目錄
從數據工具到業務賦能
36個頂級數據分析方法與模型，高效分析必備！
構造標簽，是數據分析師必須掌握的硬技能！
幾類常見的用戶行為分析方法
驅動力
從數據工具到業務賦能
——備付金報備系統離線ETL數據同步任務
? ? ? ? 備付金信息核對校驗業務，是指銀聯、網聯、連通按照人民銀行備付金信息核對校驗相關政策安排，將支付機構在業務系統中有關客戶資金的存放、使用、劃轉等信息與其在備付金集中存管賬戶中的相關記錄進行比對，按照“賬賬相符、賬實相符”的原則對兩者存在的差異做出分析后，將核對校驗結果上報監管部門的業務。
? ? ? ? 根據上面的業務背景我們可以得到下面這樣的業務流程：
業務背景
? ? ? ??根據上述流程，我們發現產生了2個非常基本的需求：
- 在第一步“數據獲取和清洗”時需獲取到易寶各個支付業務的所產生的所有交易數據（業務類型、交易金額、手續費）。
- 在第二步“數據加工”中處理完成的數據報表需要按照一定的時間周期部署定時定點生成。
? ? ? ? 對于獲取其他業務方數據來說，我們最常規的處理方式無外乎兩種：
? ? ? ? ①：直連業務方數據庫：
? ? ? ? 簡單直接，缺點也很明顯，耦合了其他數據源，既不符合服務單一原則也增加了維護難度，尤其是有一些數據庫做了分表，需要己方項目中依賴一套分表規則；
? ? ? ? ②：業務方增加獲取數據接口：
? ? ? ? 這個答案看起來是一個很正確的選擇，一個正常的系統交互確實應該通過接口的方式進行數據交互。
? ? ? ? 但是對于報備的業務場景來說，需要對每日數據進行匯總且每天只會報送一次，如果考慮到異常，每天取數次數也不會超過10次，在這樣一個低頻次，又需要匯總的場景下，加一個接口是否真的有必要？
? ? ? ? 如果這個業務方不只一個，變成四五個的時候..，另外一個問題就是如果涉及很多業務方數據庫的時候，每個業務方都增加一個接口，時間成本又過高。
? ? ? ? 這個時候，我們就希望出現一個工具替我們對接多個數據源并獲取數據，再將多個數據源的數據轉換成一個報表，定時放到已方應用可以訪問的數據庫中，也就是我們常說的ETL過程。
? ? ? ? ETL，是英文Extract-Transform-Load的縮寫，用來描述將數據從來源端經過抽取（extract）、轉換（transform）、加載（load）至目的端的過程，是大數據處理中非常重要的一個環節。
ETL解決報備業務的痛點
劉旭晨
圖1
圖2
從數據工具到業務賦能
驅動力
下面我們以獲取銀聯數據任務為例
實現過程
這些業務方散落在易寶的各個角落里，下一步我們就用要etl把數據“搬”到報備系統。
使用使用ETL對數據進行清洗大概有這么幾個過程：
1、開通所使用表的權限
2、在己方業務系統數據庫創建接收ETL數據的表
3、寫sql
例：獲取CFS數據傳輸報備系統（UnionPayCFS2BankReport）
配置選項：（詳見ETL文檔）
【任務配置】
【E（extract）數據抽取】
? ? ? ? 獲取tbl_bank_clear_data表中所需要的數據，這一步支持復雜sql的查詢。
? ? ? ? 我這里是每日都會定時執行，圖6的sql里面會通過${START}控制每天的時間，${START}為上一步“任務配置”中的時間范圍；
? ? ? ? 在E的過程中也可以對時間做過分表的進行查詢，如圖7。例子為單個E的過程，可配置多個E達到串聯多個數據源的場景。
圖3
圖4
圖5
圖6
圖7
從數據工具到業務賦能
