精华内容
下载资源
问答
  • 用户行为模型
    千次阅读
    2019-11-28 23:14:16

    一、漏斗分析

    1、什么是漏斗分析

    用一个简单的例子分析说明:假如有100个人访问了某商品页面,有30人点击了加入购物车,有十个人付款成功了,在这个例子中整个过程分为三步,第一步到第二步的转换率为30%,流失率为70%。第二步到第一步的转换率为33%,流失率为67%。整个过程的转换率紧为10%,流失率为90%。这就是一个典型的漏斗分析模型

    2、漏斗分析的应用

    通过漏斗分析用户行为路径在每一步的转换和流失,对流失比较多的路径进行细化多维度的分析,找到漏点、弥补漏点,提升转化率。

    二、留存分析

    1、什么是留存分析

    留存分析是一种用来分析用户参与情况/活跃情况的分析模型,考察进行初始行为的用户中有多少人会进行后续行为,这是用来衡量产品对用户价值高低(产品的用户粘性)的重要指标。

    2、留存分析的特点以及应用价值

    1)、留存率是判断产品价值的最重要的标准,揭示了产品保留用户的能力

    2)、宏观上把握用户生命周期长度以及有效定位产品需要改善的地方

    3、留存分析与活跃用户百分比的区别

    用户活跃度的大小并不能体现产品对用户的粘性,比如产品目前正处于快速增长阶段,很有可能新用户中的用户活跃度会掩盖老用户的活跃度的变化以及老用户的留存情况。而初始行为时间分组的留存分析可以消除用户增长对用户参与数据带来的影响。

    4、留存分析的应用场景

    场景一、精准找到游戏行业的玩家“流失点”,提升用户留存及用户活跃度。

    场景二、了解新用户的留存

    三、行为事件分析

    1、什么是行为事件分析

    用户行为事件,指的是用户操作产品的一个行为,例如:我们在购物平台购物时有:注册、浏览店铺、加入购物车、立即购买、提交订单等行为事件。事件分析是对用户行为事件的指标进行统计、维度细分、筛选等分析操作。

    2、行为事件分析的作用及意义

    能够科学揭示出用户个人/群体行为的内部规律,并据此做出理论推导,不断在工作实践中优化商业决策和产品智能。

    四、用户分群

    1、什么是用户分群

    用户分群被分为普通分群和预测分群。普通分群是依据用户的属性特征和行为特征将用户群体进行分类,预测分群是根据用户以往的行为属性特征,运用机器学习算法来预测他们将来会发生某些事件的概率。

    2、用户分群的意义

    用户分群对推广营销和用户运营最大的意义在于精细化的定位用户群体细分用户需求。用户分群可以通过用户属性组合定义不同用户群体,也可以通过用户群体的行为表现反推用户的属性特征。推广和运营已经从初期发的模糊运营进化到当前基于用户行为甚至是基于预测模型的用户分群。

    举例来说,互联网金融产品的用户按照风险投资偏好这一属性分为保守、稳健和激进,按照投资行为可分为已投资和未投资。你可以根据这一属性和行为将满足某种条件的用户群体提取出来,譬如激进型但未投资的这群用户,然后分析这一群体的行为特征从而优化产品促进用户投资,或者根据其浏览的项目页面推荐用户可能会感兴趣的项目。

    以后添加其他几种模型

    更多相关内容
  • 基于用户行为的产品相似性推荐模型及用户、产品标签化推荐模型.pdf
  • 用户行为分之数据处理

    万次阅读 2020-09-24 07:00:00
    一、数据架构上一篇《用户行为分析之数据采集》我们说了用户行为分析的数据采集部分,同时也对用户行为分析做了简单的介绍,本篇我们来说一下用户行为分析的数据处理部分。先来一张图:、0】765o...

