5 quy tắc phân tích người dùng được các công ty Internet lớn sử dụng!

Nhiều công ty cần phân tích người dùng của mình, nhưng làm thế nào họ có thể thực hiện hiệu quả? Chúng ta hãy cùng xem phương pháp của tác giả.

Tôi đã trò chuyện với một người bạn làm việc tại một công ty lớn vào cuối tuần và chúng tôi đã trao đổi về phân tích người dùng. Nhiều công ty thực hiện phân tích người dùng, nhưng phân tích của nhiều người lại chỉ mang tính hời hợt. Họ chỉ đếm số ngày hoạt động, thời gian trực tuyến và lượng tiêu thụ tích lũy của người dùng, sau đó bắt đầu chú ý đến các con số mà không biết cách đưa ra những hiểu biết sâu sắc.

Sau khi thảo luận với bạn bè, tôi đã tóm tắt 5 nguyên tắc vàng trong phân tích người dùng, có thể giải quyết hiệu quả vấn đề "mơ hồ nhìn chỉ số". Chúng ta hãy cùng xem nhé.

Quy tắc 1: Bắt đầu với phân khúc người dùng

Như câu nói: Tay áo dài giúp khiêu vũ tốt hơn, và nhiều tiền hơn giúp kinh doanh tốt hơn. Khi phân tích dữ liệu, nếu dữ liệu quá nhỏ, sẽ khó có thể đưa ra kết luận sâu sắc. Điều này được phản ánh trong phân tích người dùng. Nếu người dùng là người dùng ít dùng, chỉ để lại số điện thoại di động khi đăng ký và không bao giờ quay lại sau khi đăng nhập một hoặc hai lần thì chắc chắn không có dữ liệu nào để phân tích. Chỉ những người dùng có nhiều dữ liệu tích lũy mới có thể đưa ra những diễn giải sâu sắc.

Do đó, nếu bạn muốn phân tích người dùng sâu hơn, trước tiên bạn phải phân tầng và phân biệt giữa người dùng ít, trung bình và nhiều, sau đó xem xét:

1. Sự khác biệt về đặc điểm nền tảng giữa những người dùng ở các cấp độ khác nhau là gì?
2. Người dùng nhiều đã tiến hóa từ người dùng ít và người dùng trung bình như thế nào?
3. So với người dùng nhiều, người dùng ít và người dùng vừa phải khác nhau ở bước tiến hóa nào?

Theo cách này, chúng ta có thể thấy rõ lý do và tránh phải tính toán hàng loạt các giá trị trung bình như mức tiêu thụ trung bình hàng tháng, thời gian trực tuyến trung bình hàng tháng, v.v., những giá trị này sẽ xóa bỏ sự khác biệt giữa những người dùng. Để biết phương pháp phân tầng người dùng cụ thể, bạn có thể tham khảo: Đây là phân tầng người dùng thực tế, không chỉ nhìn vào mức trung bình.

Quy tắc 2: Các chỉ số được chia thành sâu và nông, và nội dung phụ thuộc vào nhu cầu

Sau khi hoàn thành bước đầu tiên, nhiều người tự nhiên nghĩ rằng: Tôi thấy người dùng nhiều đăng nhập 7 ngày một tuần, còn người dùng ít đăng nhập 1 ngày một tuần, nên tôi tổ chức hoạt động kiểm tra để khuyến khích người dùng ít đăng nhập 7 ngày. Ý tưởng này thật vô lý. Hãy thử nghĩ xem, khi sử dụng ứng dụng, chúng ta có tính toán cẩn thận thời gian đăng nhập và số lần nhấp chuột không? Nếu không phải tôi đang cố gắng để có được phần thưởng mở đầu, tôi sẽ không bao giờ nghĩ như vậy.

Hành vi đăng nhập, hoạt động và tiêu dùng của người dùng đều có mục tiêu cụ thể. Sau đây là nội dung tôi thích, đây là sản phẩm tôi thích và đây là phần thưởng. Đây là những lý do trực quan. Và những lý do này cần phải được thu thập thông qua việc dán nhãn nội dung và sản phẩm.

Về nguyên tắc, người dùng tích lũy càng nhiều hành vi (tiêu dùng, tương tác) dưới một thẻ thì nhu cầu của người dùng đối với nội dung/sản phẩm dưới thẻ đó càng lớn. Dựa trên điều này, khi chúng ta muốn quảng bá một sản phẩm, chúng ta nên thử nghiệm sản phẩm đó nhiều lần để giới thiệu sản phẩm đến người dùng nhằm thu thập dữ liệu và đưa ra những suy luận hợp lý (như hình bên dưới).

