数据运营实战(二):细分漏斗画像,改善关键节点

数据运营的优化重点在于把复杂的,多因素影响的过程拆分,简化影响过程,从而挖掘其中的关键要素进行改进优化。

上次我们提到了通过分群分析进行渠道转化数据的监测,调整了渠道投放策略,最终提升了渠道ROI的结果。

复习请戳:数据运营实战(一)

首先,我们回顾一下我们的目标问题:

某电商App,现在面临的问题是用户成交量较低,与投放推广的成本相比,ROI较低。
这个问题,我们应该如何分析?

上周已经讲过:

通过数据挖掘,我们发现了优质渠道A,其用户群与我们的高价值用户比较吻合,同时平均客单价约是原有主要渠道D的1/2~1/3,我们的投入产出比例得到了优化。这主要依赖于通过数据分析找到了优质低价的渠道,降低了获客成本。

漏斗改进效果如下图:

那么,这个漏斗是否存在其他可以改进的地方呢?

当然有!我们的现实世界并非是简单的数据逻辑结构,很多结果都是多种原因综合导致的,我们可以用多种角度去分析同一个问题。

下面我们将结合漏斗分析与用户分群来做一个深度分析,通过漏斗的细致拆分和交叉对比,定位问题所在。

漏斗分析

那我们就从这个漏斗开始分析:从上面都是漏斗中,我们可以看到,加入购物车之前的转化率都较高,但在购物付款的流程中,转化率急剧降低至14.65%,这里应该也有改进的空间。

我们再看页面浏览数据,可以发现,用户在订单确认页面停留的时间长达95秒,这与我们平时的认知不相符。

漏斗拆分

为了验证我们的假设,我们建立两个小用户群——“确认要付款的人群”&“成功付款的人群”,即把漏斗中“订单人群”到“付款人群”进行了拆分,把确认付款的动作独立出来。

我们能够发现,在“确认要付款”到“成功付款”确实是损失转化的主要环节。

分群分析

我们看这群“确认付款”&“未成功付款”的人群:

我们姑且把这个人群叫做“付款失败”组。

在MTA中你可以通过设置用户分群设置来实现这一步的处理,如下图。

通过几个人群的对比,我们发现“付款失败”组的人群离线环境陡增约14%,另外,其3G、2G网络的比例要高于大盘人群(5.68% vs. 1.36%),且设备品牌中,相对机型较小众、低端。

我们实际测试了品牌1和品牌2的实际几个机型,主要针对的就是付款页面的页面体验,存在以下问题:

机型适配性较差,开发时主要考虑的是现有主流机型适配,对小众机型的关注度较低;
页面卡顿严重,长达40秒以上的空白页面,严重消耗了用户耐心。
于是我们做了以下改善:

紧急修复版本,在小众机型的主要推广渠道上升级了版本适配性的App;
页面加载量优化,包括切割、压缩、删减图片,框架优化,预加载等策略,恶劣网络下加载速度提升至约15秒;
加载等待页面设计,增加了动画的等待页面,给用户卖个萌,增加用户等待的耐心。
效果验证

页面优化后,我们的漏斗转化流程有明显改善:

我们针对这群“付款失败”用户群所做的改善,为转化漏斗提高了3%的转化效率,这是非常大的一个收益。另外,我们在后续的漏斗改进中,还尝试结合了页面点击/页面流转的分析,删去了付款页面中不必要的信息、按钮,保证了付款流程的顺畅性,对于提升漏斗也有一定的作用。

好了,今天的分享就到这里啦~

总结一下

数据运营的优化思路其实就是通过细致拆分,把复杂的、多因子的事件分析拆分为独立的、单因子的归因分析,以确定改进的思路。

下周将会带来数据埋点的内容,敬请期待哦~

转载自:原文链接http://www.iyunying.org/yunying/115795.html

添加新评论