以網易嚴選為例，教你如何分析用戶行為

在一二級市場萎靡的大環境下，新消費品的商業模式需要從早期的 流量-轉化-留存 中解放出來，轉而更專注於服務體驗產品價值。商品品質和服務體驗做得好，才能帶來長期價值，要優於通過燒錢拉新的方式擴大短期規模。

本文中數據均為脫敏/虛構數據。

1

商業模式

在做用戶分析前，通常需要對商業模式做一個基本的了解，我們先來看經典的5W1H問題。

對於網易嚴選：

Who：用戶是誰？- 精品電商的用戶群體

Why：用戶為什麼來？- 有消費需求/內容吸引

Where：用戶到哪消費？- 多端&多渠道/線上&線下

When：用戶什麼時間來消費？- 用戶的生命周期

What：用戶來做什麼事？- 消費

How：怎麼做？- 挑選 > 下單 > 支付 > 物流 > 收貨 > 售後

後續會有單獨的一章做更詳細的商業模式擴展分析，這裡不做過多描述。

先看一個熟悉的公式，從用戶角度出發

[營業收入 Revenue] = [交易額 GMV] × [佣金率 TR]

[交易額 GMV] = [活躍用戶規模 DAU] × [轉化率 CR] × [客單價 ARPU]

可以通過 提升佣金率、擴大規模、提升轉化、提升客單價 達成增長目的。但根據系統性原理，以上因素都是相輔相成的，單一變量的變化會對其他變量造成影響。這裡就有一個問題，究竟哪個環節是能夠驅動增長的核心過程？

用一句話來說答案大概是：吸引並和留存高價值的活躍用戶群體。

我們從行為分析的視角出發，當前電商的運營模式可以大致分為兩類：

如上圖所示，由於業態的差別，境內和境外的電商模式，有明顯的差異。以首頁為例，與 Amazon / Etsy 相比，淘寶 / 京東 的首頁顯然承接了更多消費以外的需求，如商業化、簽到、遊戲場景等。究其原因，平台在不影響現有消費導向用戶的體驗的前提下（搜索作為主入口），滿足更多特定群體用戶的偏好需求，以提升[活躍用戶規模 DAU]，並且願意花費額外的人力成本在其中。

回來看網易嚴選，顯然屬於後者。除銷售導購外，網易嚴選的APP中也承載了更多互動和體驗內容，也需要我們做更細緻的用戶行為分析，以找到機會點並驅動增長。

2

用戶需求

回歸電商的本質，用戶到嚴選APP的最終目的，應該是消費。消費前用戶會有一個的決策過程，也就是逛和選。

這兩部分是用戶的核心需求，由此我們可以定義一些關鍵指標，用作後續分析：

消費相關：消費金額，消費頻次

逛選相關：訪問頻次，收藏/加購頻次，訪問深度

我們這裡不使用停留時長作為指標，詳細見附錄。了解過網易嚴選電商平台的產品定位以及用戶群體後，我們就可以做定向的分析了。

3

分析框架

3.1 場景分析

前邊提到了網易嚴選APP的業務形態比較多元，除了核心的銷售場景外，還有一些互動場景。通過調研了解，我們對網易嚴選做了一些場景劃分，以便於更好的分析。

有了場景後，我們可以通過分場景的UV/PV排序，來做用戶的場景洞察，根據用戶常出沒的場景，做定向的導購/推薦/挽回等策略。

數據可視化：場景分布中常用的兩種可視化方案，PV展示用餅圖類，UV展示用柱圖類（推薦玉珏圖）。

UV展示：

PV展示：

3.2 路徑分析

通常情況下，電商場景的主路徑為：搜索-列表-詳情-訂單-支付-完成

但由於很多導購、互動場景的存在，會使得用戶的路徑更多元化，如下圖所示。

在路徑分析中，我們核心關注的問題是：

① 用戶為什麼來訪？- [投放吸引]：廣告/PUSH/短信 等 or [主動訪問]：直購/內容/物流/活動 等

② 用戶為什麼離開？- 未找到商品/價格不滿意/服務不滿意 等

數據可視化：路徑分析中常用的兩種可視化方案，桑基圖和路徑圖。

3.3 偏好分析

大部分用戶都有個人的使用習慣和偏好，了解目標用戶的偏好可以幫助我們做更好的精準營銷。

3.3.1 時間偏好

用戶的時間偏好（訪問時間偏好/購買時間偏好）也是很重要的特徵，可以協助我們更深入的了解用戶習慣。舉例如部分用戶偏好在8~10點做簽到任務，部分用戶偏好在晚上20~24點間觀看直播，諸如此類。該特徵可用於個性化推薦，以及PUSH/短信等主動觸達方案的時間控制。

