用户研究:用户行为分析

传播蛙

从流量营销到数据驱动,很多产品的精细化运营都是围绕用户来进行的,关键在于用户研究。

用户研究的常用方法有:情境调查、用户访谈、问卷调查、A/B测试、可用性测试与用户行为分析,如图3.3-1所示。其中用户行为分析是用户研究的最有效方法之一。

图3.3-1

1.了解用户行为分析

用户行为分析是对用户在产品上的产生的行为及行为背后的数据进行分析,通过构建用户行为模型和用户画像,来改变产品决策,实现精细化运营,指导业务增长。

在产品运营过程中,对用户行为的数据进行收集、存储、跟踪、分析与应用等,可以找到实现用户自增长的病毒因素、群体特征与目标用户。从而深度还原用户使用场景、操作规律、访问路径及行为特点等。

2.用户行为分析目的

对于互联网金融、新零售、供应链、在线教育、银行、证券等行业的产品而言,以数据为驱动的用户行为分析尤为重要。用户行为分析的目的是:推动产品迭代、实现精准营销,提供定制服务,驱动产品决策。主要体现在以下几个方面:

对产品而言,帮助验证产品的可行性,研究产品决策,清楚地了解用户的行为习惯,并找出产品的缺陷,以便需求的迭代与优化。

对设计而言,帮助增加体验的友好性,匹配用户情感,细腻地贴合用户的个性服务,并发现交互的不足,以便设计的完善与改进。

对运营而言,帮助裂变增长的有效性,实现精准营销,全面地挖掘用户的使用场景,并分析运营的问题,以便决策的转变与调整。

3.采集用户行为数据

用户行为数据其实有很大的商业价值,首先要明确数据的采集方式,以便更好的支持后续的数据分析。常用的数据采集方式有:平台设置埋点和第三方统计工具。

平台设置埋点是一种非常普遍的收集方式,即通过编写代码和日志布点的方式,来详细描述事件和属性的方式。以用户登录为例,如图3.3-2所示。用户在APP上进行登录时,相关操作都会被记录下来,并以日志形式存储在指定的服务器上。

图3.3-2

第三方统计工具一般是通过SDK接入,我们只需根据指标去搭建分析模型。常见的第三方统计工具有:百度统计、CNZZ统计、GrowingIO、诸葛IO、神策IO、Google Analytics、Thinking Analytics、友盟、Mixpanel、Heap等。

4.用户行为分析指标

对用户行为数据进行分析,关键是找到一个衡量数据的指标。根据用户行为表现,可以细分多个指标,主要分为三类:黏性指标、活跃指标和产出指标,如图3.3-3所示。

图3.3-3

粘性指标:主要关注用户周期内持续访问的情况,比如新用户数与比例、活跃用户数与比例、用户转化率、用户留存率、用户流失率、用户访问率。

活跃指标:主要考察的是用户访问的参与度,比如活跃用户、新增用户、回访用户、流失用户、平均停留时长、使用频率等。

产出指标:主要衡量用户创造的直接价值输出,比如页面浏览数PV、独立访客数UV、点击次数、消费频次、消费金额等。

这些指标细分的目的是指导运营决策,即根据不同的指标去优化与调整运营策略。简而言之,用户行为分析指标细分的根本目的有:一是增加用户的粘性,提升用户的认知度;二是促进用户的活跃,诱导用户的参与度;三是提高用户的价值,培养用户的忠诚度。

5.做好用户行为分析

确定好用户行为分析指标后,我们可以借助一些模型对用户行为的数据进行定性和定量的分析。常用的分析模型有:行为事件分析、用户留存分析、漏斗模型分析、行为路径分析和福格模型分析,如图3.3-4所示。

图3.3-4
  • 1.行为事件分析

行为事件分析是根据运营关键指标对用户特定事件进行分析。通过追踪或记录用户行为事件,可以快速的了解到事件的趋势走向和用户的完成情况。

以用户投标的行为事件为例,如图3.3-5所示。出借人在完成投标过程中,所进行的注册、认证、开户、充值、投资等行为,都可以定义为事件,也是完成投标成功的一个完整事件。

图3.3-5

确定投标行为事件后,我们可以根据事件属性细分维度:用户来源、性别、出生年月、注册时间、绑卡时间、首次充值时间、首次投资时间、标的ID,标名、期限、利率、还款方式等。然后从中找出符合指标的规律,并制定针对性的措施。