驅動力
【T過程（transform）】
【L過程（load）】
? ? ? ? 業務側應用ETL的核心，在通過et兩個過程對原始數據進行了加工，通過L把數據交付給己方，即己方數據庫表。
圖8
圖9
? ? ? ?上面完成一個業務方的數據獲取，如果獲取多個數據源的時候，可以通過配置多個E來達到目的。另外一個思路可以通過工作串/并行達到對多個etl任務的統一調度。
36個頂級數據分析方法與模型，高效分析必備！
36個頂級數據分析方法與模型，高效分析必備！
轉自《愛數據LoveData》公眾號
好的數據分析師不僅熟練地掌握了分析工具，還掌握了大量的數據分析方法和模型。
這樣得出的結論不僅具備條理性和邏輯性，而且還更具備結構化和體系化，并保證分析結果的有效性和準確性。今天我將從以下6個維度36種分析模型和方法逐個簡略介紹，趕緊點贊收藏！
- 戰略與組織
- 質量與生產
- 營銷服務
- 財務管理
- 人力資源
- 互聯網運營
戰略與組織
1、SWOT分析
主要應用于商業和管理領域，通過內部環境：機會與威脅，外部環境：優勢與劣勢兩個維度，將企業的戰略與之結合起來的一種分析方法。
最終依照矩陣形式排列，得出SO戰略(增長型戰略)、WO戰略(扭轉型戰略)、ST戰略（多種經營戰略）、WT戰略（防御型戰略）這4種決策戰略。
驅動力
3、BSC平衡計分卡
從財務、客戶、內部運營、學習與成長四個角度，將組織的戰略落實為可操作的衡量指標和目標值的一種新型績效管理體系。能夠有效地解決指定戰略和實施戰略脫節的問題，堵住“執行漏斗”。
2、PEST分析
該模型通過政治(politics)、經濟(economy)、社會(society)、技術(technology)這4個因素，分析一個集團在所處的宏觀環境背景下所面臨的狀況。
36個頂級數據分析方法與模型，高效分析必備！
4、BCG矩陣
BCG矩陣又叫波士頓矩陣，通過“預計市場增長率”和“相對市場占有率”兩個維度，去評估一個企業的整體業務情況，該方法可以使公司在資源有限的情況下，合理安排產品組合，收獲或放棄萎縮產品，加大對有發展前景的產品上投資。
5、GE矩陣
通過對現有業務組合進行分析，對不同事業單元的增資或減資策略做出決策。
- 淺藍區域：采取增長/發展戰略，企業優先分配資源；
- 淺黃區域：采取維持現狀/有選擇性發展戰略，保護現有規模，調整企業發展方向；
- 淺灰區域：采取退出、停止、撤退、轉移戰略。
驅動力
2、TQM
TQM中文譯名全面質量管理，以質量為中心，是指一個組織以全員參與為基礎，目的在于通過讓顧客滿意和本組織所有成員及社會受益而達到長期成功的管理途徑。
1、TPM
TPM中文譯名安全生產維護，通過追求生產系統效率極限化，改善企業體制，追求零災害、零不良、零故障，各部門共同推進，幾乎適合所有制造業。
36個頂級數據分析方法與模型，高效分析必備！
4、PDCA
PDCA是指由計劃（plan）、執行（do）、檢查（check）、處理（act）這4個環節構成一個封閉的環，應用此工具，可以將每一項工作形成閉環，實現閉環管理，同時用大環套小環，舊環生成新環，層層遞進，層層管理。
5、AUDIT法
保證產品質量的先進質量管理控制方法。站在用戶的立場，以用戶的期望和要求，用專業的、最挑剔眼光對已取得合格證得可供銷售的汽車產品進行質量評價鑒定，得出一個質量等級，從而評價出該產品在某一時期的質量水平。
質量與生產
3、六西格瑪
六西格瑪是運用 DMAIC (定義問題，測量問題，分析問題，改進問題，控制）戰術步驟來解決問題的方法論，目前主要應用于制造業。
