微信小程序选项卡功能开发步骤与方法全解析
1134
2023-02-16
电商小程序用户行为分析（小程序的目标客户群体）
本篇文章给大家谈谈电商小程序用户行为分析，以及小程序的目标客户群体对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。
今天给各位分享电商小程序用户行为分析的知识，其中也会对小程序的目标客户群体进行解释，如果能碰巧解决你现在面临的问题，别忘了关注本站，现在开始吧！
分析内容分为4个部分，
数据集没有空值
订单时间数据类型需要转换
由上可知：
1.用户每个订单平均消费2.4个产品，大部分订单集中在小额
2.用户平均消费金额35.89，中位数在25.98，有一定电商小程序用户行为分析的极值干扰。
由图可知，月消费金额在1-3月呈上升趋势，3月达到顶峰，后期销量趋于平稳，每月在一万左右波动。
由上图可知，产品购买量在前三个月达到最高峰，后续消费较为稳定，有轻微下降趋势
-2.3每月消费人次和消费次数对比
每月消费人数低于每月消费次数，但差异不大
前三个月每月的消费人数在8000-10000之间，后续月份，平均消费人数在2000不到
分析：
平均每位用户购买电商小程序用户行为分析了7件商品，购买最多的有1033件；
用户平均消费金额为106元，与75分位接近，说明有少数人购买电商小程序用户行为分析了大量的货物。
由散点图可知，用户购买量与购买金额呈正相关关系。
分析：
从直方图可知，大部分用户的消费能力确实不高，绝大部分集中在小于200元的消费档次。高消费用户在图上几乎看不到。
分析：绝大多数人购买件数小于5件
分析：
按用户消费金额进行升序排序，由图可知50%的用户仅贡献了15%的销售额。而排名前5000的用户就贡献了60%的消费额
也就是说，只要维护好这5000个客户，就可以完成业绩KPI的60%。
用户第一次购买集中在前3个月中
用户最后一次购买集中在前3个月中，说明很多用户购买过一次就不再购买，随着时间增加，最后一次购买用户数递增，说明用户流失呈上升状态，用户忠诚度下降。
-## 4.3新老客户消费比（多少用户只购买了一次，每月新客占比）
分析可见：约有一半的人只购买了一次
分析：第1个月新客占比最高，并在接下来的三个内急剧下降，之后趋于稳定，在0.81左右波动。
分析：
1.从RFM分层可知，大部分用户为一般挽留客户，但是这是由于极值的影响，所以RFM的划分应该尽量以业务为准。
尽量用小部分的用户覆盖大部分的额度，不能为了数据好看划分等级。
每月不同活跃数的计数
求环比值
分析：购买周期呈指数分布，平均购买周期68天，购买周期集中在100天以下。
分析：
1.用户的生命周期受只购买一次的用户影响比较厉害（可以排除）
2.用户平均生命周期134天，中位数仅0天
忽略只购买一次的用户
分析：
复购率稳定在20%左右，前一个月因为有大量新用户涌入，而这批用户只购买了一次，所以导致复购率降低
分析：
1.从上图看出，用户的回购率高于复购率，约在30%左右
2.从回购率和复购率综合分析，新客的整体质量低于老客
完毕
主要发现
微信电商小程序的发展背景：
•电商从微信中进行流量变现势在必行，消费者对于微信广告的信任提高了社交电商的价值。微信的月活高出电商20%，且电商近一年月活趋于平缓。另一方面，所有互联网广告中，消费者对于微信中的所有广告形式的信任度都高于其余互联网广告类型。微信电商小程序分类：
•微信电商小程序根据其社交属性程度可以分为强社交小程序与弱社交小程序，强社交电商的发展强烈依赖于微信的社交功能，而弱社交电商则是利用了微信小程序的便利性与辅助性。
头部社交电商媒体分析：
•强社交电商无论是微信小程序还是APP，近半年发展表现均好于传统电商。拼多多APP的月活人数已经超过京东，成为除淘宝之外覆盖人数最多的APP。京东也发力于小程序的布局，Top10电商小程序中，京东占据了三个。
•电商微信小程序与APP形成有效互补。强社交属性的电商APP主要通过微信小程序的渠道获取流量，同时微信小程序能够获取更多新用户。相较于APP，微信小程序的用户分布更偏年轻且消费意愿更强。
1、微信电商小程序的发展背景
微信的月活高出电商20%，且电商近一年月活趋于平缓，从微信中进行流量变现成为电商发展的必然趋势。另一方面，电商微信小程序的迅速发展离不开消费者对于微信中的所有形式的广告的信任。在所有互联网广告中，消费者对于微信中的所有广告形式的信任度都高于其余互联网广告类型。
微信小程序的迅速发展也是社交电商发展的因素之一，相较于电商APP，电商微信小程序有很多特有的优势。主要优势如下：
2、微信电商小程序分类
微信电商小程序根据其社交属性程度可以分为强社交小程序与弱社交小程序，强社交电商的发展强烈依赖于微信的社交功能，而弱社交电商则是利用了微信小程序的便利性与辅助性。
3、头部微信电商小程序分析
Top10电商小程序中，拼多多覆盖人数最多，而京东也发力于微信小程序的布局，Top10电商微信小程序中占了3个。电商小程序发展势头强劲，电商APP的发展趋于平缓。Top10微信电商小程序中，大部分为强社交电商。而电商APP中仅有的两个月活增长的APP也是强社交电商，它们基于社交裂变发展的电商仍然在迅速成长的过程中。
强社交属性的电商APP主要通过微信小程序的渠道获取流量，同时微信小程序能够获取更多新用户，与APP形成有效的互补（如下左图，以拼多多为例）。相较于APP，微信小程序的用户分布更偏年轻且消费意愿更强（如下右图，以优衣库为例）。
京东云小店是京东云开发的一款社交电商工具，京东云小店 定位"人人可参与的社群化电商",采用S2B2C模式、依靠注册会员推广来完成销售"。店主不用担心商品质量售后履约客服等问题，京东正品物流。
云小店助手可以帮助推广者构建千人千面、千群千面能力，通过AI+大数据能力帮助您智能精准匹配群用户和商品。
对于中级阶段的电商，稳定客流，提高店铺销量是首要任务；
对于很有规模的电商，更侧重留存与活跃，提升整体运营水平。
不同的阶段，对于数据分析指标的侧重点也不同。
本篇以某电商用户订单记录为例，侧重用户消费整体趋势和用户消费行为，对用户规模和用户黏性中的几个核心数据点进行分析展示：
分析过程思维导图：
数据来源于一家电商网站用户订单记录
观察数据：
1、日期需要转换格式
2、大部分的订单购买商品数量较少，平均值在2个左右，极值99很大，存在干扰
3、用户消费金额稳定，同样也存在极值干扰
时间格式转换：需要按月分析数据，这里直接转为月份，忽略具体日期
1、每月销量和销售额分布情况
销量与销售额走势一致
2、用户数量、订单数量分布情况
订单量和用户数量线性分布图
3、用户数量分布情况
使用数据透视表，查看每月用户数量、销量和销售额
用户平均消费金额不稳定，此消彼长
用户平均消费次数在1-2次之间，1997-1998呈上涨趋势
1、用户消费次数与消费金额
用户消费金额、消费次数分布散点图
根据散点图分布，极值影响严重，根据切比雪夫定理，筛选数据
95%的数据集中在距离平均值5个标准差之内
去掉极值，重新调整后的分布图
图形大致呈现线性回归，说明客单价稳定
用户消费次数直方图:
大部分集中在10次以内，小部分数据造成电商小程序用户行为分析了干扰
用户金额次数直方图
大部分集中在250元以下，绝大部分呈现集中趋势,小部分数据造成电商小程序用户行为分析了干扰
2、用户累计消费额占比
按消费金额排序，使用累计加和函数，计算用户消费额占比
用户人数是23750 50%的人只占电商小程序用户行为分析了15%的消费额 消费总金额前4000名贡献了60%的消费额度
也就是维护好这前4000名客户，可以完成KPI的60%
3、新老客消费比
每月新客趋势图
每月老客趋势图
4、单次用户消费数量
