文章目录：
- 运营bf是什么意思
- 用户运营前期分析报告
一、运营bf是什么意思
BF 是什么意思？BF 代表 业务框架。
二、用户运营前期分析报告
本报告共分为三部分：第一部分为背景介绍，第二部分为最终的分析报告（包含结论与建议、指标说明、指标体系、用户健康度分析、用户复购行为分析5个部分），第三部分为分析报告中涉及到的数据操作思路及SQL代码。
1背景介绍
现有某电商网站的初创用户运营团队两张原始表，表格包含用户2016年2月1日到2016年4月15日的行为数据及用户信息介绍。现在需要根据这些信息做数据分析，为运营提供支撑。1.1表格介绍User_info用户信息表2.user_action用户行为表两表关系如下图所示：其中user_info是用户信息表，记录用户基础信息如性别、年龄、注册时间等；user_action是用户行为表，记录用户在平台上的一些行为。1.2思路活跃用户群体是一个产品能够维持长期稳定变现的基础资源。用户运营需要获取用户，并在用户进入我们的产品之后引导他们进行激活、激励用户留存、促进用户转化、鼓励用户再传播。运营的核心在于维持用户的增长趋势、延长用户的生命周期、提高用户的价值。因此，对于现在的用户运营团队来说，数据分析师可以提供的价值有：搭建运营指标体系。指标体系可以让运营人员能够看到用户规模以及规模的变动状态。用户分类。按照用户阶段（新用户、激活用户、睡眠用户、流失用户）将用户区分出来，统计每天不同阶段的用户数量，让运营能够了解不同阶段用户规模及其变动情况，设计更加贴切的用户运营方案。用户行为分析。分析有消费行为的用户群与无消费行为的用户群区别，以便找出关键的特征来促进后续的高质量拉新与精细化运营。2用户运营前期分析报告2.1结论及建议2.1.1基本情况描述日活用户三月达到高峰后所有下降周期内(2月1日-4月15日)日均活跃用户数323人，日均增长1%。其中2月日均活跃222人，3月份日均活跃393人。在3月份15日，日活用户达到顶峰588人，之后呈现逐步下降的趋势，4月日均活跃人数为378人。2.日活用户消费转化率不错日活用户消费转化率3.1%，考虑到是初创电商公司（转化率大多介于1%-3%之间），该转化率已基本达标。3.每日新增注册用户数较少、转化率较低2月1日-4月15日共新增用户49人，增长呈现随机性；其中5人进行了下单行为，转化率为1%，转化率较低；后续运营需要首先进行拉新活动促进用户增长，在增长数量稳定之后考虑提高转化。4.本周（04.09-04.15）各项指标比上周有所增长本周总的日活用户数达到1192人，比上周增加14%；另外，日活用户转化率为9%，比上周提高了50%；另外，本周浏览、点击、加购物车及下单这四个流程的数据均有显著增长，分别增长27.6%、26.69%、40%、71.43%，其中下单这一环节增长最大，达到了71%。2.1.2建议一：将更多资源投入到新用户的获取上，特别是女性用户的获取已有数据主要表现出以下两个问题：1.新增用户过少1）虽然流失用户和睡眠用户数量在不断下降，但是激活用户并没有增加；考虑到新增用户较少，总体用户数量呈现下降趋势；2）2月1日-4月5日复购率为8.87%，表明公司处于用户获取阶段，应该将更多资源投入到新用户的获取和转化上；另外考虑到转化率已有3%，因此应优先考虑新用户的获取。2.女性用户贡献高，但人数占比少在复购用户中，女性将商品加入购物车的平均次数为21次，比男性（16次）高32%；女性下单次数平均4.6次，比男性(2.8次)高60%；但是在总人数占比上，女性只占8%，男性占比47%，女性用户数量不足男性的1/5。因此，总的来说用户池较不健康，应该将更多资源投入到新用户的获取上，特别是女性用户的获取。2.1.3建议二：关注45岁以上人群的购物需求在复购用户中，46岁以上人群比16-45岁人群的详情页浏览次数低27%、点击率低28%，但是加入购物车和下单的行为分别高54%、13%。这可能表明46岁以上人群在进入网站/APP购物时有更明确的购物需求。2.1.4建议三：鼓励用户填写完整信息复购用户中，性别为“未知”的群体下单概率高于其他群体79%；另外该群体浏览详情页、点击的次数也高于其他群体，只有加购物车环节的次数小于46岁以上群体。这可能是因为该类群体在购买前有明确的购物需求，但没有明显的品牌或者型号需求。后续需要结合该群体购买的商品品类进行进一步分析，并推广运营策略让他们补充信息完整度，以进行精细化运营。2.2指标及数据说明统计周期：2016年02月01日至2016年04月15日2.2.1指标说明1.DAU：指当日活跃用户的排重计数；2.DNU：当日新注册用户的排重统计量；3.每日消费转化率：每日有下单行为的用户数与每日活跃用户数的百分比；4.每日新用户消费转化率：每日新注册用户中，有下单行为的用户数与每日新注册用户数的百分比；5.复购用户数：一段时间内购买次数达两次及以上的用户数6.复购率：复购用户数/活跃用户数2.2.2用户标签说明1.新用户：注册当天的用户；2.未激活用户：注册未满一周的用户;3.激活用户：在注册后的第8到14天有活跃的用户；4.