漏斗分析和电商数据分析模型概念

植夫发布

现代营销观念认为:“营销管理重在过程,控制了过程就控制了结果。”用户行为分析之漏斗分析模型是企业实现精细化运营、进行用户行为分析的重要数据分析模型,其精细化程度影响着营销管理的成败,以及用户行为分析的精准度。(所哟知识点整理自网络)

一、什么是漏斗分析?

百科给出的解释:营销漏斗模型指的是营销过程中,将非潜在客户逐步变为客户的转化量化模型。漏斗分析是一套流程式数据分析,它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。营销漏斗模型的价值在于量化了营销过程各个环节的效率,帮助找到薄弱环节 。

营销的环节指的是从获取用户到最终转化成购买这整个流程中的一个个子环节,相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现。所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤,然后用转化率来衡量每一个步骤的表现,最后通过异常的数据指标找出有问题的环节,从而解决问题,优化该步骤,最终达到提升整体购买转化率的目的。我们需要将按照流程操作的用户进行各个转化层级上的监控,寻找每个层级的可优化点;对没有按照流程操作的用户绘制他们的转化路径,找到可提升用户体验,缩短路径的空间。

它可以广泛应用于流量监控、产品目标转化等日常数据运营工作中,称之为转化漏斗;也可以用于产品、服务销售,称之为销售漏斗。

二、漏斗分析模型的特点与价值

对于业务流程相对规范、周期较长、环节较多的流程分析,能够直观地发现和说明问题所在。漏斗模型帮助你分析一个多步骤过程中每一步的转化与流失情况。

  • 1.监控用户在各个层级的转化情况,聚焦用户选购全流程中最有效转化路径;同时找到可优化的短板,提升用户体验。降低流失是运营人员的重要目标,通过不同层级的转情况,迅速定位流失环节,针对性持续分析找到可优化点,如此提升用户留存率。
  • 2.多维度切分与呈现用户转化情况,成单瓶颈无处遁形。科学的漏斗分析能够展现转化率趋势的曲线,能帮助企业精细地捕捉用户行为变化。提升了转化分析的精度和效率,对选购流程的异常定位和策略调整效果验证有科学指导意义。
  • 3.不同属性的用户群体漏斗比较,从差异角度窥视优化思路。漏斗对比分析是科学漏斗分析的重要一环。运营人员可以通过观察不同属性的用户群体(如新注册用户与老客户、不同渠道来源的客户)各环节转化率,各流程步骤转化率的差异对比,了解转化率最高的用户群体,分析漏斗合理性,并针对转化率异常环节进行调整。

三, 漏斗模型案例

1. 电商购物流程分析电商的转化,我们要做的就是监控每个层级上的用户转化,寻找每个层级的可优化点。对于没有按照流程操作的用户,专门绘制他们的转化模型,缩短路径提升用户体验。

2. AARRR模型

AARRR模型是指Acquisition、Activation、Retention、Revenue、Referral,即用户获取、用户激活、用户留存、用户收益以及用户传播。这是产品运营中比较常见的一个模型,结合产品本身的特点以及产品的生命周期位置,来关注不同的数据指标,最终制定不同的运营策略。从下面这幅AARRR模型图中,能够比较明显的看出来整个用户的生命周期是呈现逐渐递减趋势的。通过拆解和量化整个用户生命周期各环节,可以进行数据的横向和纵向对比,从而发现对应的问题,最终进行不断的优化迭代。

四,更好的利用漏斗模型

需要注意的是,单一的漏斗模型对于分析来说没有任何意义,我们不能单从一个漏斗模型中评价网站某个关键流程中各步骤的转化率的好坏,所以必须通过趋势、比较和细分的方法对流程中各步骤的转化率进行分析:

  • 趋势(Trend):从时间轴的变化情况进行分析,适用于对某一流程或其中某个步骤进行改进或优化的效果监控;
  • 比较(Compare):通过比较类似产品或服务间购买或使用流程的转化率,发现某些产品或应用中存在的问题;
  • 细分(Segment):细分来源或不同的客户类型在转化率上的表现,发现一些高质量的来源或客户,通常用于分析网站的广告或推广的效果及ROI。

所以,漏斗模型适用于网站中某些关键路径的转化率的分析,以确定整个流程的设计是否合理,各步骤的优劣,是否存在优化的空间等。

试着去了解用户来你的网站的真正目的,为他们提供合理的访问路径或操作流程,而不是一味地去提高转化率。

  • 1)细化每一个环节,展示到点击之间?点击到下载之间?下载到安装之间?安装到体验之间?
  • 2)拥有埋点意识和全局观念,才能够有效采集,为每个环节的漏斗优化做出决策依据.