只消费了一次的客户占比51.14%，有一半客户只购买了一次
按月对比：
5、用户分层——rfm模型
使用数据透视表，提取出用户消费额、最后一次消费日期、消费数量数据
将最后一次消费日期转为最后一次消费日距今的天数
(由于数据是很早之前的，为了更好的展示数据，将对比标准改为所有用户最后一次消费的日期）
数据以平均值作为x、y、z轴标准值，编写python函数，将用户M、R、F数据，划分象限，使用0、1作为标准值上下象限之分，给用户分别贴上标签。
8类标签分别是：重要保持客户、重要价值客户、重要发展客户、重要挽留客户、一般保持客户、一般价值客户、一般发展客户、一般挽留客户
统计各标签用户的总销售额、总的消费频率，和人数
一般挽留客户最多，重要保持客户第二，重要保持客户销售金额占比最高
rfm客户分层散点图：
从RFM分层可知，大部分用户为重要保持客户，但这是由于极值影响，拉高了平均值，用户划分不够准确
6、用户分层——新老用户、活跃、回流、流失用户
使用数据透视表，统计每月各用户消费情况，1表示当月购买过，0表示当月没有购买
使用python函数，根据用户每月消费情况，贴上标签
统计每月各类用户的数量
更直观的面积图：
计算回流率加入表中
7、用户生命周期
计算用户第一次购买和最后一次购买的时间差
平均生命周期为135天，最长544天
用户的生命周期受只购买过一次的用户影响比较厉害，可以剔除
剔除只购买一次的用户，可以看出，用户生命周期首位两端人数比较多，中间值相对少
8、用户购买周期
9、复购率
复购率指自然月内，购买多次的用户占比
使用applymap函数对用户购买各月购买次数进行标记
复购率线形图
复购率稳定在20%左右，前一个月因为有大量新用户，只购买了一次，拉低了复购率
10、回购率
回购率指曾经购买过且在某一时期内再次购买的用户占比
使用前面分好的购买标记
0为本月未购买，1为本月购买
编写python函数，对用户回购情况贴上标签
回购率线形图
前置条件：在用户心理分析有一个专业术语：叫“均匀悬浮注意”，意思是需要像一个旁观者一样在观察者被访对象和观察对象发生了什么，“均匀悬浮注意”一样适用于我们的产品。由于分析不能受到个人主观意愿影响，需要形成较为客观、事实的分析，截止今天为止我并没有下过一次单，也不参与各种吐槽环节。
分析目的：通过多维度分析，找出项目中运营、程序、流程上存在的不足点，提出可行性建议。
一.用户行为及分析
先引入一句话--“ 一个产品对于用户的意义存在于电商小程序用户行为分析他对这个产品所产生的反应之中 ”，你也可以理解为--不同的用户对同一个产品会产生不同的反应，产品经理必须通过各种设计手法， 缩短或改良使用者对产品的认知过程 。
我在南山办公，所以对南山的同事能观察到的行为举止包括有语言、表情、肢体语言、情绪等方面的因素，对于在福田的同事，我只能通过电商小程序用户行为分析他/她在群里的吐槽进行表象的分析。以下列举出出现较多的场景：
场景一： A同事抱怨点了餐，在小程序上付了1元，但是却没有拿到他想要的那份餐品，于是另外一个B同事和A解释到可能是在一个测试时间段点的餐，所以数据被忽略了。A同事无法理解，我为什么付了钱却给不了我想要的东西。
分析：
A虽然是我的同事，但首先他也是一个用户，作为一个用户，A同事的抱怨理由依据都非常充分。
B同事也是我的同事，这个时候他扮演的角色是开发，在B看来你在测试时间段点的餐我也有充分的理由不计算到我实际的配送份额内。
这个场景引出1个问题：制造期望控制期望
1.针对"制造期望/控制期望"这个问题还原场景：A用户打开了小程序，小程序页面展示的是主流点餐页面，此时，在A用户的心理已经产生我可以选择餐品的感知，当A用户点击了下单之后，小程序制造了一个"确认订单"的期望，并且这个期望通过小程序的交互被用户所感知及反馈到大脑中，最后A用户支付了这1块钱，完成一个订单的销售闭环，此时此刻，我们给到A用户的期望---明天中午我能吃到通过小程序下单的那顿"雪菜小黄鱼套餐"。
2.A用户的期望是在对产品认知的过程当中一步一步的建立起来的，用户会在认知产品的场景当中，一直做着同一个事情---无限接近他所期望结果的操作。
结论：通过分析可以知道在场景一中我们做到了第一步，通过小程序制造了A用户能吃上饭的期望，但是制造了期望总要去兑现，如何去控制这个期望让它得以实现，需要解决的问题是我们的线上线下运营能力，沟通是否顺畅，如果中间缺失了一环，那么这种情况可能还会出现。
通过这个结论我提出了一个建议： 特别是在当前程序并非完善的情况下， 沟通变得很有必要 ，打破沟通的屏障才能让整个项目运作更顺畅。其实作为旁观者的我来说，场景一中的根本问题是沟通问题，如果A同事提前知道测试时间段内下单的数据无效，就可以完全避免这个问题。同样，我们也不能要求我们的用户去适应我们带出来的问题，如果A同事这种情况发生在正式上线的情况，这个小程序会从此在A用户的小程序列表里消失，所以在项目运营层面来说，应该增强各个部门之间的沟通，只有内部沟通顺畅了，才能更加容易的切入我们中，实现“控制期望”。
场景二： 部分同事抱怨点餐截止时间不合理，这里我先不给出截止时间是否合适的结论，还是那句，客观的分析，成型的产品不应该是产品经理个人执念的产物，而是遵循市场规律设计出的产品才是好的产品，否则产品生命周期会提前结束。
首先来看看某个同事A做的调查，
A同事：“你觉得提前点餐，你能接受吗？”
路人甲：“可以”
好，到这里为止我认为类似这种引导性问卷已经没有必要往下看了，因为这种问卷是基于引导式的场景提问了，除非这个场景是用户自己提出的，否则基于一个引导性场景做出的调研后面得到的反馈和数据是没有意义的。
点餐本身是个随机事件(何时在哪个平台点哪个店铺的哪个餐品)，既然是随机事件，那么调研之初就不能用这种直接切入的访谈/提问/问卷去做调研，如果是假设对方会提前点餐的前提下去做调研或者只能二选一，那么你调研的结论应该是和你的商业论证呈现惊人的一致或大概率一致。
这种随机事件调研最好的办法是观察/数据采集/数据分析，不需要去提问，因为用户的行动是不会说谎的，你只要观察或者用数据得出结论即可，一旦用引导性方式提问，将会影响被受访者的本身意愿/甚至带偏。
在以前还没有做出外卖小程序之前，我得出南山这边点餐的数据(随机抽样，6个同事包括我自己,每个同事抽取12月的随机6个样本，因为当时大家都不知道年后要做外卖小程序，所以抽样规避了引导性的问题)：
点餐时间样本：
1号调研对象：11:03 11:15 11:13 11:10 11:06 11:08
2号调研对象：11:00 10:58 10:55 11:02 11:03 10:58
3号调研对象：11:11 11:15 11:08 11:11 11:12 11:07
4号调研对象：11:22 11:40 09:30 11:08 11:24 11:05
5号调研对象：11:30 11:35 11:10 11:16 11:10 11:10
6号调研对象：11:10 10:55 11:12 11:08 10:55 11:20
从抽样数据来看，用户点餐时间最早时间09:30 ，最晚时间11:40，排除掉拐点3个方差范围外的离散点(09:30)，得出结论，点餐高峰期和前期做外卖小哥接头采访(参考2020-03-05发布的《取餐柜调研分析》案例二第13条，如下图)的结论惊人相似，再把外卖小哥调研的12:30时间往前推40分钟(配送时间)，得出结论，点餐高峰期是11:00-11:40，这个时间段也符合我们以上6个抽样调查结果的结论。
到这里为止，我们可以看到，用户的习惯点餐时间在11:00-11:40，和我们设置的点餐截止时间不吻合。
再看看我们是否可以通过我们的产品设计控制来达到改变用户习惯的效果，下面继续分析。
