1. 用户粘性分析

用户黏度是指用户对于品牌或产品的忠诚、信任与良性体验等结合起来形成的依赖程度和再消费期望程度。在业务场景中, 可根据用户的连续登录次数来判断产品的健康程度。

用户粘性分析：帮助运营团队了解现有用户规模, 追踪运营活动拉新效果, 为活动复盘分析提供决策依据。

用户连续登录人数分析

在本例网站登录数据检测场景中, 认定 每周登录天数超过2次 客户为该周的具有粘性群体。可以在现有登录数据以 每周 粒度来计算 每周登录超过2次人数。

梳理原始数据

2. 数据处理

添加计算列 ：

• 年 登录时间的年份 ：

Year('登录数据集'[登录时间])

• 年周数 登录时间的年-周, 构成年周维度的组合字段 ：

'登录数据集'[年]&"-"&'登录数据集'[周]

添加度量值 ：

• 每周登录天数超过2次人数 统计每周登录天数超过两次的人数 ：

var dayLoginData = Filter(
        Summarize('登录数据集',
                    [年周数],
                    [联系电话],
                    [客户状态],
                    "loginTimes",
                    CountX('登录数据集','登录数据集'[联系电话])                
        ),
  [loginTimes] >=2
  )
return Calculate(DistinctCountx(dayLoginData,[联系电话]))

3. 可视化

每周登录天数超过2次趋势图 ：

• 面积图, 折线图

• 绑定字段:

  • 分类：年周数

  • 数值: 每周登录天数超过2次人数

  • 系列(折线图): 客户状态

数据分析

可以看到 2022-13周 到 2022-15 周 用户登录超过两次的人数持续上涨。在右侧的图中也可以看到上升最明显的是潜在客户, 说明该阶段的活动或者产品能力在持续吸引客户方面的反馈是相当有效的, 对 潜在客户 的吸引尤其有所增益。

扩展分析

为了能更好的评估当前网站产品客户粘性情况, 可进一步评价 用户每周登录天数 分布情况。

将原始数据重新处理, 通过数据集中的自定义sql或字段分组功能可将用户每周登录次数提前计算

select 年份,周,联系电话,登录时间,Count(联系电话) as 一周登录次数 
  from (
    select distinct Year([数据表].[登录时间]) as 年份,周,联系电话,登录时间 
      from 数据表
) tmp group by tmp.年份,tmp.周,tmp.联系电话,tmp.登录时间

4. 可视化

每周登录次数人数分布 ：

• 条形图, 面积图

• 绑定字段:

  • 分类：一周登录次数

  • 数值: 联系电话计数

5. 最终效果

分析结论：

可以看到整体的登录次数人数分布方面, 绝大部分都是只有 1 天登录时间, 所以再客户粘性方面还有很大提升空间。

6. 资源包下载

wyn-export-20230228092424.zip

下载资源包，然后将其导入系统，可看到最终实现效果。