ch1 走进用户行为数据分析

ch1 走进用户行为数据分析

第一章从商业进化的角度认识用户行为数据的重要性，帮助读者了解什么是用户行为数据及其发挥怎样的价值

一、商业的进化

一切向用户靠拢。用户行为数据，既是消费者心思的代言人，又是连接消费行为的关键。

• 旧品牌：原料-制造-销售

  有明确分工是旧品牌显著的产业特点。精细化分工极大地提升了上中下游各个环节的生产效率，实现生产效能最大化。

• 平台品牌：掌控用户数据

  率先变革的是渠道环节。平台品牌直接连接消费者，逐渐代替传统渠道而成为巨无霸，并且绑定各种旧品牌使其无法脱离。我国在搜索引擎、电子商务和社交媒体方面的互联网基础建设，让各家互联网巨头已经成为用户行为数据的掌控者。

  书中举例外卖平台掌握用户所有信息，而将点餐用户的姓名、联系方式等都以虚拟加密方式发给骑手和商家；另外，电商平台也只是将部分用户信息提供给入驻商。

• 新品牌：直连用户

  新品牌重视直连用户，即DTC(Direct To Consumer)。新品牌以消费者的需求为牵引力，将产业链上各个环节整合在自己手中，数据前后打通，从前到后牵动整个产业链条联动调整。

  书中举例：国外的只能床垫品牌Casper，国内的完美日记、护肤品牌HFP等。其实我对这些品牌并不了解，完美日记还有所耳闻，不过我知道的是其再小红书上种草营销的故事，莫非这种“省去渠道”的感觉就算做是DTC？那么一加手机算不算呢？同时完美日记还有国货崛起之类的标签。和我感觉的DTC略有差别。

  书中还有三个具体案例，核心都是体现了品牌直连用户，掌握更多用户数据，更加精确的数据。或许人人都想有“私域流量”，长尾部分确实值得重视，找到自己合适的群体尤为重要。

二、什么是用户行为数据

• 用户行为数据有狭义和广义之分。

  狭义可分为三类：用户属性数据、用户行为数据和用户交易数据。书中说这三种数据存在不同数据库中，往往相互不能融合，我目前实习公司来看，行为数据一般来自于客户端，交易数据来自于服务端，两边可能会有误差，倒也算不上"不能融合"吧。

  广义的用户行为数据则是包含用户属性数据和交易数据。在以用户为中心的逻辑下，我们考到的是用户的整个生命周期。交易数据和属性数据都是行为的沉淀。

  这里书中讲得比较抽象，意思是说通过行为数据打标签，譬如品类偏好、支付能力属性、促销敏感属性、裂变分享意愿度属性等。同时，这里一定要注意用户行为数据得隐私和权限。

三、用户行为数据得一个趋势和两个价值

• 一个趋势：在数字孪生世界下，用户行为数据的迁移

• 价值一：理解用户需求，指导业务升级

  用数据指导业务升级的过程可分为四个步骤：描述用户、理解需求、设计业务、重建关系。

  • 描述用户

    用户生命周期+单个用户360度画像

  • 理解需求

    模拟用户购买决策真实行为，譬如预购商品页面。

  • 设计业务

    用户旅程地图：一系列用户行为在时间线上的排布构成的。

    用户行为地图的格式，上部包括用户角色、业务场景；中部是不同时期用户行为、想法、情感及型对应的期望和目标；底部是收获，包括洞察及对应的服务资源。

  • 重建关系

    过去认为卖得多得产品、利润高的业务就是好的，如今越来越多的企业开始关注与用户之间的关系。值得注意的是，用户购买产品或者注册app仅仅是建立关系的起点。

    我们只有通过观察用户的行为数据，才能判断用户和企业关系的远近。

• 价值二：预测用户行为，引导业务创新

  书中给出了用户行为数据的应用历程：原始数据–清洗后的数据–标准报告–专题报告OLAP（发生了什么）–自助BI 敏捷可视化（为什么会发生）–预测分析 机器学习（将来会发生什么）–规范性分析（优化决策）–人工智能系统

  通过数据来辅助决策，企业业务创新发展有三个关键环节：预测未来、精准营销、评估用户价值

  • 预测未来

    主要还是预测用户行为，但是也容易陷入信息茧房

  • 精准营销

    这里提到广告商没有用户行为数据，我可以理解。对于”高频“的效果，下来查查资料

  • 评估用户价值

    通过CLV的加和，企业不仅能看到当下的营收，还可以看到自己拥有的未来价值。

    之前看到参与核心报表搭建时，看到一句话：”当时间范围延长，累积ARPU无限接近一个极限值，这就是我们常说的LTV指数了“。关于CLV/LTV的含义和评估方式，下来查查资料（书中仅是”根据用户的行为数据建模“一笔带过）

四、如何让用户行为数据发挥价值

• 用户行为数据驱动增长常见的困难

  • 提不出需求

    这里只是指出现象，以及提出”既懂数据又懂业务的专家成为稀缺资源“

  • 采集工作确实

  • 有报表无洞察

    用户行为数据的报告要突破后验的用户画像和漏斗转化

  • 有洞察无策略

    洞察是对问题原因的发现和机会的发掘，而策略时可以转化成行为的判断。

    很多企业的数据部门划分在信息部门之下，属于支撑职能，而能够调动资源决定方向的时业务部门。很多数据报告停留在PPT，两个部门的交锋之处常常是数据部门提供的数据与业务部门的经验数据不符，而不是如何在数据应用过程中迭代下一步计划。

• 数据驱动增长金字塔：规划-采集-分析-应用

  
  <

  （图片来自于GrowingIO）

  后文也将根据规划、采集、分析和应用的顺序，对用户行为数据进行讲解。

  后续问题：
  Q1:“精准营销”的高频特征如何理解
  Q2：CLV/LTV的理解和计算