驅動力
2、4Ps營銷組合
4Ps營銷策略，即：產品（Product） 、價格（Price） 、促銷（Promotion）、渠道和分銷（Place&Distribution），抓住公司的這四個P，就把市場營銷內容版塊基本點給立起來，企業一個簡潔的市場營銷體系也初步搭建起來。在經典4Ps營銷策略基礎上增加三個“服務性的P”，即：人員（People）、流程（Process）、環境（Physical evidence），就形成7Ps營銷策略理論。7Ps營銷策略多被用于服務行業。
1、STP分析
在即將進入一個新的市場或進行某一項研發之前，經常使用的分析手段就是STP分析。STP分析即市場細分(Segmenting)、目標市場(Targeting)和市場定位(Positioning)。
36個頂級數據分析方法與模型，高效分析必備！
4、按索夫矩陣
安索夫矩陣是以2X2的矩陣代表企業企圖使收入或獲利成長的四種選擇，其主要的邏輯是企業可以選擇四種不同的成長性策略來達成增加收入的目標。
5、推銷方格理論
根據推銷員在推銷過程中對買賣成敗及與顧客的溝通重視程度之間的差別，將推銷員在推銷中對待顧客與銷售活動的心態劃分為不同類型。推銷方格中顯示了由于推銷員對顧客與銷售關心的不同程度而形成的不同的心理狀態。
6、哈夫模型
提出了購物場所各種條件對消費者的引力和消費者去購物場所感覺到的各種阻力決定了商圈規模大小的規律。哈夫模型區別于其他模型的不同在于模型中考慮到了各種條件產生的概率情況。
營銷服務
3、SPIN銷售法
以客戶為中心的一種銷售策略和銷售技巧，當你按照順序問這四種問題時，會顯著增加銷量轉化的可能性。
驅動力
3、杜邦分析法
利用各主要財務比率指標之間的內在關系，通過建立一套財務指標的綜合模型，來綜合、系統地分析和評價企業財務狀況及其經濟效益的一種方法。
由于杜邦分析法較為艱深，之前也有分析讓我出門教程，如何制作杜邦分析，今天我就簡單實操下，小伙伴可以簡單跟著練一下。這里用到的工具是我一直都在使用的FineBI工具：
具體使用杜邦分析法的三個步驟：
第一步：從凈資產收益率（ROE）開始，根據財務三大表（主要是資產負債表和利潤表)逐步分解計算各指標；在Excel中準備好數據后，接著使用FineBI這個工具逐步分解計算各指標（Excel是可以直接連接FineBI的）
1、Z-SCORE模型
Z－score模型是以多變量的統計方法為基礎，以破產企業為樣本，通過大量的實驗，對企業的運行狀況、破產與否進行分析、判別的系統。
2、ABC成本法
ABC成本法是根據事物的經濟 、技術等方面的主要特征，運用數理統計方法，進行統計、排列和分析，抓住主要矛盾，分清重點與一般，從而有區別地采取管理方式的一種定量管理方法。
36個頂級數據分析方法與模型，高效分析必備！
第二步：將計算出的指標填入杜邦分析圖；
第三步：逐步進行前后期對比分析，也可以進一步進行企業間的橫向對比分析，分析哪些指標影響了ROE，找到原因；合并數據表后，我們就要開始計算銷售凈利率。
添加「計算字段」，命名為「銷售凈利率」，輸入公式：SUM_AGG(凈利潤)/SUM_AGG(銷售收入)，點擊「確定」
銷售凈利率、資產周轉率、權益乘數、凈資產收益率（ROE）同樣操作
4、比率分析法
財務比率法是一種用于揭示企業的財務結構、經營狀況、發展趨勢等內在情況的方法，是分析財務報表最基礎、最常用、最有價值的分析工具，由盈利能力比率、流動比率、杠桿比率、勞動能力比率四方面構成。
