01 什么是用户行为
目的:分析用户购买行为
用户行为由最简单的五个元素构成:时间、地点、人物、交互、交互的内容。
量化指标:将分析框架中的问题形成可量化的指标进行衡量和评价
如月均购买次数、人均购买量、再次购买平均间隔时长
用户行为分析就是通过对这些数据进行统计、分析,从中发现用户使用产品的规律,并将这些规律与网站的营销策略、产品功能、运营策略相结合,发现营销、产品和运营中可能存在的问题,解决这些问题就能优化用户体验、实现更精细和精准的运营与营销,让产品获得更好的增长。
02 为什么需要用户行为分析
可以掌握用户从哪里来,进行了哪些操作,为什么流失,从哪里流失等等。从而提升提升用户体验,平台的转化率,用精细化运营使企业获得业务增长。
03 如何采集用户行为数据
用户行为分析重要,为何做好的很少?
答案:数据采集不全面,分析模型不完善
传统方式:在按钮加入监测代码“埋点”,埋点耗费大量人力精力(前端筛选定位)
新兴方式:无埋点采集,如mixpanel (服务器端对对象筛选定位)
数据分析入门:初识数据埋点(一)
私有化部署:部署在公司服务器上,定制化程度高,安全,难度也高
第三方统计插件:如Google Analytics
04 如何做好用户行为分析
明确业务目标,梳理业务流程,找出需要检测的关键数据节点
做好基础的数据搜集和整理
掌握以下用户行为分析模型(转化漏斗)
AARRR
05 常用分析指标
基本指标
PU 访问量
VU 独立访客
推荐算法
这里是一些典型的基于存储系统的数据应用:
搜索优化,经典的点击调权算法,利用用户点击数据来改进结果的排序。
文本挖掘,例如刚刚的板球的例子,在这一层可以很好的得到解决。
精准广告,例如经典的CTR预估模型,也是可以在这一层得到很好的支持。
百度app:阅读、评论、转发,由于没有购买行为,因此阅读时长、频次、跳出率是分析时应该注重的指标
京东金融:更为关注的是否首投、复投这些消费行为数据。
上面这个链接中提到的分析指标十分全面,包括:
数据统计的名词术语:
PV(Page View)
: 页面浏览量
UV(Unique View)
:独立访客数量,同一客户端,在00:00-24:00内访问算一次
新增用户量
:激活用户数或者安装用户数
活跃用户数
:日活跃用户数DAU,周活跃用户数WAU,月活跃用户数MAY
启动次数
:用户使用一次应用,日平均启动次数
转化率
:用户产生相应动作访问量/总访问量(子内容网页访问量/app访问量),衡量网站内容对访问者的吸引程度,以及网站宣传效果
最高用户在线数
:衡量系统运行压力的重要指标,以及衡量运营期间受欢迎程度,游戏产品使用较多
渠道
:市场营销属于,商品流通路线
包括小米应用商店,360应用商店,机锋商店,百度手机助手等
获客成本
:营销成本/新用户数,新访客,新注册用户,第一次下单
平均付费ARUP
:总收入/平均付费用户数,从某方面衡量产品盈利能力,以及发展活力
数据维度与指标
用户留存
:使用应用后过一段时间还继续使用的用户数量
次日留存率=(新增注册用户,第二次使用该应用)/(新增注册用户)*100%
产品生命周期
1)相遇:1-7天内使用情况及意愿
2)相知:成长期(2-4周)
3)相爱:忠诚期(5-10周)
4)相离: 流失期(11-12周以后)
用户留存率评定用户粘度,产品质量:留存率越高,用户质量越好,用户忠诚度越高。
指标维度
次日留存:用户首次体验满意度
7日留存:完整体验后留下来的忠诚用户
30日留存:主要看版本更新后,用户流失情况
健康表现
1-7-30日留存率不低于40%-25%-10% (行业规律)
内容型平台关注数据指标
- 基本指标:页面浏览量,访问量,独立访客数,跳出率,页面停留时长,网站停留时长,退出率,转化率,页面退出率
- 指标维度:
(1)内容热度:分享次数,推荐次数,点赞次数,评论数
(2)用户情况:新用户,活跃用户,沉寂用户占比的变化,增长的趋势等
若想了解一个行业或一个产品的数据,如何收集到靠谱的数据呢?
