独立站网站数据分析(12)- 用户行为分析

在“客户就是上帝”的认知下,“用户中心论”已经成为共识,在数据分析中我们称之为宏观概念下的用户行为分析。这一整套系列文章其实都是围绕用户行为而展开的理论、方法论和实践,在本篇文章中,为了更好理解,我们简化下概念。把用户行为拆分为“用户类型”和“行为”。

用户分类

根据用户的基本信息和行为特征可以将用户分为许多类别,衍生出各种各样的用户指标,实际上只要设定几个够用的指标就够了。从我的角度出发,用户、新用户、回访用户、流失用户,就可以满足独立站的分析需求。

新用户:首次访问网站的用户,通常会记录在网站cookie中,如果该用户清除电脑cookie或换设备设备,则会被被记录为另一个新的用户。

回访用户:曾经访问过网站,第二次以后的访问被定义为回访用户。但是需要注意的是,在GA4当中,如果一个新用户在一天内访问2次, 且2次间隔超过30分钟,那么他的第二次访问会被定义为回访。

用户: 也就是我们之前说的unique visitor,在GA4中, 是新用户+回访用户的去重。 通常按天、周、月来统计。每天的用户数量是我们衡量网站访问量的有效指标

流失用户:一段时间内未访问或登陆过网站的用户,一般流失用户主要针对已经注册过的用户而言,不同网站对流失的具体指标不同。对于电商而言,可能3个月不回访,就算流失掉了。流失用户的统计通常不在GA中进行,因为关注的不是仅仅是流失用户的多少,而是流失用户具体的邮箱是什么,针对不同阶段的流失用户,我该采取什么手段减少流失。所以在独立站的流失用户上,新的工具就会被引入使用。

活跃用户: 活跃用户的定义千差万别,一般是定义某个关键动作达到了指定的要求就会认为是活跃用户,但这个指标其实会更适合去衡量内容型的网站或用户量极大的多SKU网站。这个指标其实我思考了很久,是否要放在“独立站的常用用户分类”里,处于严谨性的考虑,还是写了出来。但是在独立站的前期阶段,这个指标你不会用到很多。

在分析新老用户时,我们通常使用柱状图来呈现

独立站网站数据分析(12)- 用户行为分析

有了前面4个常用用户类型后,通过计算就得到新用户比例、注册率、用户流失率这些复合指标。这些指标的定义相对明确,有各自的应用价值。有了这样一套的用户指标体系后,我们就可以利用这套体系去进行单独的或组合的分析。

如果你想用尽量简洁的指标去了解网站的用户情况,你会去问哪几个数字?

有的人说是累计用户数和每天访客数

但是在我看来,总用户数代表的是过去的辉煌,除了增加自我满足感外对分析没有太大的意义;每天的访问用户数是对过去努力的数据总结,从分析角度上看,如果不拆分则毫无意义。

管理之圣松下幸之助在一次企业管理演讲中讲到,管理企业就像一个蓄水池,无论资金怎么流入和流出,蓄水池里都要有水。

因此我们关注的应该是新用户数和流失率。

新用户数和新用户比例反映的是网站的推广能力,是之前渠道铺设带来的效果,它也是评估推广部门绩效的重要指标

而用户流失率则反映了网站保留用户的能力,如果蓄水池的出水量大于进水量,那这个水池也终将枯竭。不过对用户流失率的关注也要结合产品性质来看,多SKU高复购的网站会关注用户流失;但对于低复购的产品就只能及寄托于不断地获取新用户了

行为分类

在之前的文章中,我们提到了网站上的各种指标、指标分级指标的追踪的内容。这些指标整体来说可以分为用户的活跃性指标及产出性指标, 可以方便你记忆。

独立站网站数据分析(12)- 用户行为分析

这些指标如果你单独去看,也只是一个笼统的概念。

如果和用户分类结合起来,如下图,是不是更加有指导意义呢?

独立站网站数据分析(12)- 用户行为分析
“-”代表在此表中不分析该数据

 

请记住我们之前讲过的内容, 所有的分析都是有目的的,这样的一张表除了让我们知道网站不同用户群体的数量,了解网站整体概况外,还有一个更重要的功能,那就是计算出网站为每个新用户获取可以付出的成本是多少。

注意,这里要谈论的不是订单转化成本,而是新用户的获取成本,而这个新用户带来的行为可能只有pageviews。 可能我用点击成本/单次访问成本来代替新用户获取成本,大家会更好理解这样计算的目的。

为了方便计算,简化逻辑,以上表格,我们带入以下数据。 注意,以下计算只是展现大致逻辑,在真实的计算时,你可能需要考虑到更多的成本因素。

独立站网站数据分析(12)- 用户行为分析

假设毛利率是50%,在新客户获取下,我们的利润为:3000*50%=1500

老用户的利润为: (5000-50)*50%=2475

利润的一半是我们愿意投入到新用户获取上的,那么以下公司计算出来的,就是能保证盈利下的,网站单个访客的获取成本。

(1500+2475)/2 /3000 = $0.6625

这样的新客户获取成本计算方式比较适合已经有多渠道的网站,因为渠道越丰富,也就意味着其中包含的渠道转化率、客单价的数据更平均,更去参考性。你可以使用这个数据去评估其他的渠道,以此初步判断新渠道是否适合。比如,你想尝试一个叫做outbrain的原生广告平台,但是该平台上的点击成本平均都要0.7美金,而你的计算出来的新客获取成本只有0.65,那么在尝试时就需要更为慎重,除非这个平台的转化率会高于网站的平均转化率,那么该渠道才有可能为网站带来盈利。

但是如果你的网站仅依赖于一条渠道,比如说只有广告,连SEO自然流量都没,那么这样的参考方式对你来说,意义就不大。

针对已购用户: RFM

在传统营销和零售业中,有一种更为简单的用户行为分析法-RFM,它主要针对“已购买过”的用户展开分析和对应的营销活动。去分析这种,GA4就无法带来帮助,你需要使用带有CRM系统的工具,比如EDM服务商Klaviyo。

RFM 分别代表:Receny(最近一次消费)、frequency(消费频率)、monetary(消费金额),获取到这3个指标的平均值后,可以在一个三维图形中组合出8种用户群体。

独立站网站数据分析(12)- 用户行为分析

RFM分析法在邮件营销当中的应用比较多,我们的常说用的邮件列表分类主要也是以此为依据。

在今天的分析当中,分析工具已经不仅仅是GA4,还涉及了CRM管理,除了对数据的分析,还有少量对数据的使用。独立站网站数据分析的“分析篇”总共5篇文章到此结束。接下来,就开始进入到真正的数据应用篇。

原创文章,作者:Ada,如若转载,请注明出处:https://yaosocial.com/archives/analyze-users-and-behavior-on-your-e-commerce-website/

发表回复

登录后才能评论