基于網站用戶行為的忠誠度分析

發(fā)布：2018-03-08 18:23:45 瀏覽：4068

用戶忠誠度(Loyalty)是用戶出于對企業(yè)或品牌的偏好而經常性重復購買的程度。對于網站來說,用戶忠誠度則是用戶出于對網站的功能或服務的偏好而經常訪問該網站的行為。根據客戶忠誠理論,傳統(tǒng)銷售行業(yè)的忠誠度可由以下4個指標來度量。

★重復購買意向(RepurchaseIntention):購買以前購買過的類型產品的意愿；

★交叉購買意向(Cross-buyingIntention):購買以前未購買的產品類型或擴展服務的意愿；

★客戶推薦意向(CustomerReferenceIntention):向其他潛在客戶推薦,傳遞品牌口碑的意愿；

★價格忍耐力(PriceTolerance):客戶愿意支付的最高價格。

以上4個指標對于電子商務網站而言,可能還有適用性,但對于大多數網站是不合適的,所以為了讓分析具有普遍的適用性,同時為了滿足所有的指標都可以量化(上面的客戶推薦意向比較難以量化),以便進行定量分析的要求,我們選擇所有網站都具備的基于訪問的用戶行為指標:用戶訪問頻率、最近訪問間隔時間、平均停留時長和平均瀏覽頁面數,這些也是GoogleAnalytics原版本中用戶忠誠度模塊下的4個指標。

這4個指標在上文已經多次提到了,定義不再重復介紹。統(tǒng)計數據的時間區(qū)間也是根據網站的特征來定的,如果網站的信息更新較快,用戶訪問較為頻繁,那么可以適當選取較短的時間段,這樣數據變化上的靈敏度會高些;反之,則選擇稍長的時間段,這樣用戶的數據更為豐富,指標的分析結果也會更加準確有效。在統(tǒng)計得到這4個指標的數值之后,單憑指標數值還是無法得到用戶忠誠度的高低,需要對指標進行標準化處理得到相應的評分,通過評分就可以分辨用戶的忠誠度在總體中處于什么樣的程度。

這里使用min-max歸一化的方法,將4個指標別進行歸一化后縮放到10分制(0-10分)的評分區(qū)間。這里需要注意的是,min-max歸化會受到異常值的影響,比如用戶瀏覽頁面數有個50的異常大的數值,那么歸一化后大部分的值都在集中在較小的分值區(qū)域,所以建議在歸一化之前排查一下各指標是否存在異常值，如果存在,可以對異常值進行轉換或過濾;同時這里的最近訪問間隔時間同樣適用以"天"為單位,注意歸一化的時候需要進行特殊處理,因為間隔天數越大,相應的評分應該越小,不同于其他3個指標,其他3個指標使用公式(x-min)/(max-min),最近訪問間隔天數要使用(max-x)/(max-min)的方式進行處理。我們使用近一個月的用戶訪問數據,選擇其中3個用戶列舉一下用戶行為數據的處理情況,見表6-2。

表6-2中,用戶忠誠度的4個分析指標經過標準化處理后統(tǒng)一以10分制的形式輸出,這樣就能直接區(qū)分每個用戶的每項指標的表現(xiàn)好壞?；诿總€指標的評分,可以對用戶進行篩選,比如營銷部門重點跟進經常訪問網站的用戶,可以選擇訪問頻率評分大于3分的用戶,或者重點跟進用戶訪問參與度較高的用戶,可以篩選平均停留時間和平均訪問頁面數都大于3分的用戶,這樣能夠幫助營銷部門迅速定位忠誠用戶。

這里我們用4個用戶行為指標來評價用戶的忠誠度,這類基于多指標從多角度進行評價最常見的展現(xiàn)方式就是雷達圖,或者叫蛛網圖,在電腦游戲里面比較常見,比如一些足球游戲使用雷達圖來表現(xiàn)球員的各方面的能力指數,如防守、進攻、技術、力量、精神等,所以這里也可以借用雷達圖用4個指標來展現(xiàn)用戶的忠誠度表現(xiàn)情況,如圖6-18所示。

圖6-18使用了表6-2中三位用戶的評分數據繪制而成,能夠非常形象地表現(xiàn)用戶忠誠度在各指標上的表現(xiàn)情況,用戶1的整體忠誠度較低,用戶2在訪問頻率和訪問間隔具有較好表現(xiàn),而用戶aki訪問具有相對較高的參與度。使用雷達圖分析用戶的忠誠度主要有如下優(yōu)勢：

★可以完整地顯示所有評價指標;

★顯示用戶在各指標評分中的偏向性,在哪些方面表現(xiàn)較好;

★可以簡單觀察用戶整體的忠誠情況,即圖形圍成的面積大小(假設4個指標的權重相等,若重要程度存在明顯差異,則不能用面積來衡量);

★可以用于用戶間忠誠度的比較。

所以,基于雷達圖展現(xiàn)用戶的忠誠度之后,營銷部門可以直接查看哪些網站設計用戶具有較好的忠誠度,哪些用戶值得他們重點跟進。