首先，得知道用户习惯从何地/从何时而来，这里直接给出答案
1.用户习惯，在最初的需求解决方式中形成
2.用户习惯，在新的需求解决方式中展现
3.用户习惯，在新的需求解决方式中改变
然后回头看看，我们的这个项目是否满足以上三条，不着急，一条一条来分析。
在最初的需求中，外卖平台的上线是用来解决用户维度里面的“懒-贪-装”中的 “懒” (参考我《直播/视频行业分析》一文中所提到)
自此之后，外卖平台的上线已经解决了核心问题--- 如何将远距离的餐品直接送到用户手中 ，之后外卖平台核心的需求没有改变，那么就没办法满足以上第2、第3条。再回过头看看，核心的需求已经被美团、饿了么等各大平台占领了，那么用户习惯就已经被这两大巨头培养起来了，如果这时候我们需要通过我们产品设计来培养用户新的用户习惯会 出现两种结果 ：
1.用户被层层的规则限制，呈现出漏斗形过滤，用户在每层漏斗中被筛选转化(可以参考电商的转换模型)， 最终到达支付闭环的用户占比很少 ，这里指的规则包括所有和现在主流平台不一致的业务。
2.假设用户习惯被培养起来了，但是出现的复购概率不高。引用美团的数据，一个用户点同一家店的频率为3次/月，这意味着，大概一个星期会吃一次这个店的餐品。
然后这里举一个场景的例子：用户A平时使用美团/饿了么外卖点餐，习惯点餐时间一直保持在11:00-11:40，然后突然有一天，用户想起来要吃我们《塘食》的外卖，结果点进去发现此时已超过点餐时间，无法点今天的餐(因为我们的点餐截止时间不在当天11:00-11:40之内)，此时用户只有两种选择，第一，点击右上角关闭小程序，第二，出现这种情况的时候，我们的小程序本身针对这种情况是有提示用户可以去浏览每周的其他餐品，于是用户就点了进入“每周餐品”的页面进行浏览，再之后的操作无法确定也无法控制。很显然，以上两种操作都对我们小程序很不利( 用户流失 )，因为我们没法控制用户在这种情况下会产生哪种情绪，会对小程序进行哪些操作，那换然之会进入到支付步骤的用户数更不能明确，如果我们有足够时间做埋点，可以大胆猜测这个数据会很惨淡。
那么回归我们的“外卖小程序”场景当中，我们解决了用户什么需求？ 核心需求还是没有改变 ，远距离餐品送到用户手中，那么我们的餐品是定点进行领取，那么我们的目标用户就限定了在取餐点的短距离范围之内，如果一个餐品需要一个用户走很远的距离去取，那么这个和最初的需求所冲突，所以产品也会自动排除掉了一部分用户
总结了以上分析得出以下结论：
1. 假设用户距离我们取餐点太远，那么没有解决核心需求，远距离的用户直接会被过滤掉 。
2. 没有新的核心需求在市场上出现，培养用户习惯会导致用户被层层筛选
3. 小程序现有规则大概率影响到我们用户的复购率
到此，对于场景二的分析也完毕，得出的结论也比较残酷，虽然这只是我们自己公司的内测阶段，但在产品经理的这个岗位里有一句话“产品如果连自己都不能感动，又怎么能感动市场呢？”换言之，只有当我们自己用都觉得用得很舒服的时候，才有可能获得市场的认同。
针对场景二以上得出的结论，提出个人的一些建议：
1.基于我们的取餐点附近进行重点的推广，比如南山可以推广赛西周边的几栋写字楼，距离远的用户很难驱动。
2.我们的点餐截止时间可以设置在11:00左右，根据数据分析得出结论，用户提早点餐或在11点前点餐概率很低，因为这个本身是个随机事件，在用户眼里，我什么时候点餐-点哪家的餐-点哪个餐品需要三个步骤，我们不能认为用户都会点塘食的基础上做假设。
3.优化一些点餐的流程，从业务流程上优化，比如缩短用户可感知的产品的路径(比如如何能获取到我喜欢的餐品在哪一天会出现)，会复购的用户一般都是我们的忠实用户，所以我们应该更重视这部分用户的使用。
二、餐品本身
核心竞争力是产品 ，在我们这个项目当中，指的就是我们的餐品，下面列举2个关于餐品的实际场景进行分析
场景一： 我一直在观察着是否有部分同事不会点小程序的餐，想验证下这部分同事具有怎样的共性，结果我发现有三个同事是不点的(当然在利招下发通知必须点后，我可以认为这是外部环境因素而对产品数据结果造成影响，不过没关系，我还有前三天的数据可以做分析)。
A同事，看到餐品从楼下被领上去，会好奇凑上去看餐品的卖相，没表达任何不满或者嫌弃的意思，但没有点餐
B同事，被其他同事问及为啥不点的时候，直接来了句“这看上去一点都不辣”
C同事，我还是比较喜欢重口味的，这个我吃不下
结论： 以上就是三位不同的同事，他们具有的共性就是对餐品本身不感兴趣，我们主推的是江浙菜，那么必定会有一部分的用户不是目标群体，这部分用户在小程序浏览的餐品时候已经被过滤掉，自然不会产生订单，那么针对我们的餐品，我们是否需要做调整，如果不做调整我们该如何在运营上如何快速定位我们的目标用户呢？继续往下分析
建议：
如果我们需要做调整？ 那么我们可能只有一种可能，就是通过市场调研，了解我们目标区域内用户的主流菜系，对应做出调整。
如果我们不调整？ 那么我们需要让我们自己的产品被标签化，让用户更容易感知我们主推的菜系，那么会在具有相同属性的用户群体当中进行裂变，而且产品的标签化是产品运营中必不可少的因素，显然在小程序当中，用户并不能通过快速浏览我们的主页获得这层信息，如果我们能在产品当中给用户打下某个烙印，第一，有助于用户快速识别我们到底是做什么菜系的，第二，我们可以把更多精力集中到我们这部分用户的反馈当中，无需花时间、成本、精力去照顾我们的非目标用户。
场景二： 然后我们看看那些点了餐的同事的真实反映，这种反映包括语言、表情、肢体语言，我认为这些是最真实的体现，而在群里发表的意见并不一定是用户本身的真实意愿，所以在南山的同事我只考量这些客官因素
A同事，(猪脚饭)，味道不错，就是分量少了点(还是笑着在评价)
B同事，这个饭分量太少了，吃不饱(带有抱怨的语气)
C同事，这个价格如果有优惠还行，外面的话就不是这个量了
D同事，这条鱼也太小了吧(脸上略有不满）
这些同事都很充分的角色代入了，没有因为是公司餐品而掩饰不满，非常好，我需要这种客观反馈
结论: 对小范围内抽样调研，如果出现反馈具有很多同一属性的问题，那么这个问题如果投放到市场，会被无限放大，直指餐品存在一个问题：量少
建议： 对于多少，每个人评判标准不一，到底是多是少，需要量化，前期如果无法使用一些高额成本的量化工具，可以用某些固定容器作为参考标准进行量化生产，然后收集反馈，继续优化，再收集反馈，达到一个较为理想且大部分用户都能接受的一个量，然后通过这个量倒推成本，再对产品定价进行修改，希望定价方面要经过计算，不要靠感觉，这样以后万一定价出现问题，也容易追查到哪个评估的环节出了问题。 餐品是我们的核心竞争力， 价值需要由用户来评判，我们首先给到的是优质的餐品，再去想别的事情(身边已有较多这种案例，哪怕是网吧楼下卖炒粉的，核心竞争力是这个炒粉是否满足广大用户的口味)
三、场景流程
对于用户来说，大概的场景是这样的：
1.某时刻我在小程序上点了某一天的某一个餐品
2.在某时刻我看到路边有人在做外卖推广，于是我扫码尝试去点个餐
我们只需要针对这两个场景去做分析就好了，复购/朋友圈/搜索的这部分用户符合第一个情况，拉新/递推符合第二种情况，基本上不存在第三种。
对于第一种，自己不做分析，自己分析自己的设计存在主观因素，当局者很迷，只能对提出的问题作出解答，为什么这样设计之类的问题，至于好不好不分析。
针对第二种，市场部在策划跟进，在这当中我也从市场部的得到了比如说易拉宝、产品外观设计这块的一些资料，但是具体如何推广的流程还没有具体获知，下面我举一些例子，通过市面上较为成功的案例倒推我们现在存在的一些问题
案例一：
下面是一个电饭煲(俯视图)
这个画面需要表达的是三个事情，第一，我可以控制温度，第二，我可以控制时间，第三，如果你想提起来，我还有个把手，至于怎么调整温度、时间，怎么拎起把手无需我做过多的说明。