    一、数据架构

    上一篇《用户行为分析之数据采集》我们说了用户行为分析的数据采集部分,同时也对用户行为分析做了简单的介绍,本篇我们来说一下用户行为分析的数据处理部分。

    先来一张图:

    、0】765ou6

    这张图也就是我们大部分用户行为分析的数据架构情况,埋点离线数据我们会采集到数据仓库,进行ETL加工处理,形成用户属性、访问路径、用户行为的一些模型。

    二、数据建模

    先说离线计算,数据采集到数据仓库后,我们就需要进行离线任务开发。任务开发之前我们要先进行模型设计,这就要求我们对业务数据进行调研,数据埋点接口的含义以及运营想要达到的目的,期间要和运营同时确认数据口径,以及数据研发完成时间。

    事实表:用于描述业务过程,记录每个业务是如何开展的,比如浏览、收藏、下单、支付等都有对应的事实表,按照览、收藏、下单、支付一个流程也有对应的事实表。如果多个业务之间存在共同性,那么我们可以建立一张事实表,增加一个字段来区别业务类型就好了。

    快照表:在一个确定的时间段内,对业务进行分析记录。比如查看一个用户近一个月的购物次数以及登录次数和浏览记录等。

    维度表:维度表存储一些缓慢变化维的数据,比如商品的价格、品牌、型号等等。但是维度信息并不是一直不变的,我们经常发现某宝或者某东上的商品经常发生变化,对于变化的信息我们可以尝试以下方法处理:

    1. 维度表没有分区,直接覆盖历史数据,重写维度表

    2. 维度表也建分区,保留多条记录,通过分区查询历史信息

    3. 使用拉链表按时间变化进行全量数据存储

    第一种直接覆盖,在生产环境中是很少用的,我们一般使用2、3方法。

    比如下面这个模型,我们要分析新增用户,活跃用户,沉默用户,APP启动次数,APP版本分布。

    首先我们需要先定义这些指标口径:

    指标名称

    更新周期

    统计口径

    新增用户


    首次联网启动应用的设备视为新增用户,(按照imei号)

    活跃用户

    “日”活跃用户实时更新

    “周”活跃用户每周一更新上周数据

    “月”活跃用户每月1日更新上月数据

    所选时间段内,启动过应用的用户(去重),启动过一次的用户即被视为活跃用户。

    日累计,全日去重,

    实时更新,每个时段去重

    沉默用户

    T-1 更新

    该用户只在安装当日(以及安装次日启动应用),且在后续时段没有启动过应用的用户【打开时间只有一个】

    启动次数

    启动次数的数据实时更新

    启动:进入应用

    退出:进入后台或者关闭应用

    版本分布

    T-1 更新

    展示累计用户前10的各版本变化趋势

    根据上面的分析目的,我们设计如下模型:

    字段

    指标

    设设识别号

    累计用户

    用户省份


    用户城市


    入网时间

    入网时间

    使用时长

    使用时长

    版本号

    版本分布

    渠道编码


    运营商


    终端机型


    联网方式


    是否新增用户,1:新增用户,0:老用户

    新增用户

    是否活跃用户,1:活跃用户,0:沉默用户

    活跃用户,沉默用户

    是否是回流用户,1:是,0:不是

    回流用户

    过去7天活跃用户,1:是 ,0:不是

    过去7天活跃用户

    过去30天活跃用户,1:是 ,0:不是

    过去30天活跃用户

    连续活跃2周用户,1:是,0:不是

    连续活跃2周用户

    连续活跃3周用户,1:是,0:不是

    连续活跃3周用户

    连续活跃4周用户,1:是,0:不是

    连续活跃4周用户

    忠诚用户,1:是,0:否

    忠诚用户

    近期流失用户,1:是,0:否

    近期流失用户

    启动次数

    打开次数

    错误次数

    错误次数

    过去7天平均使用时长

    过去7天平均使用时长

    再说下实时计算,APP用户信息维度表会维护在redis内存中,用于计算新增用户、活跃用户、用户留存等指标信息,同时会在MySQL数据库中进行备份留存。(现在SparkStreaming和Flink已经很成熟了,实时处理Storm正在逐渐退出历史的舞台)

    APP用户信息表:

    APP版本渠道映射维度表,用户存放APP、版本、渠道的对应关系,供前端页面查询选择。

    APP版本信息:

    APP指标分析表,最细时间粒度到小时,用户可以通过时间、APP名称、省、市、运营商、网络类型、渠道等维度对点击量、新增用户数、启动次数、活跃用户数等指标进行多维度OLAP分析。

