數據分析作為運營人員必備的核心技能 ， 對職業發展起著尤為重要的作用 。 本文將基于基于業務場景 ， 分享幾種基礎的數據分析框架和方法 ， 系統化的進行數據分析 。無論是產品、還是運營 ， 都需要具備良好的數據分析能力 ， 對用戶行為數據和業務數據 ， 進行分析、評估甚至預測 。 本文通過分享三種常見的數據分析框架 ， 幫助我們更系統的進行數據分析 ， 發現并解決產品暴露出的問題 ， 從而更高效的完成工作 。
文章插圖
一、用戶行為分析1. 事件分析事件：通過埋點 ， 高效追蹤用戶行為或業務的過程 。 注冊、啟動、登錄、點擊等 ， 都是常見的事件 。 例如下圖 ， 通過“神策分析”展示出某日的注冊事件 。
注冊事件分日走勢
通過事件分析我們可以準確了解App內發生的事件量 ， 根據產品特性合理配置追蹤 ， 可以輕松回答關于變化趨勢、分維度對比等問題 ， 例如：
- 某個時間段推廣頁面點擊量有多少 ， 對比昨日有多少提升？
- 某個渠道的累計注冊數是多少 ， 第一季度排名前十的注冊渠道有哪些？
- 某個活動頁的uv分時走勢 ， 安卓和iOS占比情況如何？
- 瀏覽頁面
- 實名認證
- 充值成功
- 投資成功
在漏斗模型中清晰3個基本概念 ， 可以借助強大的篩選和分組功能進行深度分析 。
- 步驟：指的用戶行為 ， 由事件加篩選條件組成
- 時間范圍：漏斗第一步驟發生的時間范圍
- 窗口期：用戶完成漏斗的時間限制 ， 漏斗只統計這個時間范圍內 ， 用戶從第一步到最后一步的轉化 。
如上圖表示:“2018年3月份 ， 瀏覽標的頁面的28100名用戶 ， 在7天內投資成功的轉化與流失情況” 。 這里漏斗分析與事件分析不同的地方：漏斗分析基于用戶 ， 或是說基于人來統計某一批用戶所發生的行為 ， 不會受到歷史瀏覽頁面用戶的事件影響 ， 更加準確的暴露某一時間段產品存在的問題 。
通過漏斗模型及時發現問題
我們通過建立了注冊轉化漏斗 ， 度量每一步的轉化率和整體的注冊轉化率 ， 通過時間維度來監控每一步和整體轉化率的趨勢 。
例如：4月12日發現輸入圖形驗證碼這一步轉化率在有明顯異常 ， 于是緊急通知技術同事排查 ， 發現圖形驗證碼功能失效 ， 導致大量用戶無法顯示 。 緊急修復后 ， 轉化率回到之前的水平 。 所以 ， 通過對每一步漏斗轉化率的監控分析 ， 可以及時發現問題 ， 及時止損 。
3. 留存分析留存用戶：即用戶發生初始行為一段時間后 ， 發生了目標行為 ， 即認定該用戶為留存用戶 。
留存行為：某個目標用戶完成了起始行為之后 ， 在后續日期完成了特定留存行為 ， 則留存人數 +1
留存率：是指發生“留存行為用戶”占發生“初始行為用戶”的比例 。 常見指標有次日留存率、七日留存率、次月留存率等 。
留存表：留存表中給出了目標用戶的留存詳情 ， 主要包括以下幾個信息：
- 目標用戶：每天完成起始行為的目標用戶量 ， 是留存用戶的基數
- 留存用戶：發生留存行為的留存用戶量和留存率；
留存曲線圖：
留存曲線圖可以觀測隨著時間推移 ， 用戶留存率的衰減情況 。
以電商為例 ， 我們觀察運營策略優化/產品改版 ， 是否會影響用戶的購買行為 。 此時我們可以將用戶行為分為：
- 初始行為：注冊
- 留存行為：支付訂單
留存曲線圖
留存行為一般都與我們的目標有強相關性 。 我們在進行留存分析時 ， 一定要根據自身業務的實際需要 ， 確定高價值的留存行為才能能對產品的優化提供指導性建議 。
二、AARRR 模型AARRR模型是一套適用于移動App的分析框架 ， 又稱海盜指標 ， 是“增長黑客”中驅動用戶增長的核心模型 。 AARRR模型把用戶行為指標分為了5大類 ， 分別為：獲取用戶 ， 激發活躍 ， 提高留存 ， 增加收入和病毒傳播 。
推薦閱讀
- 公主連結智有必要抽嗎-智強度分析及抽取建議熱門推薦
- 建筑工程實習報告怎么寫 建筑見習期工作小結
- 原神角色up池值得抽嗎-角色up池抽獎建議推薦閱讀
- 原神武器池值得抽嗎-神鑄賦形武器池抽獎建議收獲很多的
- 淺析做春節營銷的6大建議 如何做春節營銷？
- 匯總16個數據分析常用的分析方法 如何數據整理分析？
- 不建議私自給6歲以下孩子用止咳藥？
- 公眾號數據分析報告都需要4大分析數據 公眾號數據分析報告如何分析？
- 原神芭芭拉值得培養嗎-新手芭芭拉培養建議高手進階
- 分享做網站建設推廣方案的7種方法 網站建設推廣方案如何做？