作者介紹

@吃飯第一名的 Claire

美國德克薩斯大學(xué)奧斯汀分校商學(xué)院碩士；

美國某物流公司數(shù)據(jù)分析師；

負(fù)責(zé)數(shù)據(jù)收集、清理、分析、建模、可視化等；

美劇重度愛好者，堅(jiān)信美食能解決大部分問題的終極吃貨；

“數(shù)據(jù)人創(chuàng)作者聯(lián)盟”成員。

用戶行為分析是互聯(lián)網(wǎng)公司的核心分析指標(biāo)。這個(gè)過程需要數(shù)據(jù)分析師通過海量交易數(shù)據(jù)，分析（新/老）用戶在整個(gè)產(chǎn)品使用環(huán)節(jié)（隨時(shí)間）的行為路徑，從而發(fā)現(xiàn)異常值，探索出現(xiàn)異常的原因，進(jìn)而減少用戶流失、提升用戶的產(chǎn)品參與度、最后幫助產(chǎn)品實(shí)現(xiàn)持續(xù)性營收。

注：這里的互聯(lián)網(wǎng)產(chǎn)品可以是手機(jī)app、網(wǎng)站平臺(tái)等各種SaaS（Software as a Service）產(chǎn)品，以下皆用“app”來代表以簡化語言。

本文我們以電商平臺(tái)的一組數(shù)據(jù)來深度剖析一下如何進(jìn)行用戶分析，有哪些指標(biāo)要關(guān)注，分別說明了什么問題，這些數(shù)據(jù)結(jié)果又如何指導(dǎo)我們決策。本期文章分為 2 個(gè)模塊：

注：為了更有效的凸顯數(shù)據(jù)帶給我們的洞察，不同模塊采取了不同時(shí)段不同來源的數(shù)據(jù)集，所以數(shù)據(jù)前后不一致是正常的。

?

本文的目的是為了幫助大家搭建數(shù)據(jù)分析的思維，學(xué)習(xí)用 SQL 幫助實(shí)現(xiàn)分析，并通過可視化進(jìn)行呈現(xiàn)和匯報(bào)。

注：全文符合 PostgreSQL 語法格式?

1?數(shù)據(jù)表（表名 events）

非常簡單，5 個(gè)字段，每一行表示某 user 在某 date 某 hour 對(duì)某 item 做了某 behavior，其中 behavior 有 pv （瀏覽/點(diǎn)擊）、fav（收藏）、cart（加入購物車）和 buy（下單支付）4 種。

2?整體統(tǒng)計(jì)分析

通常會(huì)涉及時(shí)間段，總天數(shù)，總記錄數(shù)，總訪問量，總用戶數(shù)，購買用戶數(shù)，平均日瀏覽量，平均日用戶量，平均跳出率。

以下是 SQL 代碼：

說明數(shù)據(jù)是從 2020 年 11 月 25 日至 2020 年 12 月 2 日。

我們要面對(duì)的是 8 天將近 90M 的數(shù)據(jù)。

總訪問量，總用戶數(shù)及比值

PV 是 page view，app 被瀏覽/刷新/點(diǎn)擊都算一次。

UV 是 unique visitor，每個(gè)訪問 app 的終端算一個(gè)獨(dú)立訪客。

PV/UV=81 表示在這 8 天的數(shù)據(jù)中，平均每個(gè)用戶訪問頁面 81 次。

購買用戶數(shù)（643,832人）

平均日瀏覽量（10M）要先按 date group by 算出 pv，再求平均值。

平均日用戶量（760K 人）同理

Bounce rate 跳出率(只有一次點(diǎn)擊行為的用戶/總用戶數(shù))

假設(shè)只有一個(gè)頁面可以瀏覽，用戶點(diǎn)進(jìn)頁面后要么收藏加購付款，要么跳出。

得到 8% 的跳失率，說明 8% 的用戶點(diǎn)進(jìn)來，沒有往下轉(zhuǎn)化就流失掉了，公司應(yīng)對(duì)此查看商品詳情頁是不是還需改進(jìn)，網(wǎng)頁加載有沒有延遲等問題。

3?用戶行為路徑分析

3.1?漏斗分析

可以是行為數(shù)漏斗，也可以是獨(dú)立訪客數(shù)漏斗，我們這里用后者進(jìn)行分析。

先按用戶，統(tǒng)計(jì)每個(gè)人的行為：

? ?

