電商行業(yè)的尤其關(guān)注用戶終身價值（CLV），用戶獲取成本的升高、活躍度的降低、留存率減小等，都將影響用戶收益率。通過用戶分群與深度下鉆分析，有助于從不同群組用戶的行為事件中找出規(guī)律，制定有針對性的措施。
先來看一下買家（即電商用戶）在一個電商平臺中的典型行為事件。
以上電商用戶的行為事件，涵蓋了典型的AARRR海盜指標(biāo)中獲取、激活、留存、營收、推薦的五個重要節(jié)點。相對應(yīng)的，也反映了電商平臺運營應(yīng)該關(guān)注的幾個核心指標(biāo)：即渠道轉(zhuǎn)化率、跳出率、棄購率、用戶付費轉(zhuǎn)化率、活躍用戶比例、用戶終身價值、病毒系數(shù)等。
在《精益數(shù)據(jù)分析》中，阿利斯泰爾·克羅爾和本杰明·尤科維奇對好的數(shù)據(jù)指標(biāo)進行了定義，即：
1.????好的數(shù)據(jù)指標(biāo)具有可比較性
2.????好的數(shù)據(jù)指標(biāo)是簡單易懂的
3.????好的數(shù)據(jù)指標(biāo)是一個比例
4.????好的數(shù)據(jù)指標(biāo)會改變行為
電商用戶的行為事件分析，也需要在好的指標(biāo)的指引下，進行深度下鉆分析，從而找出“好”行為事件和“壞”行為事件。
以下通過數(shù)數(shù)科技ThinkingAnalytics系統(tǒng)來說明如何做好電商平臺用戶行為事件分析。
一、定義明確的用戶行為事件
每個電商平臺根據(jù)產(chǎn)品特性，會有不同的行為事件，在進行前期數(shù)據(jù)規(guī)劃中，需要對可分析事件進行全量數(shù)據(jù)埋點。后期平臺運營過程中，都將依賴于前期的數(shù)據(jù)采集規(guī)劃。
TA系統(tǒng)定義的電商用戶事件組（部分）
二、確定行為事件分析維度
分析維度的定義主要可以從用戶屬性、用戶分群、事件屬性、分析時段、布爾運算的角度定義。
常用的用戶屬性有：省份、城市、用戶來源、首次訪問時間、注冊時間、首次購買時間、最后購物時間、最后訪問時間、性別、VIP等級、出生年月等。
針對以上用戶屬性，可以將用戶劃分為：廣點通來源客戶、近期日未登錄用戶、最近7天支付訂單用戶、北上廣深用戶等群組。
常用的事件屬性有：商品ID、商品名、商品數(shù)量、商品大類、商品細(xì)分類目、加入購物車入口、商品訂單、使用優(yōu)惠券、提交訂單、支付訂單、分享商品、瀏覽商品、聯(lián)系客服、點擊推廣欄、領(lǐng)取優(yōu)惠券等。
比如我們想找出近30天內(nèi)、通過不同渠道獲取的客戶、加入購物車商品數(shù)量大于2個的用戶情況，以此來查看不同渠道獲取客戶的購買意向（在此假定購物車商品數(shù)量一定程度上代表了購買意向高低）。在TA系統(tǒng)中選定多維分析字段后查詢結(jié)果如下：
選定分析維度
近30天分析結(jié)果
從分析結(jié)果可以看出，朋友推薦的用戶購買意向明顯較高，運營過程中可增加用戶分享的刺激要素。而通過新浪、軟文轉(zhuǎn)化而來的用戶購買意向較低，有可能是推廣中標(biāo)定的用戶群體準(zhǔn)確定不夠，可以在這兩種推廣過程中，加強目前群體的篩選。
三、發(fā)現(xiàn)規(guī)律后進行下鉆分析，找出原因
比如從上一步的分析看到，朋友推薦方式購買意向強，軟文推廣、新浪推廣購買意向低，那么實際上是否購買意向強的用戶完成了更多購買？高購買意向的用戶和低購買意向用戶在平臺里的行為有哪些差異？前者可以通過渠道漏斗轉(zhuǎn)化，對不同渠道轉(zhuǎn)化率進行分析，后續(xù)文章再做詳細(xì)分析。后者則可通過查看高意向與低意向用戶行為序列、用戶訪問等形式，尋找原因。
選出通過新浪、軟文方式獲取到的高意向客戶進行分析
兩個渠道來源用戶的城市分布
通過分析看到，兩個渠道獲取的客戶多集中在成都、合肥、南京等非超一線城市。
朋友推薦用戶的城市分布
而從通過朋友推薦進入的用戶分析可以看到，北京、武漢、上海等城市用戶的購買意向明顯高于其他城市，其中北京遙遙領(lǐng)先。
之后的市場推廣、平臺運營，可以調(diào)整軟文投放、新浪推廣的目標(biāo)群體，集中到北京、上海等城市。
同時對于其他城市用戶購買意向偏低的情況，還可進一步下鉆分析，看看其加入購物車商品的類別、價格等情況，找出是因為價格、商品類別、運費過高還是其他原因造成的購買意愿不強，從而及時進行調(diào)整，或者堅定平臺的精品路線。
電商平臺設(shè)計初期，就應(yīng)該對用戶行為事件進行明確定義，做好數(shù)據(jù)采集布置，在運營階段靈活進行多維分析，以找到快速增長的要素。