    APP指标分析表:

    传统的离线分析在做用户画像的时候还奏效,但是在推荐时候,是不能够满足运营需要的,在实际业务场景中,我们需要实时对用户分群,实时路径分析,实时漏斗分析,更快的挖掘用户的需求,精准推送。

    关于更多实时架构,可以访问《连载:阿里巴巴大数据实践—实时技术

    三、数据应用

    不同的网站提供的内容和服务不同,用户行为分析的侧重点也有差异。但是,几乎所有的网站用户分析都是基于用户属性和用户具体行为 来展开各种关联或逻辑推理分析,主要有以下集中:

    用户画像:用户画像是指找出各类用户的行为特点。用户画像是实施针对性营销的前提条件。例如, 通过某东针对用户画像推荐用户喜欢的运动品牌鞋子,根据你的年龄推送各种保健药,还会根据你的职业(程序员)推荐霸王防脱!

    关联分析:关联分析发现关联规则。把用户的搜索习惯当成你要的商品推荐特征,你会经常发现,当你搜索轮椅之后,系统会给你卖拐!

    分类与预测:利用分类技术,可以将用户归属为一个特定的类。当你下载过某APP后,某一天你卸载了,比如某仙网,之前买过一次酒就卸载了,后来经常给我推送优惠券,也许像我这样的人都会推送满199减100的优惠券吧。

    异常分析:曾经遇到过某天某个IP的访问日志量徒增,并发现攻击脚本信息,后来查了下那个IP,是某云的一个IP,针对异常分析,可以有效防止网站攻击。

    TopN分析:TopN分析是用户行为分析的一种很常用的方法。比如某博,经常看到热点话题,而且是实时更新的,TopN能够有效给用户推送大众关注的热点信息。

    四、结尾


    现在埋点已经成为每个系统的标配,为啥呢?一,埋点可以让我们获取用户的一些信息,对营销产品有一定作用;二,埋点可以了解用户的操作习惯,产品可以及时优化产品设计,提高转化效能;三,埋点可以实时让运营了解到产品的使用情况,毕竟用户才是上帝,只有获取了用户的信息(隐私),才能了解用户,抓住用户!大家都在提数据驱动、增长黑客,做好精细化运营才能让投资人的钱烧更长时间!

    就聊这么多吧,更多的埋点方案和分析,大家可以看下友盟和神策是怎么做的,有很多直接借鉴(抄袭)的呢!

    历史好文推荐

    1. 数据挖掘从入门到放弃(一):线性回归和逻辑回归

    2. 数据挖掘从入门到放弃(二):决策树

    3. 数据挖掘从入门到放弃(三):朴素贝叶斯

    4. 数据挖掘从入门到放弃(四):手撕(绘)关联规则挖掘算法

    5. 数据挖掘从入门到放弃(五)seaborn 的数据可视化

    6. 数据挖掘从入门到放弃(六):K-means 聚类

    7. 数据挖掘从入门到放弃(七):TensorFlow和keras实现线性回归LinearRegression

    展开全文
  • 几种常用用户行为分析模型简述

    千次阅读 2020-04-26 20:00:57
    一、常见用户行为分析模型 在数据分析的大框架下,通过对用户行为监测获得的数据进行分析研究的行为归结于用户行为分析。用户行为分析可以让产品更加详细、清楚地了解用户的行为习惯,从而找...

    一、常见用户行为分析模型

         在数据分析的大框架下,通过对用户行为监测获得的数据进行分析研究的行为归结于用户行为分析。用户行为分析可以让产品更加详细、清楚地了解用户的行为习惯,从而找出网站、app、推广渠道等产品存在的问题,有助于产品发掘高转化率页面,让产品的营销更加精准、有效,提高业务转化率。       

         用户分析是用户中心的设计流程中的第一步。是一种理解用户,将他们的目标、需求与商业宗旨相匹配的理想方法,可以帮助企业定义产品的目标用户群。在用户行为领域,数据的使用及挖掘是非常重要的,通过数据分析方法的科学应用,经过理论推导,能够相对完整地揭示用户行为的内在规律,基于此帮助产品实现多维交叉分析。针对用户行为分析,通常分为如下几个方法:

