数据运营实战(一):细分目标人群,结合用户特征分析的实践

作者:winniezhuo

导语: 分群是精细化运营的常用方式。通过用户分群设置,将用户群切割成更细粒度,以推断并定位对关键事件/指标有明显影响的因子。

数据分析对于运营来说是一个数据抽象的过程。现实情况是连续的、复杂的、互相影响的,而数据抽象的过程,就是将这些复杂多变的现实情况简化为数字量,搭建数据模型,计算相关因子,推断事件归因,并推进自身改进优化。

由于现实的复杂性,我们作为产品、运营或者数据分析师,在实际问题处理时,就需要做归因分析,需要屏蔽其他因子的干扰,因此我们常常使用用户分群

分群后,我们的用户群可能简化为:

在每一个分群下,我们可以简化地对比某个因素对关键路径或者关键指标的影响因素。分群是手段,是工具,简单来说,分群分析就是通过聚类的方式,把相似的人群合并,考察同一事件或同一指标在不同人群上的表现,以推断并定位对该事件/指标有明显影响的因子。

那么,用户分群与用户特征分析如何结合使用?接下来,我们举个App案例进行说明

某电商App,现在面临的问题是用户成交量较低,与投放推广的成本相比,ROI较低。

这个问题,我们应该如何分析?

首先,我们想看看成交的这部分用户与大盘用户之间有什么区别。我们在用户中选出成交的用户,建立用户群对比大盘用户。

这里,我们需要使用腾讯移动分析MTA自定义事件。设置“付款成功”为一个自定义事件,然后使用MTA中的用户分群功能,将自定义事件中满足“付款成功”的用户群筛选出来,命名为“成交用户”;我们还可以设置一个叫做“高价值用户”的用户群,将“付款成功”且付款金额>=100的用户筛选出来。

图:此处定义高价值用户为成交单价>100元的用户

1、用户分群分析

得到了三个用户群之后,我们使用数据分析工具,比如腾讯移动分析MTA,对比这三个用户群特点间的区别。以下为三个用户群特征的对比:

从图中我们可以发现,大盘用户中男性较多,但实际成单与高价值用户中,都是女性偏多,且此部分用户对购物类App、金融类App的兴趣要明显高于大盘用户,表现出了较强的消费能力。

现在我们的问题是投放回报率较低,ROI不符合预期。

那么,我们可以初步判断,可以优化的有以下两个方向:

1、 用户引流渠道可能有问题,需要调整渠道引流策略,包括渠道选择、人群针对性优化等,引入与消费行为匹配的新用户群,提高销售量;

2、 商品定位的调整:现有产品对男性的吸引力不足,导致大量大盘用户并没促成成单,这也是导致ROI较低的另一方面原因,可能需要调整的包括商品品类、商品推荐等;

其中,第一种优化方式的见效周期较短,而第二种调整方式相对影响层面较大、周期较长。我们优先实践第一种优化方式,以调整渠道引入流量为主,优化引入人群的匹配程度,实现提高ROI的目标。后续还需要斟酌是否需要优化产品定位,比如打造针对男性的亮点频道,进行产品改善迭代。

2、渠道优化策略

那么,渠道应该如何做改善?我们先对单周渠道引入量的数据,进行初步评估。

图:成交率数值应用的是漏斗模型的渠道筛选功能

**此处渠道只列了5支较典型的渠道样本数据,实际渠道分布更多

从图表上看,我们当前主要的流量渠道是渠道D与渠道E,而且渠道D的留存率很高,可以认为是我们的优质渠道。

但从成交上看,我们认为渠道A其实有很大的潜力,虽然现在的引入量较小,但与成交人群重合度较高,考虑到A渠道的获客成本低于渠道D,加大投放之后很可能会有一个不错的收益,能够实现我们提高ROI的目标。