我们分析漏斗转化的目的,是希望能够提升最终的转化,而不是各层级的转化。漏斗分析只是站在了运营者的角度,自然而然地会慢慢走向“诱导”的方向。既然要激发用户的购买意愿,那么我们应该放下“诱导”,转而做“引导”。如果要引导,我们就需要了解,消费者在购买前的心理。

一般来说,遇见的都是有序漏斗分析,这种顺序体现在关键节点的路径中。在有序漏斗中,路是越走越窄的,换句话说,后面的每一步留下的数据量都不可能大于前面一步留下的数据量。如果不符合这个条件,则表明关键路径的流程顺序可能是有问题的,需要调整路径顺序。

五,电商常用到的概念和数据模型

电商的目标: 电商类的产品经理想的首先是GMV(成交金额),一切是为着GMV转的,大家绞尽脑汁想的也是如何提高网站的GMV。于是电商类才会有这样那样的促销活动,无中生有的创造出一个“双11”、“年终大促”…来刺激消费者购买商品,从而提高GMV。

GMV(一定时间内的成交总额,也就是流水),而GMV是用这样的公式得来的:GMV=流量×转化率×客单价

通过网上相关资料发现,GMV只是一些电子商务平台常用的一种称呼,像淘宝、京东、天猫等知名电商,常常用GMV代指网站的成交金额,主要包括付款金额和未付款的。通俗来说,我们平时网购时会进行下单,产生的订单中往往会包括付款订单和未付款的订单,而gmv统计的指标就是其二者之和。

电商平台给出的计算指标是:GMV=销售额+取消订单金额+拒收订单金额+退货订单金额。那么,看GMV数据会有哪些好处呢?电商平台利用GMV可以进行交易数据分析,虽然GMV不是实际的购买交易数据,但同样可以作为参考依据的,因为只要你点击了购买,无论你有没有实际购买,都是统计在gmv里面的。所以,可以用gmv来研究顾客的购买意向,顾客买了之后发生退单的比率,gmv与实际成交额的比率等等,类似于百度统计里边研究的用户粘度。

运营会在产品视角的基础上更进一步,关注成交驱动,公式:成交金额=UV*流量转化率*购买转化率*货单价*人均购买件数,和上面流量漏斗比只增加了货单价和人均购买件数,别看只是小的变化,但在整个运营思路和策略中却增加很多变数,比如在怎么提升货单价上,怎么提升人均购买件数上,怎么提升浏览转化效率等。

  • 1>提升货单价的思路通常是改变类目结构,或者是售卖更高端的同类商品,还有变相提价的,但通常不鼓励这种方式。
  • 2>提升转化效率的方式更多是通过BD更有吸引力的货品、价格、权益。

通常不同时期成交驱动主动力是不同的,初期更多是流量驱动,中后期更多是客单价和转化率驱动,相对而言流量和客单的提升方法更多,更容易些。

对电商而言,最重要的无非是流量,按照电商的流量转化漏斗:活动UV——商详UV——有效单量——上账单量,我们首先需要扩大活动UV这一层。

App核心分析思路是流量转化漏斗流量分析思路是流量转化漏斗,通过转化率可以对产品各链路效率进行判断和优化。要搞明白转化漏斗先了解常见的几个概念,

  • 1> UV是独立访客,一个用户代表一个独立访客,对于UV的统计方式通常有几种,App端通常按设备ID来区分,既有多少设备ID就认为有多少UV,Pc端则按cookieID(网页访问信息)来区分,用户经常会清空网页浏览信息,此种方式并不是很可靠,不过当前流量App端为主,影响不大。
  • 2> PV是用户访问次数,一个用户一天通常会多次访问,会记录多个PV,PV和UV的比值代表一个用户访问次数;
  • 3> IPVUV是到商品详情页的流量,类似于UV,不过两者对象不同,前者是到商品页的访客,后者是到App或者到页面的流量;
  • 4> IPV是到商品详情页的点击次数,一个用户可能会流量多个商品,在统计不同的商品的时候,多记录多个IPV,和IPVUV的比值代表一个用户访问的商品数量;
  • 5> 购买UV既有多少最终支付的UV,这个大家比较容易理解。

