最近，基于用戶細分的分析方法開始獲得移動應(yīng)用開發(fā)者更多的關(guān)注，這是由于用戶細分不僅可以讓運營人員更深入的理解用戶的行為以及市場營銷活動的效果，還可以幫助產(chǎn)品人員更好的理解導(dǎo)致這些結(jié)果產(chǎn)生的原因，而不像以前，大家只能夠片面的給出管理層喜歡的浮華的指標。

做運營推廣的人都知道大部分市場活動并不能馬上帶來轉(zhuǎn)化效果，大家只是模糊的認為將來某個時候這些被廣告觸及的客戶會下載推廣的應(yīng)用，分享給他的好友，用戶分群最大的好處就是消除這種對于效果的模糊性。

拿社交游戲應(yīng)用來舉例，大部分游戲公司都采用DAU或者MAU作為KPI，這是因為對于社交游戲來說，圍繞著總體用戶數(shù)量/新增用戶做文章，對于營收目標并沒有任何意義。它們已經(jīng)有一套通過真正玩游戲的活躍用戶來賺錢的運營體系。大部分情況下，這些游戲本身采用免費方式，以吸引更多的玩家，而游戲公司竭盡全力的轉(zhuǎn)化這些玩家為游戲付費，方式有很多：注冊費用，頭像，去除廣告，解鎖道具等等。

正是在這種情況下，基于用戶分群的斷代分析方法經(jīng)常被使用，斷代分析在醫(yī)藥、社會科學(xué)、生物學(xué)等領(lǐng)域被廣泛采用。在社交游戲領(lǐng)域，它用來跟蹤一組利用特定的事件標識的用戶，來觀察他們的行為是否發(fā)生變化，用戶分群的方法也可以是在特定的時間段按照相同的屬性或者相同的體驗來劃分，如：安裝后第一次啟動的用戶群，完成新手向?qū)У挠脩羧?，?chuàng)建賬號的用戶群等。而用戶分群之后，分析人員通過觀察這些用戶群是否按照設(shè)計的動作/指標完成預(yù)想的動作。

下圖從TalkingData采樣的客戶分群的一個社交游戲的樣例

在這個例子中，如用戶分群為3月19日開始玩游戲的那一群用戶，轉(zhuǎn)化標準為在游戲中完成1個關(guān)卡，接下來觀察在第1，2，3，4周里，衡量標準依然是完成1個關(guān)卡。所以從3月19日開始的那一周有13.5%個用戶完成1個關(guān)卡，到第2周的時候只有11%的用戶回來游戲并完成了1個關(guān)卡，到第3周的時候就只有6.6%的用戶完成1個關(guān)卡。分析人員馬上直觀的發(fā)現(xiàn)4月9日新增的那群用戶按照斷代分析的同期比較結(jié)果，相對來說用戶完成關(guān)卡的比例更低，馬上和相應(yīng)的市場活動相關(guān)聯(lián)，發(fā)現(xiàn)原因是4月9日新上了一個廣告渠道，由于用戶質(zhì)量低于原有的廣告渠道造成這種結(jié)果，下一步可能采取的動作就是優(yōu)化投放策略。

這是一個很好的如何利用科學(xué)的分析方法優(yōu)化市場活動策略的例子，根據(jù)我們的經(jīng)驗這類應(yīng)用一般有兩種分析方法或者角度：

• 跟蹤多個渠道 A、B、C的用戶，觀察他們的轉(zhuǎn)化率、活躍度、留存率，不斷優(yōu)化市場投放策略以及成本策略。
• 跟蹤一個特定的用戶群，如：產(chǎn)品某個版本的用戶，看看用戶的轉(zhuǎn)化率和歷史版本進行比較，虛擬物品的購買數(shù)量/比例、虛擬物品的重復(fù)購買率等。

順便提一下，前些天正好和幾個做網(wǎng)站分析的同行交流到，傳統(tǒng)的網(wǎng)站分析對于這種顯式的用戶分群分析還是有一定困難的，如果用戶刪除了cookie或者你無法持續(xù)追蹤某個用戶分群，數(shù)據(jù)就會變得很“臟”，所以就需要利用注冊、登錄等方法來綁定用戶信息。這正是移動應(yīng)用分析的特點，數(shù)據(jù)相對精準而且追蹤的是活生生的“人”而不是冷冰冰的“頁面”。

接下來我們可以看一下在web分析中的用戶分群中類似的實現(xiàn)。

Google Analytics提供類似的高級功能，報表也很漂亮但是和移動分析還是有很大差別：

這是一張隨機時段的流量報告，我想來比較一下不同來源的新訪客流量，并基于此觀察這些客戶回訪的情況，你可以比較結(jié)果，兩個不同的分群提供不同的結(jié)果。這樣你很容易看出那個來源的回訪客戶更寶貴，它的轉(zhuǎn)化率，AdSense的相應(yīng)率以及eCPM也更好

不管是移動分析還是網(wǎng)頁分析，對于廣大數(shù)據(jù)分析人員來說，分析的思想其實都是相通的，都需要設(shè)定業(yè)務(wù)目標，利用用戶分群，專注目標轉(zhuǎn)化。而經(jīng)常學(xué)習相關(guān)產(chǎn)品，借鑒不同的方法是提高分析能力的捷徑。

By?Leo Cui

源地址：http://blog.tenddata.com/?p=136