数据分析的笔记,路漫漫其修远兮

群组分析方法

按照某个特征将数据分为不同的数据组,然后对比各个数据组的数据。根据产品业务不同灵活定义数据分组分析数据指标。

  • 用法
    • 例如产品发布发布版本的更新是导致用户增长还是流失。可以按照用户使用产品的月份特征进行用户数据分组,分为1月用户组和2月用户组。对比两个数据组的用户留存率随着时间的变化分析结果,按月份特征进行分组分析随着时间变化的留存流失问题,再细致分析出每个组的用户为什么留存率高,流失率低等等

RFM分析方法

  • 概念
    • Recency:最近一次消费时间间隔
    • Frequency:消费频率
    • Monetary:消费金额
  • 计算所有用户的R、F、M得分,计算得分的平均值,得到R、F、M的价值高低
  • RFM分析方法主要用于精细化运营,发展用户以及挽留用户
  • 按照RFM分析方法,可以将用户分为8类用户 类别 R F M
    重要价值用户
    重要发展用户
    重要保持用户
    重要挽留用户
    一般价值用户
    一般发展用户
    一般保持用户
    一般挽留用户

用户画像

用户画像又称用户角色,作为一种勾画目标用户、联系用户诉求与设计方向的有效工具,用户画像在各领域得到了广泛的应用。
实质上是对用户信息进行标签化

作用

  • 精细化:推荐、搜索、精准营销、定向投放、风控、定量和定性的分析、数据化的运营用户分析等
  • 具象化:战略市场、市场细分和用户分群

用户画像八要素

PERSONAL八要素

  • P-Primary-基本性:指该用户角色是否基于对真实用户的情景访谈
  • E-Empathy-同理性:指用户角色包含姓名、照片和产品相关的描述,该用户角色是否引同理心
  • R-Realistic-真实性:指对那些每天与顾客打交道的人来说,用户角色是否看起来像真实人物
  • S-Singular-独特性:每个用户是否是独特的,彼此很少有相似性
  • O-Objectives-目标性:该用户角色是否包含与产品相关的高层次目标,是否包含关键词来描述该目标
  • N-Number-数量性:用户角色的数量是否足够少,以便设计团队能记住每个用户角色姓名,以及其中一个主要用户角色
  • A-Applicable-应用性:设计团队是否能使用用户角色作为一种实用工具进行设计决策
  • L-Long-长久性:用户标签的长久性

怎么创建用户画像

  • 标签:
    • 维度
    • 人口统计学属性:用户是谁(性别年龄职业等个人基本信息)
    • 消费需求:消费习惯和消费偏好
    • 购买能力:收入及购买力、购买频次和渠道
    • 兴趣爱好:品牌偏好、个人兴趣
    • 社交属性:用户活跃场景、社交网络、社交媒体
  • 当选择好标签之后,我们需要对标签的粒度进行确定
  • 数据来源:
    • 用户基本属性数据:性别、年龄、地域
    • 用户行为数据:浏览、下单、观看
  • 构建流程:
    • 基础信息收集
    • 行为建模
    • 构建画像

用户画像面试题

用户画像的数据源有哪些

  • 用户基本属性数据:年龄、性别、地域
  • 用户行为数据:浏览、下单、观看

获取到用户画像数据后,如何加工

  • 分析计算(统计浏览&消费价格、商品分布、地域分布)
  • 数据挖掘(预测用户的真实性别、年龄)

标签池中常见的用户标签有哪些

  • 基本属性
  • 地域信息
  • 近期活跃度
  • 偏好数据(价格偏好、商品偏好、活动偏好)
Last modification:April 16th, 2021 at 01:10 am
如果觉得我的文章对你有用,请随意赞赏