用户运营分析（指标体系+用户标签）

背景

对于APP用户运营团队来说，了解用户规模以及规模的变动状态，才更好更好定位问题及设计贴切的用户运营方案，最终达到增长目的。

项目思路

1. 建立日常运营指标体系。根据用户活跃指标来逐步建立用户指标体系，包括DAU/DNU/每日消费转化率/每日新用户消费转化率，观察提炼各个指标变动特点（对比分析），并长期维护；
2. 分析用户构成。根据用户生命周期，建立不同阶段用户标签，观察每日用户规模变化趋势，长期监测维护，针对不同用户做个性化运营；
3. 分析复购用户画像。 对比复购用户和非复购用户行为数据，寻找复购特征，加强引导；

项目流程

1.用户指标体系

--建立表格，并导入数据
-- DAU
select date(action_time),count(distinct user_id)
from user_action
group by date(action_time)



-- DNU
select reg_time,count(distinct user_id) from user_info
where reg_time >='2016-2-1'
group by reg_time

-- 每日消费转化率
select date(action_time),count(distinct user_id) AU_count,
count( distinct if(type=4,user_id,Null)) AU_4_count,
concat(round(count(distinct if(type=4,user_id,Null))/count(distinct user_id)*100,2),"%") as pre
from user_action
group by date(action_time)
order by date(action_time)

-- 每日新用户下单转化率
select reg_time,count(distinct user_info.user_id) as NU_Count,
count(distinct if(type=4,user_info.user_id,Null)) as NU_4_count,
concat(round(count(distinct if(type=4,user_info.user_id,Null))/count(distinct user_info.user_id) *100,2),"%") as pre
from user_info
left join user_action on user_action.user_id = user_info.user_id and reg_time = date(action_time)
where reg_time >='2016-2-1'
group by reg_time
order by reg_time;

总共是76天记录，发现2月日开始DAU才有参考数据（1.31只有1个，不作参考），所以后期计算以2.1为分析起点日期。2月中旬开始DAU一直在增长，3月15日达到峰值588，之后下降稳定在360左右；每日下单与DAU呈正相关，并且也在3.15达到峰值；新用户注册一直是个位数，说明该平台目前主要是依靠老用户存活，或者运营方向是面向老用户的；消费转化率稳定在3%-5%；新注册用户的基本不会在当日产生消费。

相关影片资源迅雷下载推荐

APP该如何顺应数字化时代 ？

​C 端 App 已死，有事烧纸在我们日常生活中，每天都会打开使用的 App 有几个？我们的手机上满屏的App，绝大部分都是僵尸 App；作为消费者，我们日常使用的都是超级 App 而且数量不会超过十根手指。社交电商、衣食住 ...

APP运营,APP该如何顺应数字化时代 ？

2.用户标签

当新增用户、激活用户增加，且睡眠用户、流失用户减少，那我们的用户规模就在呈上升趋势；反之，则呈下降趋势。分析近期我们用户规模的变动趋势，判断我们的用户池的健康程度。
标签制定：

• 将注册当天的用户作为新用户
• 将注册未满一周的用户作为未激活用户（为了避免新用户成为跳出用户）
• 注册后的第8天，用户进入激活期，激活期为注册后的第8到第14天，在激活期回访的用户，则成为激活用户。（为了让未激活用户成为激活用户）
• 若用户成为激活用户后，有一周没有活跃；或从注册后在激活期（第8到第14天）未激活且第14天之后也未活跃的用户作为睡眠用户。（主要做唤醒）
• 将成为睡眠用户后，有两周没有活跃的用户作为流失用户。（虽然同为唤醒范围，但是流失用户的唤醒难度要大于睡眠用户，在预算较少的唤醒活动中不予考虑。）

-- 先整理每天用户的注册时间，最近活跃时间
create table base_info as
select
a.dates,user_info.user_id, date(reg_time) date_reg,max_time,min_time
from
(select date(action_time) as dates,user_id,max(date(action_time)) as max_time,min(date(action_time)) as min_time from user_action
group by date(action_time),user_id)a
left JOIN user_info
on user_info.user_id=a.user_id
GROUP BY a.dates,a.user_id
ORDER BY a.dates,a.user_id