    1.行为事件分析

    2.页面点击分析

    3.用户行为路径分析

    4.漏斗模型分析

    5.用户健康度分析

    6.用户画像分析

    二、常见分析模型的作用与应用场景

    1、行为事件分析

    1)作用:行为事件分析方法主要用于研究某行为事件的发生对产品的影响以及影响程度。

    2)应用场景:针对某一具体行为,进行深度下钻分析,分析维度全面细致,确认导致该行为的原因;或针对某一结果现象,回溯可能造成此现象的行为是什么。例如查看功能模块的渗透率,回溯点击该功能和不点击该功能的用户有什么行为差别。

    3)涉及的数据指标:每个产品根据产品特性,会有不同的行为事件和筛选维度,但基本涵盖了该业务所需要的所有数据指标维度,进行前期数据规划中,需要对可分析事件进行全量数据埋点。后期平台运营过程中,将依赖于前期的数据采集规划。

    4)图例

    2、页面点击分析

    1)作用:点击分析被应用于显示页面区域中不同元素点击密度的图示,可以:

    1.精准评估用户与产品交互背后的深层关系

    2.实现产品的跳转路径分析,完成产品页面之间的深层次的关系需求挖掘

    3.与其他分析模型配合,全面视角探索数据价值

    4.直观的对比和分析用户在页面的聚焦度、页面浏览次数和人数以及页面内各个可点击元素的百分比。

    2)应用场景:通常用于首页、活动页、产品详情页等存在复杂交互逻辑的页面分析。一般分为可视化热力图、固定埋点两种形式。

    3)涉及的数据指标

    1. 浏览次数(PV):该页面被浏览的次数。

    2. 浏览人数(UV):该页面被浏览的人数。

    3. 页面内点击次数:该页面内所有可点击元素的总次数。

    4. 页面内点击人数:该页面内所有可点击元素的总人数。

    5. 点击人数占比:页面内点击人数/浏览人数。

    4)图例:

    页面点击热力图

    鼠标滑动热力图

    页面点击统计图

    3、用户行为路径分析

    1)作用:明确用户现存路径有哪些,发现路径问题,或优化用户行为沿着最优访问路径前进,结合业务场景需求进行前端布局调整

    2)应用场景:确定产品用户从访问到转化/流失都经过了哪些流程,转化用户与流失用户是否有行为区别,以及用户行为路径是否符合预期

    3)涉及的数据指标:全链路页面级PV、UV,以及路径流转关系

    4)图例:

    4、漏斗模型分析

    1)作用:从一个事件环节的最开始到最终转化成购买的整个流程中的一个个子环节,相邻环节的转化率表现力。就是指用数据指标来量化每一个步骤的表现。(流量漏斗模型在产品中的经典运用是AARRR模型,不过现在已经流行更新的RARRA模型)

    2)应用场景:衡量每一个转化步骤的转化率,通过异常数据指标找出有问题的环节并解决,最终提升整体购买转化率

    3)涉及的数据指标:转化周期(每层漏斗的时间的集合)、转化率(每层漏斗之间的)

    4)图例

    5、用户健康度分析

    1)作用:用户健康度是基于用户行为数据综合考虑的核心指标,体现产品的运营情况,为产品的发展进行预警。包括三大类型指标:产品基础指标、流量质量指标、产品营收指标

    2)应用场景:更大范围的业务综合指标考量,体现完整产品运营情况,预测未来发展

    3)涉及的数据指标:

    1.产品基础指标,主要评价产品本身的运行状态:DAU、PV、UV、新用户数;

    2.流量质量指标,主要评价用户流量的质量高低:跳出率、人均浏览次数、人均停留时间、用户留存率、用户回访率;

    3. 产品营收指标,主要评价产品的盈利能力与可持续性:用户支付金额(GMV)、客单价、订单转化率;

    4)产品营收指标恒等式:

    销售额=访客数×成交转化率×客单价

    销售额=曝光次数×点击率×成交转化率×客单价;

    5)图例:

    6、用户画像分析

    1)作用:根据用户的属性、用户偏好、生活习惯、用户行为等信息而抽象出来的标签化用户模型。通过高度精炼用户特征来描述用户,可以让人更容易理解用户,并且可以方便计算机处理

