《【網(wǎng)站設(shè)計(jì)論文】電子商務(wù)網(wǎng)站用戶行為及網(wǎng)絡(luò)營(yíng)銷優(yōu)化》由會(huì)員分享，可在線閱讀，更多相關(guān)《【網(wǎng)站設(shè)計(jì)論文】電子商務(wù)網(wǎng)站用戶行為及網(wǎng)絡(luò)營(yíng)銷優(yōu)化（7頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、【網(wǎng)站設(shè)計(jì)論文】電子商務(wù)網(wǎng)站用戶行為及網(wǎng)絡(luò)營(yíng)銷優(yōu)化 摘要：對(duì)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(lái)巨大收益，同時(shí)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(duì)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(yíng)銷中出現(xiàn)的問(wèn)題提出對(duì)應(yīng)的優(yōu)化措施，為網(wǎng)站制定運(yùn)營(yíng)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(gè)性化的服務(wù)。 關(guān)鍵詞：用戶行為分析；網(wǎng)絡(luò)營(yíng)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(yíng)的方方面面，關(guān)系著整個(gè)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)

2、站運(yùn)營(yíng)、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(gè)方面考量：1）用戶的訪問(wèn)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(wèn)足跡、停留時(shí)間的長(zhǎng)短、訪問(wèn)路徑、跳失路徑、訪問(wèn)深度等；3）用戶地留下與離開(kāi)，涉及導(dǎo)致流失的原因、各頁(yè)面轉(zhuǎn)化率、頁(yè)面跳失率、各頁(yè)面交互和體驗(yàn)、用戶活躍量、用戶黏性。國(guó)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(dòng)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(duì)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

3、 1.1漏斗模型 漏斗模型把用戶行為流程抽象為一個(gè)過(guò)程，具體分析訪問(wèn)網(wǎng)站、注冊(cè)登錄、搜索瀏覽商品、加入購(gòu)物車、完成付款、復(fù)購(gòu)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?cè)用戶。 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(gè)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(gòu)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

4、頁(yè)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(yè)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(shí)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(yè)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(yè)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(shí)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

5、用戶可以是Cookie、設(shè)備ID等匿名ID；登錄用戶可以是用后臺(tái)配置的實(shí)際用戶ID。When：即事件發(fā)生的實(shí)際時(shí)間，應(yīng)該記錄精確到毫秒的事件發(fā)生時(shí)間。Where：即事件發(fā)生的地點(diǎn)，可以通過(guò)IP來(lái)解析用戶所在地理位置；How：即用戶從事這個(gè)事件的方式。用戶使用的設(shè)備、瀏覽器、APP版本、渠道來(lái)源等等。What：描述用戶所做的這個(gè)事件的所有具體內(nèi)容。行為事件指一個(gè)用戶在某個(gè)時(shí)間點(diǎn)、某個(gè)地方以某種方式完成了某個(gè)具體內(nèi)容。 2電子商務(wù)網(wǎng)站營(yíng)銷中的問(wèn)題 2.1轉(zhuǎn)化率較低 網(wǎng)站通過(guò)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

6、留存數(shù)，在流失較多的環(huán)節(jié)上展開(kāi)更細(xì)致的多維度分析[2]。例如以某母嬰網(wǎng)站剛開(kāi)始的訪問(wèn)人數(shù)為基數(shù)，經(jīng)歷了注冊(cè)登錄、搜索瀏覽、到加購(gòu)和完成購(gòu)買的過(guò)程中用戶不斷減少，最后復(fù)購(gòu)的顧客中只有當(dāng)初訪問(wèn)人數(shù)的2%，顯示用戶轉(zhuǎn)化率非常低。從營(yíng)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(hào)信息投放也存在著同樣的問(wèn)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(yíng)的宣傳渠道訪問(wèn)量雖然很少，但成交率和復(fù)購(gòu)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(wèn)次數(shù)基礎(chǔ)上可以分析出每日增長(zhǎng)用戶數(shù)、日均活躍用戶數(shù)、新用戶留存率等用戶黏度基