再計(jì)算每個(gè)行為的用戶數(shù)，最后計(jì)算轉(zhuǎn)化率，這里我們的轉(zhuǎn)化率是以 view/click -> favorite/add to cart -> purchase 路徑為基準(zhǔn)進(jìn)行的計(jì)算，并且將收藏和加入購物車的行為進(jìn)行了合并（考慮到這兩個(gè)階段不分先后順序，而且都是確定購買意向的行為）。

這里表示有點(diǎn)擊行為的用戶中，86% 的人都點(diǎn)了加購或者收藏，有上述行為的人又購買的人占所有點(diǎn)擊人數(shù)的 58%。這樣的轉(zhuǎn)化率可是非常不錯(cuò)！

3.2?AARRR 框架

3.2.1 用戶獲取：我們來看看每日新增訪問和購買用戶

每日新增訪問用戶數(shù)：

每日新增購買用戶數(shù)：

每日新增用戶整體來看都是逐漸減少，12 月 1 日新增購買用戶有一個(gè)回彈，在 11 月27 日以后，每日新增購買用戶數(shù)超過每日新增瀏覽用戶數(shù)，說明一部分之前瀏覽的用戶在幾天后開始下單，可以聯(lián)系業(yè)務(wù)部門查看公司有做什么活動(dòng)推進(jìn)了用戶的支付。

3.2.2 用戶留存

是什么：用戶留存率是一批用戶在一定時(shí)間間隔里，某些行為重復(fù)發(fā)生的比例。

用戶可以分為新活躍用戶、老活躍用戶；

時(shí)間通常有次日、7 日、30 日留存，不同 app 由于產(chǎn)品屬性和用戶使用頻率的不同而采用的時(shí)間間隔也不同，內(nèi)容社交類 app 更看重次日留存，電商類可以是按周或者按月，也取決于電商品類，出行旅游類 app 則由于用戶使用頻率低而看重月留存率；

注：行業(yè)基準(zhǔn)（Benchmark）電商產(chǎn)品的平均用戶留存率是 30%，超過 35% 是良好的產(chǎn)品表現(xiàn)。

行為針對(duì)不同 app 可以是完成一次購買，觀看一次視頻，查看一次地圖等。

為什么：用戶留存分析是衡量用戶粘性（持續(xù)使用 APP）的重要指標(biāo)，不能只看 DAU/MAU（只能表面的展示產(chǎn)品使用情況），拉新用戶會(huì)掩蓋流失用戶的問題。一個(gè)典型的比喻是把 app 看成水桶，拉新是蓄水，用戶流失是流水，留存率低就意味著水不斷流走，這樣的水桶很難保證恒定的水量，這樣的 app 也不會(huì)有長久穩(wěn)定的發(fā)展。更重要的是拉新的成本是留住老用戶的 5-7 倍。把握好用戶留存能讓你事半功倍。

怎么做：提高用戶留存的方法有很多維度，比如通過郵件、app 消息推送、投放廣告等提醒用戶采取行動(dòng)；縮短用戶行為路徑，減少用戶使用 app 成本；給用戶提供多樣的獎(jiǎng)勵(lì)；培養(yǎng)用戶習(xí)慣，強(qiáng)化用戶對(duì)產(chǎn)品的依賴等。

我們?cè)谶@里著重介紹如何進(jìn)行用戶留存的分析：同期群分析（Cohort analysis）是用戶留存分析的重要分析方法。

同期群（cohort）是一組在特定時(shí)間做同樣事的人，比如都在 1 月 1 日注冊(cè)賬戶的用戶是一個(gè)同期群，都在 1 月 2 日注冊(cè)賬戶的用戶是另一個(gè)同期群。

同期群分析是一個(gè)測(cè)量用戶對(duì) app 隨時(shí)間參與度的工具，他最常見的分析方式是畫類似如下圖的同期群用戶留存表。

圖源https://clevertap.com/blog/cohort-analysis/，版權(quán)歸作者所有

我先解釋上圖表格每個(gè)維度代表的含義，再展示如何用我們已有的數(shù)據(jù)生成這個(gè)表格。

表格的每一行代表一個(gè)群組，群組 Jan 25 表示 1098 個(gè)用戶都在 1 月 25 日開始使用這個(gè) app，從左往右來看，1 天后的留存率是 33.9%，即在 1098 個(gè)用戶中，1098 X 33.9% = 372 個(gè)用戶繼續(xù)使用了這個(gè) app；7 天后還有 1098 X 14.5% = 159 個(gè)用戶用了這個(gè) app，或者說在這 1098 個(gè)用戶中，平均每 7 個(gè)人中有一個(gè)在 7 天后還是活躍用戶。

注：從左到右來的用戶留存率一般是逐漸降低的，但并不絕對(duì)，同一行右邊的留存率可能比左邊大，這里的留存率不要求一個(gè)人每天連續(xù)使用。

縱向來看可以比較不同期用戶同一生命周期的留存，用戶生命周期的早期的留存率能反應(yīng)用戶對(duì)產(chǎn)品的第一印象和接受度。

我們的數(shù)據(jù)來源于電商行業(yè)，這里我們用一周比較不同群組之間的留存率。

要生成這個(gè)表格，用 Excel 的 pivot table 很容易做到，但是，我要從數(shù)據(jù)庫用 SQL 取什么樣的數(shù)據(jù)呢？自己思考一下再往下看。

