電子商務(wù)網(wǎng)站用戶行為及網(wǎng)絡(luò)營銷優(yōu)化

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了電子商務(wù)網(wǎng)站用戶行為及網(wǎng)絡(luò)營銷優(yōu)化范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：對用戶行為運(yùn)用正確的分析可提高電子商務(wù)網(wǎng)站的轉(zhuǎn)化率和用戶黏性，給網(wǎng)站帶來巨大收益，同時也改善用戶體驗(yàn)。本文在介紹用戶行為分析一般方法的基礎(chǔ)上，針對轉(zhuǎn)化率較低、用戶黏性較低、推送不精準(zhǔn)等電子商務(wù)網(wǎng)站網(wǎng)絡(luò)營銷中出現(xiàn)的問題提出對應(yīng)的優(yōu)化措施，為網(wǎng)站制定運(yùn)營策略提供理論支持和參考依據(jù)，并利用用戶行為分析的數(shù)據(jù)推薦更具有個性化的服務(wù)。

關(guān)鍵詞：用戶行為分析；網(wǎng)絡(luò)營銷；用戶

畫像電子商務(wù)網(wǎng)站的用戶行為貫穿網(wǎng)站運(yùn)營的方方面面，關(guān)系著整個網(wǎng)站的產(chǎn)品更新，服務(wù)推薦和推送方式等日常業(yè)務(wù)，用戶行為數(shù)據(jù)的分析常用于指導(dǎo)網(wǎng)站運(yùn)營、產(chǎn)品迭代更新、企業(yè)內(nèi)部運(yùn)作和各部門的協(xié)作。用戶行為數(shù)據(jù)主要從三個方面考量：1）用戶的訪問渠道，涉及渠道的流量監(jiān)控、用戶轉(zhuǎn)化率等；2）用戶的瀏覽監(jiān)控，包括用戶的訪問足跡、停留時間的長短、訪問路徑、跳失路徑、訪問深度等；3）用戶地留下與離開，涉及導(dǎo)致流失的原因、各頁面轉(zhuǎn)化率、頁面跳失率、各頁面交互和體驗(yàn)、用戶活躍量、用戶黏性。國內(nèi)學(xué)者栗輝等(2016)認(rèn)為網(wǎng)站包含大量的、異構(gòu)的、動態(tài)與靜態(tài)結(jié)合的信息資源,利用數(shù)據(jù)分析的技術(shù)對這些網(wǎng)站的數(shù)據(jù)進(jìn)行組織歸納，可有效地管理資源、改良網(wǎng)站服務(wù)推薦滿足用戶需求[1]。用戶行為分析已成為電商網(wǎng)站的重要研究課題。

1用戶行為分析的一般方法

1.1漏斗模型

漏斗模型把用戶行為流程抽象為一個過程，具體分析訪問網(wǎng)站、注冊登錄、搜索瀏覽商品、加入購物車、完成付款、復(fù)購一系列環(huán)節(jié)中的流失和轉(zhuǎn)化，相鄰環(huán)節(jié)轉(zhuǎn)化率的量化分析有利于網(wǎng)站找到薄弱環(huán)節(jié)，將瀏覽者轉(zhuǎn)變?yōu)樽杂脩簟?/p>

1.2用戶畫像

用戶畫像是網(wǎng)站根據(jù)業(yè)務(wù)需要統(tǒng)計(jì)整合多維度用戶信息，既可聚類目標(biāo)用戶的群體特性，又可標(biāo)簽化用戶信息勾勒出個體的用戶畫像，從而快速精準(zhǔn)定位用戶需求，推斷消費(fèi)者的基本情況、喜好偏向、購物需求等主要商業(yè)信息。

1.3點(diǎn)擊分析模型

點(diǎn)擊分析采取可視化的分析架構(gòu)，直觀地反映網(wǎng)站頁面吸引訪客的區(qū)域、瀏覽者熱衷的板塊，幫助前端和后端的設(shè)計(jì)人員完善網(wǎng)頁的設(shè)計(jì)。

