基于网站用户行为的忠诚度分析

用户忠实度(Loyalty)是用户出于对企业或品牌的偏好而经常性反复购置的水平。对于网站来说,用户忠实度则是用户出于对网站的功效或办事的偏好而经常拜访该网站的行动。依据客户忠实理论,传统发卖行业的忠实度可由以下4个指标来器量。

★反复购置意向(RepurchaseIntention):购置以前购置过的类型产物的意愿；

★交叉购置意向(Cross-buyingIntention):购置以前未购置的产物类型或扩大办事的意愿；

★客户推举意向(CustomerReferenceIntention):向其他潜在客户推举,传递品牌口碑的意愿；

★价钱忍受力(PriceTolerance):客户愿意付出的最高价钱。

以上4个指标对于电子商务网站而言,可能还有实用性,但对于年夜多半网站是不适合的,所认为了让剖析具有广泛的实用性,同时为了知足所有的指标都可以量化(上面的客户推举意向比拟难以量化),以便进行定量剖析的请求,我们选择所有网站都具备的基于拜访的用户行动指标:用户拜访频率、比来拜访距离时光、平均逗留时长和平均阅读页面数,这些也是GoogleAnalytics原版本顶用户忠实度模块下的4个指标。

这4个指标在上文已经多次提到了,界说不再反复介绍。统计数据的时光区间也是依据网站的特点来定的,假如网站的信息更新较快,用户拜访较为频仍,那么可以恰当拔取较短的时光段,如许数据变更上的敏锐度会高些;反之,则选择稍长的时光段,如许用户的数据更为丰硕,指标的剖析成果也会加倍精确有用。在统计获得这4个指标的数值之后,单凭指标数值照样无法获得用户忠实度的高下,须要对指标进行尺度化处置获得响应的评分,经由过程评分就可以分辩用户的忠实度在总体中处于什么样的水平。

这里应用min-max归一化的办法,将4个指标别进行归一化后缩放到10分制(0-10分)的评分区间。这里须要留意的是,min-max归化会受到异常值的影响,好比用户阅读页面数有个50的异常年夜的数值,那么归一化后年夜部门的值都在集中在较小的分值区域,所以建议在归一化之前排查一下各指标是否存在异常值，假如存在,可以对异常值进行转换或过滤;同时这里的比来拜访距离时光同样实用以"天"为单元,留意归一化的时刻须要进行特别处置,因为距离天数越年夜,响应的评分应当越小,分歧于其他3个指标,其他3个指标应用公式(x-min)/(max-min),比来拜访距离天数要应用(max-x)/(max-min)的方法进行处置。我们应用近一个月的用户拜访数据,选择个中3个用户列举一下用户行动数据的处置情形,见表6-2。

表6-2中,用户忠实度的4个剖析指标经由尺度化处置后同一以10分制的情势输出,如许就能直接区分每个用户的每项指标的表示利害。基于每个指标的评分,可以对用户进行筛选,好比营销部分重点跟进经常拜访网站的用户,可以选择拜访频率评分年夜于3分的用户,或者重点跟进用户拜访介入度较高的用户,可以筛选平均逗留时光和平均拜访页面数都年夜于3分的用户,如许可以或许赞助营销部分敏捷定位忠实用户。

这里我们用4个用户行动指标来评价用户的忠实度,这类基于多指标从多角度进行评价最常见的展示方法就是雷达图,或者叫蛛网图,在电脑游戏里面比拟常见,好比一些足球游戏应用雷达图来表示球员的各方面的才能指数,如戍守、进攻、技巧、力气、精力等,所以这里也可以借用雷达图用4个指标来展示用户的忠实度表示情形,如图6-18所示。