★ 重复购买意向(Repurchase Intention): 购买以前购买过的类型产品的意愿；
★ 交叉购买意向(Cross-buying Intention): 购买以前未购买的产品类型或扩展服务的意愿；
★ 客户推荐意向(Customer Reference Intention): 向其他潜在客户推荐,传递品牌口碑的意愿；
★ 价格忍耐力(Price Tolerance): 客户愿意支付的最高价格。
以上4个指标对于电子商务网站而言,可能还有适用性,但对于大多数网站是不合适的,所以为了让分析具有普遍的适用性,同时为了满足所有的指标都可以量化(上面的客户推荐意向比较难以量化),以便进行定量分析的要求,我们选择所有网站都具备的基于访问的用户行为指标:用户访问频率、最近访问间隔时间、平均停留时长和平均浏览页面数,这些也是Google Analytics原版本中用户忠诚度模块下的4个指标。
这4个指标在上文已经多次提到了,定义不再重复介绍。统计数据的时间区间也是根据网站的特征来定的,如果网站的信息更新较快,用户访问较为频繁,那么可以适当选取较短的时间段,这样数据变化上的灵敏度会高些;反之,则选择稍长的时间段,这样用户的数据更为丰富,指标的分析结果也会更加准确有效。在统计得到这4个指标的数值之后,单凭指标数值还是无法得到用户忠诚度的高低,需要对指标进行标准化处理得到相应的评分,通过评分就可以分辨用户的忠诚度在总体中处于什么样的程度。
这里使用min-max归一化的方法,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。这里需要注意的是,min-max归化会受到异常值的影响,比如用户浏览页面数有个50的异常大的数值,那么归一化后大部分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，如果存在,可以对异常值进行转换或过滤;同时这里的最近访问间隔时间同样适用以"天"为单位,注意归一化的时候需要进行特殊处理,因为间隔天数越大,相应的评分应该越小,不同于其他3个指标,其他3个指标使用公式(x-min)/(max-min),最近访问间隔天数要使用(max-x)/(max-min)的方式进行处理。我们使用近一个月的用户访问数据,选择其中3个用户列举一下用户行为数据的处理情况,见表6-2。
表6-2中,用户忠诚度的4个分析指标经过标准化处理后统一以10分制的形式输出,这样就能直接区分每个用户的每项指标的表现好坏。基于每个指标的评分,可以对用户进行筛选,比如营销部门重点跟进经常访问网站的用户,可以选择访问频率评分大于3分的用户,或者重点跟进用户访问参与度较高的用户,可以筛选平均停留时间和平均访问页面数都大于3分的用户,这样能够帮助营销部门迅速定位忠诚用户。
这里我们用4个用户行为指标来评价用户的忠诚度,这类基于多指标从多角度进行评价最常见的展现方式就是雷达图,或者叫蛛网图,在电脑游戏里面比较常见,比如一些足球游戏使用雷达图来表现球员的各方面的能力指数,如防守、进攻、技术、力量、精神等,所以这里也可以借用雷达图用4个指标来展现用户的忠诚度表现情况,如图6-18所示。
图6-18使用了表6-2中三位用户的评分数据绘制而成,能够非常形象地表现用户忠诚度在各指标上的表现情况,用户1的整体忠诚度较低,用户2在访问频率和访问间隔具有较好表现,而用户aki访问具有相对较高的参与度。使用雷达图分析用户的忠诚度主要有如下优势：
★ 可以完整地显示所有评价指标;
★ 显示用户在各指标评分中的偏向性,在哪些方面表现较好;
★ 可以简单观察用户整体的忠诚情况,即图形围成的面积大小(假设4个指标的权重相等,若重要程度存在明显差异,则不能用面积来衡量);
★ 可以用于用户间忠诚度的比较。
所以,基于雷达图展现用户的忠诚度之后,营销部门可以直接查看哪些网站设计用户具有较好的忠诚度,哪些用户值得他们重点跟进。
本文地址：//cosda.cn//article/2848.html
