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
若不方便扫码,搜微信号:CDAshujufenxi
春风拂面,金三银四的求职季如期而至。谁都想在这场竞争里拿下心仪offer。 一份亮眼简历是求职敲门砖,面试紧张则可能让机会溜 ...
2025-02-24在数据分析中,地图是一种非常直观的可视化工具,能够帮助我们更好地理解数据在地理空间上的分布情况。无论是展示销售数据、人口 ...
2025-02-24“最近复购率一直在下降,我们的营销力度不小啊,为什么用户还是走了?” “是不是广告投放的用户质量不高?还是我们的产品问题 ...
2025-02-21以下文章来源于数有道 ,作者数据星爷 SQL查询是数据分析工作的基础,也是CDA数据分析师一级的核心考点,人工智能时代,AI能为 ...
2025-02-19在当今这个数据驱动的时代,几乎每一个业务决策都离不开对数据的深入分析。而其中,指标波动归因分析更是至关重要的一环。无论是 ...
2025-02-18当数据开始说谎:那些年我们交过的学费 你有没有经历过这样的场景?熬了三个通宵做的数据分析报告,在会议上被老板一句"这数据靠 ...
2025-02-17数据分析作为一门跨学科领域,融合了统计学、编程、业务理解和可视化技术。无论是初学者还是有一定经验的从业者,系统化的学习路 ...
2025-02-17挖掘用户价值本质是让企业从‘赚今天的钱’升级为‘赚未来的钱’,同时让用户从‘被推销’变为‘被满足’。询问deepseek关于挖 ...
2025-02-17近来deepseek爆火,看看deepseek能否帮我们快速实现数据看板实时更新。 可以看出这对不知道怎么动手的小白来说是相当友好的, ...
2025-02-14一秒精通 Deepseek,不用找教程,不用买资料,更不用报一堆垃圾课程,所有这么去做的,都是舍近求远,因为你忽略了 deepseek 的 ...
2025-02-12自学 Python 的关键在于高效规划 + 实践驱动。以下是一份适合零基础快速入门的自学路径,结合资源推荐和实用技巧: 一、快速入 ...
2025-02-12“我们的利润率上升了,但销售额却没变,这是为什么?” “某个业务的市场份额在下滑,到底是什么原因?” “公司整体业绩 ...
2025-02-08活动介绍 为了助力大家在数据分析领域不断精进技能,我们特别举办本期打卡活动。在这里,你可以充分利用碎片化时间在线学习,让 ...
2025-02-071、闺女,醒醒,媒人把相亲的带来了。 我。。。。。。。 2、前年春节相亲相了40个, 去年春节相亲50个, 祖宗,今年你想相多少个 ...
2025-02-06在数据科学的广阔领域中,统计分析与数据挖掘占据了重要位置。尽管它们常常被视为有关联的领域,但两者在理论基础、目标、方法及 ...
2025-02-05在数据分析的世界里,“对比”是一种简单且有效的方法。这就像两个女孩子穿同一款式的衣服,效果不一样。 很多人都听过“货比三 ...
2025-02-05当我们只有非常少量的已标记数据,同时有大量未标记数据点时,可以使用半监督学习算法来处理。在sklearn中,基于图算法的半监督 ...
2025-02-05考虑一种棘手的情况:训练数据中大部分样本没有标签。此时,我们可以考虑使用半监督学习方法来处理。半监督学习能够利用这些额 ...
2025-02-04一、数学函数 1、取整 =INT(数字) 2、求余数 =MOD(除数,被除数) 3、四舍五入 =ROUND(数字,保留小数位数) 4、取绝对值 =AB ...
2025-02-03作者:CDA持证人 余治国 一般各平台出薪资报告,都会哀嚎遍野。举个例子,去年某招聘平台发布《中国女性职场现状调查报告》, ...
2025-02-02