財務管理
驅動力
6、凈現值法
凈現值法：是評價投資方案的一種方法。該方法是利用凈現金效益量的總現值與凈現金投資量算出凈現值，然后根據凈現值的大小來評價投資方案。凈現值為正值，投資方案是可以接受的；凈現值是負值，投資方案就是不可接受的。
5、零基預算法
“零基預算”是指從零開始編制預算。傳統預算側重于在前期預算的基礎上做出變更，而零基預算關注的是預算中每一個項目一直以來的成本合理性。管理者必須對其控制下的各個領域進行深入的檢視來對其成本的合理性提供理由。
36個頂級數據分析方法與模型，高效分析必備！
1、360績效考核
360度績效考核又稱為全方位考核法，是指通過員工的主管、同事、下屬、顧客和員工自己等不同主體的反饋來評價員工績效。
2、蓋普洛Q12測評法
蓋洛普Q12測評法是針對前導指標中員工敬業度和工作環境的測量，發現12個關鍵問題最能反映員工的保留、利潤、效率和顧客滿意度的四個硬指標。
3、績效棱柱模型
績效棱柱模型個三維績效框架模型，用棱柱的五個方面分別代表組織績效存在內在因果關系的五個關鍵要素：利益相關者的滿意、利益相關者的貢獻、組織戰略、業務流程和組織能力。
4、職位分析問卷法
職位分析問卷法是一種通用的、以統計分析為基礎的方法來建立某職位的能力模型，同時運用統計推理進行職位間的比較，以確定相對報酬的方法。
人力資源
驅動力
1、熱圖分析
熱圖分析：通過記錄用戶的鼠標行為，并以直觀的效果呈現，從而幫助使用者優化網站布局。
5、職業錨
職業錨又稱職業系留點。是指當一個人不得不做出選擇的時候，他無論如何都不會放棄的職業中的那種至關重要的東西或價值觀。實際就是人們選擇和發展自己的職業時所圍繞的中心。
36個頂級數據分析方法與模型，高效分析必備！
2、漏斗分析
漏斗分析是是一種可以直觀地呈現用戶行為步驟以及各步驟之間的轉化率，分析各個步驟之間的轉化率的分析方法。
3、AB測試
AB測試強調的是同一時間維度對相似屬性分組用戶的測試，時間的統一性有效的規避了因為時間、季節等因素帶來的影響；而屬性的相似性則使得地域、性別、年齡等等其他因素對效果統計的影響降至最低。
4、RFM模型
RFM模型是通過一個客戶的近期購買行為、購買的總體頻率以及花了多少錢3個維度來描述該客戶價值狀況的客戶分類模型。
5、購物籃分析
購物籃分析是商場常用的一種分析手段，經典案例“啤酒和紙尿褲搭配售賣”就是一種購物籃分析。
互聯網運營
6、同期群分析
同期群分析是將用戶按初始行為的發生時間，劃分為不同的群組，進而分析相似群組的行為如何隨時間變化而變化。
驅動力
構造標簽，是數據分析師必須掌握的硬技能！
轉自《數據化管理》公眾號
本文將分享數據分析師重要的能力之一：構造標簽（俗稱：打標簽）。打標簽能力，是區分真數據分析師和 sql boy 的重要標準。
什么是標簽？
標簽是對事物的概要性描述。就像商品標簽上會寫商品分類、主要原料一樣。雖然一件商品有很多屬性，但是我們只通過幾個有限的標簽，就能鎖定我們想要的商品，這就是標簽的作用。
有哪些標簽？
從復雜程度上看，標簽有四類：
- 事實型標簽：如商品的顏色、人的性別。這些是事實描述，可以直接拿來用
- 規則型標簽：如把“消費 1000 元以上”定義為：高消費群體。規則類標簽，往往是基于一個數據指標，然后根據特定的規則進行分類
- 復合型標簽：如“高富帥”，就是一個典型復合型標簽，它基于 N 個指標，進行綜合計算，最后得出一個標簽結果
