摘要：对用户行为运用正确的分析可提高电子商务网站的转化率和用户黏性，给网站带来巨大收益，同时也改善用户体验。本文在介绍用户行为分析一般方法的基础上，针对转化率较低、用户黏性较低、推送不精准等电子商务网站网络营销中出现的问题提出对应的优化措施，为网站制定运营策略提供理论支持和参考依据，并利用用户行为分析的数据推荐更具有个性化的服务。
关键词：用户行为分析；网络营销；用户画像
电子商务网站的用户行为贯穿网站运营的方方面面，关系着整个网站的产品更新，服务推荐和推送方式等日常业务，用户行为数据的分析常用于指导网站运营、产品迭代更新、企业内部运作和各部门的协作。用户行为数据主要从三个方面考量：1）用户的访问渠道，涉及渠道的流量监控、用户转化率等；2）用户的浏览监控，包括用户的访问足迹、停留时间的长短、访问路径、跳失路径、访问深度等；3）用户地留下与离开，涉及导致流失的原因、各页面转化率、页面跳失率、各页面交互和体验、用户活跃量、用户黏性。国内学者栗辉等(2016)认为网站包含大量的、异构的、动态与静态结合的信息资源,利用数据分析的技术对这些网站的数据进行组织归纳，可有效地管理资源、改良网站服务推荐满足用户需求[1]。用户行为分析已成为电商网站的重要研究课题。
1用户行为分析的一般方法
1.1漏斗模型
漏斗模型把用户行为流程抽象为一个过程，具体分析访问网站、注册登录、搜索浏览商品、加入购物车、完成付款、复购一系列环节中的流失和转化，相邻环节转化率的量化分析有利于网站找到薄弱环节，将浏览者转变为注册用户。
1.2用户画像
用户画像是网站根据业务需要统计整合多维度用户信息，既可聚类目标用户的群体特性，又可标签化用户信息勾勒出个体的用户画像，从而快速精准定位用户需求，推断消费者的基本情况、喜好偏向、购物需求等主要商业信息。
1.3点击分析模型
点击分析采取可视化的分析架构，直观地反映网站页面吸引访客的区域、浏览者热衷的板块，帮助前端和后端的设计人员完善网页的设计。
1.4行为事件分析
将用户行为定义为各种事件，其要素的人物(who)、时间(when)、地点(where)、交互(how)、内容(what)聚合在一起构成用户行为事件。点击分析采取可视化的分析架构，直观地反映网站页面吸引访客的区域、浏览者热衷的板块，帮助前端和后端的设计人员完善网页的设计。
1.5行为事件分析
将用户行为定义为各种事件，其要素的人物(who)、时间(when)、地点(where)、交互(how)、内容(what)聚合在一起构成用户行为事件。Who：即参与事件的主体，未登陆用户可以是Cookie、设备ID等匿名ID；登录用户可以是用后台配置的实际用户ID。When：即事件发生的实际时间，应该记录精确到毫秒的事件发生时间。Where：即事件发生的地点，可以通过IP来解析用户所在地理位置；How：即用户从事这个事件的方式。用户使用的设备、浏览器、APP版本、渠道来源等等。What：描述用户所做的这个事件的所有具体内容。行为事件指一个用户在某个时间点、某个地方以某种方式完成了某个具体内容。
2电子商务网站营销中的问题
2.1转化率较低
网站通过漏斗模型的分析可以分析用户行为每一环节的转化率和流失率，量化用户行为每一环节的留存数，在流失较多的环节上展开更细致的多维度分析[2]。例如以某母婴网站刚开始的访问人数为基数，经历了注册登录、搜索浏览、到加购和完成购买的过程中用户不断减少，最后复购的顾客中只有当初访问人数的2%，显示用户转化率非常低。从营销渠道看，头条信息流、微信朋友圈信息投放、微博信息投放、公众号信息投放也存在着同样的问题，虽然能吸引较大的点击量，但是每一环节的转化率都很低。网站自运营的宣传渠道访问量虽然很少，但成交率和复购率都远高于付费渠道。
2.2网站用户黏性较低
在记录网站一天之内用户的访问次数基础上可以分析出每日增长用户数、日均活跃用户数、新用户留存率等用户黏度基础指标。例如某寻医问药的网站不仅访问量和活跃的用户比较少，使用时长也只有三分钟，用户黏性非常低。同时从跳出率高低、人均浏览次数、人均停留时间、用户留存率、回访率等指标以及某段时间新用户没有很大的波动上来看，该网站用户黏性也不高。
2.3网站推送不精准
在用户需求和市场发展中产品不断更新换代，当产品规划、用户体验感受、活动策划等发生变化时，网站却还是在有限的版面上推送产品，不仅对用户造成了骚扰，还浪费了网站的推送成本。网站没有对用户的动态信息从时间先后上进行分析，容易导致购后重复推送的问题。例如用户已经在某电器类网站购买了冰箱，网站还是在这个已经购买的时间点后出现了冰箱的推送，这样的推送显然是没有意义的，因为冰箱是一个更新换代很漫长的产品，一旦用户已经购买过，近期产生购买行为的可能性不大。
3网络营销的优化措施
高效地收集、存储后利用这些用户行为数据，从中挖掘用户行为模式和用户潜在需求，进而优化设计网络营销方案，对网站和用户来说都有重要意义[3]。
3.1优化购物流程，提升转化率
