| 标题 |
【数据萤计划】第1期：FineBI 用户行为分析实战 |
| 所属行业 |
互联网行业
|
| 分析方向 |
用户行为分析 |
| 1、背景说明 |
从淘宝随机挑选了将近5W的用户，对其在2017年11月25日至2017年12月3日的一周时间内的所有行为数据进行了采集，希望得出一周内这5W用户的行为分析从而抓好用户留存及营销活动 |
| 2、需求/痛点 |
此业务分析场景应用很多，但多数分析是通过python实现，对于不会代码的业务小白来说很不友好，借FineBI的可视化操作界面，帮助业务能自主的实现分析需求 |
| 3、数据来源 |
数据来源：阿里天池，经自己对源数据进行研究，发现数据量较大，1周内的数据将近5000万的量级，在做分析时，对时间、精力以及硬件要求过高，故压缩数据至将近500多万的量级（这个量级我硬件方面还是有点吃紧），压缩原理对用户数量进行了量级删除。
|
| 4、FineBI业务应用 |
- 留存率分析，留存率是互联网公司必做的分析，案例主要是提供制作思路和操作方案，熟能生巧，分析的目的也是希望通过用户的活跃度对产品进行优化更新
- AAARR模型，淘宝的购买可能存在差异，即AAARR模型有多种路径，不同购买路径有不同的转化率，都需要考虑下
- 复购率分析，复购主要针对的是用户对产品的喜好及评价，通过复购率可以优化产品结构并做相应的营销策略
- 顾客RFM分析，定义用户分群，并针对不同的用户做不同的营销策略
|
| 5、FineBI亮点功能 |
- 地图钻取的应用，能更好更快捷的跟踪具体的用户行为量
- AAARR的模型，在此案例里并不固定，利用了FineBI的Tab功能，更方便的展现各AAARR模型可能的数据
|
| 6、价值推广 |
此案例是互联网公司经常分析的案例，涉及的数据分析模型很多：
- 总体情况：看板展现（包括总uv、总pv、总成交量、人均浏览量）
- 留存率分析：留存率是互联网企业最常用的分析，留存率分析最主要是监控产品的运营情况，同时也会靠此数据优化产品的功能，留存率越高，用户的黏性也更强。
- 各省用户活跃情况：能熟练使用FineBI的地图组件和地图钻取，监控各区域的用户行为
- 各行为类型的日趋：异常监控或跟踪活动效果
- AARRR行为漏斗分析：淘宝的购买路径可能存在差异，需要结合Finebi Tab新功能，AARRR模型是著名《黑客增长》里的基础数据分析，此案例主要是借AARRR模型来优化淘宝购买路径中的问题
- 时段用户行为分析：更清晰的看到商品曝光和下单更好的时间段，并针对性的做相应的营销行为。
- 商品购买次数排名及复购率：虽然复购中缺少购买数量和购买金额的维度，因此会少一些分析，但数据处理中依然能算出复购率。复购率的分析其实是电商、传统零售企业常用的分析手段，主要用来对电商产品结构的跟踪和改善。
- 商品类目及商品关注度分析：关注度决定了顾客对哪些商品更有意向，想提高整体销售则再需从商品打磨、促销活动方面再做分析及决策。
- RFM用户价值分析：RFM模型应该是大家接触比较多的模型，定义用户分群，并针对不同用户做不同的营销策略。
|
| 7、其他维度 |
关于用户的行为分析，在FineBI的模型介绍中比较零散。该案例主要做个模型的整合，提供思路和操作方案，所以并未对结果形成数据报告，实战的主要目的也是熟悉各种分析模型和思路，帮助不会代码的业务小白能通过FineBI能实现一整个用户行为分析的场景和案例，当然该案例虽然是互联网行业的分析案例，其实一些传统企业的零售/电商也有一些通性，可以借鉴思考。
P.S： 我在做分析过程中也发现了FineBI的一些问题，主要是数据量级过大FineBI会考虑宕机问题做的一些限制，希望帆软的程序猿们可以对大数据量的分析再优化优化（“一年内不考虑的”的梗就不要再玩了哈！）
|
| 8、成果展示 |
|
美观大气！