如何对客户行为进行数据分析？

转载

datayx 2021-10-25 15:21:36

数据分析入门与实战公众号： weic2c

AARRR 模型

从流量到用户到收入，我们应该关心的是流量来的是什么样的用户，流量怎么来的用户。用户到收入这个过程到底做了什么，用户是如何产生收入的。

这个时候我要讲到一个经济话语的基础，不得不提到的就是 AARRR 模型。第一个是 Acquisition，即用户的获取。Acquisition 是用户的激活，Retention 是大家很熟悉的，留存，留存的人 referral 会帮你制造传播，再下一步就是收入。

关于用户获取大家应该很熟悉。比如扫码关注，或者你去搜一个关键词，做一个 SEO 优化，或者你找别人换量，或者是别人在某科技博客上写一篇软文带来一些量。再就是社会化分享，通过分享把用户吸引过来，这些都是用户获取的过程。

用户激活，激活就是注册成为你的用户，有一些人到你这来了以后，核心是要他注册账号，如果没有账号体系，你可以认为他来到你的应用就跳过这一步了。像知乎，在首页有一个注册，读文章读到一半的时候也会弹出一个注册。

用户留存就很简单了，持续去使用你的应用。我们建议把这个留存再往下深入，你要把你的人群分层，比如你是一个电商应用，留存就要分四层来看。第一层是浏览商品的留存的人，第二是加入购物车的人，第三是是产生了订单的，第四是完成支付的。分不同层面的意义来讲留存，这就是细化留存。

Referral 就很熟了，用户觉得应用不错，愿意把它分享到社交网络，到社交网络以后带来更多的用户，这就是一个传播的过程，传统意义就是你的东西很有价值。比如卖一个很好的软件，你告诉他用的很不错，就是口碑营销，是最传统的传播方式。前不久我在微博上看到一个知乎的分享，这就是典型的传播方式。

最后就是收入了，大家看一下整个过程，这是我摘自于国外很有名的 PPT 的图，是一个典型的漏斗，用户获取来的人是最多的，用户激活是一部分，用户留存到用户传播最后到用户收入这是一个漏洞，在分析问题时候是要找到这个漏洞的瓶颈在哪儿。

当你发现产品有问题的时候，这个时候要做的一件事就是分析从用户获取到收入这个步骤中，到底哪一步是最大的问题。现在很多人有问题的时候会做很多操作，其实是不利的。因为这会同时改变很多因素，最好的方式是首先要监控起用户获取到收入的整个过程，用数据化的工具来监测这个过程。

先找到 OMTM，这个概念是来自于《精益数据分析》这本书，里面讲到一个很重要的分析方法论叫做 OMTM(one Metric That matters)。在找瓶颈的时候往往有一个非常重要的因素，只要解决了这个问题，就会带来快速的提高。本身你的产品在迭代，不可能一下子解决所有的问题，你做很多操作的时候，到底是哪个产生因素还是不知道，从分析上来讲是不合理的。

常用分析方法

有哪些常用的分析方法呢?第一个，其实就是用户获取和用户激活。比如像知乎，知乎注册有多种方式，有一种是来自于你的首页注册，还有一种是你读到一半弹出一个注册框，这是多种注册方式。大家想一下，如果用现有的一些工具是做不到的，因为他最多是给你做渠道和版本上的区分，这时候你去衡量这一部分用户转化率和行为的时候，需要结合业务逻辑条件。比如注册来自读文章的页面或者是注册来自于首页，这些都是结合业务的商业条件，这是需要精益化的数据工具才可以做到的。

分析的过程就是一个典型的漏斗，第一步两个漏斗，第一个漏斗是从首页访问注册的人，第二个漏斗是看文章的，他读文章读到一半弹出一个注册窗口，第二步就是他去读文章，比较这个漏斗看哪一步更有价值，这就是典型的漏斗。漏斗就是很多过程，你要分析这个过程缺口在那里。

拆分用户使用应用这个过程的时候，用户不会完全按照你的逻辑来走，很多地方就会卡住了，跳出了，这个时候要找到这些点来优化它。有一句话大多数做产品的人是靠猜测和直觉，大家想一下自己的产品是不是靠产品经理拍脑袋决定的功能，有没有考虑这个功能的持续使用性。

以汽车行业为载体，通过对具体业务需求的理解与梳理，转化为数据分析问题，进行数据建模，将输出的结果应用到业务中，对业务提供支持（建议，预测，判断等等）。当然了，数据分析与挖掘的过程也是持续地与业务碰撞的过程，这是一个反复建模分析，反复验证解释的过程。此次分享的内容以解决思路为主。

数据挖掘是以业务为核心。因为业务决定了数据分析与挖掘的方向与重心。

如何对客户行为进行数据分析？_数据分析

每一个行业都有一个所谓的客户生命周期，对于汽车行业来说，客户生命周期是，认知、需求、选车、购车、用车、修车、换车。见下图：

如何对客户行为进行数据分析？_知乎_02

每一个点表示的是，客户在不同的生命周期阶段所获取信息或服务的途径。而我们的目标是在客户生命周期每个阶段均采取针对性措施增加客户价值（为客户增加价值就是增加每一个客户对企业的生命价值）。目标分解：增加客户的生命时间增加每一次与客户互动所得的收入。

具体案例场景（客户流失预警分析）

背景：

客户流失的危害：

1，盈利损失：客户忠诚度下降,企业利润下降；

2，口碑损失：60%新客户参考现有客户的推荐;一个不满的客户扩散范围大5-6倍（与满意客户比）;

3，成本增加：开发一个新客户成本=维系六个老客户成本。需要回答的问题：哪些客户流失了？什么时候流失？流失客户价值如何？回答以上问题，就可以对即将流失客户做相应的动作给予挽回（数据对业务的支持）。

解决思路

切记：解决问题过程的每一步都要与业务进行碰撞（特征的探索，建立模型时候的参数及区间的设定等等），业务诉求及结论需要数据分析进行支持，数据分析结果（探索的结果）需要业务进行验证解释。

步骤：

1，根据业务梳理所需指标；

2，了解各字段来源，权重分配与评分方式确立；

3，建立模型，验证优化;

4，根据结果提出相应建议（跟踪时间，优惠点等等）

建模思路：

1，筛选客户消费频次，金额，推荐等特征，建立客户价值分类模型；

2，对比已流失用户与保有用户，寻找显著特征；

3，依据筛选出的特征，建立流失预警模型；

4，结合分类模型与流失模型，对用户进行差异性营销。

其实这个是两个模型的结合：

客户价值分析（模型）：客户价值区分（根据历史消费行为等记录，测算当前价值，对客户进行区分）。
流失预警分析（模型）：依据客户历史维保周期等信息，及时预警超期未进店客户。

我们从两个维度进行构建客户价值分析（模型）。物质价值（以客户消费的相关数据为依据，反应客户带给企业的货币形式的价值）和情感价值（以客户与车型品牌的互动的相关数据为依据，反应客户对车型品牌的依赖度、忠诚度等非货币形式的价值）。支撑物质价值的字段包括：维保金额，维保频次，最近维保时间等；支撑情感价值的字段包括：年均积分获取次数，年均积分使用次数，年均参加活动次数，投诉记录，推荐购车等等。以上是提取字段，接下来是衍生字段（如年均次数等）。

模型是k-means聚类

如何对客户行为进行数据分析？_知乎_03