网站用户忠诚度分析

user-loyalty-analysis  忠诚用户不仅能为网站创造持续的价值,同时也是网站品牌口碑推广的重要渠道,所以目前网站对忠诚用户愈加重视。可能很多网站或者网站分析工具对用户做了“新用户”和“回访用户”的划分,但是单单区分新老用户是不够了,我们需要更加完善的指标来衡量网站用户的忠诚度。

  用户忠诚度(Loyalty),指的是用户出于对企业或品牌的偏好而经常性重复购买的程度。对于网站来说,用户忠诚度则是用户出于对网站的功能或偏好而经常访问该网站的行为。根据客户忠诚理论,忠诚度可以由以下4个指标来度量:

  • 重复购买意向(Repurchase Intention:购买以前购买过的类型产品的意愿;
  • 交叉购买意向(Cross-buying Intention:购买以前为购买的产品类型或扩展服务的意愿;
  • 客户推荐意向(Customer Reference Intention:向其他潜在客户推荐,传递品牌口碑的意愿;
  • 价格忍耐力(Price Tolerance:客户愿意支付的最高价格。

量化网站的用户忠诚度

  以上的4个指标对于电子商务网站而言,可能还有适用性,但对于大多数网站是不合适的,所以为了让分析具有普遍的适用性,同时为了满足所有的指标都可以量化(上面的客户推荐意向比较难以量化),以便进行定量分析的要求,这里可以选取Google Analytics中对用户忠诚度的4个度量指标:Repeated Times、Recency、Length of Visit、Depth of Visit,即用户访问频率、最近访问时间、平均停留时间、平均访问页面数,这些指标可以直接从网站的点击流数据中计算得到,对所有的网站都适用,下面看一下这些指标的定义及如何计算得到(一些网站度量的相关定义请参考——网站分析的基本度量):

  • 访问频率:用户在一段时间内访问网站的次数,即每个用户Visits的个数;
  • 最近访问时间:用户最近访问网站的时间,因为这个指标是个时间点的概念,所以为了便于度量,一般取用户最近访问时间距当前的天数。
  • 平均停留时间:用户一段时间内每次访问的平均停留时间,即每个用户Time on Site的和/Visits的个数;
  • 平均访问页面数:用户一段时间内每次访问的平均浏览页面数,即每个用户Page Views的和/ Visits的个数。

  统计数据的时间区间也是根据网站的特征来定的,如果网站的信息更新较快,用户访问较为频繁,那么可以适当选取较短的时间段,这样数据变化上的灵敏度会高些;反之,则选择稍长的时间段,这样用户的数据更为丰富,指标的分析结果也会更加准确有效。

用户忠诚度的展示和比较

  上面的4个指标均可以被量化统计得到,单一的指标也是没有意义的,我们需要通过比较来找出哪些是忠诚用户,哪些是流失用户,可以先对指标进行一些处理,以便使它们之间更具可比性,可以参考之前的文章——数据的标准化),这里我采用的是min-max标准化的方法,首先将所有指标的数值全部转换到[0,1]区间,再进行倍数放大,比如使用10分制进行评分,则可以乘10,数据就全部分布在[0,10]区间内了,如下图:

    访问频率 最近访问时间 平均停留时间 平均访问页面
用户1 数据 2次 15天前 150秒 3页
标准化 0.10 0.50 0.30 0.38
评分 1 5 3 3.8
用户2 数据 8次 2天前 120秒 5页
标准化 0.40 0.93 0.24 0.63
评分 4 9.3 2.4 6.3

——表中的数据只是简单的举例,实际情况需要根据每个指标的最大最小值进行计算

  根据上表的数据,我们已经将所有指标统一到了同一个评分区间,那么就可以使用雷达图对用户的忠诚度进行展示。用雷达图展示有以下几个优点:

  • 可以完整地显示所有评价指标;
  • 显示用户在各指标评分中的偏向性;
  • 可以简单分析用户忠诚度的综合评分,即图形围成的面积(假设四个指标的权重相等,若重要程度存在明显差异,则不能用的面积来衡量);
  • 可以用于用户间忠诚度的比较。

  下面是根据上表绘制的雷达图示例:

user-loyalty-RadarChart

用户忠诚度分析的意义

  那么基于这个展示的结果我们能做些什么呢?其实对于任何网站而言,有两个方向是一致的:保留忠诚用户减少流失用户。基于上面的用户忠诚度评价体系扩展开来就是:

  1. 分析忠诚用户的行为特征,努力满足他们的需求,提高他们的满意度;
  2. 从最近访问时间的指标数据机用户忠诚度变化趋势中发现一些可能正在流失的用户,分析他们流失的可能原因,并试图挽留流失用户;
  3. 比较忠诚用户和流失用户在指标数值上的差异,寻找哪些指标的差距导致了用户忠诚度的降低,优化网站在这些方面的表现。

