鞋類B2C，如何對用戶進行分類，並得出每類用戶在下單前行為軌跡是什麼？

01-03

目的是，針對以上分類得出一些可參考的用戶行為模式，以幫助網站產品和採購做出決策。

在進行用戶細分的時候，先不要預設用戶類型的種類，而可以從五個方面的維度去思考細分是否有顯著差異：

一、產品屬性：比如男鞋女鞋、種類、尺寸，等

二、購買行為（如果有）：比如客單價、item per order、購買頻率、支付方式，等

三、瀏覽行為：比如購買前訪問網站的次數/天數、landing page、不同的路徑、不同的停留時間、不同的訪問深度、瀏覽產品的數量、瀏覽產品的品類數，等等

四、用戶屬性：比如不同的省市、不同時段訪問的用戶，新老訪客，新老顧客，等等

五、用戶來源：比如seo，sem，email，導航站，硬廣等，還可以按不同的引入成本來劃分

　　上面這五個方面之間其實可以形成無數種不同的細分組合，但其實並不需要進行這麼多的細分，如果你懂得統計學原理，那麼恭喜你，可以用更專業的軟體（如spss, sas）來分析影響因素的權重，然後進行細分。

　　如果對統計學不是那麼了解，也可以進行細分，步驟如下：

第一步：針對每個維度單獨進行細分，先別進行組合。比如看看新老用戶的瀏覽行為是否相同，購買不同種類鞋子的用戶的瀏覽行為是否相同等。

第二步：觀察數據，如果相同，意味著你需要進一步用別的維度進行細分。如果不同，且數據相差很大，說明你進行細分的維度是有一定效果的。

　　以上兩步可以不斷循環校正，基本可以得出正確的用戶分類。

　　寫得不是很完整，改天仔細想想再補充，呵呵。

流量來源——訪問軌跡——轉化用戶——二次轉化行為——分類。再倒回去分析類別特點

這個問題其實應該是倒推吧？不是先對用戶分類，應該是先根據行為軌跡的特徵進行分類。

這個問題其實是根據用戶行為進行用戶類型建模，然後加以利用，數據層面的東西，蘭茜總監基本已經說的差不多了，不只是鞋類B2C，這個建模方式是通用的，當然中間缺了的是頁面跳出率的分析。

目前看到的回答都僅僅是圍繞站內數據分析的, 其實網購用戶在下單前的行為軌跡是一個包含由站外至站內直至購買及重複購買的完全的決策周期CDJ(customer decision journey).

完成CDJ分析的結果, 可以獲得客戶需求內涵CI(Customer Insight), 又可以簡單分為價值觀(Value), 包括Demand, Intent, Bargain; 及誠信(trust), 包括feeling及show-off. CI才是真正決定客戶為什麼買(或不買), 去(或不去)哪裡買, 及是否會(或不會)重複購買的最根本的原因.

當然, 站外分析可能需要藉助一些專業公司及工具, 但只有綜合站內外分析, 才能真正撲捉到用戶網上購物行為軌跡.

不好意思, CDJ及CI(不是business intelligence的CI)的內容很多, 希望上述簡單回復能解釋清楚.

數據分析只是一個工具，一方面可以驗證產品策略的質量；另一方面可以發現產品決策的問題。

我做數據分析的方法大概是：

1、明確目標。

做這次數據分析的目標是什麼，一定要細，高度概括。

2、根據目標劃分指標。

把目標轉化成各種度量指標，這些指標可以是獨立的，也可以是相關的。

3、確認數據源。

根據行業和用戶群選擇數據源，比如不同時間跨度，不同細分。

4、統計分析

5、報告

報告一定要有針對性，比如說明目標的問題，或發現新的問題。

B2C對用戶分類可以頭腦風暴一下，建立一些假設，為獲得精準細化的目標。

在普通的男女分類基礎上，可以建立其他，比如運動型的用戶，季節用戶，品牌影響用戶……

非常贊同海平的方式，細分會發現完全不一樣的世界。

其實這個問題很好解決，技術派的人思考問題總是很狹隘，你完全可以在用戶註冊機制中獲得你想得到的信息，比如喜歡的品牌，消費水平，一些消費習慣，之後再分門別類，分別精細投放相關產品信息，收益會高很多。

數據：看訪問數據的來源、去向、停留時間、訪問深度、轉化率、蹦失率等，進行聚類，挖掘數據異常
用戶：訪談用戶使用情景、行為模型、決策模型、探究原因，互相驗證

可以根據運營經驗將用戶主觀的進行分類，比如按購買次數，或者付費金額來對用戶進行分類，設定模型，再根據數據抽樣，通過來源、轉化、訪問軌跡等來驗證、修改模型。這也是一般的做法，有一定運營時間後，運營人員的經驗可以直接利用。

