查看原文
其他

浅谈网易严选用户行为分析

The following article is from 网易有数 Author Henry

在一二级市场萎靡的大环境下,新消费品的商业模式需要从早期的 流量-转化-留存 中解放出来,转而更专注于服务体验产品价值。商品品质和服务体验做得好,才能带来长期价值,要优于通过烧钱拉新的方式扩大短期规模。


本文中数据均为脱敏/虚构数据。


1

商业模式


在做用户分析前,通常需要对商业模式做一个基本的了解,我们先来看经典的5W1H问题。


对于网易严选:

  • Who:用户是谁?- 精品电商的用户群体

  • Why:用户为什么来?- 有消费需求/内容吸引

  • Where:用户到哪消费?- 多端&多渠道/线上&线下

  • When:用户什么时间来消费?- 用户的生命周期

  • What:用户来做什么事?- 消费

  • How:怎么做?- 挑选 > 下单 > 支付 > 物流 > 收货 > 售后 


先看一个熟悉的公式,从用户角度出发

  • [营业收入 Revenue] = [交易额 GMV] × [佣金率 TR]

  • [交易额 GMV] = [活跃用户规模 DAU] × [转化率 CR] × [客单价 ARPU]


可以通过 提升佣金率、扩大规模、提升转化、提升客单价 达成增长目的。但根据系统性原理,以上因素都是相辅相成的,单一变量的变化会对其他变量造成影响。这里就有一个问题,究竟哪个环节是能够驱动增长的核心过程?


用一句话来说答案大概是:吸引并和留存高价值的活跃用户群体。


我们从行为分析的视角出发,当前电商的运营模式可以大致分为两类:


如上图所示,由于业态的差别,境内和境外的电商模式,有明显的差异。以首页为例,与 Amazon / Etsy 相比,淘宝 / 京东 的首页显然承接了更多消费以外的需求,如商业化、签到、游戏场景等。


究其原因,平台在不影响现有消费导向用户的体验的前提下(搜索作为主入口),满足更多特定群体用户的偏好需求,以提升[活跃用户规模 DAU],并且愿意花费额外的人力成本在其中。


回来看网易严选,显然属于后者。除销售导购外,网易严选的APP中也承载了更多互动和体验内容,也需要我们做更细致的用户行为分析,以找到机会点并驱动增长。


2

用户需求


回归电商的本质,用户到严选APP的最终目的,应该是消费。消费前用户会有一个的决策过程,也就是逛和选


这两部分是用户的核心需求,由此我们可以定义一些关键指标,用作后续分析:

  • 消费相关:消费金额,消费频次

  • 逛选相关:访问频次,收藏/加购频次,访问深度


我们这里不使用停留时长作为指标,详细见附录。了解过网易严选电商平台的产品定位以及用户群体后,我们就可以做定向的分析了。


3

分析框架


3.1 场景分析

前边提到了网易严选APP的业务形态比较多元,除了核心的销售场景外,还有一些互动场景。通过调研了解,我们对网易严选做了一些场景划分,以便于更好的分析。


有了场景后,我们可以通过分场景的UV/PV排序,来做用户的场景洞察,根据用户常出没的场景,做定向的导购/推荐/挽回等策略。


数据可视化:场景分布中常用的两种可视化方案,PV展示用饼图类,UV展示用柱图类(推荐玉珏图)。


UV展示:


PV展示:


3.2 路径分析

通常情况下,电商场景的主路径为:搜索-列表-详情-订单-支付-完成


但由于很多导购、互动场景的存在,会使得用户的路径更多元化,如下图所示。


在路径分析中,我们核心关注的问题是:

① 用户为什么来访?- [投放吸引]:广告/PUSH/短信 等 or [主动访问]:直购/内容/物流/活动 等

② 用户为什么离开?- 未找到商品/价格不满意/服务不满意 等


数据可视化:路径分析中常用的两种可视化方案,桑基图和路径图。


3.3 偏好分析

大部分用户都有个人的使用习惯和偏好,了解目标用户的偏好可以帮助我们做更好的精准营销。


3.3.1 时间偏好

用户的时间偏好(访问时间偏好/购买时间偏好)也是很重要的特征,可以协助我们更深入的了解用户习惯。举例如部分用户偏好在8~10点做签到任务,部分用户偏好在晚上20~24点间观看直播,诸如此类。该特征可用于个性化推荐,以及PUSH/短信等主动触达方案的时间控制。


