非常大，对其认知不能只建立在其断面时间点的过往历史周期，还应该将其未来生命周期内的价值都囊括在内。
所以设计用户画像方案时，基础信息可分为两部分：用户基本情况和用户周期周期标签。
用户画像不仅基于静态数据。每个运营主体都是在动态变化的，例如用户在昨天、上周和上个月的需要变化是潜在的，而这些变化需要全面的体现在我们的认知之中。
而目前的认知都是基于特定时间点户或时间段做数据加工处理，得到的数据仅仅能体现处理周期内的用户特征，而无法反应其动态变化特性。
触脉咨询画像解决方案
1、用户画像解决方案
基于上述问题，触脉咨询从自动化标签生成、个性化动态标签模型定义以及多维画像关系表达三方面入手，形成用户画像解决方案服务：
用户画像是构建对用户完整认知的一种方法，用户画像的结果一般都是以标签和标签值为标准结果。
触脉提供的用户画像将用户数据以时间为X轴、以标签及标签值为Y轴，以人物为Z轴的三维立体模型。能够以场景+标签+行为路径的方式，描述每个用户在不同场景下的行为画像。
场景化是画像分析和应用的基础，基于场景化得到的衍生路径反应了用户标签（画像特征）的变迁。
在这个过程中，除行为变迁，用户的人口属性、会员属性、金融属性、消费属性、工作属性、学习属性、娱乐属性、社交属性等特征在全生命周期下都可以被描述得淋漓尽致。
此方案是一个动态分析客户的过程，而非截面式的静态分析方法。
2、商品画像解决方案
除了用户分析，产品分析也是电商网站运营工作中的重点。
触脉咨询在刻画商品画像的过程中，将商品画像分为前台（商品页在网站，应用端的曝光，点击，销售数据）和后台（商品的库存，物流，及采购数据）两部分。
前台画像主要围绕商品类别构成权重、商品类别价值、商品销售渠道、营销促销，将这些要素作为商品价值衡量维度，通过大数据模型设计，训练与调试，形成最适合企业实际情况的用户价值最大化的商品销售模型。这是属于传统的侧重于“销售”领域的课题。
除此之外，触脉还开创性地将后台数据库的理念整合到商品画像中，即将对商品销售影响重大的后端支持要素，以成本、利润、库存、物流、退换货、评价为主线，涵盖商品的“流动特征”，形成完整的商品画像。
对于企业而言，运营的目标就是尽一切可能延长用户的生命周期，增加每个用户的生命周期价值，最终让企业实现利益最大化。
简而言之就是我们要想办法让用户留下来，并且赚钱。
关注我们，获取更多数据分析方法及新鲜资讯