從數據挖掘的方法來看對這個問題：

1.先做聚類

聚類是無監督學習，我們不知道到底鞋類B2C用戶有哪幾類，但我們知道我們大概會按一些指標

來給用戶劃分，譬如根據加入購物車的物品數，來本店流量的次數，歷史在本店購買過的次數，歷史購買金額等。

用這些數據做聚類，會分成幾類用戶，譬如老優質客戶，流失客戶，潛在用戶及其他咱們未知的客戶群等。

2.再用決策樹進行分類

決策數在聚類的基礎上，給每個用戶群用戶打標籤，簡單點的也就是什麼樣的用戶是老優質客戶，什麼樣的是流失客戶。

譬如加入購物車物品數&>5,歷史購買次數&>4,歷史購買金額&>500等。

有了這些規則後，你就可以對每個來訪的用戶進行用戶歸類，看他是哪類用戶，對每類不同用戶進行特定營銷。

譬如一個用戶來你店了，你通過規則給他定義為潛在用戶，那麼你就可以給他相應折扣，對優質老客戶給他套餐，推薦新款等。

鞋類產品，我沒有做詳細了解，我分享一點兒我不成熟的建議，權當拋磚引玉！

第一種（RFM）

簡單去做分類，這種分類的優點就是適應度較廣；缺點也很明顯比較粗糙會喪失一部分個體差異性。你可以去嘗試下RFM這種模型，方法和原理都比較簡單。分別在R(Recency)表示客戶最近一次購買的時間有多遠，F(Frequency)表示客戶在最近一段時間內購買的次數，M (Monetary)表示客戶在最近一段時間內購買的金額；這三個因素，具體實施的話還要用一些方法看下用戶各個維度的散列情況。根據此方式也可以建立初步立方的數據體，將用戶分為八類進行精準營銷方案，可以降低營銷成本，關於這個模型我就不細說了，細說就像戲說，呵呵！顯得我沒文化！用工具的話這就是基礎了（spss）

第二種（數據挖掘）

比較複雜了，優點就是現在都在做的數據挖掘就是在做這些事情，缺點就是投入較高了，可能要有以下幾個東東了（目前關心的）。

1、模型

我現在工作中做的，根據不同的營銷主題，去做客戶定製化的模型，根據預測效果去匹配營銷方案。模型最好先去訓練再實施，其實做B2C目標很明確，也就是最大的KPI較為明確和清晰，就是用戶的購買，但是當最終結果不是很理想的時候我們就需要細分我們的KPI了，這時候模型們就出來了，例如：用戶流失模型、交叉銷售模型、向上銷售模型等；不同模型對應的演算法組合也不太一樣，如我們現在常用決策樹來看每個維度對結果的影響。

2、數據倉庫

費時比較多就是數據的建設了，你現在的數據有可能根本就無法直接支持你建立的模型，這時候去做需要數據的處理了，有時候你的數據來源分散各處，存在的形式也不一定是結構化的數據（表格、文本、圖像等），需要去做分散式存儲、分散式計算（大數據的活兒，當然用不用大數據還需要看你們具體的數據來源和增長量）；

我們起步較晚，根據數據不完善，我們做了信息化管理的平台！

針對我們的內容我們資料庫倉庫這塊兒的規劃（也算是我們的產品維度），畢竟是做內容的公司

3、人才

很多傳統人員對這塊兒有一定偏見，每次我在分享系統一部分的時候，有人就問我，系統做的那麼牛了，我們是不是都需要下崗了？這個我只能說，下不下崗這是老闆的事兒，但是絕對需要大家有變化，你們會變得更牛，因為你們在駕馭更牛的系統，至於大家怎麼去跟上這種變化，就不是我一個小產品人員能決定的了。

互聯網浪潮始終向前，要不要被拍在沙灘上~~除了選擇，還要做些事情（革命，被革命~~呵）

當然具體工作內容還是不少的，我說的只是我較關心的幾個關鍵詞，具體工作過程中也有些不爽和快樂，希望大家也多分享！

此致~~~

海平寫的很好！正是由海平寫的東西，我才有寫的衝動了，我再另一個角度說的想法，希望能有磚頭或者玉砸過來！

寫到這兒~~~~希望大家多溝通，數據挖掘我們也是探索中前行！

餓了，不知所云！

訂單易- 微信訂單管理平台

畢總，你手下員工數量龐大，是一個很好的消費群調查對象，讓他們在內部通訊系統中提交個人消費體驗，然後分類匯總，用之上的維度分類分析。這能夠代表一部分消費群體的購買前行為軌跡。註：一部分消費群體畢總，跟著你有肉吃！