Quy tắc 3: Kết hợp thử nghiệm với khám phá

Sau khi hoàn thành bước đầu tiên, nhiều người sẽ tự nhiên nghĩ đến: phân tích cách người dùng nhiều tiến hóa từ người dùng ít từng bước, tóm tắt trải nghiệm và sao chép cho những người dùng ít khác. Ý tưởng này rất hay, nhưng có thể không khả thi vì các sản phẩm và dịch vụ mà công ty có thể cung cấp cho người dùng bị hạn chế và chỉ có thể thu hút được những người dùng nhất định, do đó, người dùng ít và người dùng nhiều không nhất thiết phải là cùng một kiểu người.

Do đó, thông qua quá trình tiêu dùng/tương tác của người dùng nhiều, về mặt lý thuyết có thể tóm tắt một lộ trình tăng trưởng như sau:

1. Người dùng nhập từ kênh XX và có XX đặc điểm
2. Người dùng đầu tiên trải nghiệm sản phẩm XX và sau đó mua lại sản phẩm đó sau X ngày
3. Sau khi người dùng tích lũy được số lượng mua hàng là XX, người đó bắt đầu mở rộng danh mục sản phẩm tiêu dùng

NHƯNG, cách tiếp cận này có thể không hữu ích với tất cả người dùng nhẹ, do đó có thể cần phải phát triển thêm nhiều dòng thử nghiệm và kích thích người dùng nhẹ thông qua các phương tiện khác nhau để xem phương pháp nào hiệu quả.

Có một vấn đề kinh điển ở đây: nhiều người mong đợi dữ liệu có thể tính toán được quy tắc đề xuất tối ưu có thể kích hoạt người dùng ít sử dụng ngay lập tức. Điều này khó thực hiện vì người dùng ít sử dụng thường có rất ít dữ liệu tích lũy và khó đưa ra kết luận hợp lệ nếu không có thử nghiệm.

Do đó, chúng tôi đặc biệt khuyến nghị bạn nên thử nghiệm nhiều hơn và thu thập một số dữ liệu trước. Hơn nữa, các hoạt động không thể diễn ra mà không có phân tích dữ liệu. Có nhiều logic đề xuất thông thường/chung có thể được sử dụng (như thể hiện trong hình bên dưới).

Ví dụ, nếu người dùng mua bia, chúng ta nên giới thiệu tã cho họ, đúng không? sai! Nếu anh ấy mua bia, có nhiều thứ sẽ phù hợp hơn tã, chẳng hạn như:

1. Nên mua thêm vài chai nữa (khuyến nghị tăng dần, phù hợp với những người yêu thích rượu vang)
2. Đề xuất: chân gà và đậu phộng (liên quan đến danh mục tự nhiên, cả hai đều là đồ ăn nhẹ dùng kèm với rượu vang)
3. Thuốc lá và bật lửa được khuyến nghị (thuốc lá và rượu là không thể tách rời, bạn và tôi đều vui vẻ)

Các sản phẩm này có mối quan hệ mật thiết với nhau và có thể được đề xuất mà không cần dữ liệu, do đó, trước tiên bạn có thể xác định lộ trình thử nghiệm dựa trên các quy tắc bẩm sinh này, sau đó tiếp tục đề xuất thông tin để kích thích người dùng và xem họ sẽ phản hồi thông tin nào. Điều này không chỉ tích lũy dữ liệu và đặt nền tảng cho việc hiểu biết liên tục về người dùng mà còn tích lũy kinh nghiệm và cải thiện hiệu suất nhanh chóng.

Quy tắc 4: Cố gắng nhiều hơn và tích lũy liên tục

Chỉ xem xét dữ liệu tĩnh khi phân tích người dùng là không đủ, đặc biệt là đối với người dùng ít sử dụng/người dùng rời bỏ. Có quá ít dữ liệu và hành vi tiếp theo hoàn toàn chỉ là phỏng đoán, nên rất khó để đưa ra kết luận. Do đó, chúng ta có thể kết hợp tình hình sản phẩm hiện tại của công ty + ngân sách hoạt động để phát triển lộ trình tăng lượng người dùng, sau đó thử nghiệm từng hiệu ứng một, tích lũy kinh nghiệm trong khi thử nghiệm.