- 預測型標簽：注意以上三類標簽，用的都是已經發生的數據進行計算。預測型標簽則是對未來情況的估計。可以用算法進行預測，也能人工預測。比如對用戶進行分類，然后打個標簽“預計流失用戶”，就是指該用戶會在未來 XX 時間內流失掉
這四類標簽的復雜程度是不同的：預測型＞復合型＞規則型＞事實型，相應的打標簽的難度也不一樣。
要怎么打標簽？
打標簽是個通俗說法，它指的是生產標簽的過程。如果是簡單的事實型標簽，則直接拖過來用即可。其他三類，都得經過打標簽的動作，越復雜的標簽，生產起來越麻煩。
打標簽有四個標準步驟。
- 明確打標簽的對象
- 明確標簽的用途
- 明確標簽規則
- 明確標簽的名稱
舉個最簡單的例子：小妹還沒有男朋友，想找個高富帥。
高富帥，就是個復合型標簽，按四步走：
1、打標簽對象：男人，活的2、明確用途：選個潛在藍盆友3、明確規則：這是最復雜的一步，因為高富帥有三個維度，需要逐個維度單獨講清楚，然后再想辦法綜合。
這樣，先對三個維度各自打標簽，再進行綜合（如下圖）：
綜合的方法，可以用優先級排序，或者做綜合評分（如下圖）：
看起來綜合評分似乎更科學，但實際決策時候并不是！比如我，看到帥哥就走不動道了，管他富不富呢。綜合評分有可能選出來平庸的個體，這個要注意哦。
構造標簽，數據分析師必須掌握的硬技能！
驅動力
- 高，相對容易，看身高然后給個標準即可
- 帥，也相對容易，看到照片自己覺得還行，手工打個標簽即可
- 富，就很糾結了，有的人掙得多，可也花得多呀。不能光看收入，還得看負債
4、明確標簽的名稱：高富帥、非高富帥
可以看出，在生產標簽的過程中，明確規則是最麻煩的一步。但實際上，麻煩不限于此。
打標簽難在哪？
看完上邊的小例子，很多人會覺得:“打標簽很簡單呀，我一個上午能打 1000 個出來”。如果只是往數據庫里添加 1000 個新字段，確實很容易。但是，這 1000 個字段：
- 有幾個能被業務部門用起來？
- 用完以后能提升業務表現？
- 還有多少業務想要的標簽，沒有在其中？
這才是真正的難題。
反正我是見過，供應商傻乎乎的打了幾百個標簽，結果除了上線匯報 ppt 外，業務部門看都不看一眼的，更不要提用了。
一個好的標簽，一定是：
- 業務高頻使用
- 指向明確動作
- 產生明顯效果
就像小妹一聽人介紹“高富帥”，就會頂著周五熬夜煲劇的黑眼圈起床化妝倆小時出門一樣。這才是高頻使用，有驅動力，產生明顯效果的標簽！
肯定有小伙伴問：業務上有沒有這種標簽？
當然有，比如我個人很喜歡的：促銷敏感型用戶（是/否）這個標簽。專門用來區分：沒有促銷不買，有促銷高概率買的薅羊毛體質用戶。拿來解釋日常消費轉化率，事前預計活動效果，事后復盤達成情況，都很好用。
實際業務問題經常很復雜，很難用一個標簽描述情況，因此也會需要圍繞一個業務場景。構造若干個標簽，形成標簽體系，驅動業務工作。
在一二級市場萎靡的大環境下，新消費品的商業模式需要從早期的 流量-轉化-留存 中解放出來，轉而更專注于服務體驗產品價值。商品品質和服務體驗做得好，才能帶來長期價值，要優于通過燒錢拉新的方式擴大短期規模。
在做用戶分析前，通常需要對商業模式做一個基本的了解，我們先來看經典的5W1H問題。
對于網易嚴選：
- Who：用戶是誰？- 精品電商的用戶群體
- Why：用戶為什么來？- 有消費需求/內容吸引
- Where：用戶到哪消費？- 多端&多渠道/線上&線下
- When：用戶什么時間來消費？- 用戶的生命周期
- What：用戶來做什么事？- 消費
- How：怎么做？- 挑選 > 下單 > 支付 > 物流 > 收貨 > 售后?