  所以,我这里使用的是基于用户访问频率、最近访问时间、平均停留时间、平均访问页面数这4个指标来评价网站用户的忠诚度,并用雷达图进行展示和比较,也许你可以根据自己网站的特征找到更加适合的指标和展示方式,而最终需要做的是能够更加精确地找到网站的忠实用户,并努力留住他们。

网站用户忠诚度分析》上有 53 条评论

  1. joegh 文章作者

    @天岸: 多谢你推荐的文章。engagement的指标可能根据网站的不同而存在差异,我这里只是想找到一种能适合所有网站的用户分析方法,文中的4个指标可以作为基本度量做扩展分析,或者这个分析也可以叫做网站用户黏度分析,“loyalty”只是我借用了GA上的概念。

    回复
  2. Pingback 引用通告: 电子商务网站用户分析 | 恻。身而过

  3. Pingback 引用通告: 电子商务网站用户分析 | 麦乐慧

  4. Pingback 引用通告: 网站用户忠诚度分析 | TOM日志

  5. Pingback 引用通告: 电子商务网站用户分析 | 鸟人网

  6. Pingback 引用通告: 网站用户的生命周期价值 — SEM KNOWLEDGE BASE|搜索营销智库

  7. Pingback 引用通告: 王晓斐 » Blog Archive » 电子商务网站用户分析

  8. Pingback 引用通告: 用户综合价值评分体系 | 鸟人网

  9. Pingback 引用通告: 电子商务网站用户分析 « 芒果青春纪念册

  10. joegh 文章作者

    @lesk: 你好,文章中的数据只是我的模拟数据。你按照数据的标准化中的min-max标准化方法进行数据处理应该没什么问题的。
    这里的max是指样本数据集中每个指标中的最大值,min是最小值,x是计算的该样本指标的值,如果数据量不是很大,用Excel也可以处理。
    还有问题的话,可以加我的Gtalk:joeghwu@gmail.com

    回复
  11. Pingback 引用通告: 外贸站关键环节:网站用户忠诚度分析 | seo_南京seo_网站推广营销策略,致力于Seo学习和SEM相关体系blog

  12. Pingback 引用通告: 网络营销博客.ALi,专注网络营销,分享网络营销.

  13. Pingback 引用通告: 电子商务网站用户分析 - 分享菠萝蜜 - 大菠萝(Diablo)

  14. joegh 文章作者

    @nancy: 嗯,可以这么说。因为最近访问时间距离当前越近说明用户粘度越高,距离当前时间点越远可能用户正在远离你的网站。
    现在我更喜欢用最近访问间隔(天数)来替换最近访问时间这个指标;将单纯的时间点转变成一个定量的度量。

    回复
  15. Pingback 引用通告: 景飒 » 电子商务网站用户分析

  16. bobo

    你好,我对用雷达图中图形围成的面积作为用户忠诚度的综合评分有一些疑问(个人看法,呵呵):首先,若指标的排列顺序变动的话(实际上文章中的雷达图有3种画法),雷达图中图形围成的面积是会变的,即雷达图面积具有不唯一性;另外,我参考了一些资料,有的是用雷达图中图形围成的面积乘以相应图形的周长再开方,或是用面积乘以边长的平方和再开方,来作为综合评分.

    回复
  17. joegh 文章作者

    @bobo: 嗯,我这里的意思是简单地比较,不是从几何意义上说雷达图围成的面积一定代表了一个综合评分,如果需要比较准确的综合评分,可以考虑在指标标准化之后做加权计算。

    回复
  18. Pingback 引用通告: 电子商务网站用户分析 - 电子商务加油站

  19. Pingback 引用通告: 用户综合价值评分体系 | 电商聚读

  20. 根号

    hi,问个问题:
    为什么要把用户忠诚度划分为这4个维度呢
    我想知道的是这4个维度是否充分和必要?
    我觉得一个好的划分标准应当是完备和独立的
    1 访问频率、最近访问时间这两个值有点重叠,如果用户访问平率是一周,平均的最近访问时间就应该是3.5天
    2 之前提到的“交叉购买意向”“推荐意向”并不能从指标中体现
    希望能共同探讨,谢谢