产品分发效率

产品分发效率的主要衡量指标是UV点击率,既到页面的UV有多少产生点击行为,公式:UV点击率=点击UV/UV,该值受产品形态影响较大,比如单品设计比店铺、品牌设计的产品UV点击率要高,可以和同类型产品对比分发效率是高还是低,是否需要优化。产品导购效率页面UV分发完后,接下来看到商品详情页的浏览转化率和成交转化率,公式:浏览转化率=IPVUV/UV,购买转化率=购买UV/IPVUV,在电商场景下,产品设计链路较长,通常会按路径长短再细分为不同指标,这样我们就可以从用户开始到结束的访问转化链路中定位到在哪一层跳出率更高,不同层级跳失优化方式也不同,比如浏览转化率通常可以通过改变产品形态解决,购买转化率通过提高商品品质,或强化权益透出,提高购买转化。

1、  RFM模型模型定义:

在众多的客户关系管理的分析模式中,RFM模型是被广泛提到的。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该机械模型通过一个 客户的近期购买行为、购买的总体频率以及花了多少钱三项指标来描述该客户的价值状况。在RFM模式中,R(Recency)表示客户最近一次购买的时间有 多远,F(Frequency)表示客户在最近一段时间内购买的次数,M (Monetary)表示客户在最近一段时间内购买的金额。一般的分析型CRM着重在对于客户贡献度的分析,RFM则强调以客户的行为来区分客户。

利用 RFM分析,我们可以做以下几件事情:

  • ⑴ 建立会员金字塔,区分各个级别的会员,如高级会员、中级会员、低级会员,然后针对不同级别的会员施行不同的营销策略,制定不同的营销活动。
  • ⑵ 发现流失及休眠会员,通过对流失及休眠会员的及时发现,采取营销活动,激活这些会员。
  • ⑶ 在短信、EDM促销中,可以利用模型,选取最优会员。
  • ⑷ 维系老客户,提高会员的忠诚度。使用方法:可以给三个变量不同的权重或按一定的规则进行分组,然后组合使用,即可分出很多不同级别的会员。
2、  关联分析

关联分析最原始的案例来自于沃尔玛的“啤酒与尿布”。通俗意义上讲,就是只买了A商品的人,又有很多人买了B商品,那么我们就可以认为A、B两个商品的关 联性比较高。很多数据挖掘工具都有关联挖掘,主要使用的算法是Apriori算法,在计算的过程中会主要考察项集、置信度、相关性这三个结果数据,以最终 确定商品之间的相关性。除了Apriori算法外,还有许多其他的关联分析的算法,基本上也都是从Apriori发展而来,比如FPgrowth。本人从 几年的数据分析经验感觉,关联分析在零售业中并不太实用,挖掘出来的关联度比较高的商品一般都是同类商品或者同品牌的商品,像“啤酒与尿布”这种,很少能 够有。使用方法:组套销售或者相关陈列等。

3、  聚类分析

零售行业的聚类分析主要是指将具有相似购物行为的顾客进行群体的细分,以支持精细化的营销活动,带来更大的营销效果,节省成本。Spss里面的聚类分析主 要有两种K-means聚类和系统聚类。也可以在数据仓库中根据顾客购买的商品属性进行会员的聚类分析,这里就不需要算法的支持,只需要根据系统的已经有 的商品分类,把购买过相同商品类别的顾客划分到一起。这种方法可能与公司的业务更加贴近。聚类分析是进行会员精细化管理,精细化营销的基础,做好聚类分 析,对企业将有很大的益处。使用方法:对顾客细分,精准化营销。

4、“之”字分析法

该种方法主要是有一种很明确的会员群体,然后通过分析这些会员群体的购买行为,提取这些购物行为的相似点,然后再通过这些相似点返回到整个数据里面,从中抽取更大的会员群体,以制定精准的营销。

参考资料:


发表评论

电子邮件地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据