    2)应用场景:通过定义用户画像,可以帮助产品运营理解用户,产品设计从为所有人做产品,变成为带有某些标签的人群做产品,产品能够更精细化运营,且设计复杂度降低

    3)涉及的数据指标(不限于):

    人口属性:性别、年龄等人的基本信息

    兴趣特征:浏览内容、收藏内容、阅读咨询、购买物品偏好等

    位置特征:用户所处城市、所处居住区域、用户移动轨迹等

    设备属性:使用的终端特征等

    行为数据:访问时间、浏览路径等用户在网站的行为日志数据

    社交数据:用户社交相关数据

    4)用户标签库图例:

    热门文章

    直戳泪点!数据从业者权威嘲讽指南!

    数据分析师做成了提数工程师,该如何破局?

    全栈型VS专精型,团队到底需要什么样的人?

    数据驱动业务,比技术更重要的是思维的转变

    最近面了十多个数据分析师,聊一聊我发现的一些问题

    你也「在看」吗?????

    展开全文
  • AARRR是一个漏斗模型,是一整套数据分析的...在这个漏斗过程中,用户可能会一步一步慢慢流失,剩下的部分用户实现最终转化,需要注意的是AARRR模型并不是严格按照顺序来执行,每一个环节也不是绝对必要的。分别说一下以

    AARRR是一个漏斗模型,是一整套数据分析的思路、逻辑框架。从上往下分别是

    1. Acquisition 获取用户:用户如何找到我们?
    2. Activation 提高用户活跃度:用户的首次体验如何?
    3. Retention 提高留存率:用户会回来吗?
    4. Revenue 获取收入:如何赚到更多的钱?
    5. Referral 自传播(推荐)::用户会告诉其他人吗?
      在这里插入图片描述
      在这个漏斗过程中,用户可能会一步一步慢慢流失,剩下的部分用户实现最终转化,需要注意的是AARRR模型并不是严格按照顺序来执行,每一个环节也不是绝对必要的。分别说一下以下每一个环节:

    1 Acquisition:获取用户
    获取用户,也就是大家通常所说的推广。此时推广人员经验很就显得重要:首先要分析自己产品的特性以及目标人群,与渠道用户进行定位和匹配,要摸清楚每个渠道量级与用户质量,不同产品时期选择不同渠道,是前期铺量还是稳定期保质量。

    渠道量级指标: 曝光量、点击、下载、安装、激活(注册激活,主动激活、推送激活、交易激活)、累计新增。
    **渠道质量指标:**CTR,激活率,安装率,CPA等每用户成本、用户LTV、1次/1日用户量,用户使用时长、留存率、付费率、ARPU
    最后还要进行 假 量 排 查 \color{red}{假量排查}

    2 Activation:提高活跃度

    如何将新增转化为活跃用户,
    首先我们要理解下什么是活跃? DAU = 当日新增 + 累计历史日留存

    即今日活跃的用户中,一部分是新增,另外绝大部分都是以往的留存用户,产品运营周期越长,新用户占比越少。所以影响活跃最主要因素就是产品的留存表现,另外一点就是产品粘度。

    分析活跃可以从两个角度出发:1.活跃用户构成 2.产品粘度

    1)活跃用户构成:新老用户占比、新老用户活跃率、忠诚用户数、回流用户数、1次/1日登录用户占比等指标,根据不同产品运营时期,不同的参考数值。

    2)产品粘度:

    产品黏度很关键的指标,它说明了用户对产品的喜欢接纳程度,我们通常用MAU/DAU 来定义产品的黏度指标,比值代表用户回访的天数(几天会用一次产品),当MAU/DAU=1的话说明这款产品用户每天都用;

    DAU/MAU * 30 代表用户一个月会用几次产品。

    7日回访率、日均使用时长、日均登录次数等都是产品粘度的重要指标,分不同类型产品,依次分析。

    Retention:提高留存率

    通常维护一个老用户的成本要远远低于获取一个新用户的成本,所以熊瞎子掰玉米的情况是产品运营的大忌。分析出用户在哪里流失,为什么流失,才能有的放矢的解决问题。
    在这里插入图片描述