先看一個熟悉的公式，從用戶角度出
- [營業收入 Revenue] = [交易額 GMV] × [傭金率 TR]
- [交易額 GMV] = [活躍用戶規模 DAU] × [轉化率 CR] × [客單價 ARPU]
可以通過 提升傭金率、擴大規模、提升轉化、提升客單價 達成增長目的。但根據系統性原理，以上因素都是相輔相成的，單一變量的變化會對其他變量造成影響。這里就有一個問題，究竟哪個環節是能夠驅動增長的核心過程？
用一句話來說答案大概是：吸引并和留存高價值的活躍用戶群體。
我們從行為分析的視角出發，當前電商的運營模式可以大致分為兩類：
幾類常見的用戶行為分析方法
轉自《數師兄》公眾號
商業模式
幾類常見的用戶行為分析方法
驅動力
用戶需求
如上圖所示，由于業態的差別，境內和境外的電商模式，有明顯的差異。以首頁為例，與 Amazon / Etsy 相比，淘寶 / 京東 的首頁顯然承接了更多消費以外的需求，如商業化、簽到、游戲場景等。究其原因，平臺在不影響現有消費導向用戶的體驗的前提下（搜索作為主入口），滿足更多特定群體用戶的偏好需求，以提升[活躍用戶規模 DAU]，并且愿意花費額外的人力成本在其中。
回來看網易嚴選，顯然屬于后者。除銷售導購外，網易嚴選的APP中也承載了更多互動和體驗內容，也需要我們做更細致的用戶行為分析，以找到機會點并驅動增長。
3.1 場景分析
前邊提到了網易嚴選APP的業務形態比較多元，除了核心的銷售場景外，還有一些互動場景。通過調研了解，我們對網易嚴選做了一些場景劃分，以便于更好的分析。
有了場景后，我們可以通過分場景的UV/PV排序，來做用戶的場景洞察，根據用戶常出沒的場景，做定向的導購/推薦/挽回等策略。
數據可視化：場景分布中常用的兩種可視化方案，PV展示用餅圖類，UV展示用柱圖類（推薦玉玨圖）。
UV展示：
分析框架
回歸電商的本質，用戶到嚴選APP的最終目的，應該是消費。消費前用戶會有一個的決策過程，也就是逛和選。
這兩部分是用戶的核心需求，由此我們可以定義一些關鍵指標，用作后續分析：
- 消費相關：消費金額，消費頻次
- 逛選相關：訪問頻次，收藏/加購頻次，訪問深度
我們這里不使用停留時長作為指標，詳細見附錄。了解過網易嚴選電商平臺的產品定位以及用戶群體后，我們就可以做定向的分析了。
PV展示：
幾類常見的用戶行為分析方法
驅動力
3.2 路徑分析
通常情況下，電商場景的主路徑為：搜索-列表-詳情-訂單-支付-完成
但由于很多導購、互動場景的存在，會使得用戶的路徑更多元化，如下圖所示。
3.3 偏好分析
大部分用戶都有個人的使用習慣和偏好，了解目標用戶的偏好可以幫助我們做更好的精準營銷。
3.3.1 時間偏好
用戶的時間偏好（訪問時間偏好/購買時間偏好）也是很重要的特征，可以協助我們更深入的了解用戶習慣。舉例如部分用戶偏好在8~10點做簽到任務，部分用戶偏好在晚上20~24點間觀看直播，諸如此類。該特征可用于個性化推薦，以及PUSH/短信等主動觸達方案的時間控制。
數據可視化：時間偏好通常會采用熱力圖（推薦色塊圖）做數據可視化。
在路徑分析中，我們核心關注的問題是：
① 用戶為什么來訪？- [投放吸引]：廣告/PUSH/短信 等 or [主動訪問]：直購/內容/物流/活動 等
② 用戶為什么離開？- 未找到商品/價格不滿意/服務不滿意 等
數據可視化：路徑分析中常用的兩種可視化方案，桑基圖和路徑圖。
3.3.2 品類偏好
用戶會有偏好的某一個品類，或者某幾個品類，通過品類偏好分析，可以探究品類之間的關聯性，讓我們清楚的了解用戶需求，同時提升交叉銷售能力。
數據可視化：品類偏好通常采用關系圖譜做數據可視化。
幾類常見的用戶行為分析方法
驅動力