1.4行為事件分析

將用戶行為定義為各種事件，其要素的人物(who)、時間(when)、地點(diǎn)(where)、交互(how)、內(nèi)容(what)聚合在一起構(gòu)成用戶行為事件。點(diǎn)擊分析采取可視化的分析架構(gòu)，直觀地反映網(wǎng)站頁面吸引訪客的區(qū)域、瀏覽者熱衷的板塊，幫助前端和后端的設(shè)計(jì)人員完善網(wǎng)頁的設(shè)計(jì)。1.5行為事件分析將用戶行為定義為各種事件，其要素的人物(who)、時間(when)、地點(diǎn)(where)、交互(how)、內(nèi)容(what)聚合在一起構(gòu)成用戶行為事件。Who：即參與事件的主體，未登陸用戶可以是Cookie、設(shè)備ID等匿名ID；登錄用戶可以是用后臺配置的實(shí)際用戶ID。When：即事件發(fā)生的實(shí)際時間，應(yīng)該記錄精確到毫秒的事件發(fā)生時間。Where：即事件發(fā)生的地點(diǎn)，可以通過IP來解析用戶所在地理位置；How：即用戶從事這個事件的方式。用戶使用的設(shè)備、瀏覽器、APP版本、渠道來源等等。What：描述用戶所做的這個事件的所有具體內(nèi)容。行為事件指一個用戶在某個時間點(diǎn)、某個地方以某種方式完成了某個具體內(nèi)容。

2電子商務(wù)網(wǎng)站營銷中的問題

2.1轉(zhuǎn)化率較低

網(wǎng)站通過漏斗模型的分析可以分析用戶行為每一環(huán)節(jié)的轉(zhuǎn)化率和流失率，量化用戶行為每一環(huán)節(jié)的留存數(shù)，在流失較多的環(huán)節(jié)上展開更細(xì)致的多維度分析[2]。例如以某母嬰網(wǎng)站剛開始的訪問人數(shù)為基數(shù)，經(jīng)歷了注冊登錄、搜索瀏覽、到加購和完成購買的過程中用戶不斷減少，最后復(fù)購的顧客中只有當(dāng)初訪問人數(shù)的2%，顯示用戶轉(zhuǎn)化率非常低。從營銷渠道看，頭條信息流、微信朋友圈信息投放、微博信息投放、公眾號信息投放也存在著同樣的問題，雖然能吸引較大的點(diǎn)擊量，但是每一環(huán)節(jié)的轉(zhuǎn)化率都很低。網(wǎng)站自運(yùn)營的宣傳渠道訪問量雖然很少，但成交率和復(fù)購率都遠(yuǎn)高于付費(fèi)渠道。

2.2網(wǎng)站用戶黏性較低

在記錄網(wǎng)站一天之內(nèi)用戶的訪問次數(shù)基礎(chǔ)上可以分析出每日增長用戶數(shù)、日均活躍用戶數(shù)、新用戶留存率等用戶黏度基礎(chǔ)指標(biāo)。例如某尋醫(yī)問藥的網(wǎng)站不僅訪問量和活躍的用戶比較少，使用時長也只有三分鐘，用戶黏性非常低。同時從跳出率高低、人均瀏覽次數(shù)、人均停留時間、用戶留存率、回訪率等指標(biāo)以及某段時間新用戶沒有很大的波動上來看，該網(wǎng)站用戶黏性也不高。

2.3網(wǎng)站推送不精準(zhǔn)

在用戶需求和市場發(fā)展中產(chǎn)品不斷更新?lián)Q代，當(dāng)產(chǎn)品規(guī)劃、用戶體驗(yàn)感受、活動策劃等發(fā)生變化時，網(wǎng)站卻還是在有限的版面上推送產(chǎn)品，不僅對用戶造成了騷擾，還浪費(fèi)了網(wǎng)站的推送成本。網(wǎng)站沒有對用戶的動態(tài)信息從時間先后上進(jìn)行分析，容易導(dǎo)致購后重復(fù)推送的問題。例如用戶已經(jīng)在某電器類網(wǎng)站購買了冰箱，網(wǎng)站還是在這個已經(jīng)購買的時間點(diǎn)后出現(xiàn)了冰箱的推送，這樣的推送顯然是沒有意義的，因?yàn)楸涫且粋€更新?lián)Q代很漫長的產(chǎn)品，一旦用戶已經(jīng)購買過，近期產(chǎn)生購買行為的可能性不大。