    留存率跟产品的类型有很大关系。通常工具类应用的首月留存率可能普遍比游戏类的首月流存率要高,有些产品不是需要每日启动的,看周留存率、月留存率等指标,会更有意义。分析留存必须清楚用户是在哪些环节流失,所以每款产品,都必须有自己的流失漏斗,越细致越好,前期数据埋点要尽可能详细。另外,分析人员必须明白,你分析的是流失率还是流失占比,还是流失概率,这之间差距很大。

    产品的活跃与留存息息相关,必须放在一起去分析,提升活跃与留存4种方式:
    1. 有效触达,唤醒用户:指的是通过手机PUSH、短信和微信公众号等能够触达到用户,唤醒沉睡用户启动APP的方式,是提升留存的非常有效的方法之一。如游戏老用户短信召回,电商老用户召回,召回肯定是有成本的,所以要根据用户以往行为,进行分析定为,找到召回率最高的那部分用户,(如RFM模型定为核心用户)

    2. 搭建激励体系,留存用户:好的激励体系,可以让平台健康持续发展,让用户对平台产生粘性,对提升留存非常有效。通常使用的激励方式有成长值会员体系、签到体系、积分任务体系。

    3.丰富内容,增加用户在线时长:这点游戏产品做的非常好,各种玩法活动本身就吸引用户投入时间成本,游戏又不断强化社交属性,更增加用户粘度与成本投入。

    4.数据反推,找到你的关键点:比如知乎,评论超过3次,用户就会留存下来,很难流失。比如有些游戏产品,一旦玩家跨过某个等级就就很难流失。这些都是你需要通过数据分析才能找到的关键节点。

    留存用户需要关注的指标:

    次日留存率:(当天新增的用户中,在第二天使用过产品的用户数)/第一天新增的总用户数第3日留存率:(第一天新增的用户中,在第3天使用过产品的用户数)/第一天新增的总用户数第7留存率:(第一天新增的用户中,在第7天使用过产品的用户数)/第一天新增的总用户数第30天留存率:(第一天新增的用户中,在第30天使用过产品的用户数)/第一天新增的总用户数

    Facebook著名的40-20-10法则:新用户次日的留存率为40%,7日之后的留存率20%,30天后留存率10%,这个表现的产品属于数据较好的产品。

    Revenue:获取收入

    获取收入其实是产品运营最核心的一块。极少有人开发一款应用只是纯粹出于兴趣,绝大多数开发者最关心的就是收入。

    基本指标:ARPU、ARPPU、付费率(区分新老)
    了解付费用户构成:高额、中额、低额用户分布

    付费破冰点,付费卡点是否合理?付费点设计不合理时,付费点会变成流失点

    持续付费能力分析:回购率,回购点是哪些功能,用户付费频率,时间间隔是多久?

    付费功能和环节分析:不同拉收入的活动或功能,哪些反馈较好,哪部分用户反馈好,人均充值额,付费率各是多少?

    另外,有些产品内部会有自身货币系统,如漫画类产品的逗币流通,游戏产品的钻石,金币等产品内部货币,产出消耗是否平衡,严重关系到产品的收入。

    Refer:自传播

    病毒式传播是每个产品向往的推广方式,除了好的营销方式铺垫,更重要的还是要靠产品自身的品质。自传播中的数据指标,可以参考口碑指数、百度指数、网站PR值、搜索引擎收录数、反向链接数据来衡量。之前一直想分析产品的自传播系数,现实数据中,无法剥离哪部分用户真正是靠自传播而来的,所以自传播系数比较难量化。

    在这里插入图片描述
    三、RARRA模型,它强调用户运营,以精细化运营带动二次购买、交叉销售和拉新获客
    2019年,托马斯·佩蒂特Thomas Petit和贾博·帕普Gabor Papp提出RARRA模型,它是对海盗指标-AARRR模型的优化,可以说是一个反向漏斗的模型。它强调通过运营核心用户实现用户留存,先获取用户本身的价值,再通过用户去帮我们转化新的用户扩宽市场。