7、礎(chǔ)指標(biāo)。例如某尋醫(yī)問(wèn)藥的網(wǎng)站不僅訪問(wèn)量和活躍的用戶比較少，使用時(shí)長(zhǎng)也只有三分鐘，用戶黏性非常低。同時(shí)從跳出率高低、人均瀏覽次數(shù)、人均停留時(shí)間、用戶留存率、回訪率等指標(biāo)以及某段時(shí)間新用戶沒(méi)有很大的波動(dòng)上來(lái)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(chǎng)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(dòng)策劃等發(fā)生變化時(shí)，網(wǎng)站卻還是在有限的版面上推送產(chǎn)品，不僅對(duì)用戶造成了騷擾，還浪費(fèi)了網(wǎng)站的推送成本。網(wǎng)站沒(méi)有對(duì)用戶的動(dòng)態(tài)信息從時(shí)間先后上進(jìn)行分析，容易導(dǎo)致購(gòu)后重復(fù)推送的問(wèn)題。例如用戶已經(jīng)在某電器類網(wǎng)站購(gòu)買了冰箱，網(wǎng)站還是在這個(gè)已經(jīng)購(gòu)買的時(shí)間點(diǎn)后出現(xiàn)

8、了冰箱的推送，這樣的推送顯然是沒(méi)有意義的，因?yàn)楸涫且粋€(gè)更新?lián)Q代很漫長(zhǎng)的產(chǎn)品，一旦用戶已經(jīng)購(gòu)買過(guò)，近期產(chǎn)生購(gòu)買行為的可能性不大。 3網(wǎng)絡(luò)營(yíng)銷的優(yōu)化措施 高效地收集、存儲(chǔ)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(yíng)銷方案，對(duì)網(wǎng)站和用戶來(lái)說(shuō)都有重要意義[3]。3.1優(yōu)化購(gòu)物流程，提升轉(zhuǎn)化率網(wǎng)站可以通過(guò)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(gè)環(huán)節(jié)的轉(zhuǎn)化率，加大對(duì)優(yōu)勢(shì)環(huán)節(jié)的人力物力投入，減少劣勢(shì)環(huán)節(jié)的成本投入，確保有效利用網(wǎng)站資源。通過(guò)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

9、失，對(duì)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(gè)選購(gòu)和回購(gòu)的過(guò)程抽象成一個(gè)漏斗，分別分為進(jìn)入網(wǎng)站到注冊(cè)登錄、搜索瀏覽網(wǎng)頁(yè)商品、加入購(gòu)物車、完成付款、復(fù)購(gòu)等環(huán)節(jié)。（2）漏斗對(duì)比分析：查看用戶行為在漏斗每一環(huán)節(jié)的變化，對(duì)比分析事件、用戶屬性、時(shí)間粒度，找出漏點(diǎn)事件，解決漏點(diǎn)的問(wèn)題。例如某網(wǎng)站的漏點(diǎn)事件主要集中在注冊(cè)步驟中，這段漏斗的轉(zhuǎn)化率明顯偏低，要么注冊(cè)流程煩瑣，要么注冊(cè)的界面設(shè)計(jì)有問(wèn)題，網(wǎng)站需要著重關(guān)注。 3.2優(yōu)化網(wǎng)頁(yè)結(jié)構(gòu)，精準(zhǔn)獲悉用戶需求 網(wǎng)頁(yè)熱力圖呈現(xiàn)用戶喜愛(ài)點(diǎn)擊的模塊或聚焦的內(nèi)

10、容，是數(shù)據(jù)價(jià)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(guò)度關(guān)注圖片的作用，網(wǎng)頁(yè)排版會(huì)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(jià)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(yè)規(guī)劃成不同的模塊，形成一個(gè)平面圖。網(wǎng)站單頁(yè)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(yè)面組的點(diǎn)擊支持站內(nèi)點(diǎn)擊跳轉(zhuǎn)分析，自動(dòng)延續(xù)上前一頁(yè)面的篩選條件，“點(diǎn)擊分析”與其他分析方法配合，精準(zhǔn)評(píng)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(yíng)人員獲悉到用戶的需求。 3.3升級(jí)個(gè)性化體驗(yàn)，提高用戶黏性