数据可视化:时间偏好通常会采用热力图(推荐色块图)做数据可视化。


3.3.2 品类偏好

用户会有偏好的某一个品类,或者某几个品类,通过品类偏好分析,可以探究品类之间的关联性,让我们清楚的了解用户需求,同时提升交叉销售能力。


数据可视化:品类偏好通常采用关系图谱做数据可视化。


4

深入应用


接下来,我们结合用户筛选和用户成长模型来看,行为分析的具体应用场景及价值。我们定义用户的生命周期为:新访-激活-首购-复购-忠诚


落到具体场景,我们需要引入一个统计方式 TGI [Target Group Index] 来做用户评估:

TGI = [目标群体中具有某一特征的群体所占比例] ÷ [总体中具有相同特征的群体所占比例] - 1


为了方便展示,这里采用自定义的TGI,TGI>0表示目标用户的关注程度高于整体水平,反之TGI<0表示目标用户的关注程度低于整体水平。


4.1 新访-首购

这里我们以 [首购新访用户] 对 [全部新访用户] 做TGI统计。先从场景入手,如下图左所示 ↓,首单转化的用户对直播有非常明显的倾向性。此外从数据角度看,偏好0元购、每日抄底、红包的用户,更易达成首单转化。偏好茅台预约、新人会场、搜索场景的用户,更难达成首单转化。


我们可以得出一些结论:在新用户对平台不熟悉的情况下,倾向于购买一些低价商品、或使用红包/优惠券等权益达成首单转化,此外,一些羊毛党(如茅台预约用户)很难转化。


路径分析主要看用户来源渠道(SEM/CPC/ASA/CPS等广告各不相同,通常质量和价格挂钩),信息比较敏感,我们这里不做详细描述。


接下来时间偏好,如上右图所示 ↑,下午 12:00~20:00 偏好用户,更易达成首单转化。有时候新客运营团队会负责新客的前3单转化,分析逻辑和上述首单类似,可以扩展。首购的商品也会影响复购,详见4.2.1


4.2 首购-复购

用户的复购,通常分为单品类复购和交叉品类复购两种。这里我们以 [复购用户] 对 [有购买用户] 做TGI统计。


4.2.1 单品类复购
同样做场景分析,如下图所示 ↓,红包、优惠券、榜单等营销和推荐场景的用户,更易达成复购转化。偏好签到、心愿城等互动场景的用户,更难达成复购转化。


此外,用户的单品类复购行为,也与商品品质的好坏强相关。考虑到好评率会有幸存者偏差,我们建议采用NPS(问卷采集)做为评估手段。


NPS = [推荐者数]/[总样本数] - [贬损者数]/[总样本数]


这里主要是用户分析,商品分析不做过多展开。


4.2.2 交叉品类复购

我们先来了解下,著名心理学家威廉·詹姆斯提出的鸟笼效应:一个不养鸟的人,当别人送给他一个鸟笼,不久后就会养起鸟,并且购买鸟粮等附加品。人们会在偶然获得一件物品后,会继续添加更多与之相关而的东西。


我们希望可以找到可以驱动品类迁移的 [鸟笼],并以较低的价格“送给”用户,从而促使用户跨品类复购。实际上通过用户行为可以找到商品间的关联关系,做品类偏好分析,就能找到 [鸟笼]。


举几个简单的例子:

  • 懒人拖把 → 一次性地板湿巾

  • 空气炸锅 → 锡纸 / 防油纸盘 / 打蛋器等烘焙小工具

  • 香氛灯 → 香氛精油 / 香氛蜡烛


5

附录


关于 [停留时长和转化率关系] 这件事,是一个明显存在幸存者偏差的结论。

  • 数据观察:✅ 停留时长和转化率正相关。

  • 认知升级:✅ 消费用户的决策周期更长,所以停留时间更久。

  • 不足以支撑结论:❌ 由于用户停留时长更长,所以转化率更高。


以上两个事实只有相关关系,并不能证明存在因果关系。盲目提高用户在域内的停留时长,可能无法有效提升转化率,小红书电商就是一个很明确的例子,此外,淘宝早在2018年前就放弃了把停留时长作为目标管理中的一环(除个别游戏场景以外)。


但也不是完全无关,针对一些特定用户如直播敏感型用户,通过优化产品体验提升用户直播观看时长,对转化率是有正向作用的。


由于涉及到数据安全问题,文章中浅尝辄止,只是提供一些分析方法论,并没有深入的做细节探究。

- EOF -


加主页君微信,不仅数据分析和开发技能+1

主页君日常还会在个人微信分享数据分析和开发相关工具资源精选技术文章,不定期分享一些有意思的活动岗位内推以及如何用技术做业余项目

加个微信,打开一扇窗



推荐阅读  点击标题可跳转

1、网易传媒数据指标体系建设实践

2、网易云音乐数仓治理之数据任务重构实践

3、万字长文,实时用户画像实践经验



看完本文有收获?请转发分享给更多人

推荐关注「数据分析与开发」,提升数据技能

点赞和在看就是最大的支持❤️

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存