结合漏斗分析与用户分群来做一个深度分析

上次我们提到通过分组分析监控渠道转换数据，调整渠道交付策略，最终提高了渠道ROI的效果。第一，让我们回顾一下我们的目标：我们应该如何分析这个问题？正如上周所说：通过数据挖掘，我们发现高质量渠道A的用户群与我们的高价值用户相匹配。同时，平均客户单价约为原主渠道D的1/2~1/3，优化了我们的投入产出比例。这主要取决于通过数据分析找到高质量、低价格的渠道，降低客户获取成本。漏斗的改进效果如下图所示：那么，这个漏斗还有别的地方可以改进吗？当然有！我们的现实世界并不是一个简单的数据逻辑结构，许多结果是由多种原因引起的，我们可以从多个角度分析同一个问题。下面我们将结合漏斗分析和用户群进行深入分析，通过漏斗的详细分割和交叉比较，定位问题。让我们从漏斗分析开始：从上面的漏斗中，我们可以看到，在加入购物车之前，转化率很高，但在购物支付过程中，转化率急剧下降到14.65%，这里应该有改进的空间。当我们查看页面浏览数据时，我们可以发现用户在订单确认页面上停留了95秒，这与我们通常的认知不一致。为了验证我们的假设，我们建立了两个小用户群——“确认付款的人”&“成功付款人群”，即将漏斗中的“订单人群”拆分为“付款人群”，独立确认付款。我们可以发现，从“确认支付”到“成功支付”确实是损失转化的主要环节。分组分析我们看这群“确认付款”&“未成功付款”人群：我们姑且称这个人群为“付款失败”组。在MTA中，您可以通过设置用户群设置来处理此步骤，如下图所示。通过对几个群体的比较，我们发现“付款失败”群体的离线环境急剧增加约14%。此外，其3G、2G网络的比例高于市场人群(5.68%)vs.1.36%)，在设备品牌中，相对型号较小，低端。我们实际测试了品牌1和品牌2的实际型号，主要针对付款页面的页面体验，存在以下问题：型号适应性差，开发主要考虑现有主流型号的适应性，对利基型号的关注度低；页面严重堵塞，空白页面超过40秒，严重消耗用户耐心。因此，我们做出了以下改进：紧急修复版本升级了版本适应性的应用程序，主要推广渠道是利基模型；页面加载优化，包括切割、压缩、删除图片、框架优化、预加载等策略，恶劣网络下加载速度提高约15秒；加载等待页面设计，增加动画等待页面，向用户销售可爱，增加用户等待的耐心。在验证页面优化后，我们的漏斗转换过程有了显著的改进：我们对这组“付款失败”用户群的改进提高了3%的转换效率，这是一个非常大的收入。此外，在随后的漏斗改进中，我们还尝试删除付款页面中不必要的信息和按钮，结合页面点击/页面流通的分析，以确保付款过程的顺利进行，并在改进漏斗方面发挥一定的作用。好了，今天的分享就到这里~总结数据操作的优化思路，其实就是把复杂多因子的事件分析分为独立的单因子归因分析，从而确定改进思路。下周将带来数据埋点的内容。请期待~