11、 感知價(jià)值是用戶的一種主觀感受，在體驗(yàn)或者已經(jīng)購(gòu)買過(guò)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(jué)到利得是對(duì)該品牌最好的體驗(yàn)結(jié)果，可以繼續(xù)對(duì)該品牌產(chǎn)生好感而繼續(xù)購(gòu)買。蘿卜青菜各有所愛(ài)，用戶也是一樣，不是每一個(gè)人的審美和選擇都是一樣的，讓用戶持久地留下來(lái)，要根據(jù)每個(gè)用戶的點(diǎn)擊分析，了解每個(gè)用戶所感興趣的因素。在每一次瀏覽的時(shí)候所能看到的都是自己喜歡的內(nèi)容，帶來(lái)良好的體驗(yàn)，在網(wǎng)頁(yè)的排版是，在顯眼的位置放上每個(gè)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(lái)良性體驗(yàn)。用戶的轉(zhuǎn)化成本，包括心理成本、時(shí)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(gòu)買的概率就小

12、。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(duì)品牌產(chǎn)生了依賴感，品牌就是不可替代的，是購(gòu)物的不二選擇，這類因素帶來(lái)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(huì)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(kāi)發(fā)一些新穎的功能或模塊，讓用戶認(rèn)準(zhǔn)了這個(gè)網(wǎng)站，對(duì)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(shí)間推送 劉飛(2015)闡述了現(xiàn)在廣告推送的現(xiàn)狀：推送無(wú)關(guān)的廣告，用戶產(chǎn)生厭倦并且逐漸對(duì)廣告產(chǎn)生了“免疫”,

13、導(dǎo)致近年來(lái)CTR(點(diǎn)擊通過(guò)率)大幅下降[4]。推送給用戶最有針對(duì)性和最有幫助的內(nèi)容是至關(guān)重要的。預(yù)測(cè)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(dòng)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(duì)一準(zhǔn)確推送，不讓用戶覺(jué)得厭煩，反而覺(jué)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(duì)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(dòng)態(tài)數(shù)據(jù)，包括用戶的瀏覽習(xí)慣、訪問(wèn)時(shí)長(zhǎng)、使用頻次、消

14、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(lái)越明朗。例如在分析用戶的行為時(shí)，觀察發(fā)現(xiàn)用戶幾天前通過(guò)移動(dòng)端下單購(gòu)買過(guò)一臺(tái)冰箱，訪問(wèn)時(shí)段主要集中在睡前幾小時(shí)，瀏覽內(nèi)容主要是一些家電，在購(gòu)買以后，并沒(méi)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(gè)用戶的集中訪問(wèn)時(shí)間為晚飯后到睡前，喜好偏向?yàn)榧彝ビ闷?，收入較高，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(wèn)題，沒(méi)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(shí)間推送獲取用戶的購(gòu)買記錄，在更新率低的商品上，一旦顧客出現(xiàn)了購(gòu)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

15、型的多推送激起用戶的購(gòu)買欲望，一些消耗品的推送時(shí)，要根據(jù)上次購(gòu)買的時(shí)間推算出下一次購(gòu)買的大概時(shí)間。這樣的推送不僅不會(huì)對(duì)顧客產(chǎn)生騷擾，而且也能在時(shí)間線上達(dá)到最優(yōu)的推送時(shí)間，提高變現(xiàn)率。 5結(jié)語(yǔ) 在互聯(lián)網(wǎng)和大數(shù)據(jù)的高速發(fā)展的時(shí)代，網(wǎng)站需要分析運(yùn)營(yíng)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(duì)電子商務(wù)網(wǎng)站的真正訴求，發(fā)揮出線上運(yùn)營(yíng)最大的優(yōu)勢(shì)，并通過(guò)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(gòu)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.