【面试题】   你所在的公司需要你对公司已流失的用户进行分析，找出流失原因以及对策，请你设计一套分析方案。下图是最近7个月的流失用户数。（某公司面试题）     【参考答案】     根据之前讲过的“数据分析解决问题的步骤”来解决业务问题。   一、明确问题     1.明确数据来源和准确性   从时间、地点、数据来源这3个维度展开确定数据的来源和准确性。例如与面试官沟通后，明确了下面内容。   时间：近七个月流失用户数 地点：全网销售 数据来源：网站后台导出，数据准确无问题   2.业务指标理解     流失用户：指一段时间内未访问或未登陆的用户。在此我们可以认为1个月未登录的用户已经成为流失客户。   1-7月流失用户数如下：     将数据可视化，才能发现数据随着时间发生了哪些变化。     我们发现6月流失用户数突然增高，其他时间波动幅度较小。   二、分析原因       因为流失用户数有滞后性，在分析6月流失人数时，需要分析5月的运营情况。   为了方便分析流失用户突然增加的原因，我们可以对流失用户使用多维度拆解分析方法进行拆解，分为新用户流失和老用户流失。   新用户流失又可以分为不同渠道的用户流失，如下：   老用户流失可以从产品维度，竞品维度和用户维度进行分析。     接下来我们用假设检验方法对上图里面的每个部分进行验证。       我们可以先对新用户流失情况进行分析。     可以按照前面的拆解情况，对渠道A，B、C的流失情况进行分析   假设1：渠道A、B、C引流卖点与产品亮点不符   以渠道A为例，通过联系运营部门，确认5月渠道A的引流话术变动过，新话术卖点与产品亮点不同，用户需求与产品不符。     因此，引流渠道和话术需要精挑细选，精准吸引用户。   接下来，我们可以对老用户流失情况进行分析，先从产品维度提出假设。     假设2：产品更新换代慢，用户体验单一   通过查看产品更新及升级情况，发现除主打产品其他产品缺乏亮点。所以，产品总体更新较慢，用户体验较为单一，集中于主打产品。   因此，需先与运营部门协商，开展运营活动来调动用户积极性，从长期来看，需要与产品部门协调产品更新速度或研发新产品。   然后可以从竞品角度寻找原因。     假设3：竞品大促导致用户流失严重   与竞争对手的产品进行对比，发现竞品在5月份举行过大促活动，而我们未准备促销活动，使得竞品有价格优势，导致一部分用户流失严重。   因此，我们可以推出召回活动，吸引用户回归，并且推荐用户其他功能，拓展用户体验，增加客户粘性。   最后，我们从用户维度分析原因。       假设4：用户遭遇负面事件   询问其他部门后发现，5月一段时间内出现过大量用户投诉，与客服部门沟通，发现是系统更新出现BUG，而产品部门未能及时修正，影响了客户体验。   因此，在以后系统更新时，可以先进行测试，无问题后再全面更新。客服遇到用户投诉时，安抚好客户并及时反映问题。   总结，通过分析发现，用户流失的原因有： 1）引流渠道话术变动 2）产品更新慢，用户体验单一 3）竞品大促，有价格优势。 4）系统出现bug，用户体验不好   3.提出建议   根据找到的流失原因，提出的建议如下：   1）运营部门定期开展活动，调动用户积极性。 2）产品部门调整更新速度或研发新产品，扩展用户体验。 3）推出召回活动，吸引用户回归，拓展用户体验，增加客户粘性。 4）系统更新时，先进行测试后再全面推广 5）客服安抚好投诉客户，及时反映问题，解决问题。   【举一反三】   如何分析用户流失行为？   可以按照数据分析问题的解决步骤来进行分析。     1.明确问题：界定流失用户，寻找流失原因。   2.分析原因：用多维度拆解分析方法，把流失用户拆分为渠道维度，产品维度，竞品维度和用户维度，再进行假设检验分析，找出用户流失的原因。   3.面对流失情况，针对具体原因，提出改进措施，吸引用户回归。   此外，用户流失分析还可以使用群组分析方法，点击下面内容可以详细看更多用户流失的案例。     编辑于 2021-9-13 14:57

