用户分群

1. 什么是“用户分群”

用户分群被分为普通分群和预测分群。普通分群是依据用户的属性特征和行为特征将用户群体进行分类,预测分群是根据用户以往的行为属性特征,运用机器学习算法来预测他们将来会发生某些事件的概率。

举例来说,互联网金融产品的用户按照风险投资偏好这一属性分为保守、稳健和激进,按照投资行为可分为已投资和未投资。你可以根据这一属性和行为将满足某种条件的用户群体提取出来,譬如激进型但未投资的这群用户,然后分析这一群体的行为特征从而优化产品促进用户投资,或者根据其浏览的项目页面推荐用户可能会感兴趣的项目。

在 1.6 版本新增的预测分群功能中,概率在前端展示时会被映射到 4、3、2、1、0(很有可能、有可能、一般、不太可能、很不可能)5 个等级。预测周期可以是未来 7 天或未来 30 天。

2. 用户分群界面功能简介

2.1. 创建普通分群

在左侧功能栏点击“用户分群”会进入用户分群功能界面,如上图。在神策分析中,只有管理员权限的账号才能使用分群功能。基于性能考虑,目前最多支持20个分群。

a.新建分群

点击“用户分群”右侧的加号,进入编辑分群内容的界面。

b.分群名称

必填项。命名以英文字母开头,只能输入字母,数字和下划线。建议使用分群对应意义的英文名。

c.分群显示名

必填项。可以是中文也可以是英文,建议使用示意明确的中文名。

d.分群执行方式

分群执行方式包括单次和例行,默认选项是单次。单次需要使用者手动执行产生最新结果,例行是系统每日凌晨计算分群结果。

e.用户属性条件

点击用户属性编辑栏右下角的加号,可添加多个用户属性条件。

f.用户行为条件

点击用户行为编辑栏右下角的加号,可添加多个用户历史行为条件,譬如某事件在某段时间内发生的多少频次的用户群体,也可对行为事件添加筛选条件。

g.用户行为序列条件

点击用户行为序列编辑栏右下角的加号,可添加满足某一系列行为事件的条件。

h.预测分群功能(1.6版本新增)

神策数据分析工具中新增的预测分群功能,目前仅支持单次类型的预测分群。使用之前请在推送管理中添加推送配置。

2.2. 执行普通分群

使用者输入用户属性、用户行为和用户行为序列条件后,点击左下侧的保存按钮,然后执行即可,如上图。表示本周已投过资且浏览过基金和P2P产品的激进型用户群体。而且因为分群执行方式选择是“例行”,所以会在每日凌晨自动计算更新用户群体数据。

2.3. 使用普通分群

创建和执行后的分群结果保存在左侧栏的列表中,分为三类:单次、例行和分析结果。单次和例行列表分别是执行方式为单次和例行时的分群,分析结果列表是在使用用户行为分析、漏斗分析、留存分析和分布分析后保存的用户群体。

如上图,分群结果可以作为用户属性用于行为事件分析、漏斗分析、留存分析和分布分析,通过条件“为真”和“为假”选择满足或者不满足分群条件的用户群体。譬如,图中我们选择6月份注册且完成订单转化的男性用户,分析7月的购买行为。

当然,我们也可以将用户分群的具体用户信息提取出来,用于短信推送等运营活动。

2.4. 预测分群

用户在选择未来 7 天或者 30 天,做过某个特定事件或者任意事件若干次后,填好分群名和显示名,点击保存,就可以创建一个预测分群。如果选择的事件是至少做过若干次,则可以起到预测活跃用户的效果,如上图所示。点击执行后,等待一段时间,进入查看预测结果页面,就可以看到如下图所示的预测分群结果。此结果的分析方法和普通分群的一致。

下图显示的是预测流失用户的一个例子,如果在未来一段时间内(如 7 天或 30 天)内没有做过任何事件,我们就可以认为此用户流失。

3. 典型应用场景

以互联网金融网站为例,我们可以针对具有某类特征的用户群体进行理财项目推荐。譬如,通过用户分群筛选出对基金项目和P2P项目感兴趣的风险投资偏好为激进型的用户群,如下图。

根据分群结果,可以提取出这类用户群体的信息,如下图。通过用户账号或者手机号为其推荐高风险高回报的P2P或者基金项目。

预测分群的典型应用是预测未来一段时间内的活跃用户和流失用户,这样可以在活跃用户流失之前,采用一定的流失召回方法将他们拉回。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 213,014评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,796评论 3 386
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 158,484评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,830评论 1 285
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,946评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,114评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,182评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,927评论 0 268
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,369评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,678评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,832评论 1 341
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,533评论 4 335
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,166评论 3 317
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,885评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,128评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,659评论 2 362
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,738评论 2 351

推荐阅读更多精彩内容