3網(wǎng)絡(luò)營銷的優(yōu)化措施

高效地收集、存儲后利用這些用戶行為數(shù)據(jù)，從中挖掘用戶行為模式和用戶潛在需求，進(jìn)而優(yōu)化設(shè)計(jì)網(wǎng)絡(luò)營銷方案，對網(wǎng)站和用戶來說都有重要意義[3]。3.1優(yōu)化購物流程，提升轉(zhuǎn)化率網(wǎng)站可以通過用戶的整體行為路徑分析不同環(huán)節(jié)行為之間的關(guān)系，發(fā)現(xiàn)規(guī)律突破瓶頸，確定影響轉(zhuǎn)化的主次因素，并根據(jù)每個環(huán)節(jié)的轉(zhuǎn)化率，加大對優(yōu)勢環(huán)節(jié)的人力物力投入，減少劣勢環(huán)節(jié)的成本投入，確保有效利用網(wǎng)站資源。通過漏斗可以分析用戶行為路徑在每一環(huán)節(jié)的轉(zhuǎn)化和流失，對流失較多環(huán)節(jié)進(jìn)行細(xì)化多維度分析，找出漏點(diǎn)提升轉(zhuǎn)化。（1）定義轉(zhuǎn)化漏斗：首先找到需要分析的業(yè)務(wù)流程，量化它的所有數(shù)據(jù)，整個選購和回購的過程抽象成一個漏斗，分別分為進(jìn)入網(wǎng)站到注冊登錄、搜索瀏覽網(wǎng)頁商品、加入購物車、完成付款、復(fù)購等環(huán)節(jié)。（2）漏斗對比分析：查看用戶行為在漏斗每一環(huán)節(jié)的變化，對比分析事件、用戶屬性、時間粒度，找出漏點(diǎn)事件，解決漏點(diǎn)的問題。例如某網(wǎng)站的漏點(diǎn)事件主要集中在注冊步驟中，這段漏斗的轉(zhuǎn)化率明顯偏低，要么注冊流程煩瑣，要么注冊的界面設(shè)計(jì)有問題，網(wǎng)站需要著重關(guān)注。

3.2優(yōu)化網(wǎng)頁結(jié)構(gòu)，精準(zhǔn)獲悉用戶需求

網(wǎng)頁熱力圖呈現(xiàn)用戶喜愛點(diǎn)擊的模塊或聚焦的內(nèi)容，是數(shù)據(jù)價值最上層表現(xiàn)。超大字的點(diǎn)擊熱度大于圖片，圖片模塊屬于下層表現(xiàn)，網(wǎng)站如果過度關(guān)注圖片的作用，網(wǎng)頁排版會造成體驗(yàn)不佳。根據(jù)用戶行為分析的結(jié)果，安排具有價值的上層表現(xiàn)在排版上凸顯位置，例如把它放在用戶能一眼看到的地方，醒目且方便點(diǎn)擊。在具體操作中可以利用點(diǎn)擊模型分析法把網(wǎng)頁規(guī)劃成不同的模塊，形成一個平面圖。網(wǎng)站單頁面的點(diǎn)擊分析支持篩選事件屬性、用戶屬性的任意維度，頁面組的點(diǎn)擊支持站內(nèi)點(diǎn)擊跳轉(zhuǎn)分析，自動延續(xù)上前一頁面的篩選條件，“點(diǎn)擊分析”與其他分析方法配合，精準(zhǔn)評估用戶與網(wǎng)站交互背后的關(guān)聯(lián)關(guān)系，有利于網(wǎng)站運(yùn)營人員獲悉到用戶的需求。

3.3升級個性化體驗(yàn)，提高用戶黏性

感知價值是用戶的一種主觀感受，在體驗(yàn)或者已經(jīng)購買過的行為中所獲取的感受，主要是利得還是利失，如果用戶感覺到利得是對該品牌最好的體驗(yàn)結(jié)果，可以繼續(xù)對該品牌產(chǎn)生好感而繼續(xù)購買。蘿卜青菜各有所愛，用戶也是一樣，不是每一個人的審美和選擇都是一樣的，讓用戶持久地留下來，要根據(jù)每個用戶的點(diǎn)擊分析，了解每個用戶所感興趣的因素。在每一次瀏覽的時候所能看到的都是自己喜歡的內(nèi)容，帶來良好的體驗(yàn)，在網(wǎng)頁的排版是，在顯眼的位置放上每個用戶所喜歡的內(nèi)容，不僅吸引顧客繼續(xù)留存網(wǎng)站，還能給客戶帶來良性體驗(yàn)。用戶的轉(zhuǎn)化成本，包括心理成本、時間成本和學(xué)習(xí)成本。如果產(chǎn)品性能或服務(wù)的可替代性高，則客戶重復(fù)購買的概率就小。大幅度拉升用戶轉(zhuǎn)化成本可以有利于用戶黏性的提高。依賴感也是黏性中較為重要的因素，用戶對品牌產(chǎn)生了依賴感，品牌就是不可替代的，是購物的不二選擇，這類因素帶來的用戶黏性較高。當(dāng)用戶需要耗費(fèi)更多的精力了解和轉(zhuǎn)戰(zhàn)其他網(wǎng)站，網(wǎng)站的轉(zhuǎn)化成本就會增加，而網(wǎng)站的一些功能在其他網(wǎng)站上都應(yīng)有盡有，這樣用戶的選擇就非常多，而且轉(zhuǎn)化成本也比較低，所以網(wǎng)站需要自主開發(fā)一些新穎的功能或模塊，讓用戶認(rèn)準(zhǔn)了這個網(wǎng)站，對網(wǎng)站產(chǎn)生依賴心理，成為用戶的首選網(wǎng)站。

