长久以来,我们做网站分析都是基于Visit的分析,无论是指标定义还是分析场景,默认的都是在一个访问区间内。大多数情况下这种分析是没有问题的,因此我们可以解决单个场景的分析,但只针对访问的分析会出现“只见树木不见森林”的问题,原因是访问定义的是一次用户行为,而我们无法获得用户所有访问的完整性认知。

今天,我们来介绍下Webtrekk另辟蹊径基于真实用户和匿名用户整合分析的新方向,即下一个版本的用户管理模块—URM(User Relationship Management),看看Webtrekk这次带来哪些惊喜。

第一部分 功能定位

从定位上来看,URM不是一个独立的分析系统,而是整合在下一个Webtrekk分析产品中的一个模块。由于URM的本质是基于用户唯一识别标识(UV判断标识),因此,提供了基于访问之上UV的另一层认知,形成完整用户标签管理、生命周期认知、转化行为和用户粘性的统筹考量。

webtrekk urm overview

第二部分 模块组成

整体看,Webtrekk的URM分析模块由两大部分组成:第一块是整体用户概览,第二块是基于每个用户完整分析。

1. 整体概览

整体概览包括用户群组选择、用户过滤和用户分析数据。

用户群组类似于GA中的高级分析或Adobe Analytics中的区段,可以直接查看相关群组的用户数据。

1Webtrekk-URM-segment

用户过滤跟Webtrekk Q3中的过滤功能相同,可以基于所有的维度和指标过滤目标用户。

2Webtrekk-URM-filter

用户分析数据是概况数据的核心,指标和维度包括Visitor-ID(UV识别标识)、Last Contact before Days、Macro Customer Journey Status、RFE Target Group、Customer Lifetime Visits、Customer Lifetime Visit Frequency (Days)、Customer Lifetime Value、Customer Lifetime Discount Share %、Customer Lifetime Return shipment Share %。

3Webtrekk-URM-Configuration

通过报表我们能够看到每个UV(可以理解为匿名用户)在整个生命周期的概括,这里面包括了用户粘性指标(Last Contact before Days、Customer Lifetime Visits、Customer Lifetime Visit Frequency (Days))分群指标(Macro Customer Journey Status、RFE Target Group)、收入贡献(Customer Lifetime Value、Customer Lifetime Discount Share %、Customer Lifetime Return shipment Share %)三个要素。

其中需要重点提到的是FRE模型,RFE也许大家没听说过,但做过数据挖掘或客户分析同学一定听过过FRM模型,并基于RFM模型形成用户分类。这里的RFE与RFM类似,只不过在FRM中的RECENCY、FREQUENCY和MONEY换成了FRE中的RECENCY、FREQUENCY和ENGAGEMENT。

  • RECENCY: Last Contact before Days
  • FREQUENCY: Customer Lifetime Visits
  • ENGAGEMENT: Customer Lifetime Page Impressions

是不是感觉很酷!

RFE本质上是一个匿名用户(注意不是匿名访问,这几乎跟之前所有的分析场景都不同)的分群模型,根据距离最近一次接触时间、访问频率、生命周期内页面PV数进行加权计算,并得出每个匿名用户的FRE得分。

不仅如此,你还可以自己调整RFM和FRE模型的参数,根据业务需求自定义模型细节。调节完成的参数会在这个概览报表以及每个用户分析报表中同时产生作用。

 

2. 基于每个用户的完整分析

之前在上一家公司的时候做过会员选项卡项目,目的很简单:把所有围绕会员的所有属性特征、订单特征、行为特征集合到一个系统中,然后只需要在一个系统的一个报表层面,只需要输入用户唯一识别标识如用户ID、手机号、用户名等即可实现完整的用户信息查询,这个项目的落地点是客户中心在接收到用户电话后,可以在几秒钟内迅速了解用户所有关键结果信息并定位用户问题。

现在Webtrekk的URM中同样有类似的功能,点击右上角的single view即可进入该界面。

① 用户属性模块

其中除匿名信息如Visitor-ID、RFE中的三个指标外,还包括用户ID(真实注册ID)、E-mail ID、订单、年龄、性别等人口属性信息。当然,这些值需要外部系统导入Webtrekk或通过CODE传值收集。