睡眠用户：1）用户成为激活用户后，有一周没有活跃；2）用户从注册后在激活期（第8到第14天）未激活且第14天之后也未活跃5.流失用户：成为睡眠用户后，有两周没有活跃的用户2.3建立用户指标体系对于初创电商公司来说，首先需要验证的是到底有没有人来买东西，以及在这同时获取买家的数据信息，如订单内容、邮箱、人口统计学变量（年龄、性别、职业等）。因此，转化率可以作为评价初期电商健康程度的一个基本指标，其指访客中发生购买行为的比例。结合现有的表格信息，选取DAU（每日活跃用户数）、DNU（每日新注册用户数）以及转化率来构建指标体系。2.3.1DAU每日活跃用户数：DAU，即每日活跃用户的排重统计量由上图可知，2月1日-4月15日的日均活跃用户数为323人。其中，2月日均活跃222人、3月份日均活跃393人，4月日均活跃378人。总体趋势上看，每日活跃用户数从2月开始逐步上升，在3月15日达到高峰588人，之后活跃用户量逐步下降稳定在370人左右，每日活跃用户数日环比增长均值为1%。2.3.2DNU每日新注册用户数：DNU，即每日新注册用户的排重统计量2月1日-4月15日共增加新注册用户数49人；DNU的变化呈现随机性。2.3.3转化率1）活跃用户的日均消费转化率为3.1%；2）新注册用户的转化率为1%，49人中有5人进行了消费，转化率较低。2.3.4近两周用户行为分析本周总的日活用户数达到1192人，比上周增加14%；转化率比上周提高了50%，达到9%；另外，浏览详情页、详情页内点击、加购物车及下单这四个流程的数据均由显著增长，分别增长27.6%、26.69%、40%、71.43%，其中下单这一环节增长最大，达到了71%。2.4用户健康程度分析2.4.1各类用户变化情况DAU、DNU很难让我们观察用户池的用户构成。我们无法从这两个指标中知道用户是沉淀下来了逐渐变多，还是在逐渐减少？因此，根据用户注册时间和活跃时间，将用户分为5类，进一步观察用户情况：新用户:注册当天的用户未激活用户:将注册未满一周的用户作为未激活用户激活用户：注册后的第8天，用户进入激活期，激活期为注册后的第8到第14天，在激活期回访的用户，则成为激活用户睡眠用户：若用户成为激活用户后，有一周没有活跃；或从注册后在激活期（第8到第14天）未激活且第14天之后也未活跃的用户作为睡眠用户。（主要做唤醒）流失用户：将成为睡眠用户后，有两周没有活跃的用户作为流失用户。（虽然同为唤醒范围，但是流失用户的唤醒难度要大于睡眠用户，在预算较少的唤醒活动中不予考虑。）不同类型用户分布情况如下：流失用户(绿色）和睡眠用户（黄色）随着时间推进有逐步下降的趋势；但是日均新增为1人，日均非激活用户10人，激活用户为0人，三者没有呈现上升趋势。总的来说用户池较不健康。2.4.2本周新用户与激活用户行为对比不同性别对比：不同年龄段对比：本周一位新用户在年龄方面与其他激活用户相吻合，处在16-25岁年龄段；新用户各项行为指标优于激活用户，在各个环节均表现地更为活跃。2.5用户复购分析2.5.1用户复购基本情况对于用户运营来说，由于获客成本居高不下，提升用户复购是将用户价值最大化的关键。那么我们现阶段在关注转化率的同时是否需要关注复购率？《精益数据分析》一书中对复购率有精确的划分：90天内重复购买率达到1%~15%；说明你处于用户获取模式；把更多的精力和资源投入到新用户获取和转化；90天内重复购买率达到15~30%；说明你处于混合模式；平衡用在新用户转化和老用户留存、复购上的精力和资源；90天内重复购买率达到30%以上；说明你处于忠诚度模式；把更多的精力和资源投入到用户复购上；2月1日-4月5日复购率为8.87%，说明我们处于用户获取模式，应该将更多资源投入到新用户的获取和转化上。另外，在性别及各阶段年龄构成上，复购用户和非复购用户没有显著差别。2.5.2不同性别复购用户与非复购用户行为特质复购用户在各个行为阶段均比非复购用户更为积极：复购用户详情页的浏览次数和点击次数均为非复购用户的2倍，而下单数量超过非复购用户的10倍。另外，对于复购用户，在浏览次数和点击次数没有显著差别的前提下，女性比男性更容易将商品加入购物车以及下单购买。2.5.3不同年龄复购用户与非复购用户行为特质总体上来看，无论哪个年龄段，复购用户在各项行为指标上均比非复购用户活跃。在复购用户中，相比于16-45岁人群，46岁以上人群的PV比16-45岁人群低27%、点击率低28%，但是加入购物车和下单的行为分别高54%、13%，这可能表明46岁以上人群在进入网站/APP购物时有更明确的购物需求。在复购用户中，未知年龄段的群体在下单环节概率高于其他群体79%，此外，该群体浏览详情页、点击的次数也高于其他群体，只有加购物车环节的次数小于46岁以上群体。这可能是因为该类群体在购买前有明确的购物需求，但没有明显的品牌或者型号需求。后续需要结合该群体购买的商品品类进行进一步分析，并推广运营策略让他们补充信息完整度，以进行精细化运营。