4構(gòu)建詳細(xì)的用戶畫像，最優(yōu)時間推送

劉飛(2015)闡述了現(xiàn)在廣告推送的現(xiàn)狀：推送無關(guān)的廣告，用戶產(chǎn)生厭倦并且逐漸對廣告產(chǎn)生了“免疫”,導(dǎo)致近年來CTR(點(diǎn)擊通過率)大幅下降[4]。推送給用戶最有針對性和最有幫助的內(nèi)容是至關(guān)重要的。預(yù)測用戶消費(fèi)心理，按用戶心理預(yù)期推送，吸引用戶消費(fèi)，網(wǎng)站需要準(zhǔn)確掌握用戶的靜態(tài)數(shù)據(jù)和動態(tài)數(shù)據(jù)，掌握用戶的消費(fèi)屬性，例如經(jīng)濟(jì)情況、消費(fèi)偏好、性別等，特別是與推薦商品相關(guān)聯(lián)的標(biāo)簽，找到每一種商品的“專屬顧客”，讓商品“適合”用戶，這樣的一對一準(zhǔn)確推送，不讓用戶覺得厭煩，反而覺得推送的有用處。第一步，建立用戶信息畫像。首先獲取用戶的基本信息，即靜態(tài)數(shù)據(jù)，建立信息畫像的原型。例如分析一對新婚夫婦的靜態(tài)數(shù)據(jù)，包括地域、收入、職業(yè)、收入、資產(chǎn)、消費(fèi)水平等。獲取動態(tài)數(shù)據(jù)，包括用戶的瀏覽習(xí)慣、訪問時長、使用頻次、消費(fèi)記錄、喜歡偏好、行為軌跡等。第二步，繪制行為畫像，使用戶需求越來越明朗。例如在分析用戶的行為時，觀察發(fā)現(xiàn)用戶幾天前通過移動端下單購買過一臺冰箱，訪問時段主要集中在睡前幾小時，瀏覽內(nèi)容主要是一些家電，在購買以后，并沒有再瀏覽冰箱相關(guān)產(chǎn)品。然后利用搜集到的數(shù)據(jù)勾勒出用戶畫像，找到數(shù)據(jù)中的極值。例如這個用戶的集中訪問時間為晚飯后到睡前，喜好偏向?yàn)榧彝ビ闷罚杖胼^高，消費(fèi)水平高等。根據(jù)用戶畫像的分析，可發(fā)現(xiàn)重復(fù)推送的問題，沒有根據(jù)用戶的實(shí)際需求正確推薦商品。第三步，在最優(yōu)時間推送獲取用戶的購買記錄，在更新率低的商品上，一旦顧客出現(xiàn)了購買行為就要停止向顧客推送。但是如衣帽鞋類這種同類比的商品可以相同類型的多推送激起用戶的購買欲望，一些消耗品的推送時，要根據(jù)上次購買的時間推算出下一次購買的大概時間。這樣的推送不僅不會對顧客產(chǎn)生騷擾，而且也能在時間線上達(dá)到最優(yōu)的推送時間，提高變現(xiàn)率。

5結(jié)語

在互聯(lián)網(wǎng)和大數(shù)據(jù)的高速發(fā)展的時代，網(wǎng)站需要分析運(yùn)營中用戶行為軌跡的表現(xiàn)，利用用戶自己帶給網(wǎng)站的信息探究用戶心理，進(jìn)一步挖掘出用戶對電子商務(wù)網(wǎng)站的真正訴求，發(fā)揮出線上運(yùn)營最大的優(yōu)勢，并通過正確的方式去引導(dǎo)，實(shí)現(xiàn)網(wǎng)站的盈利。

參考文獻(xiàn)：

[1]栗輝,唐萌,陳豪.基于用戶行為分析的網(wǎng)站結(jié)構(gòu)優(yōu)化研究綜述[J].計(jì)算機(jī)科學(xué),2016,43(S1):384-386,394.

[2]王召義,薛晨杰.基于K-MEANS聚類的電商網(wǎng)站用戶行為分析[J].溫州大學(xué)學(xué)報(bào)(自然科學(xué)版),2017,38(3):49-54.

[3]張松.互聯(lián)網(wǎng)電商網(wǎng)站的流量和用戶行為分析[D].北京:北京郵電大學(xué),2016.

[4]劉飛.網(wǎng)購網(wǎng)站用戶行為分析與實(shí)現(xiàn)[D].西安:電子科技大學(xué),2015.

作者：謝軍 吳靜 高海霞 單位：宿州學(xué)院