分析： 反问一句，你是如何从画面中感知这些要素的，为什么你在调整温度时，会顺其自然顺时针去扭动，其实这个是用户心理模型当中的感知造成的，这里不深究，简言用一句，就是最简单的设计表达用户可感知的事情，所有多余不是核心的元素只会让用户在认知层面出现感知困难，比如我以前提过最好不要用弹幕形式做背景一样，视觉信息量大，变相没重点，用户潜意识会产生一种这个背景没有一个中心思想去表达，人的心里都是这样的，越复杂的事情越抗拒去看。
结论： 现在处于拉新阶段，无需把太多元素暴露给用户，先让自身产品打上一个“最硬核、最简洁”的标签(包括视觉、solgan、公司logo等)，易于形成品牌记忆，举几个简单的例子，一句话搓中用户的，梅赛德斯--"The best or nothing "，携程--"携程在手，想走就走"，碧桂园--"给你一个五星级的家"，产品需要不断更新迭代，我们只需要一个亮点，让用户铭记于心就好。
四、个人建议
我们每天都会想到很多好玩的东西，每天可能都会发现市场上存在的空缺及机会，在商言商，我们有好的想法，就要想办法落地，落地需要更多的观察市场、分析市场、揣摩市场，站在产品岗--我需要站在一个较为客观的维度去给大家分析项目，时间宝贵，避免少走弯路，前期的调研分析必不可少，只有分析透彻了，才能做出顺应市场的产品。 关于电商小程序用户行为分析和小程序的目标客户群体的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。 电商小程序用户行为分析的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于小程序的目标客户群体、电商小程序用户行为分析的信息别忘了在本站进行查找喔。
本文目录一览：
电商用户行为分析（二）
由于数据没有购买金额相关指标，因此本文只分析R和F两个指标：
R(Recently): 最近一天的购买时间差(以2014-12-18为基准)
F(Frequency): 近期的购买频率
根据R和F的情况，将R/F分为四组：
R值0-5、6-15、16-23,、24-30分别对应4、3、2、1分
F值1-5、6-10、11-20、21以上分别对应1、2、3、4分
（1）、计算R和F的判断值：
（2）给不同价值用户贴上价值标签
用户分层结果分析：
重要深耕用户的比例最高，这部分用户粘性比较大，可以派发大额度优惠券、大促活动或超低价商品来吸引用户，提高消费频率；
重要挽留用户占比较大，这种用户有即将流失的危险，需要主动联系用户，对用户进行调研，调查清楚哪里出了问题，可以通过短信，邮件，APP推送等唤醒客户，尽可能减少流失；
对于重要价值用户，消费频率高且最近消费距离现在时间短，需要倾斜更多资源，给其提供VIP服务或个性化服务；
对于重要唤回用户，这类用户忠诚度比较高，可以根据用户的购买记录推送用户偏好的品牌或品类，提高复购率。
结合AARRR模型对用户生命周期阶段进行划分，因为数据集没有金额，所以这里也只从R、F两个维度进行分析：
（1）指标选择
（2）权重计算
**（3）计算得分排名
（4）周期划分
给每个用户打上标签之后，就可以根据用户所属的不同阶段，并结合具体情况进行精细化运营；
通过对运营指标、用户行为、漏斗模型特征、用户价值的分析，可得出如下结论：
1、总体运营指标方面：
1）从对流量指标和订单产生效率指标分析可知，促销活动对用户各项指标的影响非常大。
建议：要充分利用好节假日的机会，策划相关营销活动，提升用户活跃度，提高销售转化。
2）用户行为转化率很低但跳失率却不高，这说明用户在首页进行多次点击后并未找到中意的商品，有意向-购买转化率50%，说明有过半数的加购物车最终也没有成交。
建议：优化产品详情页、收藏页、购物车页面，可以通过活动、优惠券、倒计时购物车等方式增加客户购买紧近感，促进用户下单的利益“诱导。
2、用户行为特征：
1）时间上的活跃度特征：活动日活跃平日平稳；周末活跃平日平稳；晚间活跃白天一般。
建议：营销活动时间节点选择可根据用户以上活跃规律进行，实现活动效果最大化。
2）商品上的活跃度特征：仅购买一次的用户占47%，购买5次以内占比90%以上，说明留存率很低，结合基于独立访客的转化率来看，运营效果不好。
建议：针对活跃商品和用户提炼其画像，分析其背后的需求逻辑，优化商品结构，建立用户详细信息库，通过合适的渠道，进行精准营销活动推送，提高用户复购率。
3）购买路径上的特征：直接购买占比58%、浏览购占比47%，用户并不会走完每一个步骤，商品品质和首页引导对销量转化非常关键。
建议：优化商品结构，确保商品品质，提升用户满意度；优化首页界面，减少用户购物筛选难度，提升下单概率，提升转化效率。
4）复购率上的特征：总体复购率53%，可针对复购率高的商品和用户，分析其画像，提升复购，增加留存。
3、漏斗模型
通过漏斗模型发现用户从浏览到购买的转化率低。
建议：
1）优化电商平台的搜索匹配度和推荐策略，主动根据用户喜好推荐相关的商品，优化商品搜索的准确度和聚合能力，对搜索结果排序优先级进行优化。
2）商品在详情页突出展示用户感兴趣的信息，优化信息呈现的方式，减少用户的时间成本。
3）从商品本身考虑，根据客户反馈对商品进行改进优化，增加点击后的购买率。
4、用户价值
有购买行为的用户中，大概有53%的用户会重复购买，整体上看用户的忠诚度较高。通过RFM模型对用户进行分层，分析得到用户主要集中在重要深耕用户和重要挽留用户上。
1）、重要价值客户仅为6.7%，高价值用户比例低。
建议：提高重要价值客户比例，可通过提升重要深耕客户的购买频次等方式实现
2）、重要保持客户64.9%，最近有购买，但是购买次数很少的客户比例较高。
建议：建立用户画像进行深耕，进行精细化个性化运营，刺激消费，转化为重要价值用户。
3）、重要挽留/唤回客户仅为28.5%，这部分客户已经很久没有购买了，要防止流失。
建议：分析历史购买记录，分析用户画像，挖掘需求点，尽可能挽回这部分用户。
电商用户行为分析（一）
2014年是阿里巴巴集团移动电商业务快速发展的一年，例如2014双11大促中移动端成交占比达到42.6%，超过240亿元。相比PC时代，移动端网络的访问是随时随地的，具有更丰富的场景数据，比如用户的位置信息、用户访问的时间规律等。
通过数据分析，能够挖掘数据背后丰富的内涵，为移动用户在合适的时间、合适的地点精准推荐合适的内容。
本案例的目标是从该数据进行随机抽样，并用mysql进行分析，提高自己对电商指标体系的认识。
1、字段说明
1、提出问题：
1）分析用户购物过程中的常见监控指标，了解运营现状，查看各环节的漏斗转化情况，并找到需要改进的节点；
2）研究用户在不同维度下的行为规律，了解用户行为特征，优化运营策略；
3）利用RFM模型对用户进行分类，指导运营针对不同价值用户进行精细化运营；
4）了解用户生命周期，针对不同周期的用户采取不同的运营策略。
2、指标和字段解读
通过用户和用户行为路径可以分析PV、UV、PV/UV、跳失率、总订单量等运营指标；
通过用户行为和时间可以分析用户的购物行为特征；
通过用户和商品、商品类别可以分析用户的购买商品偏好；用户和时间可以分析用户的购买时间偏好，便于对不同商品和时间偏好的用户采取个性化时间推荐（push、短信等推送）；
通过商品类别和用户行为可以分析不同商品类别受欢迎程度，指导运营进行商品的上新或下架；
通过商品类别和时间可以分析不同商品类别的热销时间段，便于做活动的推广；
结合AARRR模型，可以分析用户的生命周期，划分不同用户所处的周期阶段，采用差异化运营；
通过时间和用户的生命周期字段，结合RFM模型可以给用户做价值分类，对客户进行差异化管理。