數據可視化：時間偏好通常會採用熱力圖（推薦色塊圖）做數據可視化。

3.3.2 品類偏好

用戶會有偏好的某一個品類，或者某幾個品類，通過品類偏好分析，可以探究品類之間的關聯性，讓我們清楚的了解用戶需求，同時提升交叉銷售能力。

數據可視化：品類偏好通常採用關係圖譜做數據可視化。

4

深入應用

接下來，我們結合用戶篩選和用戶成長模型來看，行為分析的具體應用場景及價值。我們定義用戶的生命周期為：新訪-激活-首購-復購-忠誠

落到具體場景，我們需要引入一個統計方式 TGI [Target Group Index] 來做用戶評估：

TGI = [目標群體中具有某一特徵的群體所占比例] ÷ [總體中具有相同特徵的群體所占比例] - 1

為了方便展示，這裡採用自定義的TGI，TGI>0表示目標用戶的關注程度高於整體水平，反之TGI<0表示目標用戶的關注程度低於整體水平。

4.1 新訪-首購

這裡我們以 [首購新訪用戶] 對 [全部新訪用戶] 做TGI統計。先從場景入手，如下圖左所示 ↓，首單轉化的用戶對直播有非常明顯的傾向性。此外從數據角度看，偏好0元購、每日抄底、紅包的用戶，更易達成首單轉化。偏好茅台預約、新人會場、搜索場景的用戶，更難達成首單轉化。

我們可以得出一些結論：在新用戶對平台不熟悉的情況下，傾向於購買一些低價商品、或使用紅包/優惠券等權益達成首單轉化，此外，一些羊毛黨（如茅台預約用戶）很難轉化。

路徑分析主要看用戶來源渠道（SEM/CPC/ASA/CPS等廣告各不相同，通常質量和價格掛鈎），信息比較敏感，我們這裡不做詳細描述。

接下來時間偏好，如上右圖所示 ↑，下午 12:00~20:00 偏好用戶，更易達成首單轉化。有時候新客運營團隊會負責新客的前3單轉化，分析邏輯和上述首單類似，可以擴展。首購的商品也會影響復購，詳見4.2.1

4.2 首購-復購

用戶的復購，通常分為單品類復購和交叉品類復購兩種。這裡我們以 [復購用戶] 對 [有購買用戶] 做TGI統計。

4.2.1 單品類復購

同樣做場景分析，如下圖所示 ↓，紅包、優惠券、榜單等營銷和推薦場景的用戶，更易達成復購轉化。偏好簽到、心愿城等互動場景的用戶，更難達成復購轉化。

此外，用戶的單品類復購行為，也與商品品質的好壞強相關。考慮到好評率會有倖存者偏差，我們建議採用NPS（問卷採集）做為評估手段。

NPS = [推薦者數]/[總樣本數] - [貶損者數]/[總樣本數]

這裡主要是用戶分析，商品分析不做過多展開。

4.2.2 交叉品類復購

我們先來了解下，著名心理學家威廉·詹姆斯提出的鳥籠效應：一個不養鳥的人，當別人送給他一個鳥籠，不久後就會養起鳥，並且購買鳥糧等附加品。人們會在偶然獲得一件物品後，會繼續添加更多與之相關而的東西。

我們希望可以找到可以驅動品類遷移的 [鳥籠]，並以較低的價格「送給」用戶，從而促使用戶跨品類復購。實際上通過用戶行為可以找到商品間的關聯關係，做品類偏好分析，就能找到 [鳥籠]。

舉幾個簡單的例子：

懶人拖把 → 一次性地板濕巾

空氣炸鍋 → 錫紙 / 防油紙盤 / 打蛋器等烘焙小工具

香氛燈 → 香氛精油 / 香氛蠟燭

5

附錄

關於 [停留時長和轉化率關係] 這件事，是一個明顯存在倖存者偏差的結論。

數據觀察： 停留時長和轉化率正相關。

認知升級： 消費用戶的決策周期更長，所以停留時間更久。

不足以支撐結論： 由於用戶停留時長更長，所以轉化率更高。

以上兩個事實只有相關關係，並不能證明存在因果關係。盲目提高用戶在域內的停留時長，可能無法有效提升轉化率，小紅書電商就是一個很明確的例子，此外，淘寶早在2018年前就放棄了把停留時長作為目標管理中的一環（除個別遊戲場景以外）。

但也不是完全無關，針對一些特定用戶如直播敏感型用戶，通過優化產品體驗提升用戶直播觀看時長，對轉化率是有正向作用的。

由於涉及到數據安全問題，文章中淺嘗輒止，只是提供一些分析方法論，並沒有深入的做細節探究。