数据分析方法
Posted jaigejiayou
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了数据分析方法相关的知识,希望对你有一定的参考价值。
9种数据分析方法:
- 对比分析
- 多维度分析
- 分布分析
- 用户留存
- 漏斗观察
- 用户画像
- 归因查找
- 路径挖掘
- 行为序列
Ⅰ 对比分析
①比什么
绝对值 VS 比例值
②怎么比
环比 VS 同比
③和谁比
和自己比 VS 和行业比
Ⅱ 多维度分析
运作原理:指标/业务流程需要按照多维度拆分,来观察变动
适用场景:
①分析单一指标的构成
如:分栏目的播放量,新老用户比例
②针对流程进行拆解
如:不同渠道的浏览,购买转化率;不同省份的活动参与漏斗
③还原行为发生的场景
如:打赏主播的等级、性别、频道;是否在wifi/4G情况下
Ⅲ 分布分析
分布情况:一个事件不仅只有累计值这么一个可以观察的指标,还可以从事件在不同的维度中分布来观察
常见的群体划分:
事件频率
一天内的时间分布
消费金额的区间
运作原理:从事件在不同维度中的分布来观察,以便理解该事件除了累计数量和频次外更多维度的信息
适用场景:
①已知一群用户完成了指定事件,但需要对用户群体进行细分,按不同维度和价值将他们分为不同群体,分布进行后续的维护和分析
②已知单个事件的完成次数,希望知道这些次数拆分到不同维度上后的分布情况,以便更清晰地了解该事件的完成情况
Ⅳ 用户留存
留存:
一般的计算方法:将某一时间段的用户ID与另一时间段的用户ID做交叉去重,产品、运营、技术、市场每个环节都会对留存造成影响
精准留存:过滤进行过指定行为的用户ID再计算,将用户分为不同群体后,观察其之间留存的区别
适用场景:评估产品功能粘性,验证产品长期价值
Ⅴ 漏斗观察
漏斗=一连串的向后影响的用户行为
建立漏斗时容易掉的坑:
a. 漏斗一定是有时间窗口的
根据业务实际情况,选择对应的时间窗口
按天:对用户心智的影响只在短期内有效(如短期活动)
按周:业务本身复杂/决策成本高/多日才能完成(如理财/美股开户)
按月:决策周期更长(如装修买房)
……否则,太长,包进了太多无关的信息,
太短,扔掉了很多有用的信息
b. 漏斗一定具有严格的顺序
c. 漏斗的计数单位可以基于用户,也可以基于事件
何时基于用户,何时基于事件呢?
基于用户:关心整个业务流程的推动
基于事件:关心某一步具体转化率;无法获知事件流转的真实情况
d. 结果指标的时间不符合预期
自查:是否只有一个漏斗能够到达最终目标
适用场景:有明确的业务流程和业务目标 -- 适用
没有明确的业务流程,跳转关系纷繁复杂的业务 -- 不适用
Ⅵ 用户画像
运作原理:通过对用户各类特征进行标识,给用户贴上各类标签,通过这些标签将用户分为不同的群体,以便对不同群体分别进行产品/运营动作
a.标签都有啥?
基础属性:年龄、性别、生日、星座、教育、身高、收入、职业……
社会关系:婚姻、有无小孩、家有老人、性取向……
行为特征:基本行为,如注册时间,来源渠道……;业务行为:买过特惠商品、曾获优秀学员
业务相关:胖瘦高矮、体脂率、日均8000步,收藏了100+健身计划……(运动类app)
b.标签从哪儿来?
直接填写:用户自己填写的信息,有的app首次使用让用户自己选择标签,用户填写的用户调查
推断:通过用户自己的已有特征/通过用户身边的人推断
适用场景:市场营销、个性化运营、业务分析、用户研究……
Ⅶ 归因查找
运作原理:将事件拆解,根据业务性质,确定完成事件的关键部分
适用场景:对业务中明确的业务目标(购买,留资料,充值等)归因,便可……
- 将目标的达成拆分到各个模块,方便统计各个模块的贡献
- 获悉当前指标达成的主要因素,获得如何提升业务指标的洞见
①末次归因:转化路径短,且事件间关联性强的场景把贡献度全部给最后一个行为
②递减归因:转换路径长,非目标事件差异不大,没有完全主导的事件,从最后一步开始逐渐把影响因子向前递减
③首次归因:强流量依赖的业务,拉人比后续所有事都重要,关键在第一步
Ⅷ 路径挖掘
运作原理:逐级展开某一事件的前一级(后一级)事件,观察其流向
适用场景:
- 有明确的起始场景(希望观察这个场景它之后发生了什么)
- 有明确的结果目标(希望观察来的用户是如何到达的)
局限:反映一群人的整体行为趋势,对个体不适用
Ⅸ 行为序列
运作原理:将单一用户的所有行为以时间线的形式进行排列
适用场景:
- 观察掩盖在统计信息下更细致的信息,还原用户的具体使用场景
- 通过观察用户特定的行为特征,找到提升产品价值的机会点
以上是关于数据分析方法的主要内容,如果未能解决你的问题,请参考以下文章