Kịch bản tốt nhất là thông qua thử nghiệm, bạn có thể khám phá ra một con đường mới để thúc đẩy việc chuyển đổi người dùng ít thành người dùng nhiều, đó sẽ là một thành tựu tuyệt vời. Tất nhiên, trong tình huống xấu, bạn có thể thấy rằng trong các điều kiện hiện tại, bạn đã sử dụng hết mọi sự kết hợp có thể có của sản phẩm + chiết khấu + nội dung nhưng vẫn không thể thực hiện tốt. Điều này thực sự có giá trị. Biết rằng các phương pháp hiện tại không hiệu quả, ít nhất cũng có thể tiết kiệm được một số nguồn lực lãng phí và thúc đẩy việc nâng cấp các năng lực cơ bản như nâng cấp sản phẩm/tối ưu hóa phương pháp vận hành.

Nhiều công ty ở đây sẽ gặp vấn đề trong hoạt động:

1. Từ chối làm bài kiểm tra, luôn làm mọi việc theo cùng một cách
2. Không chấp nhận thất bại khi thực hiện kiểm thử, ép buộc "thành công"
3. Đừng thử nhiều giải pháp cùng một lúc.

Thông thường, các phòng ban sản phẩm/hoạt động của những công ty này thích khoe khoang rằng "chúng tôi là những người có thể đánh bại chủ nhân bằng những cú đấm ngẫu nhiên" và thích hét lên: "Mục đích của các hoạt động là tạo ra lợi ích!" "Đừng làm điều đó nếu bạn không chắc chắn!" Kết quả là hoặc là không có dữ liệu nào cả và họ không bao giờ biết người dùng thích gì, hoặc dữ liệu bị ô nhiễm và các sản phẩm mới hầu như hoàn toàn phụ thuộc vào các chương trình khuyến mãi, không có kết luận bổ sung nào khác ngoài "người dùng của chúng tôi thích mua hàng hời".

Phân tích dữ liệu không phải là thực hiện một bước và dự đoán 100 bước tiếp theo, mà là liên tục kiểm tra từng bước khi bạn thực hiện: xem có sai lệch nào không, bạn di chuyển nhanh như thế nào và liệu bạn có thể đạt được kỳ vọng của mình hay không. Điểm này cần phải ghi nhớ.

Quy tắc 5: Thảo luận riêng về tác động của các động lực lợi nhuận

Có một tình huống cần được thảo luận riêng, đó là: người dùng bị thúc đẩy bởi sở thích và hoàn thành hành vi XX.

Những loại phổ biến như:

1. Vì gói quà tặng cho người mới bắt đầu có giá siêu rẻ nên người dùng đã đăng ký
2. Bởi vì có những sản phẩm phổ biến có giá thấp hơn nhiều so với giá thị trường nên người dùng mua
3. Do các hoạt động thành viên có trợ cấp lớn nên người dùng được nâng cấp thành thành viên vàng đen
4. Do các hoạt động khuyến mãi mạnh mẽ, một số lượng lớn người dùng hoạt động trong một thời gian ngắn

Đặc biệt, khi hàng hóa được công ty chúng tôi trợ giá là:

• Tương tự như iPhone mới, một loại tiền tệ mạnh có giá thị trường cao và bán chạy nhất
• Tương tự như gạo, bột mì, dầu, trứng và sữa, đây là những sản phẩm cần thiết và có ứng dụng rộng rãi.
• Các sản phẩm như sữa tắm và khăn giấy được sử dụng rộng rãi và có thể dự trữ trong thời gian dài

Điều này sẽ thúc đẩy lượng lớn hoạt động và tiêu dùng của người dùng trong ngắn hạn, nhưng về lâu dài, những người dùng này chưa tạo dựng được lòng tin vào công ty chúng tôi và chỉ đơn giản là tìm kiếm mức giá rẻ. Dữ liệu được tạo ra theo cách tiếp cận hướng đến lợi nhuận này sẽ ảnh hưởng đến việc đánh giá nhu cầu thông thường của người dùng, dẫn đến những đánh giá không chính xác sau đó.

Do đó, các hành vi thúc đẩy bởi sở thích phải được xác định và phân tích riêng lẻ:

1. Gắn nhãn các hoạt động/sản phẩm để xác định các “chiết khấu quá mức” tương tự
2. Ghi lại số lần người dùng tham gia "giảm giá vượt mức" và tận hưởng sức mạnh giảm giá
3. Xác định người dùng mới và thêm họ thông qua "chiết khấu vượt mức"
4. Xác định những người dùng cũ được hưởng tỷ lệ "giảm giá vượt trội" cao hơn (50% trở lên)

Điều này có thể xác định hiệu quả ai đã bị hối lộ và những người còn lại có thể là người dùng có nhu cầu thực sự.

Tác giả: Down-to-earth Teacher Chen Tài khoản công khai WeChat: Down-to-earth Teacher Chen