    RARRA模型突出了用户留存的重要性,不再一味关注用户增长;由此企业由野蛮的用户增长时代开始进入用户的精细化运营时代。
    在这里插入图片描述

    RARRA模型中,R代表Retention,即用户留存;A代表Activation,即用户激活;R代表Referral,即用户分享;R代表Revenue,即用户价值;A代表Acquisiton,即拉新带来新用户。

    1. Retention:首先是让用户留存下来,企业要想办法为用户提供价值,让用户回访。
    2. Activation:用户回访后,确保让用户看到产品的价值,激发用户的兴趣。
    3. Referral:用户对产品感兴趣后,让用户对转发、分享、讨论和评价,一是帮助企业进行产品和口碑的传播,二是这些行为有助于进一步激发用户的购买行为。
    4. Revenue:用户评论和转发产品后,用户购买产品,对企业贡献了价值。
    5. Acquisition:用户向周围人推荐产品或企业,帮助企业引入了新用户。

    RARAA的第一步也是最重要的工作是做好用户留存,这就要用到用户留存率曲线和Cohort分析(用户同期群分析),找到用户流失的时间节点、流失用户和留存用户的特征,基于这些分析做到在正确的时间节点采取正确的留存运营手段防止用户流失;同时根据现有留存用户特征寻找类似的新目标用户(这样带来的新目标用户既可以提高留存率又可以转化率)。

    RARAA模型的真正价值在于,让新用户产生初次购买,让老用户产生二次购买或交叉购买,让老用户拉新带来新用户。

    1. 让未产生购买行为的老用户实现购买,为公司贡献价值。
    2. 让产生购买行为的老用户实现二次购买/复购,拉长用户的生命周期,增加用户生命周期价值LTV。
    3. 让产生购买行为的老用户实现交叉购买(比如让已购买数学课程的用户购买语文课程),增加用户的交叉购买价值。
    4. 让老用户进行传播,影响其他新用户,实现低成本的拉新获客。

    参考引用:AARRR
    Joan的数据分析

    展开全文
  • 用户行为序列推荐模型

    千次阅读 2019-12-20 17:14:22
    导读:今天我们谈谈用户行为序列上的推荐模型。首先我们对序列推荐问题做一个定义和描述,然后主要讲述可以用在序列推荐任务中的 NN 模型,最后给出一点个人看法以及文中相关的参考文献供参阅。 用户行为大多数情况...
  • 常见用户行为分析模型解析

    千次阅读 2018-08-24 15:56:36
    行为分析常用名词 维度 维度描述的是一个事物身上所具备的特征或属性 指标 指标,即具体的数值。比如访客、页面浏览量、停留时长都属于常见的指标 展示和点击 展示,指页面上元素的曝光次数。点击,指页面元素...
  • 基于用户行为数据分析的移动互联业务推荐模型
  • 最近有些忙,但是看到了很好的分析模型也要跟大家分享的,这篇博客有些粗糙,主要是po上一些链接供大家学习,有时间的话,我也会写出自己关于用户行为分析的理解的。 下面是关于用户行为分析常见的分析维度,有助于...
  • 用户行为分析模型——RFM模型

    万次阅读 多人点赞 2019-07-10 16:34:54
    用户行为分析模型——RFM模型1. RFM模型 1. RFM模型        RFM模型根据客户活跃程度和交易金额的贡献,进行客户价值细分的一种方法。 R(Recency)——最近一次交易时间间隔。基于最近一次...
  • 面向精确营销的用户行为分析模型研究与应用,电信行业比较详细的基于数据挖掘的用户行为分析报告
  • 即消费者行为模型。原来一直倡导的AIDMA模式,即——引起消费者注意——产生兴趣——激发欲望——强化记忆——促使行动。现在随着互联网的兴起,消费者在商品的选择上已不限于实体,更多的是电商的形式。甚至商品也...
  • 本文汇总了8篇推荐系统中对用户历史行为序列建模的方法,包括DIN、DIEN等经典模型
  • 基于用户行为的兴趣标签模型

