今日頭條

2019-03-15 11:44:01

數據分析對於運營來說是一個數據抽象的過程。現實情況是連續的、複雜的、互相影響的,而數據抽象的過程,就是將這些複雜多變的現實情況簡化為數字量,搭建數據模型,計算相關因子,推斷事件歸因,並推進自身改進最佳化。

由於現實的複雜性,我們作為產品、運營或者數據分析師,在實際問題處理時,就需要做歸因分析,需要禁止其他因子的干擾,因此我們常常使用用戶分群。

分群後,我們的用戶群可能簡化為:

在每一個分群下,我們可以簡化地對比某個因素對關鍵路徑或者關鍵指標的影響因素。分群是手段,是工具,簡單來說,分群分析就是通過聚類的方式,把相似的人群合併,考察同一事件或同一指標在不同人群上的表現,以推斷並定位對該事件/指標有明顯影響的因子。

騰訊移動分析MTA在產品負責人鄭燦雙Johnnyzheng和顧孫炬raygu推動下,將用戶精細分群與用戶畫像結合起來,助力精益化運營的深度與精度。

那么,用戶分群與用戶畫像如何結合使用?接下來,我們舉個App案例進行說明:

某電商App,現在面臨的問題是用戶成交量較低,與投放推廣的成本相比,ROI較低。

這個問題,我們應該如何分析?

首先,我們想看看成交的這部分用戶與大盤用戶之間有什麼區別。我們在用戶中選出成交的用戶,建立用戶群對比大盤用戶。

這裡,我們需要使用MTA自定義事件。設定“付款成功”為一個自定義事件,然後使用MTA中的用戶分群功能,將自定義事件中滿足“付款成功”的用戶群篩選出來,命名為“成交用戶”;我們還可以設定一個叫做“高價值用戶”的用戶群,將“付款成功”且付款金額>=100的用戶篩選出來。

*此處定義高價值用戶為成交單價>100元的用戶

1、用戶分群分析

得到了三個用戶群之後,我們使用數據分析工具,比如騰訊移動分析MTA,對比這三個用戶群特點間的區別。以下為三個用戶群特徵的對比:

從圖中我們可以發現,大盤用戶中男性較多,但實際成單與高價值用戶中,都是女性偏多,且此部分用戶對購物類App、金融類App的興趣要明顯高於大盤用戶,表現出了較強的消費能力。

現在我們的問題是投放回報率較低,ROI不符合預期。

那么,我們可以初步判斷,可以最佳化的有以下兩個方向:

1、 用戶引流渠道可能有問題,需要調整渠道引流策略,包括渠道選擇、人群針對性最佳化等,引入與消費行為匹配的新用戶群,提高銷售量;

2、 商品定位的調整:現有產品對男性的吸引力不足,導致大量大盤用戶並沒促成成單,這也是導致ROI較低的另一方面原因,可能需要調整的包括商品品類、商品推薦等;

其中,第一種最佳化方式的見效周期較短,而第二種調整方式相對影響層面較大、周期較長。我們優先實踐第一種最佳化方式,以調整渠道引入流量為主,最佳化引入人群的匹配程度,實現提高ROI的目標。後續還需要斟酌是否需要最佳化產品定位,比如打造針對男性的亮點頻道,進行產品改善疊代。

2、渠道最佳化策略

那么,渠道應該如何做改善?我們先對單周渠道引入量的數據,進行初步評估。

成交率數值套用的是漏斗模型的渠道篩選功能

*此處渠道只列了5支較典型的渠道樣本數據,實際渠道分布更多

從圖表上看,我們當前主要的流量渠道是渠道D與渠道E,而且渠道D的留存率很高,可以認為是我們的優質渠道。

但從成交上看,我們認為渠道A其實有很大的潛力,雖然現在的引入量較小,但與成交人群重合度較高,考慮到A渠道的獲客成本低於渠道D,加大投放之後很可能會有一個不錯的收益,能夠實現我們提高ROI的目標。

3、渠道人群畫像驗證

我們對渠道人群A進行畫像分析,女性比例高達62.36%,其用戶群對購物類App的興趣也高於大盤用戶,與我們高價值人群特徵匹配度較高。

現在渠道A給我們帶來的流量還比較小,但由於其渠道收益上ROI比例較高,且其群體畫像與我們高價值用戶的畫像吻合度高,表現出了很高的投放潛力。

我們的改善方法是:調整渠道投放的比例,減少渠道B、渠道C的投放,增強渠道A的投放,以周為單位,疊代最佳化渠道投放效果,並監測ROI的變動。

4、渠道投放最佳化效果

在投放一周后,對新增用戶有了增長,我們臨時決議再次加大渠道A的投放比例。這裡是一個月的時間周期內,我們的新增用戶數在渠道上的分布有了顯著變化。

最佳化投放渠道前後,購買轉化漏斗轉化率的改變:

由於渠道A的平均客單價約是渠道D的1/2~1/3,我們的投入產出比例得到了最佳化。這主要依賴於通過數據分析找到了優質低價的渠道,降低了獲客成本。

那么這個轉化漏斗中,是否還有其他最佳化的空間?我們還能做什麼改善?請關注我們下周的案例分享《數據運營實戰(二)》。

相關文章
精选文章