3数据操作及代码3.1基本情况代码（Hive）3.1.1DAU每日活跃用户数：DAU，即每日活跃用户的排重统计量createtableDAUasselectto_date(action_time)dates,count(distinctuser_id)DAUfromuser_actionagroupbyto_date(action_time)orderbydates;3.1.2DNU每日新注册用户数：DNU，即每日新注册用户的排重统计量createtableDNU_1asselectto_date(i.reg_time)dates,count(distincti.user_id)DNUfromuser_infoiwherereg_time>='2016-01-31'groupbyto_date(i.reg_time)orderbydates;3.1.3每日消费转化率即每日所有用户的有下单行为的用户数与每日活跃用户数的百分比createtableconsumer_convertionasselectt1.dates,t1.count_type4/t2.DAUconsumer_convertionfrom(selectto_date(action_time)dates,count(distinctuser_id)count_type4fromuser_actionwheretype=4groupbyto_date(action_time))t1leftjoin(selectto_date(action_time)dates,count(distinctuser_id)DAUfromuser_actiongroupbyto_date(action_time))t2ont1.dates=t2.datesorderbyt1.dates;3.1.4每日新用户消费转化率即每日新注册用户中，有下单行为的用户数与每日新注册用户数的百分比createtablenewuser_convertionasselectdate(reg_time)dates,count(distincti.user_id)asdnu,count(distinctif(type=4,i.user_id,Null))asdnu_type4,concat(round(count(distinctif(type=4,i.user_id,Null))/count(distincti.user_id)*100,2),"%")asnewuser_convertionfromuser_actionaleftjoinuser_infoiona.user_id=i.user_idwheredate(reg_time)>='2016-01-31'groupbydate(reg_time)orderbydate(reg_time);3.1.5分析各指标变动情况在用户行为表中，将每日的DAU、DNU、每日消费转化率、每日新用户消费转化率统计出来，并比较日环比。createtableindex_changeasselectdates,DAU,DNU,cv,nv,lag(DAU)over(orderbydates)DAU_1bf,lag(DNU)over(orderbydates)DNU_1bf,lag(cv)over(orderbydates)cv_1bf,lag(nv)over(orderbydates)nv_1bf,DAU/lag(DAU)over(orderbydates)DAU_rhb,DNU/lag(DNU)over(orderbydates)DNU_rhb,cv/lag(cv)over(orderbydates)cv_rhb,nv/lag(nv)over(orderbydates)nv_rhbfrom(--计算每日DAU、DNU、消费转化率和新用户消费转化率selectdate(action_time)dates,count(distincta.user_id)DAU,count(distincti.user_id)DNU,count(distinctif(type=4,a.user_id,null))/count(distincta.user_id)cv,count(distinctif(type=4,i.user_id,null))/count(distincti.user_id)nvfromuser_actionaleftjoinuser_infoiona.user_id=i.user_idanddate(reg_time)=date(action_time)wheredate(action_time)>='2016-02-01'groupbydate(action_time))aorderbydates;3.1.6近两周用户行为分析按周为单位分析最近两周的用户量变化、人均浏览数变化、人均点击数变化、人均加购物车数变化、人均下单数变化、购买转化率变化createtableweek_changeasselectif(a.action_time>'2016-04-08','this_week','last_week')week,count(distincta.