▐ 分析背景

大部分品牌或商家寻求通过海量数据来更好地了解消费者，以便打造出色的商品和体验，这个过程中会面临数据整合ETL、数据分析、数据理解等各种挑战，需要合适的分析模型来整合所有渠道的数据，全面了解消费者行为，洞悉行为规律，获得精细化的洞察结论，更好地服务消费者。

▐ 基本概念

什么是行为分析

消费者行为是指消费者在购买商品时执行的决策过程、影响和动作，以电商为例，消费者的行为包括支付前的一系列动作，包含曝光、点击、浏览商品页、浏览店铺页、浏览首页、搜索、加人购物车、收藏、下单、支付等。消费者行为分析是指通过数据分析方法的科学应用与理论推导，结合数据可视化模型，能够相对完整地揭示用户行为内在规律。通常有如下几个方法：

1. 行为路径分析：分析消费者的主流路径，发现路径问题，优化路径前进方向。

2. 漏斗分析：分析消费者行为环节从设定开始到最终转化整个流程中各个相邻环节的转换表现。

3. 留存分析：分析消费者最初触达到留存的时间趋势变化，帮助判断用户在哪个时间点需要进行持续运营。

4. 生命周期价值分析：分析消费者从触达后随时间增长带来的单用户转化金额的变化，量化不同细分下用户价值。

▐ 解决方案

方案1：行为路径

什么是用户行为路径

用户行为路径是用户的各类行为之间会因为发生时间不同而产生先后顺序的行为序列。以电商为例，买家从登录APP到支付要经过浏览、搜索、加入购物车、提交订单、支付订单等过程，通过对所有细分用户计算真实每一步的流向，累加生成一个整体的用户行为路径大图。用户真实的购物过程是一个反复过程，如提交订单后，用户可能会返回继续搜索商品，也可能去取消订单。用户行为路径分析可以用于：

1. 了解用户行为模式，识别用户频繁/最优路径

2. 验证用户路径是否合理，识别流失节点

3. 发现异常路径，探寻用户原始行为动机

4. 细分对比不同来源、特征用户的行为差异

5. 识别典型路径中的用户群体类型

场景描述

1. 全面了解用户整体行为路径

通过行为路径大图，可以将行为的上下游进行可视化展示，运营人员可通过用户整体行为路径找到不同行为间的关系。

2. 定位影响转化的行为环节，促进运营优化

路径分析对运营优化有着很大的帮助，了解用户从触达到购买整体行为的主路径和次路径，以及路径中各个环节的转化率，发现用户的行为规律和偏好，也可以用于监测和定位用户路径走向中存在的问题，判断影响转化的主要因素和次要因素，也可以发现某些异常或高价值的典型路径

3. 发现不同的用户群体，实现消费精细化运营

通过路径分析，对以购买行为为终点的路径用户进行分类如下：冲动型消费者：行为路径没有目的性，浏览行为比例较高，一旦遇上促销互动节点，就很容易消费下单。理性型消费者：行为路径非常具有目的性，搜索行为比例较高，不容易被促销优惠所动。比较型消费者：行为路径存在反复比较性，在多商家同类产品间浏览比例较高。贪婪型消费者：行为路径中更偏好领取优惠券和赠品，且愿意为了优惠而成交。

模型说明

行为路径模型结果通常以桑基图形式展现，由行为的用户（WHO)、行为种类（WHAT)、行为地点（WHERE) 以及行为发生的时间(WHEN) 4W构成。在桑基图上通过筛选行为的起点和终点，筛选行为的种类，可以详细查看某个时间段行为的流转大图，通过大图发现异常和优质节点，辅助商业决策，模型相关的输入如下：

案例解读

以电商为例，选择品牌在某电商平台上的用户行为路径构建桑基图，发现 6月活跃人群的下单多数都来自搜索，说明这些购买行为路径带有强烈的主观搜索意图，但是也反映出下单到支付的转化率非常低，可以重点查看该环节。

方案2：漏斗模型

场景描述

漏斗分析是根据用户行为发生的先后顺序，系统性的了解用户转化效率，是从一个行为环节开始到最终转化成购买的整个流程中的一个个子环节，相邻环节的转化率表现力。

漏斗模型的应用场景

1. 衡量整体的漏斗转化率，通过异常数据指标找出有问题的环节并解决，最终提升整体购买转化率。

   漏斗分析是标准化的流程分析，已经广泛应用于流量监控、产品目标转化等日常数据运营与数据分析的工作中。以电商为例，从整体查看用户在目标范围内（如某个店铺/或品牌)，在一定周期内从起点到终点的转化率，以及这其中各个节点的留存和流失，从而反映用户的流转情况，帮忙运营优化环节来提升转化率。

