导读：用户分析是很多人挂在嘴边的东西。然而一做起来，经常被做得七零八落。很多新手一听”用户分析”，就跟条件反射一样开始：“性别、年龄、地域、活跃、留存、流失、转化、RFM……”数据摆了一大堆却没有什么结论。如何将用户分析做的更体系化？今天系统讲解一下。

一、用户分析体系的最大难点

搭建用户分析体系的最大难点是啥？当然是：缺数据！

用户数据采集只有三个渠道：

• 用户填写的表单信息
• 用户消费的历史记录
• 用户在APP/小程序活跃记录

在采集用户数据上，普通企业和头腾阿这种垄断大厂根本没法比。大厂的业务线多，采集各类用户信息丰富。且大厂下边的APP用户粘性高，因此用户行为数据也非常丰富。大厂们还尤其喜欢搞熟人推荐，获取用户之间的亲属关系。至于位置信息、人脸信息，更是拿捏的妥妥的。

而大部分普通企业的现状是：

• 用户表单填写率低，连个身份证都收集不上来，更不要说人脸识别信息
• 用户消费次数少、消费种类少，消费频次低，消费最多的还是引流产品
• 用户活跃行为少，除了少数忠实粉丝外，大部分用户只在有活动时候登录

这种情况，使得普通企业做用户分析的时候，必须优先考虑：到底有啥数据。从数据最丰富，最可能产生价值的地方入手。边做分析，边推动业务完善数据，从而实现良性循环。

第一步：用户价值分层

所有企业一定有的数据是：消费记录。因此第一步先做这个。从消费记录里，可以区分出来：谁是高消费用户。识别出金主爸爸，是后续所有分析的起点。

注意：识别高消费，不是简单地统计一下过去一年消费金额。而是要用生命周期的观察方法，观察用户从注册开始的消费分布。不同的分布形态，意味着不同的用户运营策略（如下图）。

第二步：用户来源渠道分析

了解了谁是高消费用户，可以进一步思考：高消费用户是从哪些渠道来的。用户来源渠道分析，应首先对渠道质量做评价，识别出高消费用户较多的优质渠道。之后，提高优质渠道投入，削减劣质渠道投入，从而达到降本增效的目的。这样，即使暂时没有转化路径数据，也能做初步分析。

之后，可以逐步推动业务，完善转化路径的数据采集，对广告素材、转化流程、引流产品、引流活动等方面进行分析，进一步提高拉新质量。

第三步：用户活跃情况分析

解决完拉新问题，还可以进一步思考：存量用户活跃程度如何？哪个群体需要帮上一把？站在用户运营的视角，不同层级+不同活跃程度的用户，运营的思路也是不同的。因此，整理出用户活跃情况分层，对于形成运营思路大有帮助（如下图）。

很多同学会在这一步陷得很深，列举一大堆指标却发现不了什么问题。要注意：大部分企业没有一款类似微信、淘宝、抖音这样的超级应用。大部分用户和企业的互动频率低，很有可能只在大型活动的时候才会露面。只有极少数用户互动频次较高。

因此用户留存情况分析，要先把下面两个因素做矩阵分析，看清大盘，找准发力方向（如下图）。

• 用户消费频次
• 用户互动频次

第四步：用户活动参与分析

经过前三步，已经对三个基础问题有了了解：

• 谁是高价值用户
• 用户从哪里来
• 用户到哪里去

之后可以思考：如何提升用户价值。最好用的手段就是优惠活动，因此可以从这里入手。

常见的优惠有五种形式满减型：买XX元商品，优惠XX金额。

• 折扣型：XX商品，原价X折销售
• 买赠型：买XX件商品，得Y件赠品。
• 用券型：使用X元抵用券，抵扣订单金额
• 积分型：消费得积分，积分再抵现/兑换礼品

这五种形式的数据有可能非常混乱！特别是在同一张订单，能同时使用2-3条优惠规则的时候。很多公司的开发非常懒，没有单独做活动标签库，也没有做活动表、商品表、订单表、用户表、积分表（俗称：促销五表）之间的关联关系，导致最终订单只能看到有优惠，不能拆解到每一条规则。从而给后续的分析带来不可修复的难题。

理论上，需要：

• 促销五表关联清晰
• 避免全品类/无门槛的券
• 避免用户抵用券/商品抵用券叠加

这样才能有清晰的数据可分析

有了这些基础数据，分析就大有可为：

• 哪些用户是优惠敏感型？哪些是不敏感的？
• 不敏感的用户，忠于什么商品？在哪些特定场景下消费？
• 敏感的用户，是否薅羊毛薅过量？业绩不足的时候，拉他们出来顶上！

第五步：用户接触渠道分析

最后，还可以进一步看：留存的用户在哪些平台出现，流失的用户最后一次出现在哪些平台。这样就不至于像报丧鸟一样，只会喳喳：“用户要流失啦！”而是能具体给到：“我们能在XX渠道把用户捞回来”。

如果是对于有门店、小程序、APP、电商网站多种渠道并存的传统企业，优先要做的是分清楚：哪些用户能通过线上渠道接触。传统企业的门店渠道，常常数据缺失严重，区分线上渠道用户，能加强私域运营能力，同时弥补线下数据缺失问题。

如果是以APP/小程序为主战场的线上企业，则主要对用户接触的内容进行区分。区分出用户对哪些内容（新品？活动？时尚？健康？节日？……）感兴趣，从而选择更好的内容激活用户。

二、不适合优先做的内容

相比之以上五个模块，有些分析可以相对靠后做：

• 用户画像分析：好的用户画像是养出来的，不是天生的。如果一开始没有收集啥基础信息，就先不用动这个脑子，等数据多补充一些再说。
• 用户行为路径分析：如果用户在小程序/自有电商平台的活跃数据很少，就不要急着做。数据都没几条，分析不出啥来。
• 用户响应率预测分析：如果只有少量消费数据，就不建议做各种响应率预测（包括活动响应、流失预警、购买预测等等），历史经验上看，只基于消费数据预测，准确度都不咋可观，还不如直接上人工规则。

三、小结

这一套用户分析体系搭建，是紧密结合数据采集过程的，充分考虑了：万一没有数据怎么办。由浅入深的推动（如下图）。

这一套用户分析体系搭建思路，其分析思路，是站在业务视角，思考如何运营用户：

• 高价值用户是谁？值得我投入多少？
• 我能在哪些渠道，找到这些高价值用户？
• 存量高价值用户，谁还在活跃，谁已经流失？
• 我能用什么手段，保留存量的高价值用户？
• 存量的低价值用户，是否有激活可能？怎么激活？

这种目标感强的分析，远比列出来：“男女比例4:6”“25岁-30岁占比30%”更能解决问题。并且在推动业务的过程中，也能结合运营手段，补充数据，后续分析也越做越顺，同学们可以尝试下哦。

#专栏作家#

接地气的陈老师，微信公众号：接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。

本文原创发布于人人都是产品经理。未经许可，禁止转载

题图来自pexels，基于CC0协议。