--用户标签
create view emp as
select dates,user_type,count(*) as user_count from (
select *,
case when dates =date_reg then "new_user"
when (datediff(max_time,date_reg)<7 or max_time is null) and datediff(dates,date_reg)<14 then "inaction_user"
when datediff(max_time,date_reg)>=7 and datediff(dates,max_time)<7 then "action_user"
when (datediff(max_time,date_reg)>=7 and datediff(dates,max_time)>7) or (datediff(dates,date_reg)>14 and (datediff(max_time,date_reg)<7 or max_time is null )) then "sleep_user"
when (datediff(max_time,date_reg)>=7 and datediff(dates,max_time)>21 ) or (datediff(dates,date_reg)>28 and (datediff(max_time,date_reg)<7 or max_time is null )) then "lose_user"
end
as user_type
from base_info) as A
group by dates, user_type
-- 统计每日用户构成
select dates,
max(case user_type when 'new_user' then user_count else 0 end) as 'new_user',
max(case user_type when 'inaction_user' then user_count else 0 end) as 'inaction_user',
max(case user_type when 'action_user' then user_count else 0 end) as 'action_user',
max(case user_type when 'sleep_user' then user_count else 0 end) as 'sleep_user',
max(case user_type when 'lose_user' then user_count else 0 end) as 'lose_user'
from emp
group by dates

• 睡眠用户、流失用户都非常低，平台老用户粘性非常高，是影响平台dau的关键群体；
• 新注册用户少，可以从拉新方向做用户增长；
• 3.15活跃用户有骤降，可能和平台活动有关，需要进一步分析

3.用户复购分析

对于用户运营来说，由于获客成本居高不下，提升用户复购是将用户价值最大化的关键。那到底什么时候该关注复购，凯文·希尔斯特罗姆在《精益数据分析》一书中给了参考：

• 90天内重复购买率达到1%~15%；说明你处于用户获取模式；把更多的精力和资源投入到新用户获取和转化；
• 90天内重复购买率达到15~30%；说明你处于混合模式；平衡用在新用户转化和老用户留存、复购上的精力和资源；
• 90天内重复购买率达到30%以上；说明你处于忠诚度模式；把更多的精力和资源投入到用户复购上；
  用户复购率 = 复购用户数 / 活跃用户数；
  复购用户数 ：一段时间内购买次数达两次及以上的用户数

--复购
select count(if(order_count>1,user_id,null)) fugou_user_count, sum(ren) au_count,
count(if(order_count>1,user_id,null))/sum(ren) as fugoulv

from (
select user_id, count(if(type=4,user_id,null)) as order_count, 1 as ren
from user_action
group by user_id ) a

• 复购率在8%，属于新用户获取模式，可以寻找合适渠道，加大拉新

--用户画像静态标签_复购（各年龄段， 各性别的人数）
select age_between,sex,count(*) '人数' from user_info where user_id in(
select user_id
from user_action
group by user_id
having count(if(type=4,user_id,null)) >1)
group by age_between,sex



-- 用户画像静态标签_非复购（各年龄段， 各性别的人数）
select age_between,sex,count(*) '人数' from user_info where user_id in(
select user_id
from user_action
group by user_id
having count(if(type=4,user_id,null)) <=1)
group by age_between,sex
order by age_between,sex

*TGI（目标群体指数）是Target Group Index的简称，可反映目标群体在特定研究范围(如地理区域、人口统计领域、媒体受众、产品消费者)内的强势或弱势。TGI=100表示平均水平

• 复购用户与非复购用户的年龄、性别分布基本相似，主要集中在26-35岁之间的男性与未知性别
• 通过TGI对比发现，26-35岁用户更容易产生复购行为，男性比女性更容易产生复购行为

小结

• 睡眠用户、流失用户都非常低，平台老用户粘性非常高，是影响平台dau的关键群体
• 平台目前主要是依靠老用户存活，新注册用户的基本不会在当日产生消费，可以设计方案尽快建立新用户消费习惯
• 消费转化率稳定在3%-5%
• 复购率在8%，属于新用户获取模式，可以寻找合适渠道，加大拉新做用户增长
• 通过TGI对比发现，26-35岁用户更容易产生复购行为，男性比女性更容易产生复购行为
• 3.15活跃用户有骤降，可能和平台活动有关，需要进一步分析

相关影片资源迅雷下载推荐

2022年月入3w+的地推拉新app推广项目合集（六）

2022年月入3w+的地推拉新app推广项目合集本期给大家整理了近期在我们平台上的部分地推项目：10w+地推资源对接上APP：U客直谈【aitd】 qq邮箱注册认证，20/单【指纹锁】 免费赠送指纹锁，独立后台，长期收入【京东】 ...

APP运营,2022年月入3w+的地推拉新app推广项目合集（六）

标签： APP运营 用户运营分析（指标体系+用户标签）