1. 对比不同细分下的漏斗，得到细分差异性，指导消费者运营 通过对比不同人群下的漏斗是否流转正常，可以对漏斗流失较多的部分人群进行再营销，辅助消费者运营。

模型说明

漏斗模型的输入主要包含2个方面

漏斗流转处理

对每一条行为路径，都可以输出相应的漏斗流转序列，最终聚合成群体（或整体）的漏斗。

漏斗流转的处理算法举例来说，假设漏斗定义为：浏览->加购->成交，下面是4个用户的不同的路径：

路径1： 浏览>成交>加购，输出漏斗为：浏览>加购

路径2： 加购>浏览>成交，输出漏斗为：浏览

路径3： 浏览>加购>成交，输出漏斗为：浏览>加购>成交

路径4： 加购>成，输出漏斗：无

最终漏斗为： 浏览（3人）->加购（2人）->成交（1人）

案例解读

对比A B两个不同群体的漏斗流转关系，漏斗的节点被设定为“曝光-浏览-加购-成交”。可以看出B的总转化率是最高的（这里的总转化率表示漏斗的第一层点击流转到最后一层成交的人数比例）。不同层级间的流转率不同，曝光会大量流转到浏览，但是浏览到加购的转化率会降低非常多，可以结合业务来判断各个层级的流转率是否正常。

方案3：留存模型

场景描述

留存分析主要表示不同细分用户在被触达后，随着时间增长留存的人数百分比，常用于分析：

1. 渠道触达的用户群体，未来一段时间内每天有多少人发生了转化，比例是多少；

2. 不同渠道逐天转化率的变化情况，判断渠道差异性，优化营销策略。

模型说明

留存分析的原理：在初始时间阶段内发生初始行为（触点）的用户在后续的时间范围内发生指定后续行为的用户有多少。

留存模型的输入包括如下3个方面：

留存分析的可视化结果一般以表格形式呈现，可以参考下述的案例。

案例解读

如图所示，该留存模型中，初始行为定义为曝光，后续行为定义为浏览∪加购∪成交，留存模型可以查看不同人群在不同周期粒度下的留存情况。

• 两两人群对比，A群体的留存率普遍比B人群高；

• 同一人群中，在前2天中保持较高的留存率，随时间慢慢较弱。

方案4：生命周期价值模型

场景描述

LTV(life time value）用户生命周期价值，表示用户在使用产品过程中贡献的价值总和。运营人员可以根据用户在生命周期中的表现，衡量不同用户对业务的价值。通过比较不同渠道来源的用户的生命周期价值，如通过对比最近90天付费搜索和自然搜索获得的用户，通过网站A和网站B获得的用户，哪种渠道带来了更高价值的用户。因此用户生命周期价值也可以做为评价渠道质量的方式。

模型说明

LTV模型的核心算法

根据用户与产品首次互动后经过一段时间而产生的累计人均收入来衡量用户价值。首次互动可以是上次网站浏览、首次应用安装也可以是电商上的广告触达等，比如被不同渠道的广告触达，终生价值可按每日、每周或每月不同粒度查看，周期可以是90天、180天、360天，以衡量广告渠道触达用户的终身价值为例，LTV模型的输入包括

应用案例

如下图所示，三种不同渠道人群触达后的用户在后续30天内的的生命周期价值，LTV图可以看出用户生命价值的最佳周期，下图在第12-13周用户的生命价值基本达到最大，此时继续观察也不会有更大的提升。

关于我们

阿里妈妈SDS(Strategic Data Solutions)团队，致力于用数据让商家和平台的增长战略更加科学有效。我们为阿里妈妈全线广告客户提供营销洞察、营销策略、价值量化及效果归因的技术服务。

投递简历邮箱：alimama_tech@service.alibaba.com

延展阅读：

【阿里妈妈营销科学系列】开篇：C.M.O——“人群.渠道.机会”营销分析导论

【阿里妈妈营销科学系列】第一篇：消费者资产分析

END

欢迎关注「阿里妈妈技术」，了解更多~

疯狂暗示↓↓↓↓↓↓↓