作者:接地气的陈老师
来源:接地气学堂
在做数据分析的时候,用户生命周期分析,是个很典型的“理论一听就懂,数据一做就废”的东西。很多同学很困扰:“到底生命周期该怎么算?为啥我算的套到业务上不成立!”今天我们系统解答一下。
1 书本上的生命周期
在各路书本、文章中,大家都看到过这张图:
要注意的是,这个图讲的是理论上的用户生命周期。它假设了用户留存与用户价值之间存在倒U型关系。
因此推导出:
等等理论结果。但这个假设前提,在具体的业务场景中很可能不成立,特别是数据上不会呈现完美曲线。因此会搞得很多做具体业务分析的同学很郁闷。
2 差异1:活跃与付费分离
对线下实体店而言,用户到店即付费,先消费后体验服务。但在互联网产品里,付费与活跃脱节的现象很常见。或者有的产品干脆允许用户只活跃,不付费,通过额外的权益和道具收费。比如游戏、在线音乐、视频、社区等等皆是如此。
总之,当用户活跃与付费脱节的时候,用户生命周期曲线变会发生变化:用户价值不再随留存时间变化,而是独立开,呈现出类似矩阵模型的样式(如下图)
这时候要特别注意各类型用户比例,特别是白嫖用户的比例。在各类型互联网产品里,白嫖用户都有相当比例。如果不加区分,一概而论,则会造成一种虚假繁荣的假象。最终结果会导致产品叫好不叫座,商业化过程极其艰难。
3 差异2:场景化消费
即使是消费与活跃行为紧密捆绑,也会出现问题。最常见的就是场景化消费,比如:
出行:
这就是典型的外因驱动。
电商:
这是典型的内因驱动。
注意,无论是内因还是外因,在现实生活中都是很正常,很合情合理的场景。可这些场景会共同导致一个结果:用户留存时间与用户价值不是倒U型,而是随机的,甚至难以捉摸规律(如下图)。
这导致用户生命周期曲线很难绘制,用户留存久了也不代表有价值,用户生命周期价值也难以估算。特别是大促销、爆款上市这种场景。最后用户还是看哪家便宜买哪个,跟之前的留存时间一点关系都没有。
这时候强行绘制用户生命周期,用平均值代替每个用户的真实情况。结果就是模糊了运营、营销、商品的作用,会造成一种虚假繁荣的假象。让大家以为:只要用户呆的久就早晚给钱了。结果发现用户生命周期价值的平均值越来越低。
4 差异3:浅尝辄止的新人
拉新,是所有互联网业务的核心,也是经常出幺蛾子的地方,拉来的新人完全不消费,或者过了很久才诈尸来消费一笔,都是很常见的事。这种浅尝辄止的新人比例一高起来,就会导致对拉新行动评估不准。
如果用平均值的话,会把这些实际上是0的人平均掉,又是在制造虚假繁荣。如果剔除出去,只统计有消费的人,显然又会高估渠道价值。并且,由于诈尸用户存在,导致周期长度难以统计(如下图)。
这种统计难,常常被业务部门拿来当甩锅借口。特别是当浅尝新人+场景化消费同时出现的时候,负责拉新的市场部、增长团队、营销部就喜欢扯:“得评估用户生命周期价值,不能只看眼前”“虽然用户现在没消费,但是300年内说不定就消费一大笔呀,所以不能说我做的差,是你统计的不准。”
处理这个问题也简单:只有交易周期很长的,才统计生命周期价值。类似B2B跟单,房、车等大额B2C交易,否则不去统计什么生命周期价值。类似打车、日用品、生鲜这些高频交易,拉来的用户一个月不消费就是拉新失败,扯啥生命周期。你们拉的用户都是辟谷修长生的吗?!一个月都不吃一顿?!真是的。
5 数据背后的深层次问题
这些数据问题背后,隐藏了一个更深层次的问题:用户对一个产品的全生命周期需求,到底是谁的。这年头随便到哪里买东西,一扫码就会关注一堆公众号小程序。我们被各种商家称为:“尊敬的会员”,可回头看看,你真的认为自己属于某个商家?你明知道别人家有优惠,还会在这里买????