- 切入思路:从流量、市场占有率、用户交付使用深度,舆情等角度
- 常用工具:Alexa、AppAnnie,ASO 100,艾瑞的互联网行业研究报告、易观,Gartner的研究报告,IDC,TalkingData的游戏行业研究
关于移动互联网产品的指标分析初探
分析这24个App的重要指标,是对精细化运营的践行
黑客式增长:如何运用分析指标框架,驱动互联网产品和运营
产品数据分析的三个层次
06 AB测试
以今日头条为例,详述数据思维驱动产品设计的方法论
什么是A/B测试
把实验对象随机分组,将一个或多个测试组的表现与对照组进行对比
A/B测试目的
通过科学实验设计,保证实验采样样本无偏,有代表性的前提下,分割流量,与最小流量测试方式,获得具有代表性的实验结论,并确信该结论在推广到全部流量可信。
实验组和对照组之间,一次测试只设置1个变量。实验前需要设置核心观测指标,通过数值判断测试结果好坏
SQL函数
如何七周成为数据分析师10:SQL,从入门到熟练
秦璐
hql:有age、score两列,求18 - 24每个年龄段的平均分数。如何一句话就可以搞定?
select avg(score) from 表 where age in (18,24)
(where age between 18 and 24)
完整的HQL语句形势如下:
Select/update/delete…… from …… where …… group by …… having …… order by …… asc/desc
排序order by
SELECT * FROM Python_jobs order by Python_jobs.level (升序)
SELECT * FROM Python_jobs order by Python_jobs.level desc (降序)
SQL优化
因此在开发统计查询系统时,尽量使用通过select语句写出需要查询的属性的方式来返回关系数据,而避免使用第一种查询方式返回持久化对象(这种方式是在有
修改需求时使用比较适合),这样可以提高运行效率并且减少内存消耗。
ETL
抽取->转换->加载
百度APP分析
用户在闲暇时刻最爱用这些App,百度上榜一点不让人意外
信息流业务看上去与搜索没关系,实际上它还是一种被动式搜索,背后的自然语言处理、用户画像等等技术都是百度所擅长的,同时,百度没有采取独立做App的方式,而是以百度App为主阵地将搜索用户转化到信息流,也是很对的战术,省下了独立App的成长时间,而且搜索与信息流场景本身就可以互相转化。
百度App日活1.37亿,新媒体属性得到用户认可
百度App日活破1.5亿 谁是百度的增长黑客?
抖音分析
抖音深度分析报告
PEST分析短视频行业现状
用户特点,覆盖范围
全屏幕沉浸式体验,算法推荐,只管上滑
抖音的增长黑客 - AARRR模型
关于抖音,这应该是全网最深度的分析
数据告诉你,抖音凭什么逆袭?
今天的抖音营销峰会说了啥?一文详解抖音ACI营销全景!
《抖音企业蓝V白皮书》(附全文链接)
这一切都体现了沉浸式体验的设计思路。APP需要让用户投入其中,且避免一切会打断用户的事件。抖音的设计强化了这种交互闭环,视频自动播放-喜欢点赞-关注主播-上划切换下一个视频,循环这个过程。
所以换句话说,抖音的设计核心就是三个字:注意力。
但抖音这种交互的容错率也很低,必须搭配强大的推荐系统。试想如果你连看了好几个视频,结果都不感兴趣,是不是就会选择卸载APP?当然,高风险也伴随着高回报率,如果推荐效果好的话,很多人就会很难离开抖音。
常用统计方法
互联网运营人员都在用的几种数据分析方法
描述性统计:均值,方差,最小值、1/4分位数、均值、3/4分位数、最大值
判别分析(贝叶斯判别、费谢尔判别、非参数判别等),聚类分析(系统聚类、动态聚类等),探索性分析(主成分分析等)等
网友评论