  • 2.用户留存分析

用户留存分析是一种用来分析用户参与情况与活跃程度的模型。通过留存量和留存率,可以了解用户的留存和流失状况。比如用次日留存、周留存、月留存等指标来衡量产品的人气或粘度。

以渠道访问的用户留存为例,如图3.3-6所示。我们对APP端有过访问行为的渠道用户进行留存分析。从图中可以看出8月14日~8月20日的次日留存率在41%以上,周留存率在22%以上。但在8月17日的次日留存率突然飙升到67%,一般是进行了活动策划或功能优化才会留存率这么高。

图3.3-6

用户留存一般符合40-20-10法则,即新用户的次日留存应该大于40%,周留存大于20%,月留存大于10%才符合业务标准。我们做用户留存分析主要验证是否达到既定的运营目标,进而影响下一步的产品决策。

  • 3.漏斗模型分析

漏斗模型分析是用户在使用产品过程中,描述各个阶段中关键环节的用户转化和流失率情况。比如在日常活动运营中,通过确定各个环节的流失率,分析用户怎么流失、为什么流失、在哪里流失。找到需要改进的环节,要重点关注,并采取有效的措施来提升整体转化率。

以邀请投资的漏斗模型为例,如图3.3-7所示。邀请人将活动专题页分享给好友,之后进行的注册、认证、开户、充值到投资,用漏斗模型分析一些关键节点的转化率。其中用户注册转化率为68%,实名认证转化率为45%,绑卡开户转化率为29%,线上充值转化率为17%,投资标的转化率为8%。

图3.3-7

漏斗模型分析可以验证整个流程的设计是否合理。经过对比发现,访问到注册的转化率为68%,远低于预期的80%。这次运营策略是用户必须先注册才能领取新手福利。之后采取A/B测试的方式,优化为先领取新手福利再诱导用户注册。经过数据对比分析,注册转化率提升了20%。因此,通过对各环节相关转化率的比较,可以发现运营活动中哪些环节的转化率没有达到预期指标,从而发现问题所在,并找到优化方向。

  • 4.行为路径分析

行为路径分析就是分析用户在产品使用过程中的访问路径。通过对行为路径的数据分析,可以发现用户最常用的功能和使用路径。并从页面的多维度分析,追踪用户转化路径,提升产品用户体验。

不管是产品冷启动,还是日常活动营销,做行为路径分析首先要梳理用户行为轨迹。用户行为轨迹包括认知、熟悉、试用、使用到忠诚等。轨迹背后反映的是用户特征,这些特征对产品运营有重要的参考价值。

以用户投标的行为路径为例,如图3.3-8所示。我们可以记录用户从注册、认证、开户、充值到投资的行为轨迹。通过分析用户的这些行为轨迹数据,来验证访问路径是否和预期指标的一致。

图3.3-8

在分析用户行为路径时,我们会发现用户实际的行为路径与期望的行为路径有一定的偏差。这个偏差就是产品可能存在的问题,需要及时对产品进行优化,找到缩短路径的空间。

  • 5.福格模型分析

福格行为模型是用来研究用户行为原因的分析模型,如图3.3-9所示。福格行为模型用公式来简化就是B=MAT,即B=MAT。B代表行为,M代表动机,A代表能力,T代表触发。它认为要让一个行为发生,必须同时具备三个元素:动机、能力和触发器。因此可以借助福格行为模型来评估产品的合理性和能否达到预期目标。

图3.3-9

以活动分享为例,如图3.3-10所示。投资人完成活动分享的行为,也是必须满足福格行为模型的三个元素。即通过邀请有奖让用户有足够的内驱力,自主性的分享活动给好友,且活动专题页有醒目的按钮和文案提示激励用户完成任务。

图3.3-10

用户行为分析模型其实也是一种AISAS模型,即代表了用户从注册、认证、开户、充值到投资整个过程表现:Attention注意、Interest兴趣、Search搜索、Action行动、Share分享,也影响了用户行为决策,如图3.3-11所示。

图3.3-11

用户行为分析模型是一个完整的行为模型,可以对产品的功能进行验证;也是一个闭环的分析体系,可以对数据的结果进行分析。总而言之,用户的核心是洞察心理,行为的本质是挖掘需求,分析的目的是增长业务。

文:朱学敏

本文由 传播蛙 作者:传播蛙 发表,其版权均为 传播蛙 所有,文章内容系作者个人观点,不代表 传播蛙 对观点赞同或支持。如需转载,请注明文章来源。
传播蛙

发表评论