user_id)DAU,round(count(if(a.type=1,user_id,null))/count(distincta.user_id),2)avg_pv,round(count(if(a.type=6,user_id,null))/count(distincta.user_id),2)avg_click,round(count(if(a.type=2,user_id,null))/count(distincta.user_id),2)avg_cart,round(count(if(a.type=4,user_id,null))/count(distincta.user_id),2)avg_order,round(count(distinctif(a.type=4,user_id,null))/count(distincta.user_id),2)order_conversionfrom(select*fromuser_actionawheredate(action_time)>'2016-04-01')a--最近两周行为数据groupbyif(a.action_time>'2016-04-08','this_week','last_week');将结果存到本地insertoverwritelocaldirectory'/home/hadoop/datas/user_action_analysis'rowformatdelimitedfieldsterminatedby'\t'select*fromweek_change3.2用户健康程度判断3.2.1判断用户池健康程度按用户行为，将每日不同阶段用户规模统计出来,分析近期我们用户规模的变动趋势，判断我们的用户池的健康程度：如果新用户、未激活用户、激活用户数增加，而睡眠用户和流失用户减少，说明我们的用户规模呈上升趋势；反之，则呈下降趋势--建立一个宽表createtableuser_info_actionasselectdistincti.user_id,date(i.reg_time)reg_date,date(a.action_time)action_datefromuser_infoileftjoinuser_actionaoni.user_id=a.user_id;--建立一个日期表（代表最终结果期望的一个输出格式）--(如果不事先建立dates表格，在做题时直接用leftjoin+where会存在一些问题：由于where执行顺序在select之前，如果where筛选掉一些数据，那么select中date(a.action_time)所得出的日期就不完整)createtabledatesasselectdate(a.action_time)datesfromuser_actionagroupbydate(a.action_time);--1.新增用户createtablednuasselectd.dates,(selectcount(distincti.user_id)fromuser_infoileftjoinuser_actionaona.user_id=i.user_idwheredate(i.reg_time)=d.dates)dnufromdatesd;--2.未激活用户createtableunactive_userasselectd.dates,(selectcount(distinctia.user_id)fromuser_info_actioniawheredatediff(ia.reg_date,d.dates)<7anddatediff(ia.reg_date,d.dates)>=0)count_unactivefromdatesd;--3.激活用户createtableactive_userasselectd.dates,(selectcount(distinctuser_id)fromuser_info_actioniawheredatediff(ia.reg_date,ia.action_date)>7anddatediff(ia.reg_date,d.dates)<=14anddatediff(ia.action_date,d.dates)>=0)count_activefromdatesd;-------4.睡眠用户及流失用户createtablesleep_loss_userasselectd.dates,(selectcount(distinctuser_id)fromuser_info_actioniawheredatediff(ia.action_date,d.dates)>7ordatediff(ia.reg_date,d.dates)>14)sleep_users,(selectcount(distinctuser_id)fromuser_info_actioniawheredatediff(ia.act到此，以上就是小编对于bf用户运营的问题就介绍到这了，希望介绍关于bf用户运营的2点解答对大家有用。