网站可以通过用户的整体行为路径分析不同环节行为之间的关系，发现规律突破瓶颈，确定影响转化的主次因素，并根据每个环节的转化率，加大对优势环节的人力物力投入，减少劣势环节的成本投入，确保有效利用网站资源。通过漏斗可以分析用户行为路径在每一环节的转化和流失，对流失较多环节进行细化多维度分析，找出漏点提升转化。（1）定义转化漏斗：首先找到需要分析的业务流程，量化它的所有数据，整个选购和回购的过程抽象成一个漏斗，分别分为进入网站到注册登录、搜索浏览网页商品、加入购物车、完成付款、复购等环节。（2）漏斗对比分析：查看用户行为在漏斗每一环节的变化，对比分析事件、用户属性、时间粒度，找出漏点事件，解决漏点的问题。例如某网站的漏点事件主要集中在注册步骤中，这段漏斗的转化率明显偏低，要么注册流程烦琐，要么注册的界面设计有问题，网站需要着重关注。
3.2优化网页结构，精准获悉用户需求
网页热力图呈现用户喜爱点击的模块或聚焦的内容，是数据价值最上层表现。超大字的点击热度大于图片，图片模块属于下层表现，网站如果过度关注图片的作用，网页排版会造成体验不佳。根据用户行为分析的结果，安排具有价值的上层表现在排版上凸显位置，例如把它放在用户能一眼看到的地方，醒目且方便点击。在具体操作中可以利用点击模型分析法把网页规划成不同的模块，形成一个平面图。网站单页面的点击分析支持筛选事件属性、用户属性的任意维度，页面组的点击支持站内点击跳转分析，自动延续上前一页面的筛选条件，“点击分析”与其他分析方法配合，精准评估用户与网站交互背后的关联关系，有利于网站运营人员获悉到用户的需求。
3.3升级个性化体验，提高用户黏性
感知价值是用户的一种主观感受，在体验或者已经购买过的行为中所获取的感受，主要是利得还是利失，如果用户感觉到利得是对该品牌最好的体验结果，可以继续对该品牌产生好感而继续购买。萝卜青菜各有所爱，用户也是一样，不是每一个人的审美和选择都是一样的，让用户持久地留下来，要根据每个用户的点击分析，了解每个用户所感兴趣的因素。在每一次浏览的时候所能看到的都是自己喜欢的内容，带来良好的体验，在网页的排版是，在显眼的位置放上每个用户所喜欢的内容，不仅吸引顾客继续留存网站，还能给客户带来良性体验。用户的转化成本，包括心理成本、时间成本和学习成本。如果产品性能或服务的可替代性高，则客户重复购买的概率就小。大幅度拉升用户转化成本可以有利于用户黏性的提高。依赖感也是黏性中较为重要的因素，用户对品牌产生了依赖感，品牌就是不可替代的，是购物的不二选择，这类因素带来的用户黏性较高。当用户需要耗费更多的精力了解和转战其他网站，网站的转化成本就会增加，而网站的一些功能在其他网站上都应有尽有，这样用户的选择就非常多，而且转化成本也比较低，所以网站需要自主开发一些新颖的功能或模块，让用户认准了这个网站，对网站产生依赖心理，成为用户的首选网站。
4构建详细的用户画像，最优时间推送
刘飞(2015)阐述了现在广告推送的现状：推送无关的广告，用户产生厌倦并且逐渐对广告产生了“免疫”,导致近年来CTR(点击通过率)大幅下降[4]。推送给用户最有针对性和最有帮助的内容是至关重要的。预测用户消费心理，按用户心理预期推送，吸引用户消费，网站需要准确掌握用户的静态数据和动态数据，掌握用户的消费属性，例如经济情况、消费偏好、性别等，特别是与推荐商品相关联的标签，找到每一种商品的“专属顾客”，让商品“适合”用户，这样的一对一准确推送，不让用户觉得厌烦，反而觉得推送的有用处。第一步，建立用户信息画像。首先获取用户的基本信息，即静态数据，建立信息画像的原型。例如分析一对新婚夫妇的静态数据，包括地域、收入、职业、收入、资产、消费水平等。获取动态数据，包括用户的浏览习惯、访问时长、使用频次、消费记录、喜欢偏好、行为轨迹等。第二步，绘制行为画像，使用户需求越来越明朗。例如在分析用户的行为时，观察发现用户几天前通过移动端下单购买过一台冰箱，访问时段主要集中在睡前几小时，浏览内容主要是一些家电，在购买以后，并没有再浏览冰箱相关产品。然后利用搜集到的数据勾勒出用户画像，找到数据中的极值。例如这个用户的集中访问时间为晚饭后到睡前，喜好偏向为家庭用品，收入较高，消费水平高等。根据用户画像的分析，可发现重复推送的问题，没有根据用户的实际需求正确推荐商品。第三步，在最优时间推送获取用户的购买记录，在更新率低的商品上，一旦顾客出现了购买行为就要停止向顾客推送。但是如衣帽鞋类这种同类比的商品可以相同类型的多推送激起用户的购买欲望，一些消耗品的推送时，要根据上次购买的时间推算出下一次购买的大概时间。这样的推送不仅不会对顾客产生骚扰，而且也能在时间线上达到最优的推送时间，提高变现率。
5结语
在互联网和大数据的高速发展的时代，网站需要分析运营中用户行为轨迹的表现，利用用户自己带给网站的信息探究用户心理，进一步挖掘出用户对电子商务网站的真正诉求，发挥出线上运营最大的优势，并通过正确的方式去引导，实现网站的盈利。
参考文献：
[1]栗辉,唐萌,陈豪.基于用户行为分析的网站结构优化研究综述[J].计算机科学,2016,43(S1):384-386,394.
[2]王召义,薛晨杰.基于K-MEANS聚类的电商网站用户行为分析[J].温州大学学报(自然科学版),2017,38(3):49-54.
[3]张松.互联网电商网站的流量和用户行为分析[D].北京:北京邮电大学,2016.
[4]刘飞.网购网站用户行为分析与实现[D].西安:电子科技大学,2015.
作者:谢军 吴静 高海霞 单位:宿州学院
