用户属性分类分析帮助我们更简洁的设定一些常用的用户指标和重点关注的用户指标,避免累赘和混淆;用户行为分析帮助我们有效的对行为进行分类,减少不必要的工作量;那么,知道用户属性分类分析以及用户行为进行分析后,我们如何去评定一个用户的忠诚度,进而判断用户的价值呢?
一、忠诚用户的意义
我们知道“以用户为中心”的理念需要我们不断地去优化和改善用户体验,进而提升用户的满意度,当用户的预期不断被满足时,用户就会喜欢上这个产品,进而成为产品的忠诚用户,同时不断为产品输出价值。忠诚用户不但自身为产品创造价值,还可以为产品带来很多隐性的收益,比如品牌和口碑的推广、去带动其他用户的进入和成长等。所以,我们需要去分析评定用户的忠诚度,继而去做相应的运营策略调整。
二、忠诚度的度量
忠诚度:即用户出于对企业或品牌的偏好而经常性重复购买的程度。
我们可能比较清晰的是传统销售行业(特别电商)的忠诚度一般由重复购买意向(购买以前购买过的类型产品的意愿)、交叉购买意向(购买以前为购买的产品类型或扩展服务的意愿)、客户推荐意向(向其他潜在客户推荐,传递品牌口碑的意愿)、价格忍耐力(客户愿意支付的最高价格)这4个指标来度量,但是对于现在大多数产品的忠诚度是由以下4个指标来度量的:
- 访问频率:用户在一段时间内访问网站的次数;
- 最近访问时间:用户最近访问网站的时间,一般是用户最近访问时间距当前的天数;
- 平均停留时间:用户在一段时间内每次访问的平均停留时间;
- 平均访问页面数:用户在一段时间内访问浏览的平均页面数。
这4个指标可以直接从点击流数据获取得到, 设定数据的区间需要根据实际情况来设定。比如产品信息更新较快,用户访问较为频繁,时间段选的短一点有利于保持数据变化的灵敏度;反之,时间段选的长一点有利于数据的丰富性和指标分析结果的准确性。
上面的4个指标均可以被量化统计得到,单一的指标也是没有意义的,我们还需要通过比较去找出哪些是忠诚用户,哪些是流失用户。
三、忠诚度的应用举例——雷达图
在应用忠诚度来衡量用户的时候,我们可以先对指标进行一些处理,以使它们之间更具可比性,这里可以采用min-max标准化的方法,首先将所有指标的数值全部转换到[0,1]区间,再进行倍数放大,比如使用10分制进行评分,则可以乘10,数据就全部分布在[0,10]区间内了,如下图:
表中, 用户忠诚度的4个分析指标经过标准化处理后统一以10分制的形式输出,这样就能直接区分每个用户的每项指标的表现好坏。基于每个指标的评分,可以对用户进行筛选,比如对于经常访问网站的用户,我们可以选择访问频率评分大于3分的用户,或者重点跟进用户访问参与度较高的用户,也可以筛选平均停留时间和平均访问页面数都大于3分的用户,这样就可以快速的定位忠诚用户了。
当然,表中的数据只是简单的举例,实际情况我们还是需要根据每个指标的最大值和最小值去计算。根据表中的数据,所有指标已经统一到了同一个评分区间。这里我们可以用4个行为指标来评价用户的忠诚度,通常这类基于多指标 进行评价最常见的展现方式是——雷达图。
用雷达图展示有以下几个优点:
- 可以完整地显示所有评价指标;
- 显示用户在各指标评分中的偏向性;
- 可以简单分析用户忠诚度的综合评分,即图形围成的面积;
- 可以用于用户间忠诚度的比较。
基于雷达图,我们能做什么?
基于雷达图这个展示的结果我们能做些什么呢?其实对于任何产品而言,有两个方向是一致的:保留忠诚用户,减少流失用户。从雷达图中的忠诚度体系扩展开,我们可以做以下事情:
- 分析忠诚用户的行为特征后,继而去努力满足他们的需求,提高他们的满意度;
- 从最近访问时间的指标数据、忠诚度变化趋势,去发现一些可能正在流失的用户,分析他们流失的原因,并挽留流失用户;
- 比较忠诚用户和流失用户在指标数值上的差异,寻找哪些指标的差距导致了用户忠诚度的降低,进而去优化网站在这些方面的表现。
四、总结
我们通过使用用户行为四大指标:用户访问频率、最近访问时间、平均停留时间、平均访问页面数这4个指标,继而去评价网站用户的忠诚度;接着用雷达图进行展示和比较,得出用户忠诚度后再去扩展开来,从运营角度去调整运营策略并做一些优化和调整。
当然,你也可以根据雷达图的通用性和自己的产品特征去发现更适合的指标和展示方式,进而最终确定需要做的事情——精确地找到网站的忠实用户,并努力留住他们。
本文由 @听象数据 原创发布于人人都是产品经理。未经许可,禁止转载。