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DT数据侠

电商为什么知道你想买啥?

一直以来都被高度曝光的人工智能领域相关应用,总是引来巨大关注。在电商搜索领域,人工智能发挥着怎样的作用?

870
来自专栏华章科技

注意!有人正在计算你今天会出现在哪里,并尝试左右你的行为

导读:很多网友都怀疑手机在偷听我们的日常对话,这甚至已经算不上新鲜事。有知乎网友提到,跟同事聊起蛋糕店后,贴吧app上赫然出现了85°C的加盟广告!另有贴吧网友...

753
来自专栏华章科技

生活在大数据下的我们

1在刷朋友圈时间上,“60前”平均花费时间的最小值为47分钟,“90后”为42分钟。

632
来自专栏SDNLAB

OPNFV开发者关注的焦点

本文系对OPNFV开发者Peter Lee采访稿归纳而成,也代表着Peter Lee对OPNFV开发所关注的焦点。 ? 关于Peter Lee Peter Le...

3447
来自专栏大数据文摘

大数据独角兽Palantir之核心技术探秘

1607
来自专栏大数据文摘

业界 | 想转行?数据科学全流程求职指南

1697
来自专栏华章科技

在twitter搞数据科学是怎样一种体验?

2015年6月17日是我在Twitter工作两周年的纪念日。回想起来,两年间,数据科学在Twitter的应用方式和范围发生了很大变化:

713
来自专栏新智元

只需极少数据,训练一分钟,这个 AI 就能复制任何人的声音

【新智元导读】蒙特利尔初创公司 Lyrebird 开发了一种语音合成技术,用很少的数据,训练一分钟,就能复制任何人的声音。初版展示后,已经有 10,000 人签...

3165
来自专栏PPV课数据科学社区

13条“不正常”数据,世界不是你想的那样…

点击上方 “蓝色字” 可关注我们! 1. 在刷朋友圈时间上,“60前”平均花费时间的最小值为47分钟,“90后”为42分钟。 ? 各年龄组平均刷朋友圈时间最...

3467
来自专栏ThoughtWorks

在ThoughtWorks,我们如何做招聘

引子 知乎上有很多关于ThoughtWorks面试的讨论,主要集中在这样两个方面: 该如何准备ThoughtWorks的面试?其面试流程是怎样的? Thoug...

2747

扫码关注云+社区