    万次阅读 2018-09-07 13:50:29
    随着网站规模的扩大,内容也相应的与日俱增,涵盖的频道也越来越繁杂,在如此海量的信息平台下,如何更好的服务用户成了各门户网站的首要任务。从用户需求的角度考虑,对内容的判断标准无疑是用户对此内容是否感兴趣...
  • 基于用户行为分析建立用户偏好模型 2013-09-08 18:23 2736 转载:http://zisong.me/post/ji-zhu/ji-yu-yong-hu-xing-wei-fen-xi-jian-li-yong-hu-pian-hao-mo-xing 我们经常将个性化推荐的思想简单地...
  • 浅谈用户营销模型AIPL

    千次阅读 2020-11-27 13:46:17
    进入互联网下半场,由于人口红利带来的流量越来越珍贵,作为C端厂商,获取流量的成本变的越来越高,如何经营好已有的流量变的关键。...非常关键的一点是构建营销模型,将客户分层,今天介绍下业内的一款经典
  • Fogg说人的行为由动机,能力和触发条件这三要素组成,这三个同时都满足时行为才会发生。用一个等式来简化就是: B=MAT 其中B是Behavior行为,M是Motivation 动机,A是Ability能力,T是Triggers触发。 ...
  • 用户行为分析模型1、漏斗分析模型——从注册到购买的转化率1.1 什么是漏斗分析?1.2 漏斗分析模型的特点与价值1.3 在漏斗分析模型中,科学归因、属性关联的重要...”** 用户行为分析之漏斗分析模型是企业实现精细化...
  • 行为序列模型在抖音风控中的应用

    千次阅读 2022-06-14 01:36:57
    背景行为序列模型相对于传统机器学习的主要优势在于不依赖行为画像特征,无需强专家经验挖掘高效特征来提升模型性能,缩短了特征工程的周期,能快速响应黑产攻击。黑产通过刷接口、群控、真人众包等作弊手段在关注、...
  • 利用python进行用户行为分析

    千次阅读 多人点赞 2020-04-22 12:19:34
    文章目录用户行为分析什么是用户行为分析了解用户行为分析用户行为分析的目的用户行为分析指标实施用户行为分析行为事件分析用户留存分析漏斗模型分析行为路径分析福格模型分析AISAS模型数据集描述明确分析目的获得...
  • 如何让数据分析来帮助业务挣钱,这是每个数据分析师都会考虑的问题,近几年经常提到的精细化运营、数据驱动增长、增长黑客这样的字眼,这背后的核心就是用户行为分析。 而其中最经典的当属RFM模型吧,简单好操作...
  • 近日,在中国北京举办 CIKM 2019 AnalytiCup 中,由来自浙江大学、中央财经大学、阿里巴巴等机构组成的团队 WWG 摘得「用户行为预测」赛道的桂冠。 CIKM 是中国计算机学会(CCF)推荐的数据库/数据挖掘/内容检索...
  • 用户画像中常用的用户模型

    万次阅读 2019-02-19 16:11:59
    促销敏感度模型 1.对于租凭公司平台而言,全范围的促销投放和对所有用户发放优惠券之类的,的确可以得到不错的效果,比如2019年的春节,公司通过对所有老用户发放优惠券,成功争取到了1000多订单。但是如果想进一步...
  • 数据分析的基础模型涵盖方差分析、因子分析、回归分析、主成分分析、聚类分析、逻辑回归、用户细分等等,游戏运营的数据分析通常依据AARRR海盗法则相对精简,业内专注对留存、付费及活跃的几个常用数据的分析。...
  • 淘宝用户行为数据分析详解

    千次阅读 2021-02-24 09:32:13
    淘宝用户行为数据分析详解前言一....分析用户使用户行为的漏斗模型2, 不同时间尺度下用户行为模式分析1)分析一周内每天的用户行为2)分析一天内用户每小时的行为3, 不同商品种类的用户行为1)统计浏览次数、收藏次
  • 用户漏斗模型

    千次阅读 2019-12-08 14:03:35
    漏斗模型是一个看似简单的评判产品健康度的数据工具,简单来说,就是通过产品每一个设计步骤的数据反馈得出产品的运行情况,然后通过各阶段的具体分析改善产品的设计,提升产品的用户体验。 漏斗模型符合自然规律 ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 340,938
精华内容 136,375
关键字:

用户行为模型