（查看数据清洗流程： https://www.jianshu.com/p/adb82624df14 )
将csv导入mysql的方法：
切换命令行菜单： https://jingyan.baidu.com/article/f00622280752dbfbd3f0c815.html
导入数据： https://blog.csdn-/qq_25504271/article/details/78911151
1）选择子集
导入之前已选择好
2）列名重命名
无需更改列名
3）数据类型转换
可以在设计表菜单栏更好数据类型
4）数据去重
存在重复值，但由于同一用户同一个行为在一小时内是可能存在多次的，因此这里不做去重处理。
5）缺失值处理
经查询，无缺失值
6）关联数据
由于只有一个表格，无需做表关联（如果需要关联，可以到分析过程中有需要时进行关联，这样会提高MySQL的性能。
7）异常值处理
无需处理异常值
8）数据标准化整理
日期数据整理：
为方便后续的分析，将日期数据分为日期和时间两个维度
行为数据整理：
将用户行为数据进行替换： 1：pv 2：fav 3：cart 4：buy
以上就完成了数据的整理工作。
1）流量指标：
计算页面访客数(pv)、独立访客数(uv)、人均点击数(uv/pv)
页面访客：987911次、独立访客数：8474位、人均点击次数116.58次。
95/30≈3.89次，日人均点击次数大概为3.89次/人/天
2）每日流量指标变化趋势
通过Navicat导出数据进行可视化处理：
pv、uv指标呈正相关性；
三个指标在大部分时间走势平稳，由于双十二的影响，从2014-12-11开始上升，到2014-12-12达到峰值，2014-12-13结束回到正常水平。
1）按照页面访客计算漏斗转化率
由于在购物环节中，收藏和加入购物车行为没有严格的先后之分，可将两个个步骤作为同一步，最终得到用户购物行为各环节转化率，如下：
从整体转化率来看： 浏览- 收藏/加购转化率仅为5%，总体购买转化率为1%，说明有大部分的用户在浏览后未进行下一步操作，平时“逛街看看”成为一种习惯；
从节点转化率来看： 浏览-加购/收藏环节转化率很低，收藏/加购-购买的转化率也只有20%，说明有相当一部分用户是喜欢“囤货”，可能是为了等节假日购买？由于整体的节点并不是最细的不可分割节点，整体的数据比较粗糙，如果需要进一步的深入分析，需要有更细的转化率数据（由于操作路径每个环节都会损失一部分，因此如果能近量的较少客户购买时所需要的操作步骤，对提升整体转化率应该会有很好的提高）。
2）独立访客计算漏斗转化率
用户每个环节的转化率差不多，需要更多数据才能发现用户流失原因。
3)、跳失率
浏览页跳失率： = 只访问一次就离开的人数/总用户数
只加收藏、购物车人数
1）总成交量和人均购买次数：
2）每日总成交和人均成交情况:
1)总体复购率
复购率=复购人数/购买人数=2295/4330=53%
2)商品品类销量排名(商品复购率)
如果有更多数据，可根据商品品类属性进行研究和下钻，优化商品结果，但这里因为数据脱敏无法进行下钻分析
3)用户复购排名
以上用户对平台的忠诚度比较高，对平台的销售贡献度也高（利润贡献情况还需要具体分析），对不同的客户可以收集相应的用户画像，并对用户进行分层管理和营销，从而达到精细化运营
1）、按日期维度
用户活跃度与总体点击数是正相关的，走势平稳，不过在双十二电商大促这天各项指标暴增，且当天点击数占比有所下降(用户的点击更有针对性，前期已经选好商品，就等双十二当天直接购买的客户数量比较多？), 成交数占比大幅上升。
2）、周维度
一周中的大部分时间用户活跃度都比较平稳，周五比较特殊，出现了增长（ 查看数据发现双十二正好是周五，属于特殊活动日，如果进行详细分析时应该将双十二的日期排除分析有更有意义）。
3）、小时维度
晚间用户较为活跃，但用户行为倾向于浏览；白天尤其是中午左右的时段，购买行为的比率相对一天中最高，此时购买的目的性最强（浏览数占比与购买数占比进行关联分析得出结论）。
按照商品品类区分（ 矩阵分析 ），根据点击次数和购买次数两个维度将所有商品划分到四个象限：
点击数高，购买数高。说明此类产品刚需比较强，品牌多且种类丰富，用户在较高的需求下有很多的选择；
点击数低购买数高。用户的购买决策十分果断，且对于该类产品的需求量也是很大的，说明该类产品选择性比较小，可能形成几个品牌垄断的情况，或者产品的差异性较小，用户不愿花费过多的精力去挑选。
点击数低购买数低，绝大多数产品都集中在这个象限，这种产品存在很多的替代品，用户很难集中在某个子类进行大量购买，而是跳跃式选购。
点击数高购买数低，这类产品的需求弹性较大，用户购买存在随机性。
用户购买商品分为以下几类过程：
直接购买
浏览后购买
加购物车购买
浏览加购物车购买
收藏购买
浏览收藏购买
结果显示，直接够买的用户远远多于浏览后加购或者收藏再购买的用户，说明大部分购买者都是喜欢直接购买商品的，这个跟周围朋友的习惯也是符合的，基本上都是在浏览的阶段都不会马上购买，而是等到过段时间想买的时候就直接下单，几个步骤之间相当于是分开的。
用户的购买次数大部分集中在5次以内，购买频率都还挺高的
电商平台用户消费行为分析
本项目数据来源于某电商平台消费记录，4个字段，共69659条记录.分析内容分为4个部分，
数据集没有空值
订单时间数据类型需要转换
由上可知：
1.用户每个订单平均消费2.4个产品，大部分订单集中在小额
2.用户平均消费金额35.89，中位数在25.98，有一定电商小程序用户行为分析的极值干扰。
由图可知，月消费金额在1-3月呈上升趋势，3月达到顶峰，后期销量趋于平稳，每月在一万左右波动。
由上图可知，产品购买量在前三个月达到最高峰，后续消费较为稳定，有轻微下降趋势
-2.3每月消费人次和消费次数对比
每月消费人数低于每月消费次数，但差异不大
前三个月每月的消费人数在8000-10000之间，后续月份，平均消费人数在2000不到
分析：
平均每位用户购买电商小程序用户行为分析了7件商品，购买最多的有1033件；
用户平均消费金额为106元，与75分位接近，说明有少数人购买电商小程序用户行为分析了大量的货物。
由散点图可知，用户购买量与购买金额呈正相关关系。
分析：
从直方图可知，大部分用户的消费能力确实不高，绝大部分集中在小于200元的消费档次。高消费用户在图上几乎看不到。
分析：绝大多数人购买件数小于5件
分析：
按用户消费金额进行升序排序，由图可知50%的用户仅贡献了15%的销售额。而排名前5000的用户就贡献了60%的消费额
也就是说，只要维护好这5000个客户，就可以完成业绩KPI的60%。
用户第一次购买集中在前3个月中
用户最后一次购买集中在前3个月中，说明很多用户购买过一次就不再购买，随着时间增加，最后一次购买用户数递增，说明用户流失呈上升状态，用户忠诚度下降。
-## 4.3新老客户消费比（多少用户只购买了一次，每月新客占比）
分析可见：约有一半的人只购买了一次
分析：第1个月新客占比最高，并在接下来的三个内急剧下降，之后趋于稳定，在0.81左右波动。
分析：
1.从RFM分层可知，大部分用户为一般挽留客户，但是这是由于极值的影响，所以RFM的划分应该尽量以业务为准。
尽量用小部分的用户覆盖大部分的额度，不能为了数据好看划分等级。
每月不同活跃数的计数
求环比值
分析：购买周期呈指数分布，平均购买周期68天，购买周期集中在100天以下。
分析：
1.用户的生命周期受只购买一次的用户影响比较厉害（可以排除）
2.用户平均生命周期134天，中位数仅0天
忽略只购买一次的用户
分析：
复购率稳定在20%左右，前一个月因为有大量新用户涌入，而这批用户只购买了一次，所以导致复购率降低
