数据分析 - 用户分析概述（学习笔记）

用户分层

用户分层最大用处就是去平均化。通过平均数，观察到的趋势是对的；但推导出的执行计划，往往是错的。落到执行层面，需要进行用户细分，才能更容易找到真正问题，制定可行的计划。

（总收入=付费用户数*付费用户人均付费） 

看平均数，就会要把人均付费提高，再多搞25这种结论。可实际上，平均值降低25元，是不是等于业务就得想办法拉高25元呢？

两种很经典的业务形态，依赖土豪用户的大R型业务和依赖大量普通用户的大DAU型业务。 

从毛利中拨一个固定比例作为回馈，然后参照竞争对手的比例，选择自己主打的档位，从而形成竞争优势。这样对应的分类标准，也可以直接套用业务的标准。 

用户细分

从对公司贡献的收入上看，ABC三类是同一档次的。可实际上ABC三类代表了三种不同的消费习惯：

A：集中采购（很有可能是在双十一买最便宜的）集中一次大活动引爆！

B：换季采购（很有可能每季度跟风新品）每季新品促销

C：频繁采购（日常活跃高，运营最喜欢）打卡+积分+周活动

具体用哪一种，可以参考整个用户结构中ABC三类的比例，选一个主战术，效果如下：

用户画像与用户标签

活跃度分析

遭遇异常，要关注：

1. 幅度：单日波动是否足够大
2. 持续性：是否有持续增大、持续回落的走势
3. 规律性：是否是有规律的、计划内的波动
4. 关联性：关联的注册、付费指标是否同样波动

流失率分析

不要试图挽留每一位用户，用户流失不可避免，控制在一个可以接受的水平上即可。没必要没能力穷举所有流失的原因，只要控制可控因素，减少明显错误即可。流失是一个相对滞后的指标，要和活跃率结合来看，对核心用户活跃率紧密跟踪，及早发现问题。

流失率分析分类

1.事件型问题：当天出事了，短期流失率波动。指标：DOU，观察自然周期。

负面事件比如缺货、涨价、系统BUG、用户投诉、对手大促销。体现在数据上，受事件影响的用户群体活跃率，会在事件发生后应声而落，之后N个月流失率开始增长。需要注意，正面事件也会提升流失率。特别是用户拉新、促活、留存、唤醒。单纯的刺激非消费类的软指标，最容易引发虚假繁荣。

2.系统型问题：产品整体流失率就比同行低。指标：DNU，同期群模型，观察生命周期。

业务做的比对手差，诊断方法，参照用户生命周期理论。不同阶段考虑的重点不同。

3.持续型问题：从某个时间点开始持续增高，未见好转。最难解决的问题，实际上经常会出现不规则小范围反复波动。可设立观察指标，等到有一定程度，可能可以找到线索。