  在《4个问题带你了解用户画像》中，我们了解了用户画像的定义、作用及使用注意事项等。   就有用户留言问了：在实际工作中，构建用户画像的方法有哪些？如何构建用户画像呢？   下面我将结合通过案例，带你了解构建用户画像的4个步骤：   用户画像是为业务服务的，因此我们构建画像之前一定要清晰项目背景和业务需求。   通过和业务部门沟通，我们了解到开发组准备上线一款二次元手游，需要确定核心用户需求，并通过内测优化游戏。   内测，也就是内部测试，指软件在完成开发初期进行的小范围测试。   1. 信息收集   信息收集和分析的方法包括定量和定性两大类，实际工作中，定量和定性研究通常结合使用。   结合业务问题，我们灵活使用以上方法。   先确定核心用户群体（借助后台数据和问卷调查），邀请参与内测，通过内测展开核心用户画像分析（通过观察法、访谈法和日记分析等），并根据用户需求优化游戏。   以下是各阶段需求的用户人数：     （1）后台数据筛选已有用户：   案例中游戏还未上线，因此没有实际用户数据。但公司之前上线过其他游戏产品，对应的用户中可能涵盖目标对象。因此第一步筛选已有的用户数据。   首先确定后台数据来源。开发人员在app上线前大多会将SDK（软件开发工具包）嵌入app中，用户使用app后，SDK会将用户的使用数据记录入库，因为很多公司具备了内部数据平台。   当然我们也可以借助友盟、Google Analytics、腾讯云分析等第三方平台获取app的部分数据。   （例：友盟-移动应用数据监控及分析界面）   通过后台数据定位关联游戏，获取该类游戏用户的基本信息、使用数据、留存数据、付费数据等。     在以上数据基础上筛选出核心用户代表。   （如果用户中包含知名游戏主播/UP主，且符合多数筛选条件，考虑优先选择。因为主播及KOL在行业具有影响力，自带推广效果。）     （2）问卷调查补充新用户：   后台数据筛选的是已有用户，问卷调查则抽样外部用户，二者相互补充。     调研目的根据业务需求确定，即：搜寻产品核心用户，了解用户信息及内测意愿。问卷内容需要围绕调研目的展开。   设计问卷：   内测招募问卷和普通的调查问卷有所区别。   内测招募问卷多数由用户主动参与填写，用户对游戏及内测都有一定兴趣。且最终参与内测的用户会获得酬劳，因而相比普通问卷，内测问卷可以具有复杂性和困难度。   问卷内容主要包含以下几方面：     标题及引导语：     问卷题目：   关于用户基本信息——   （问卷内容参考：《原神游戏测试招募问卷》。更多问卷信息请在文末下载案例数据查看。）     关于用户的游戏经历——   这部分是主要调查内容。   一是看用户总体游戏时长和涉猎，偏向选择重度用户；   二是看用户对产品同类游戏的偏好；   三是看用户的游戏选择标准和价值取向。   （用户对同类及相关类别游戏的接触）   （用户对PC端游戏的接触，用来综合考察用户游戏深度）   （用户对主机游戏的接触）   关于用户游戏环境——   （用户参加在线测试的影响因素）   游戏相关项——   （优先选择有二次元偏好、氪金倾向高的用户）   游戏价值观——   （用户选填的开放题，考察用户游戏理解和价值取向）   用户内测意愿及致谢——     投放问卷：   问卷投放渠道包括以下四类。由于我们需要采集外部的游戏核心用户，因此选择垂直类渠道——游戏论坛/社区投放问卷。     相关游戏贴吧、NGA玩家社区及二次元游戏社群的重度用户浓度高，且汇聚了部分专业游戏玩家。   问卷的回收分析：   收集整理问卷数据，根据问卷内容及以下维度选择50名左右核心用户。     （3）电话访谈确定20名现场内测用户：   以上通过后台数据及问卷调查，我们确定了100名左右待选用户。   参与现场内测的用户需要限制数量，以保证测试人员能集中精力服务用户，发现问题。   