分析：
1.从上图看出，用户的回购率高于复购率，约在30%左右
2.从回购率和复购率综合分析，新客的整体质量低于老客
完毕
社交电商之电商微信小程序分析
社交电商是指基于社交媒体发展的以社交方式促成交易的电商形式。随着互联网人口红利逐渐消失，将微信的流量变现成为电商发展的另一条出路。社交电商通过消费者在微信上进行转发、分享、购买这一系列的社交裂变不断发展壮大。近两年，各大电商纷纷开发了微信小程序，这更加便利了消费者在微信端的分享与购物。本期的媒介直通车，媒介分析团队将对电商微信小程序的发展进行分析。主要发现
微信电商小程序的发展背景：
•电商从微信中进行流量变现势在必行，消费者对于微信广告的信任提高了社交电商的价值。微信的月活高出电商20%，且电商近一年月活趋于平缓。另一方面，所有互联网广告中，消费者对于微信中的所有广告形式的信任度都高于其余互联网广告类型。微信电商小程序分类：
•微信电商小程序根据其社交属性程度可以分为强社交小程序与弱社交小程序，强社交电商的发展强烈依赖于微信的社交功能，而弱社交电商则是利用了微信小程序的便利性与辅助性。
头部社交电商媒体分析：
•强社交电商无论是微信小程序还是APP，近半年发展表现均好于传统电商。拼多多APP的月活人数已经超过京东，成为除淘宝之外覆盖人数最多的APP。京东也发力于小程序的布局，Top10电商小程序中，京东占据了三个。
•电商微信小程序与APP形成有效互补。强社交属性的电商APP主要通过微信小程序的渠道获取流量，同时微信小程序能够获取更多新用户。相较于APP，微信小程序的用户分布更偏年轻且消费意愿更强。
1、微信电商小程序的发展背景
微信的月活高出电商20%，且电商近一年月活趋于平缓，从微信中进行流量变现成为电商发展的必然趋势。另一方面，电商微信小程序的迅速发展离不开消费者对于微信中的所有形式的广告的信任。在所有互联网广告中，消费者对于微信中的所有广告形式的信任度都高于其余互联网广告类型。
微信小程序的迅速发展也是社交电商发展的因素之一，相较于电商APP，电商微信小程序有很多特有的优势。主要优势如下：
2、微信电商小程序分类
微信电商小程序根据其社交属性程度可以分为强社交小程序与弱社交小程序，强社交电商的发展强烈依赖于微信的社交功能，而弱社交电商则是利用了微信小程序的便利性与辅助性。
3、头部微信电商小程序分析
Top10电商小程序中，拼多多覆盖人数最多，而京东也发力于微信小程序的布局，Top10电商微信小程序中占了3个。电商小程序发展势头强劲，电商APP的发展趋于平缓。Top10微信电商小程序中，大部分为强社交电商。而电商APP中仅有的两个月活增长的APP也是强社交电商，它们基于社交裂变发展的电商仍然在迅速成长的过程中。
强社交属性的电商APP主要通过微信小程序的渠道获取流量，同时微信小程序能够获取更多新用户，与APP形成有效的互补（如下左图，以拼多多为例）。相较于APP，微信小程序的用户分布更偏年轻且消费意愿更强（如下右图，以优衣库为例）。
京东云小店是京东云开发的一款社交电商工具，京东云小店 定位"人人可参与的社群化电商",采用S2B2C模式、依靠注册会员推广来完成销售"。店主不用担心商品质量售后履约客服等问题，京东正品物流。
云小店助手可以帮助推广者构建千人千面、千群千面能力，通过AI+大数据能力帮助您智能精准匹配群用户和商品。
电商用户消费行为数据分析
对于初级阶段的新电商来说电商小程序用户行为分析，积累数据，找准运营方向，关注流量，开源是重点电商小程序用户行为分析；对于中级阶段的电商，稳定客流，提高店铺销量是首要任务；
对于很有规模的电商，更侧重留存与活跃，提升整体运营水平。
不同的阶段，对于数据分析指标的侧重点也不同。
本篇以某电商用户订单记录为例，侧重用户消费整体趋势和用户消费行为，对用户规模和用户黏性中的几个核心数据点进行分析展示：
分析过程思维导图：
数据来源于一家电商网站用户订单记录
观察数据：
1、日期需要转换格式
2、大部分的订单购买商品数量较少，平均值在2个左右，极值99很大，存在干扰
3、用户消费金额稳定，同样也存在极值干扰
时间格式转换：需要按月分析数据，这里直接转为月份，忽略具体日期
1、每月销量和销售额分布情况
销量与销售额走势一致
2、用户数量、订单数量分布情况
订单量和用户数量线性分布图
3、用户数量分布情况
使用数据透视表，查看每月用户数量、销量和销售额
用户平均消费金额不稳定，此消彼长
用户平均消费次数在1-2次之间，1997-1998呈上涨趋势
1、用户消费次数与消费金额
用户消费金额、消费次数分布散点图
根据散点图分布，极值影响严重，根据切比雪夫定理，筛选数据
95%的数据集中在距离平均值5个标准差之内
去掉极值，重新调整后的分布图
图形大致呈现线性回归，说明客单价稳定
用户消费次数直方图:
大部分集中在10次以内，小部分数据造成电商小程序用户行为分析了干扰
用户金额次数直方图
大部分集中在250元以下，绝大部分呈现集中趋势,小部分数据造成电商小程序用户行为分析了干扰
2、用户累计消费额占比
按消费金额排序，使用累计加和函数，计算用户消费额占比
用户人数是23750 50%的人只占电商小程序用户行为分析了15%的消费额 消费总金额前4000名贡献了60%的消费额度
也就是维护好这前4000名客户，可以完成KPI的60%
3、新老客消费比
每月新客趋势图
每月老客趋势图
4、单次用户消费数量
只消费了一次的客户占比51.14%，有一半客户只购买了一次
按月对比：
5、用户分层——rfm模型
使用数据透视表，提取出用户消费额、最后一次消费日期、消费数量数据
将最后一次消费日期转为最后一次消费日距今的天数
(由于数据是很早之前的，为了更好的展示数据，将对比标准改为所有用户最后一次消费的日期）
数据以平均值作为x、y、z轴标准值，编写python函数，将用户M、R、F数据，划分象限，使用0、1作为标准值上下象限之分，给用户分别贴上标签。
8类标签分别是：重要保持客户、重要价值客户、重要发展客户、重要挽留客户、一般保持客户、一般价值客户、一般发展客户、一般挽留客户
统计各标签用户的总销售额、总的消费频率，和人数
一般挽留客户最多，重要保持客户第二，重要保持客户销售金额占比最高
rfm客户分层散点图：
从RFM分层可知，大部分用户为重要保持客户，但这是由于极值影响，拉高了平均值，用户划分不够准确
6、用户分层——新老用户、活跃、回流、流失用户
使用数据透视表，统计每月各用户消费情况，1表示当月购买过，0表示当月没有购买
使用python函数，根据用户每月消费情况，贴上标签
统计每月各类用户的数量
更直观的面积图：
计算回流率加入表中
7、用户生命周期
计算用户第一次购买和最后一次购买的时间差
平均生命周期为135天，最长544天
用户的生命周期受只购买过一次的用户影响比较厉害，可以剔除
剔除只购买一次的用户，可以看出，用户生命周期首位两端人数比较多，中间值相对少
8、用户购买周期
9、复购率
复购率指自然月内，购买多次的用户占比
使用applymap函数对用户购买各月购买次数进行标记
复购率线形图
复购率稳定在20%左右，前一个月因为有大量新用户，只购买了一次，拉低了复购率
10、回购率
回购率指曾经购买过且在某一时期内再次购买的用户占比
使用前面分好的购买标记
0为本月未购买，1为本月购买
编写python函数，对用户回购情况贴上标签
回购率线形图
"外卖小程序"分析报告
这几天一直在暗中观察同事们对这次"外卖小程序"项目的一些反馈，下面我会站在一个产品经理的角色对以下四个部分进行：用户行为分析、餐品本身、场景流程、个人建议前置条件：在用户心理分析有一个专业术语：叫“均匀悬浮注意”，意思是需要像一个旁观者一样在观察者被访对象和观察对象发生了什么，“均匀悬浮注意”一样适用于我们的产品。由于分析不能受到个人主观意愿影响，需要形成较为客观、事实的分析，截止今天为止我并没有下过一次单，也不参与各种吐槽环节。