3、渠道人群特征验证

我们对渠道人群A进行特征分析,女性比例高达62.36%,其用户群对购物类App的兴趣也高于大盘用户,与我们高价值人群特征匹配度较高

现在渠道A给我们带来的流量还比较小,但由于其渠道收益上ROI比例较高,且其群体画像与我们高价值用户的特征吻合度高,表现出了很高的投放潜力。

我们的改善方法是:调整渠道投放的比例,减少渠道B、渠道C的投放,增强渠道A的投放,以周为单位,迭代优化渠道投放效果,并监测ROI的变动。

4、渠道投放优化效果

在投放一周后,对新增用户有了增长,我们临时决议再次加大渠道A的投放比例。这里是一个月的时间周期内,我们的新增用户数在渠道上的分布有了显著变化。

优化投放渠道前后,购买转化漏斗转化率的改变:

由于渠道A的平均客单价约是渠道D的1/2~1/3,我们的投入产出比例得到了优化。这主要依赖于通过数据分析找到了优质低价的渠道,降低了获客成本。

那么这个转化漏斗中,是否还有其他优化的空间?我们还能做什么改善?请关注我们下周的案例分享《数据运营实战(二)》。

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏简书专栏

数据分析入门

用适当的统计分析方法对收集来的大量数据进行分析,将他们加以汇总和理解并加以消化,以求最大化的开发数据功能,发挥数据的作用。数据分析可用于现状分析,原因分析,预测...

872
来自专栏腾讯大讲堂的专栏

人工智能连接内容创作与消费

引言:6.14日“腾讯创新日:科技年技术盛宴”代表腾讯各个事业群技术实力的四级专家、腾讯微创新2016年度创意获奖团队欢聚一堂,一起畅谈AI、系统安全、架构设计...

3537
来自专栏CDA数据分析师

大数据AND机器学习:大数据是原材料,机器学习是原材料加工厂

导 读 大数据是原材料,机器学习是原材料加工厂,而新一代人工智能服务则是工厂出炉的产品被消费在越来越多的日常生活中。 在Deepmind和AlphaGo获得的...

18110
来自专栏人工智能头条

如何用机器学习和知识图谱来实现商业智能化? | CCAI 演讲实录

1273
来自专栏云计算D1net

拥抱云计算时代下的建设工程云造价

如何正确认识“云造价”?身为造价人,我们该如何看待和使用“云造价“,它是未来发展的必然趋势?如果对此一无所知,将来会如何?”云造价“能否成为提升企业、个人核心竞...

3326
来自专栏ThoughtWorks

TW洞见 | 是否使用故事点,并不是重点

我曾经连续做过三个项目,没有对用户故事估点,而仅是简单的计算用户故事数量。我非常倡导这种方法,接下来我来解释下为什么。 我也算是一个“估算通”,有十年以上的估点...

2683
来自专栏ATYUN订阅号

微软正在开发用于识别AI算法偏差的工具

微软正在开发一个工具来自动识别一个范围内的不同的AI算法偏差。将自动识别渗入机器学习的不公平现象是非常值得提倡的,它可以帮助企业利用人工智能,而不会无意中歧视某...

955
来自专栏灯塔大数据

大数据技术PK人脑:图片、视频分析,谁更胜一筹?

提高交通安全、改善医疗服务、提升环境效益——专家认为大数据技术在高级图像分析和图像识别领域潜力无限。 ? 挪威卑尔根Uni Research公司的科学家Eiri...

3757
来自专栏互联网数据官iCDO

如何使用预测分析方法提高营销效果?

随着大数据,人工智能和数据分析等技术的兴起,营销一直在不断变化。现在,营销活动可以基于对过去活动的测量和洞察来规划,其中一种策略是使用预测分析来获得更好的营销表...

1132
来自专栏AI科技大本营的专栏

CCAI 2017 | 德国DFKI科技总监Hans Uszkoreit:如何用机器学习和知识图谱来实现商业智能化?

文/CSDN大琦 7 月22 - 23 日,由中国人工智能学会、阿里巴巴集团 & 蚂蚁金服主办,CSDN、中国科学院自动化研究所承办的第三届中国人工智能大会(C...

3276

扫码关注云+社区