因此我们通过电话访谈筛选20名用户（分两天参与内测，同时需要预留备选名额），剩下的用户根据其意愿邀请参与线上测试及日记记录。两类用户都给予相应报酬。     （4）现场内测：   现场内测主要包含以下步骤，需要用到观察法、实验法和深度访谈法。   用户操作：   用户操作分为两个部分。   第一部分引导玩家创建账号并进行新手体验，初步熟悉游戏概念、风格和玩法。随后进入中场休息并简单访谈。   第二部分让玩家自由体验游戏的各种玩法及内容。   工作人员全程观察用户操作，记录信息和反馈。但需要注意减少对玩家的干扰，对于玩家提出的问题先行记录，保证其自主性。   用户填写量表：   在用户的两次操作环节后，紧接量表填写。   量表的定义：   一种测量工具，是试图确定主观的、有时是抽象概念的定量化测量的程序，对事物的特性变量可以用不同的规则分配数字。   简单说，就是可以将用户操作的体验通过问题对应的数值量化。   如提问用户：请问您刚才的游戏体验如何？（这原本是个主观抽象的问题）   让用户在数值1-7中选择，1代表非常不满意，中间值4代表中规中矩，7代表非常满意。（这样就把主观的问题量化了）   玩家在进行完第一阶段新手体验后，引导其填写初步印象量表：   （仅展示部分问题，其他内容请在文末下载案例数据查看）   用户填写完成后，统计结果，并分析核心用户对游戏的初步印象及需要改进的部分。     初步印象量表显示，用户对游戏的初印象总体较好，各部分得分都高于5.9分。   在此基础上，对比相近问题会发现需要改进的地方。如相对于新手教程，游戏界面导航不那么简单易用；游戏剧情相比于游戏角色的吸引力不够。     除了问题间横向对比外，也可以将同一问题与之前内测的数据纵向对比，分析哪些数据突出，哪些是弱项。   这些分析结果将在后续测试和总结中运用，形成结论。   玩家完成第二阶段自由探索后，引导其填写游戏体验量表：   经过更长时间的自由探索，玩家可以回答具有深度的问题。   游戏体验量表围绕游戏各方面展开：游戏的可玩性、吸引力、故事性、音效美术、社交性、自由度、成就感等。     分析量表能起到以下作用：   1）发现游戏的短板，确定优化反向； 2）发现游戏的亮点，助力后续游戏推广和营销； 3）确定核心用户需求，促进后续深度访谈及构建用户画像。   解释一下如何促进用户画像的构建：   对比“音效”和“美术”，玩家对该游戏音效的喜好度偏低；而在“自由度”相关问题下，明显有一部分玩家认为自主性受到一定影响。   诸如此类对比结果（对比分析方法）体现了用户的需求。     辅助必要实验：   主流的实验法包括A/B Test、眼动实验、脑电实验、实地试验等等。     游戏内测期间还没有实际用户，无法实施A/B Test，可以通过眼动实验分析用户行为。   眼动实验监测用户进行游戏时的眼睛运动和注视方向，可以确定用户眼动的热点位置、对特定风格画面的偏好、以及对各环节的注视时长等。     这些分析项明确了用户喜好的功能及风格。     深度访谈：   深度访谈是访谈人员和玩家之间进行时间较长的（通常是30分钟到1小时），针对相关问题一对一方式的谈话。   此前我们通过后台数据/问卷调查+电话访谈筛选了玩家，通过观察法、量表记录、眼动实验等途径测试了玩家的游戏过程及体验。   深度访谈就需要结合这些已有信息展开：     如何对一名玩家深度访谈？   内测用户A通过问卷招募参与内测，因此我们首先积累了他的问卷信息。     参与内测后，我们对用户A进行了现场观察记录、量表记录和实验分析。     将已有信息汇总，我们能获得用户A的初步画像和需求。     除了对已有信息进一步挖掘，我们还需要补充其他需求信息，让核心用户画像更全面丰满。     由此可以确定深度访谈的提纲。 （以下内容为深度访谈的结构和要点，具体访谈话术不进一步展开）   深度访谈包括：开场介绍、正式访谈（游戏测试问题、游戏经历问题、其他游戏相关问题、游戏外问题）、结束语。   1）游戏测试问题   深度访谈结果有助于开发人员确定游戏优化方向和细节。   （需要注意：开发人员应该更注重用户行为，而不是意见。通过用户行为和选择还原使用场景，发现用户真实的潜在需求。）     2）游戏经历问题+其他游戏相关问题   这部分构建了用户A的游戏关联画像，同时也为游戏后续（包括直播、推广、付费等）提供思路。     3）游戏外问题+结束语   与游戏相关问题结合，组成了用户A完整的画像。     用同样方法可以获得参与现场内测20位玩家独立的用户画像，以及优化方向，总结如下：     （6）日记法测试剩余核心用户：   在筛选用户及问卷调查阶段，我们确定了100名待选用户。其中20名用户参与内测，剩余用户在电话访谈中确定了日记记录意向。   对这部分用户采用日记法测试：   1 让用户获取内测码，参与线上试玩并按要求记录使用信息。   2 通过后台数据分析用户流量日记。   日记记录：   用户参与线上测试前，发放日记记录要求和示例。   在线日记对应现场内测的观察、量表和部分深度访谈内容。有条件的话，让用户连续几天记录在线日记，观察游戏体验变化、卡点/疑惑是否随时间解除、综合评价等。     流量日记分析：   流量日记分析依靠后台数据。   开发人员提前对应用埋点后，获取用户线上测试的信息。     其他流量日记：   通过用户日记和游戏后台数据，我们获知了用户的游戏内情况。   如何收集用户在其他游戏及游戏外的信息呢？理论上我们也能通过Cookies（储存在用户本地终端上的数据）获取。   但不能未经用户同意就收集和使用信息。记录和获取数据前，必须经过用户认知和授权。     用户的app使用数据让用户形象更全面。   如针对用户1，流量数据展现了他的兴趣标签、时间分配和消费偏好等。     以上，用户的日记记录、游戏+其他流量数据共同构建了线上测试玩家的形象。   信息收集部分告一段落，总结我们获取的所有信息：     2.  用户归类    回顾用户画像的定义：用户画像是目标用户的代表性画像，其中包含了用户属性、场景、痛点和需求等。   实际构建过程中，我们往往无法用一个画像代表所有目标用户。因此需要将用户按一定标准分类，设置多个画像。     （1）KJ法   定义及流程：   KJ法又称亲和图法，创始人是东京工业大学教授川喜田二郎。   KJ法需要先记录大量事实，通过对这些事实有机地组合和归纳，发现问题的全貌。     方法使用：   首先明确问题：将100名核心用户归类。   然后将内测用户和线上测试用户的信息关键词独立记录在卡片。（关键词包含：用户游戏关注点、兴奋点、游戏选择因素、期望、兴趣标签）   将卡片散落地粘贴在白板/讨论墙：   （图片来自：Medium）   邀请相关人员（包含产品经理、开发/设计人员、分析师等）参与卡片分类，根据卡片的关键词信息，将有共性的卡片贴在一块并说明理由。   如果线上测试用户的信息完整性不够，则以内测用户卡片为分类主导，其他作为辅助。     对于卡片数太少的类别，讨论是否合并；对于数量太多的类别，考虑是否内部拆分。     完成卡片分类后，讨论类别命名以及类别优先性。     至此，我们将核心用户分为四类，每个类别对应具体用户及其属性、目标、行为和观点。   总结评估：     第一个维度很好理解：在归类过程中，是否有用户不属于以上类别。如果有，归类结果可能不完整，需要增加类别或重新划分。   第二个维度：由于主要区分用户的动机和目的，因此可以使用八角行为分析框架验证差异性。     八角行为分析法出自Yu-Kai Chou《游戏化实战》一书，涵盖由个体情感出发的游戏八大动机：使命，成就，创造，拥有，社交，稀缺，未知和逃避。   验证方法即：分析四个类别用户是否有差异化的游戏动机：   成就型人格者——动机主要对应八角中的成就、拥有和使命；   剧中人——对应未知；   外向型探索家——对应创造和社交；   客观型行业人员——对多个动机和游戏表现的理性要求。   因此，分类结果符合第二条要求。   