属性分析是实现用户行为精细化运营的必备分析方法之一。

仅知道一幢房子的面积无法全面衡量其价值大小,而房子的位置、风格、是否学区、交通环境更是相关的属性。同样,用户各维度属性都是进行全面衡量用户画像不可或缺的内容。

属性分析的定义

顾名思义,属性分析根据用户自身属性对用户进行分类与统计分析,比如查看用户数量在注册时间上的变化趋势、查看用户按省份的分布情况。用户属性涉及用户信息,如姓名、年龄、家庭、婚姻状况、性别、最高教育程度等自然信息,也有产品相关属性,如用户常驻省市、用户等级、用户首次访问渠道来源等。

属性分析模型的价值

属性分析主要价值体现在丰富用户画像维度,让用户行为洞察粒度更细致。科学的属性分析方法,对于所有类型的属性都可以将“去重数”作为分析指标,数值类型的属性可以将“总和”“均值”“最大值”“最小值”作为分析指标,添加多个维度。数字类型的维度可以自定义区间,方便进行更加精细化的分析。

属性分析模型的应用场景

场景 1:按省份查看用户数

如图 1 所示,运营人员可以很直观地查看用户在不同省份的具体分布情况。当然也可以按城市进行分析,这样有助于运营人员快速了解产品用户具体分布在哪些城市,是否为发达地区等,以判断用户的喜好程度等。

图 1  按省份查看用户数(图片来源:神策数据产品)

场景 2:查看一个月未发生购买的客户,预警客户流失 由于重点客户资源的稀缺性,其黏性备受企业关注。图 2 所示的中商惠民“用户属性”分析模型,筛选出距上次购买已经超过一个月的重点客户。

图 2 准流失客户群预警(图片来源:神策数据产品)

该图显示有超过 166 个商超客户一个月未订货。点击 166 数字,即呈现 166 家重点客户明细。30 天未发生购买的原因很多,也许重点客户未流失,只是不再用 APP 下单,也许重点客户真的流失了。此时就需要业务代表进行召回动作,无论属于哪种情况,运营人员都可以通过查看用户行为(重点客户)序列,分别了解重点客户路径,找到重点客户订单量骤降的原因。

我们逐一介绍了各大数据分析模型,实际上各分析模型应该是一个综合体,它们之间存在无法割裂的关系。各分析模型实现科学互动和配合,能够科学揭示出用户个人或群体行为的潜在规律,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。

关于数据分析模型,我们已为大家深度解读了行为事件分析、漏斗分析、留存分析、分布分析、点击分析、用户路径分析、用户分群分析、属性分析等分析模型,可点击下方文字链查看:

行为事件分析模型

漏斗分析模型

留存分析模型

点击分析模型

用户路径分析模型

用户分群分析模型

分布分析模型