有可能用户的生命周期依然存在,但是除非是微信这种超超级应用,否则根本无法一手掌握。用户的行为会分散在各个场景,各个应用里。这种情况下,是否还有必要按上个时代的做法,苦苦追求全生命周期价值?很有可能在这个年代的用户关系,就是场景化、事件化的。
正是基于这种思想,CDP的概念才会孕育而生,用基于场景的事件营销(被动)和推送营销(主动)取代了传统CRM理论里的用户等级、用户分群、用户价值曲线、用户成长路径。
简而言之,就是:我不指望用户属于我,我只在用户想要买单的时候抓住他就好了。当然,这种理念转化带来的最大挑战,就是营销成本的不确定。
过去算一个用户生命周期价值,然后按比例分配成本的做法,显然不适合每个场景切碎了做。如果对场景和需求的把握不到位,很有可能造成重复的资源投入。这里就要求更精细的数据分析支持。
——热门课程推荐:
想从事业务型数据分析师,您可以点击>>>“数据分析师”了解课程详情;
想从事大数据分析师,您可以点击>>>“大数据就业”了解课程详情;
想成为人工智能工程师,您可以点击>>>“人工智能就业”了解课程详情;
想了解Python数据分析,您可以点击>>>“Python数据分析师”了解课程详情;
想咨询互联网运营,你可以点击>>>“互联网运营就业班”了解课程详情;
数据分析咨询请扫描二维码
CDA数据分析师在中国航信高科技产业园进行了面向测试度量的数据分析培训课程,培训人数近2 ...
2024-05-01CDA数据分析师走进深圳迈瑞生物医疗电子股份有限公司,在迈瑞总部展开了为期两天的培训,本次课程参训人员线上及线下近百人, ...
2024-05-01CDA数据分析师在合肥市对合肥阳光新能源科技有限公司开展了为期8天的企业内训。 合肥阳光新能源科技 ...
2024-05-01CDA数据分析师走进海尔大学,进行了《数据治理与数据中台建设的道与术》专题培训,培训现场爆满,近百人参加了此次培训。 ...
2024-05-01在中国银行苏州分行培训中心开始数据分析师培训,此次培训课程共10天内容,包括Excel、MySQL、概率论与数理统计、SPSS等内容, ...
2024-05-01从实际的业务需求出发,结合行业的典型应用特点,围绕实际的商业问题,探讨数据挖掘、机器学习模型在金融领域的应用,包括获客、信用评分、细分画像、交叉销售、反欺诈、违规识别、时序预测、运筹优化、流程挖掘九个方面,形成 ...
2024-05-01本次培训课程为线上+线下的模式,由于学员编程能力不一、部分学员没有编程基础,故提供统计学、python基 ...
2024-05-01华夏银行信用卡中心-机器学习培训 1、课程亮点 取材于业界一流企业和顶级咨询公司的行业实践;已经被证明是人人 ...
2024-05-01主 题:数据中台建设及数据分析应用主题分享 1. 数据中台市场洞察 2. 主流数据中台产品比较 3. 某企业数据中 ...
2024-05-01围绕“数据驱动”战略,全力打造我行 300 人数字化人才梯队,着力培养数字化管理人才、大数据专业团队 ...
2024-05-01在当今数据驱动的商业环境中,数据分析成为了企业决策的重要依据。通过对大量数据的收集、处理和分析,企业能够更好地理解市场 ...
2024-04-29在人工智能(AI)的世界里,提示词(Prompt)是一种强大的工具,它能够引导AI按照用户的需求产生特定的输出。本文将深入探讨AI ...
2024-04-29CDA立足未来职场,拓展前沿视野——对外经贸大学保险学院举办“三全育人大讲堂”分享行业最新动态。 ...
2024-04-294月2日,CDA数据分析师创始发起人兼协会理事长赵坚毅博士受邀在浙江万里学院举办了一场以“数字化能力在职场中的作用” ...
2024-04-29随机森林(Random Forests)现在机器学习中比较火的一个算法,是一种基于Bagging的集成学习方法,能够很好地处理分类和回归的问 ...
2022-12-23方差分析是数据分析中常用的一种统计分析方法,接下来让我们简单了解一下方差分析的基本思想和原理吧。 方差分析(Analysis ...
2022-12-23来源:关于数据分析与可视化 关于streamlit-aggrid 数据排序 表格样式的调整 数据 ...
2022-08-03作者:麦叔 定义 「把上面晦涩的概念汇成一句话就是:」 ❝ 回调函数就是一个被作为参 ...
2022-08-03现今,高学历人群日益增多,物以稀为贵的高学历光环淡去。无论本科生还是研究生,甚至博士生,求职竞争力都大不如前,就业压力越来越大。
2022-06-01某家企业10个人面试,有9个本科生……如何脱颖而出,除得体的举止和良好的沟通力外,证书成重要筹码,这也是很多人考证的关键所在。
2022-04-14