分析目的：通过多维度分析，找出项目中运营、程序、流程上存在的不足点，提出可行性建议。
一.用户行为及分析
先引入一句话--“ 一个产品对于用户的意义存在于电商小程序用户行为分析他对这个产品所产生的反应之中 ”，你也可以理解为--不同的用户对同一个产品会产生不同的反应，产品经理必须通过各种设计手法， 缩短或改良使用者对产品的认知过程 。
我在南山办公，所以对南山的同事能观察到的行为举止包括有语言、表情、肢体语言、情绪等方面的因素，对于在福田的同事，我只能通过电商小程序用户行为分析他/她在群里的吐槽进行表象的分析。以下列举出出现较多的场景：
场景一： A同事抱怨点了餐，在小程序上付了1元，但是却没有拿到他想要的那份餐品，于是另外一个B同事和A解释到可能是在一个测试时间段点的餐，所以数据被忽略了。A同事无法理解，我为什么付了钱却给不了我想要的东西。
分析：
A虽然是我的同事，但首先他也是一个用户，作为一个用户，A同事的抱怨理由依据都非常充分。
B同事也是我的同事，这个时候他扮演的角色是开发，在B看来你在测试时间段点的餐我也有充分的理由不计算到我实际的配送份额内。
这个场景引出1个问题：制造期望控制期望
1.针对"制造期望/控制期望"这个问题还原场景：A用户打开了小程序，小程序页面展示的是主流点餐页面，此时，在A用户的心理已经产生我可以选择餐品的感知，当A用户点击了下单之后，小程序制造了一个"确认订单"的期望，并且这个期望通过小程序的交互被用户所感知及反馈到大脑中，最后A用户支付了这1块钱，完成一个订单的销售闭环，此时此刻，我们给到A用户的期望---明天中午我能吃到通过小程序下单的那顿"雪菜小黄鱼套餐"。
2.A用户的期望是在对产品认知的过程当中一步一步的建立起来的，用户会在认知产品的场景当中，一直做着同一个事情---无限接近他所期望结果的操作。
结论：通过分析可以知道在场景一中我们做到了第一步，通过小程序制造了A用户能吃上饭的期望，但是制造了期望总要去兑现，如何去控制这个期望让它得以实现，需要解决的问题是我们的线上线下运营能力，沟通是否顺畅，如果中间缺失了一环，那么这种情况可能还会出现。
通过这个结论我提出了一个建议： 特别是在当前程序并非完善的情况下， 沟通变得很有必要 ，打破沟通的屏障才能让整个项目运作更顺畅。其实作为旁观者的我来说，场景一中的根本问题是沟通问题，如果A同事提前知道测试时间段内下单的数据无效，就可以完全避免这个问题。同样，我们也不能要求我们的用户去适应我们带出来的问题，如果A同事这种情况发生在正式上线的情况，这个小程序会从此在A用户的小程序列表里消失，所以在项目运营层面来说，应该增强各个部门之间的沟通，只有内部沟通顺畅了，才能更加容易的切入我们中，实现“控制期望”。
场景二： 部分同事抱怨点餐截止时间不合理，这里我先不给出截止时间是否合适的结论，还是那句，客观的分析，成型的产品不应该是产品经理个人执念的产物，而是遵循市场规律设计出的产品才是好的产品，否则产品生命周期会提前结束。
首先来看看某个同事A做的调查，
A同事：“你觉得提前点餐，你能接受吗？”
路人甲：“可以”
好，到这里为止我认为类似这种引导性问卷已经没有必要往下看了，因为这种问卷是基于引导式的场景提问了，除非这个场景是用户自己提出的，否则基于一个引导性场景做出的调研后面得到的反馈和数据是没有意义的。
点餐本身是个随机事件(何时在哪个平台点哪个店铺的哪个餐品)，既然是随机事件，那么调研之初就不能用这种直接切入的访谈/提问/问卷去做调研，如果是假设对方会提前点餐的前提下去做调研或者只能二选一，那么你调研的结论应该是和你的商业论证呈现惊人的一致或大概率一致。
这种随机事件调研最好的办法是观察/数据采集/数据分析，不需要去提问，因为用户的行动是不会说谎的，你只要观察或者用数据得出结论即可，一旦用引导性方式提问，将会影响被受访者的本身意愿/甚至带偏。
在以前还没有做出外卖小程序之前，我得出南山这边点餐的数据(随机抽样，6个同事包括我自己,每个同事抽取12月的随机6个样本，因为当时大家都不知道年后要做外卖小程序，所以抽样规避了引导性的问题)：
点餐时间样本：
1号调研对象：11:03 11:15 11:13 11:10 11:06 11:08
2号调研对象：11:00 10:58 10:55 11:02 11:03 10:58
3号调研对象：11:11 11:15 11:08 11:11 11:12 11:07
4号调研对象：11:22 11:40 09:30 11:08 11:24 11:05
5号调研对象：11:30 11:35 11:10 11:16 11:10 11:10
6号调研对象：11:10 10:55 11:12 11:08 10:55 11:20
从抽样数据来看，用户点餐时间最早时间09:30 ，最晚时间11:40，排除掉拐点3个方差范围外的离散点(09:30)，得出结论，点餐高峰期和前期做外卖小哥接头采访(参考2020-03-05发布的《取餐柜调研分析》案例二第13条，如下图)的结论惊人相似，再把外卖小哥调研的12:30时间往前推40分钟(配送时间)，得出结论，点餐高峰期是11:00-11:40，这个时间段也符合我们以上6个抽样调查结果的结论。
到这里为止，我们可以看到，用户的习惯点餐时间在11:00-11:40，和我们设置的点餐截止时间不吻合。
再看看我们是否可以通过我们的产品设计控制来达到改变用户习惯的效果，下面继续分析。
首先，得知道用户习惯从何地/从何时而来，这里直接给出答案
1.用户习惯，在最初的需求解决方式中形成
2.用户习惯，在新的需求解决方式中展现
3.用户习惯，在新的需求解决方式中改变
然后回头看看，我们的这个项目是否满足以上三条，不着急，一条一条来分析。
在最初的需求中，外卖平台的上线是用来解决用户维度里面的“懒-贪-装”中的 “懒” (参考我《直播/视频行业分析》一文中所提到)
自此之后，外卖平台的上线已经解决了核心问题--- 如何将远距离的餐品直接送到用户手中 ，之后外卖平台核心的需求没有改变，那么就没办法满足以上第2、第3条。再回过头看看，核心的需求已经被美团、饿了么等各大平台占领了，那么用户习惯就已经被这两大巨头培养起来了，如果这时候我们需要通过我们产品设计来培养用户新的用户习惯会 出现两种结果 ：
1.用户被层层的规则限制，呈现出漏斗形过滤，用户在每层漏斗中被筛选转化(可以参考电商的转换模型)， 最终到达支付闭环的用户占比很少 ，这里指的规则包括所有和现在主流平台不一致的业务。
2.假设用户习惯被培养起来了，但是出现的复购概率不高。引用美团的数据，一个用户点同一家店的频率为3次/月，这意味着，大概一个星期会吃一次这个店的餐品。
然后这里举一个场景的例子：用户A平时使用美团/饿了么外卖点餐，习惯点餐时间一直保持在11:00-11:40，然后突然有一天，用户想起来要吃我们《塘食》的外卖，结果点进去发现此时已超过点餐时间，无法点今天的餐(因为我们的点餐截止时间不在当天11:00-11:40之内)，此时用户只有两种选择，第一，点击右上角关闭小程序，第二，出现这种情况的时候，我们的小程序本身针对这种情况是有提示用户可以去浏览每周的其他餐品，于是用户就点了进入“每周餐品”的页面进行浏览，再之后的操作无法确定也无法控制。很显然，以上两种操作都对我们小程序很不利( 用户流失 )，因为我们没法控制用户在这种情况下会产生哪种情绪，会对小程序进行哪些操作，那换然之会进入到支付步骤的用户数更不能明确，如果我们有足够时间做埋点，可以大胆猜测这个数据会很惨淡。