第三个维度：类别的区分是否能影响决策？   我们区分过程中邀请了产品经理、开发/设计人员、分析师共同参与，因此结果需要得到不同岗位的确认。   同时需要具体分析：用户分类对游戏功能设计/优化/推广等方面的帮助，以及还需要补充哪些信息。   （2）数据聚类：   当用户数量过多时，用KJ法归类会力不从心。   聚类法则可以处理海量用户数据，不过对于用户目标和观点的聚类比较困难。因此适用于用户数量多且信息源多为具体数据的情况。   （事实上，当目标用户数量较多时，也很难通过定性研究获取用户观点和态度。）   方法介绍：   K均值和凝聚层级是常用的聚类方法。   K均值聚类更快捷，且适用于样本量极大的情况，但需要预设类别数量。因此我们选用层级聚类法，在过程中确定类别数。     层级聚类方法：     Python/R/SPSS等软件都能实现层级聚类，我们简单介绍如何使用python聚类。   导入函数及确定数据——   数据完整性很好，无需清洗。     数据归一化——   数据集字段包含手游时长、同类游戏体验数、月收入、游戏评分等多个变量。   举个例子：对于同类游戏体验数，样本之间的数值差只是个位数；而用户月收入的差值很大。直接聚类会放大收入影响，而忽略游戏体验数量。   因此聚类之前，需要将各变量下的数据归一化，确保尺度一致。     聚类——   尺度一致后开始层级聚类。首先画出树图确定簇（即用户类别）的数量。     树图中，X轴代表样本，y轴代表样本间的距离，蓝色线条代表样本间的距离最远。因此设定阈值为4，切割树状图：       图中显示：黄色切割线与蓝色线条有三个交点，代表样本有三个簇。   引入层级凝聚聚类算法（HAC），输出结果包含0，1和2，分别代表三个簇。     最后将区分好的用户类别可视化。     这样就完成了对游戏用户的层级聚类。   由于数据问题，聚类结果可能存在问题，我们主要学习数据聚类的基本方法。   3. 提炼画像    先学习一下合格的用户画像是怎样的？案例来自Fantham针对Divvy Bike共享单车的用研设计方案。   （内容来自Fantham’s team (Pictures From Medium)；翻译：简书-IvanMu）   案例中的用户画像成品包含以下内容：   游戏用户画像也可以从这些方面展开，结合行业特点完善。   我们通过KJ法已经将近100名核心用户分为了四个类别，成就型人格者、外向型探索家、剧中人和客观型行业人员，占比为46%，23%，21%，10%（分三个层级）。   从问卷开放题/观察/电话及深度访谈中，甄选各类用户的代表性语录；   量表信息/游戏卡点/深度访谈凝结了用户的游戏痛点；   用户游戏动机和价值观是核心差异点；   用户的其他信息（兴趣标签、app使用情况），呈现使用场景和用户故事。   以上信息归纳总结，就是最终的用户画像：   成就型人格者：     外向型探索家：     剧中人：     客观型行业人员：     画像完成后，可能有朋友要问，做了那么多前期工作，最后就剩下简洁的画像了？   其实在画像背后，是丰富的资料库和调研信息。用户画像强调简单易用，但当实际工作中需要例证和具体数据时，我们依旧可以调用其他信息。   4. 验证效果     我们开篇强调过，用户画像是为业务服务的。因此提炼画像不是工作的结束，促进画像运用和验证效果也是重要步骤。   一方面，根据用户测试行为和反馈优化游戏后，我们需要跟踪优化成效；   另一方面，在后续游戏功能设计/传播/用户服务等方面促进画像的使用，验证效果并迭代升级。     5.总结   本篇结合游戏内测案例，主要介绍如何在业务中构建用户画像的步骤：   构建用户画像需要首先通过定性+定量调研，获得目标用户数据及信息；   根据已知信息对目标用户进行分类；   最后提炼用户基本关键、痛点、关键差异及用户故事，组成用户画像。   为了介绍全面，我们尽可能使用多种调研和分析方法。但是在实际构建画像时，你需根据业务情况灵活取舍。