答案：付費(fèi)用戶首次購買產(chǎn)品的日期（周），當(dāng)周購買的新用戶人數(shù)，付費(fèi)用戶其他時(shí)間（周）購買和首周的間隔，與首周間隔后的購買人數(shù)。

下面上代碼：

通過 Excel pivot table 我們得到以下表格：

• 我們發(fā)現(xiàn) 12-8 那周和 12-29 那周的一周后留存明顯降低，而這兩周的新增用戶激增，很可能與雙 12 和元旦期間做的促銷和上新有關(guān)。節(jié)日過后，一方面用戶購買欲望降低，另一方面促銷結(jié)束，價(jià)格回升，導(dǎo)致了留存率降低。

• 我們還發(fā)現(xiàn) 12-1 那周和 12-22 所在周首次下單的用戶，一周后的用戶留存顯著高于其他同期群，和業(yè)務(wù)部門溝通后，發(fā)現(xiàn)是市場(chǎng)部在節(jié)日一周前專門做了節(jié)日促銷、滿減、送優(yōu)惠券的宣傳，吸引了用戶注冊(cè)，這部分用戶也是為了享受下周的優(yōu)惠而停留，優(yōu)惠過后，留存率又回到了平均水平。

• 通過 cohort table，我們還能應(yīng)該分析出 11-24 所在周首次下單的用戶更有粘性，跟業(yè)務(wù)方溝通發(fā)現(xiàn)那批用戶正是產(chǎn)品進(jìn)行 A/B 測(cè)試，進(jìn)行頁面改變的時(shí)間，說明頁面的改變帶來了一定的效益，數(shù)據(jù)分析師可以和做 A/B 測(cè)試組討論，進(jìn)行進(jìn)一步的驗(yàn)證。

• 通過這組數(shù)據(jù)我們可以發(fā)現(xiàn)大概 77% 的新用戶在購買產(chǎn)品一周后就不再購買，第二個(gè)顯著的下降是在 7 周后。下圖說明該 app 還需提升新用戶留存率，可以從簡化用戶購買路徑，優(yōu)化支付按鈕，提高產(chǎn)品質(zhì)量等角度考慮。

注：實(shí)際工作中看留存率變化會(huì)選定一個(gè)基準(zhǔn)日，比如今天是 2 月 4 日，看 10 天內(nèi)的留存率變化就是以 1 月 25 日為起始，而不是選用各 cohort 的平均值。

當(dāng)然 cohort analysis 也不一定要以時(shí)間為周期進(jìn)行劃分，具有某種共同行為特征的用戶也可以劃分為一個(gè) cohort，這里舉一個(gè) Disney+ 的例子：

圖源https://secondmeasure.com/datapoints/Disney-takes-customer-retention-crown-from-netflix/ ，版權(quán)歸Second Measure所屬

Disney+ 是美國的一個(gè)流媒體平臺(tái)，這里他把訂閱者分成了 4 類：為了看 Mulan 訂閱的人、為了看 Hamilton 訂閱的人、和其他服務(wù)一起訂閱的人和普通每月訂閱者。這個(gè)圖告訴我們?cè)谀咎m發(fā)行期訂閱的人中，82% 的用戶在下個(gè)月還訂閱了 Disney+，曾在 Hamilton 發(fā)行期訂閱的人中，只有 75% 還訂閱了下個(gè)月的會(huì)員，而平均 1 月后的留存率是 86%。

3.2.3 復(fù)購分析

提升復(fù)購率是增加收入的重要方法，下面我們進(jìn)行 2 個(gè)維度的分析。

3.2.3.1? 整體復(fù)購率 (購買 2 次及以上的用戶比率）

得出 63% 的用戶都進(jìn)行了復(fù)購，還不錯(cuò)。

3.2.3.2? 用戶復(fù)購次數(shù)分布

復(fù)購 5 次以上的用戶僅占總用戶的 10%。

4?小結(jié)

本期我們用 SQL 進(jìn)行了 SaaS 產(chǎn)品用戶數(shù)據(jù)的初探索、用戶漏斗模型、同期群分析、和復(fù)購分析的實(shí)現(xiàn)。希望下次老板再找你做用戶行為分析的時(shí)候，你不會(huì)沒有頭緒或者手忙腳亂了！

后續(xù)計(jì)劃：別看我們討論的數(shù)據(jù)這么簡單，其實(shí)能做的分析可太多了，這期由于篇幅原因我們先說到這里，下期接著說用戶在時(shí)間維度的分析，RFM 模型分析和商品角度的研究。如果你有學(xué)到一點(diǎn)什么，別忘了點(diǎn)贊 收藏 加關(guān)注哦！

總結(jié)

以上是生活随笔為你收集整理的手把手教你用 SQL 实现电商产品用户分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。