如何解决客户属性分类析问题

来源：蜘蛛抓取(WebSpider) 时间：2019-12-18 04:10 标签： 客户属性分类

属性分析是实现用户行为精细化運营的必备分析方法之一

仅知道一幢房子的面积无法全面衡量其价值大小，而房子的位置、风格、是否学区、交通环境更是相关的属性同样，用户各维度属性都是进行全面衡量用户画像不可或缺的内容

顾名思义，属性分析根据用户自身属性对用户进行分类与统计分析比如查看用户数量在注册时间上的变化趋势、查看用户按省份的分布情况。用户属性涉及用户信息如姓名、年龄、家庭、婚姻状况、性别、最高教育程度等自然信息，也有产品相关属性如用户常驻省市、用户等级、用户首次访问渠道来源等。

属性分析主要价值体现在豐富用户画像维度让用户行为洞察粒度更细致。科学的属性分析方法对于所有类型的属性都可以将“去重数”作为分析指标，数值类型的属性可以将“总和”“均值”“最大值”“最小值”作为分析指标添加多个维度。数字类型的维度可以自定义区间方便进行更加精细化的分析。

属性分析模型的应用场景

场景 1：按省份查看用户数

如图 1 所示运营人员可以很直观地查看用户在不同省份的具体分布情况。当然也可以按城市进行分析这样有助于运营人员快速了解产品用户具体分布在哪些城市，是否为发达地区等以判断用户的喜好程度等。

图 1　 按省份查看用户数（图片来源：神策数据产品）

场景 2：查看一个月未发生购买的客户预警客户流失 由于重点客户资源的稀缺性，其黏性备受企业关注图 2 所示的中商惠民“用户属性”分析模型，筛选出距上次购买已经超过一个月的重点客户

图 2 准流失客户群预警（图片来源：神策数据产品）

该图显示有超过 166 个商超客户一个月未订货。点击 166 数字即呈现 166 家重点客户明细。30 天未发生购买的原因很多吔许重点客户未流失，只是不再用 APP 下单也许重点客户真的流失了。此时就需要业务代表进行召回动作无论属于哪种情况，运营人员都鈳以通过查看用户行为（重点客户）序列分别了解重点客户路径，找到重点客户订单量骤降的原因

我们逐一介绍了各大数据分析模型，实际上各分析模型应该是一个综合体它们之间存在无法割裂的关系。各分析模型实现科学互动和配合能够科学揭示出用户个人或群體行为的潜在规律，并据此做出理论推导不断在工作实践中优化商业决策和产品智能。

关于数据分析模型我们已为大家深度解读了行為事件分析、漏斗分析、留存分析、分布分析、点击分析、用户路径分析、用户分群分析、属性分析等分析模型，可点击下方文字链查看：

我要回帖

更多关于 客户属性分类 的文章

 

随机推荐