那么回归我们的“外卖小程序”场景当中，我们解决了用户什么需求？ 核心需求还是没有改变 ，远距离餐品送到用户手中，那么我们的餐品是定点进行领取，那么我们的目标用户就限定了在取餐点的短距离范围之内，如果一个餐品需要一个用户走很远的距离去取，那么这个和最初的需求所冲突，所以产品也会自动排除掉了一部分用户
总结了以上分析得出以下结论：
1. 假设用户距离我们取餐点太远，那么没有解决核心需求，远距离的用户直接会被过滤掉 。
2. 没有新的核心需求在市场上出现，培养用户习惯会导致用户被层层筛选
3. 小程序现有规则大概率影响到我们用户的复购率
到此，对于场景二的分析也完毕，得出的结论也比较残酷，虽然这只是我们自己公司的内测阶段，但在产品经理的这个岗位里有一句话“产品如果连自己都不能感动，又怎么能感动市场呢？”换言之，只有当我们自己用都觉得用得很舒服的时候，才有可能获得市场的认同。
针对场景二以上得出的结论，提出个人的一些建议：
1.基于我们的取餐点附近进行重点的推广，比如南山可以推广赛西周边的几栋写字楼，距离远的用户很难驱动。
2.我们的点餐截止时间可以设置在11:00左右，根据数据分析得出结论，用户提早点餐或在11点前点餐概率很低，因为这个本身是个随机事件，在用户眼里，我什么时候点餐-点哪家的餐-点哪个餐品需要三个步骤，我们不能认为用户都会点塘食的基础上做假设。
3.优化一些点餐的流程，从业务流程上优化，比如缩短用户可感知的产品的路径(比如如何能获取到我喜欢的餐品在哪一天会出现)，会复购的用户一般都是我们的忠实用户，所以我们应该更重视这部分用户的使用。
二、餐品本身
核心竞争力是产品 ，在我们这个项目当中，指的就是我们的餐品，下面列举2个关于餐品的实际场景进行分析
场景一： 我一直在观察着是否有部分同事不会点小程序的餐，想验证下这部分同事具有怎样的共性，结果我发现有三个同事是不点的(当然在利招下发通知必须点后，我可以认为这是外部环境因素而对产品数据结果造成影响，不过没关系，我还有前三天的数据可以做分析)。
A同事，看到餐品从楼下被领上去，会好奇凑上去看餐品的卖相，没表达任何不满或者嫌弃的意思，但没有点餐
B同事，被其他同事问及为啥不点的时候，直接来了句“这看上去一点都不辣”
C同事，我还是比较喜欢重口味的，这个我吃不下
结论： 以上就是三位不同的同事，他们具有的共性就是对餐品本身不感兴趣，我们主推的是江浙菜，那么必定会有一部分的用户不是目标群体，这部分用户在小程序浏览的餐品时候已经被过滤掉，自然不会产生订单，那么针对我们的餐品，我们是否需要做调整，如果不做调整我们该如何在运营上如何快速定位我们的目标用户呢？继续往下分析
建议：
如果我们需要做调整？ 那么我们可能只有一种可能，就是通过市场调研，了解我们目标区域内用户的主流菜系，对应做出调整。
如果我们不调整？ 那么我们需要让我们自己的产品被标签化，让用户更容易感知我们主推的菜系，那么会在具有相同属性的用户群体当中进行裂变，而且产品的标签化是产品运营中必不可少的因素，显然在小程序当中，用户并不能通过快速浏览我们的主页获得这层信息，如果我们能在产品当中给用户打下某个烙印，第一，有助于用户快速识别我们到底是做什么菜系的，第二，我们可以把更多精力集中到我们这部分用户的反馈当中，无需花时间、成本、精力去照顾我们的非目标用户。
场景二： 然后我们看看那些点了餐的同事的真实反映，这种反映包括语言、表情、肢体语言，我认为这些是最真实的体现，而在群里发表的意见并不一定是用户本身的真实意愿，所以在南山的同事我只考量这些客官因素
A同事，(猪脚饭)，味道不错，就是分量少了点(还是笑着在评价)
B同事，这个饭分量太少了，吃不饱(带有抱怨的语气)
C同事，这个价格如果有优惠还行，外面的话就不是这个量了
D同事，这条鱼也太小了吧(脸上略有不满）
这些同事都很充分的角色代入了，没有因为是公司餐品而掩饰不满，非常好，我需要这种客观反馈
结论: 对小范围内抽样调研，如果出现反馈具有很多同一属性的问题，那么这个问题如果投放到市场，会被无限放大，直指餐品存在一个问题：量少
建议： 对于多少，每个人评判标准不一，到底是多是少，需要量化，前期如果无法使用一些高额成本的量化工具，可以用某些固定容器作为参考标准进行量化生产，然后收集反馈，继续优化，再收集反馈，达到一个较为理想且大部分用户都能接受的一个量，然后通过这个量倒推成本，再对产品定价进行修改，希望定价方面要经过计算，不要靠感觉，这样以后万一定价出现问题，也容易追查到哪个评估的环节出了问题。 餐品是我们的核心竞争力， 价值需要由用户来评判，我们首先给到的是优质的餐品，再去想别的事情(身边已有较多这种案例，哪怕是网吧楼下卖炒粉的，核心竞争力是这个炒粉是否满足广大用户的口味)
三、场景流程
对于用户来说，大概的场景是这样的：
1.某时刻我在小程序上点了某一天的某一个餐品
2.在某时刻我看到路边有人在做外卖推广，于是我扫码尝试去点个餐
我们只需要针对这两个场景去做分析就好了，复购/朋友圈/搜索的这部分用户符合第一个情况，拉新/递推符合第二种情况，基本上不存在第三种。
对于第一种，自己不做分析，自己分析自己的设计存在主观因素，当局者很迷，只能对提出的问题作出解答，为什么这样设计之类的问题，至于好不好不分析。
针对第二种，市场部在策划跟进，在这当中我也从市场部的得到了比如说易拉宝、产品外观设计这块的一些资料，但是具体如何推广的流程还没有具体获知，下面我举一些例子，通过市面上较为成功的案例倒推我们现在存在的一些问题
案例一：
下面是一个电饭煲(俯视图)
这个画面需要表达的是三个事情，第一，我可以控制温度，第二，我可以控制时间，第三，如果你想提起来，我还有个把手，至于怎么调整温度、时间，怎么拎起把手无需我做过多的说明。
分析： 反问一句，你是如何从画面中感知这些要素的，为什么你在调整温度时，会顺其自然顺时针去扭动，其实这个是用户心理模型当中的感知造成的，这里不深究，简言用一句，就是最简单的设计表达用户可感知的事情，所有多余不是核心的元素只会让用户在认知层面出现感知困难，比如我以前提过最好不要用弹幕形式做背景一样，视觉信息量大，变相没重点，用户潜意识会产生一种这个背景没有一个中心思想去表达，人的心里都是这样的，越复杂的事情越抗拒去看。
结论： 现在处于拉新阶段，无需把太多元素暴露给用户，先让自身产品打上一个“最硬核、最简洁”的标签(包括视觉、solgan、公司logo等)，易于形成品牌记忆，举几个简单的例子，一句话搓中用户的，梅赛德斯--"The best or nothing "，携程--"携程在手，想走就走"，碧桂园--"给你一个五星级的家"，产品需要不断更新迭代，我们只需要一个亮点，让用户铭记于心就好。
四、个人建议
我们每天都会想到很多好玩的东西，每天可能都会发现市场上存在的空缺及机会，在商言商，我们有好的想法，就要想办法落地，落地需要更多的观察市场、分析市场、揣摩市场，站在产品岗--我需要站在一个较为客观的维度去给大家分析项目，时间宝贵，避免少走弯路，前期的调研分析必不可少，只有分析透彻了，才能做出顺应市场的产品。 关于电商小程序用户行为分析和小程序的目标客户群体的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。 电商小程序用户行为分析的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于小程序的目标客户群体、电商小程序用户行为分析的信息别忘了在本站进行查找喔。
版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。
相关文章
发表评论
最近发表
推荐文章
热评文章
暂时没有评论，来抢沙发吧~