接下來，我們結合用戶篩選和用戶成長模型來看，行為分析的具體應用場景及價值。我們定義用戶的生命周期為：新訪-激活-首購-復購-忠誠
落到具體場景，我們需要引入一個統計方式 TGI [Target Group Index] 來做用戶評估：
TGI = [目標群體中具有某一特征的群體所占比例] ÷ [總體中具有相同特征的群體所占比例] - 1
為了方便展示，這里采用自定義的TGI，TGI>0表示目標用戶的關注程度高于整體水平，反之TGI<0表示目標用戶的關注程度低于整體水平。
4.1 新訪-首購
這里我們以 [首購新訪用戶] 對 [全部新訪用戶] 做TGI統計。先從場景入手，如下圖左所示 ↓，首單轉化的用戶對直播有非常明顯的傾向性。此外從數據角度看，偏好0元購、每日抄底、紅包的用戶，更易達成首單轉化。偏好茅臺預約、新人會場、搜索場景的用戶，更難達成首單轉化。
我們可以得出一些結論：在新用戶對平臺不熟悉的情況下，傾向于購買一些低價商品、或使用紅包/優惠券等權益達成首單轉化，此外，一些羊毛黨（如茅臺預約用戶）很難轉化。
接下來時間偏好，如上右圖所示 ↑，下午 12:00~20:00 偏好用戶，更易達成首單轉化。有時候新客運營團隊會負責新客的前3單轉化，分析邏輯和上述首單類似，可以擴展。首購的商品也會影響復購，詳見4.2.1
4.2 首購-復購
用戶的復購，通常分為單品類復購和交叉品類復購兩種。這里我們以 [復購用戶] 對 [有購買用戶] 做TGI統計。
4.2.1 單品類復購
同樣做場景分析，如下圖所示 ↓，紅包、優惠券、榜單等營銷和推薦場景的用戶，更易達成復購轉化。偏好簽到、心愿城等互動場景的用戶，更難達成復購轉化。
此外，用戶的單品類復購行為，也與商品品質的好壞強相關。考慮到好評率會有幸存者偏差，我們建議采用NPS（問卷采集）做為評估手段。
NPS = [推薦者數]/[總樣本數] - [貶損者數]/[總樣本數]
這里主要是用戶分析，商品分析不做過多展開。
4.2.2 交叉品類復購
我們先來了解下，著名心理學家威廉·詹姆斯提出的鳥籠效應：一個不養鳥的人，當別人送給他一個鳥籠，不久后就會養起鳥，并且購買鳥糧等附加品。人們會在偶然獲得一件物品后，會繼續添加更多與之相關而的東西。
我們希望可以找到可以驅動品類遷移的 [鳥籠]，并以較低的價格“送給”用戶，從而促使用戶跨品類復購。實際上通過用戶行為可以找到商品間的關聯關系，做品類偏好分析，就能找到 [鳥籠]。
深入應用
路徑分析主要看用戶來源渠道（SEM/CPC/ASA/CPS等廣告各不相同，通常質量和價格掛鉤），信息比較敏感，我們這里不做詳細描述。
幾類常見的用戶行為分析方法
驅動力
舉幾個簡單的例子：
- 懶人拖把 → 一次性地板濕巾
- 空氣炸鍋 → 錫紙 / 防油紙盤 / 打蛋器等烘焙小工具
- 香氛燈 → 香氛精油 / 香氛蠟燭
關于 [停留時長和轉化率關系] 這件事，是一個明顯存在幸存者偏差的結論。
- 數據觀察：? 停留時長和轉化率正相關。
- 認知升級：? 消費用戶的決策周期更長，所以停留時間更久。
- 不足以支撐結論：? 由于用戶停留時長更長，所以轉化率更高。
以上兩個事實只有相關關系，并不能證明存在因果關系。盲目提高用戶在域內的停留時長，可能無法有效提升轉化率，小紅書電商就是一個很明確的例子，此外，淘寶早在2018年前就放棄了把停留時長作為目標管理中的一環（除個別游戲場景以外）。
但也不是完全無關，針對一些特定用戶如直播敏感型用戶，通過優化產品體驗提升用戶直播觀看時長，對轉化率是有正向作用的。
--end--
附錄
幾類常見的用戶行為分析方法
投稿方式電話：1580-136-5057
郵箱：kai.zhao@yeepay.com
地址：萬通中心D座25層
增值電信業務經營許可證：陜B2-20210327 |