4Webtrekk-URM-SingleView-Us

② 用户生命周期模块

生命周期模块集成了整个用户生命周期期间访问、订单等数据,这些数据足以让我们对用户的真实价值进行有效判断。

5Webtrekk-URM-SingleView-Cu

③ 产品互动信息模块

这个模块针对有产品,准确说是由购物车流程的网站用途较大。其中的sessions ID是访问的唯一识别标识。

6Webtrekk-URM-SingleView-Pr

④ 上次访问信息模块

对用户上一次访问的具体属性和来源的细分

 7Webtrekk-URM-SingleView-La

 第三部分 实际应用分析

以上是针对Webtrekk URM的基本功能介绍,下面就这个模块或产品的实际应用价值做下简单预测和分析。

这个产品的初衷是想要把CRM中这对用户分析的方法和理念嫁接到网站用户分析场景中,注意(只是针对用户的分析场景),目的是丰富用户分析视角并形成更加全面的认知价值。

但是,一个针对匿名用户的URM能给业务带来真正的哪些驱动效果呢?即使我了解了某个用户的价值高或者价值低,某个用户看了某个商品没有购买,然后我们的业务又能获得哪些实际的操作指示呢?

这个工具没有给出答案,原因是这个模块里面的数据大多是基于匿名的用户进行整合分析的,而匿名用户的最大行为特点是我们无法获得他到底是谁、他住哪、他手机号多少、他邮箱是多少,因此也没有我们业务能直接进行优化的接触点!姓名、电话、手机号就是接触点,而这些在这个模块中都没有,因此驱动不了业务。

如何改善能提高这个模块的应用价值?以下几个关键点也许可以参考:

  1. 基于真实用户ID,整合用户完整数据。要实现可应用,必须要基于真实用户ID进行数据整合,整合后的数据可以是云端,也可以导出到本地与企业CRM结果,落地点是给业务和分析师提供初步分析建议,帮助了解用户的完整情况,尤其是其RFE的价值比较多,可以极大的丰富CRM中缺失的行为标签。
  2. 提供基于以上分析点的应用系统接口,便于直接将结果与业务应用系统联动形成数据驱动。实现第一步只是给业务和分析点一个结果,如果要实现数据驱动,一定要有基于以上结果的接触点,因此基于规则下的手机号、用户ID、邮箱等可以直接进入业务应用系统,通过邮件、短信平台等形式进行用户相关的优化动作,这些动作的类型可以分为这么几类:
  • 用户挽回:用户在订单之前的RFE指标已经很低说明了用户基本已经流失了,针对这部分的挽回直接可以触发相关挽回型营销动作。
  • 用户流失预警:用户虽然其他特征变化不大,但如果综合看用户的RFE和其他指标,也许会发现用户的参与度和活跃度在下降,及时进行流失预警是一个重要举措。
  • 用户购物车商品转化刺激:很多已经加购物车的商品,虽然用户已经放弃,但将这部分用户直接提取出来,结果一定的算法进行处理和订单挽回动作,一定会提升购物车转化率。

 

那现在这个模块对我们有什么意义?

在很多场合我都说过,做网站分析很容易遇到瓶颈,原因是网站分析的方法和场景比较固定,因此我们需要扩散思维。从这个模块,我们可以体会到Webtrekk已经在之前我讲过数据挖掘模型植入系统的基础上,把客户CRM的理念也结合到系统中,这是一项跨领域的整合。

我们能学习的是其中的思路,如何从整体对用户进行分析,如何把这些分析链条化,如何把结果业务化。除了理念之外,其中的标签属性、RFE等具体指标都是值得我们去参考学习的要点。

 

当然,这只是URM的一个Beta版本,每个新产品新功能出来的时候都不完美,甚至是很不如人意,但只要方向是对的,沿途会更多一些风景。



除非注明,本博客文章均为 数据研究与商业应用(TonySong) 原创.
转载请注明本文地址: http://www.searchmarketingart.com/webtrekk-urm-overview.html