    回复
  21. joegh 文章作者

    @根号: 非常感谢你提的问题。
    用户的忠诚度不是一个可直接量化的指标,我们需要从其他可以统计得到的指标中反映;而文章中举例的4个指标不是充分也不是必要,这个例子不是网站分析用户忠诚度的标准模型,网站分析师可以根据网站的业务特征搭建合适的忠诚度分析模型,指标不局限于这4个,但这4个指标是几乎所有网站都可以得到的,所以不妨稍加参考,好的分析模型是得到有效结论的关键。
    请仔细看下“访问频率”的定义,它不是访问的平均间隔,而是一段时间内的访问次数,所以跟“最近访问时间”是有差异的。
    文中开头提到的“交叉购买”、“推荐意向”是的用户忠诚度的传统定义,这篇文章基于网站分析的层面,为了得到量化指标选择了网站中的用户访问行为,购买行为在电子商务网站中同样可以分析,可以看看我的另外几篇文章。

    回复
  22. coder

    @joegh: 请问有没有好的电商网站忠诚度分析模型?可以量化测量那种,我打算做一个忠诚度评价系统,但是没有这方面的模型,往年的论文提出的模型大都通过调查问卷。谢谢

    回复
  23. joegh 文章作者

    @coder: 我觉得如果要分析忠诚度,也不一定非要有现成的定量模型,可能确实完全定量的也不多。但阐述忠诚度的相关论文应该有不少,其实可以从一些对忠诚度的论述中建立一套可行的分析模型,至于数据获取调查问卷也是一块,如果要完全获得网站的实际数据可能确实有一定难度,而且也要考虑基于这些数据研究结论的效度。

    回复
  24. Amy

    你好 我刚开始学习数据分析,我想知道文中min-max标准化,样本数据中最大值和最小值选取的是哪个范围内的数值呢,是一段时间内访问频率最多的和最少的次数吗

    回复
  25. Pingback 引用通告: - 博客 - 伯乐在线

  26. Pingback 引用通告: 网站用户的生命周期价值 – 好工作博客在线

  27. Pingback 引用通告: 龙猫 » 网站用户的生命周期价值

  28. joegh 文章作者

    @Amy: 这个看你分析的数据时间跨度,比如分析的是6月的数据,那么就应该取6月份数据的最大和最小值。

    回复
  29. Amy

    谢谢,不好意思数学不好我还想请问一下数据分析中的X*=log10(x)/log10(max)中的max是选取最大值,那log10(X)中的X是待求的和X*一样吗,还是选取其它的数值呢

    回复
  30. joegh 文章作者

    @Amy: 这里的x是待标准化(当前实际)的数值,X*指标准化之后(公式计算得到的)数值。

    回复
  31. 刘延宝

    很好的文章,但是感觉最后的评分应该应用主成分分析或者因子分析好些,可以很客观的确定每个指标的权重,为最后的决策提供有效的途径!

    回复
  32. joegh 文章作者

    @刘延宝: 你好,主成分或因子分析有个问题就是需要使用一些既有的样本数据去计算权重,而一般而言类似用户忠诚度这个指标很难用测量量化,所以这里选择使用雷达图来观察这几个忠诚度影响因素之间的偏向性,而不是直接计算得到忠诚度这个结果。

    回复
  33. Pingback 引用通告: 电子商务网站用户价值评价指标 - EC数据分析

  34. Pingback 引用通告: 如何给电商用户综合价值评分 | 中国推广联盟

  35. Pingback 引用通告: 网站用户的生命周期价值 | 中国推广联盟

  36. Pingback 引用通告: – 电子商务网站用户分析

  37. Pingback 引用通告: – 用户综合价值评分体系

  38. Pingback 引用通告: 如何给你的网站用户建立评分体系 | 钛媒体网

  39. Pingback 引用通告: 如何进行网站用户忠诚度分析 | leojunp

  40. Pingback 引用通告: 网站用户的生命周期价值_读懂_钛媒体网

  41. Pingback 引用通告: 网站用户的生命周期价值 | 极客互联|关注极客事业

  42. Pingback 引用通告: 网站用户的生命周期价值 - 科技辣

  43. pop

    你好!我想问下雷达图是怎么画的呢,另外我觉得最近访问时间要先取相反数才能标准化。

    回复
    1. joegh 文章作者

      雷达图就是根据标准化之后的评分画的,最近访问时间的标准化可以用:(max-x)/(max-min)。

      回复
  44. boris

    你好,我想问下如果用来评价总体用户的忠诚度,是否适用呢?
    分别计算一个周期内各度量的标准化值,再去用平均值的标准化值衡量总体忠诚度,不知是否合适?谢谢您。

    回复
  45. Pingback 引用通告: 用户综合价值评分体系 | 内容采集

  46. Pingback 引用通告: 网站用户的生命周期价值 | 内容采集

  47. Pingback 引用通告: 网站用户的生命周期价值 | 内容采集

pop 进行回复 取消回复

电子邮件地址不会被公开。 必填项已用 * 标注

您可以使用这些 HTML 标签和属性: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>