zoukankan      html  css  js  c++  java
  • 常见的数据分析模型

    https://www.zhihu.com/question/36360374

    作者:GrowingIO
    链接:https://www.zhihu.com/question/36360374/answer/1282016842
    来源:知乎
    著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

    数据分析模型比较多,这里介绍互联网平台最常用、也最实用的 9 大模型

    (一)事件分析模型

    事件指的是用户操作产品的一个行为,即用户在产品内做了什么事情,转义成描述性语言就是“操作+对象”。事件分析是对用户行为事件的指标进行统计、维度细分、筛选等分析操作。

    事件分析能解决什么问题:

    • 产品和运营同学如何才能对网站每天的 PV、UV、DAU 等总体数据有一个直观的把握,包括它们的数值以及趋势?
    • 面对复杂的数据,单从数字来看,不仅效率低下,而且难以直观的发现数据背后所展现的趋势,应该怎么办?
    • 当做了第三方付费渠道推广后,运营同学如何才能有效比较不同渠道带来的流量?

     

    (二)分布分析模型

    产品优化和运营是一个动态的过程,我们需要不断监测数据,调整产品设计或运营方法,然后继续监测效果。

    分布分析功能,主要用来了解不同区间事件发生频次,不同事件计算变量加和,以及不同页面浏览时长等区间的用户数量分布。

    主要使用场景1:频次分布

    Alice是某个电商产品经理,比较关注"用户浏览商品详情页"的以下几个场景:
    • 希望了解最近一周浏览商品详情页的用户,例如1-5次, 6-10次 ... 不同区间的用户量分布有多少;
    • 希望知道最近一段时间内,每日用户浏览商品详情页人均数量、最大值、最小值、中位数(50%浏览商品详情页的用户浏览小于等于多少页)、25分位(25%浏览商品详情页的用户浏览小于等于多少页)、75分位(75%浏览商品详情页的用户浏览小于等于多少页)的趋势;
    • 希望对比渠道来源ABC三个主要广告渠道带来的用户,浏览商品详情页1-5次;6-10次等等不同区间的用户量分布分别有多少;
    • 希望对比"高消费"和"低消费"的两个用户群体浏览商品详情页1-5次, 6-10次, ... , 不同区间的用户量分布分别有多少。

     

    (三)用户分群模型

    用户分群,就是通过一定的规则找到对应的用户群体。 常用的方法包括:

    • 找到做过某些事情的人群:比如过去 7 天完成过 3 次购物车计算
    • 有某些特定属性的人群:比如年龄在 25 岁以下的男性
    • 在转化过程中流失的人群:比如提交了订单但没有付款

    您可以根据自己要解决的业务问题,来定义关注的用户群体,还可以在 GrowingIO 平台中通过将分群套用在事件分析、漏斗分析与留存分析等分析工具中进一步分析;或者通过运营手段对这部分人群进行运营。

    比如在考虑注册转化率的时候,需要区分移动端和 Web 端,以及美国用户和中国用户等不同场景。这样可以在渠道策略和运营策略上,有针对性地进行优化。

     

    (四)漏斗分析模型

    漏斗分析是一套流程式的数据分析模型,通过将用户行为起始的各个行为节点作为分析模型节点,来衡量每个节点的转化效果,是转化分析的重要工具。

    通过漏斗分析可以从先到后的顺序还原某一用户的路径,分析每一个转化节点的转化数据;

    所有互联网产品、数据分析都离不开漏斗,无论是注册转化漏斗,还是电商下单的漏斗,需要关注的有两点。第一是关注哪一步流失最多,第二是关注流失的人都有哪些行为。

    关注注册流程的每一个步骤,可以有效定位高损耗节点。

     

    (五)用户行为轨迹分析

    行为轨迹是进行全量用户行为的还原。只看 PV、UV 这类数据,无法全面理解用户如何使用你的产品。了解用户的行为轨迹,有助于运营团队关注具体的用户体验,发现具体问题,根据用户使用习惯设计产品,投放内容。

     

    (六)留存分析模型

    留存,顾名思义,就是用户在你的产品中留下来、持续使用的意思。

    留存为什么重要?留存是 AARRR 模型中重要的环节之一,只有做好了留存,才能保障新用户在注册后不会白白流失。有时候我们光看日活(DAU),会觉得数据不错,但有可能是因为近期有密集的推广拉新活动,注入了大量的新用户,但是留下来的用户不一定在增长,可能在减少,只不过被新用户数掩盖了所以看不出来。这就好像一个不断漏水的篮子,如果不去修补底下的裂缝,而只顾着往里倒水,是很难获得持续的增长的。

    以 "日留存"颗粒度为例,留存图中的横坐标和留存率趋势曲线和留存表的对应关系图

     

    一般我们讲的留存率,是指「目标用户」在一段时间内「回到网站/App 中完成某个行为」的比例。常见的指标有次日留存率、七日留存率、次周留存率等。比如:某个时间获取的「新用户」 的 「次日留存率」常用来度量拉新效果。

     

    (七)热图分析

    热图是以网站页面中的元素的点击率(元素点击次数/当前页面 PV)为基础的数据的图形表示。通过聚合用户行为,热图可以让人一目了然地了解人们如何与网站页面进行交互,这有助于识别用户行为趋势并优化进一步流程。 您的网站存在以便人们可以实现特定的目标,如查找信息、注册服务、购买产品等。当人们进入您的网站但很难找到或使用他们正在寻找的东西时,他们会感到沮丧,最糟糕的情况是,他们离开你的网站不再回来。

    为了让用户在访问中停留下来并进行下一步动作,也许您在关心这些问题:

    • 用户是否点击了我们希望互动的内容?
    • 有没有重要按钮或元素被大量点击,却被放到了不起眼的地方?
    • 用户感兴趣的内容是否和我们预想的一样?
    • 不同的运营位、不同的内容对用户的吸引分别是怎样的?
    • 具体元素的点击数据如何?
    • 不同渠道的访问者对于页面的关注点具备哪些差异和特征?
    • 从重要元素的点击来看,哪个渠道质量更好?
    • 「未转化」的用户与「转化」用户之间的热图表现差异如何?

    热图提供了一种清晰直观的方式来帮助您解答这些问题。

    (八)温度-健康度模型

    通过客户的“温度-健康度模型”实现用户分群。下图的横坐标“健康指数”代表用户的活跃度;纵坐标的“温度指数”代表用户转化的可能性。

    该模型一般用户企业级 SaaS 企业中的客户成功部门。有了该模型,我们就可以对不同分群的用户进行差异化的运营策略。左上角的用户活跃度不高,但是付费转化的可能性很高;我们需要对用户加强培训,提高其使用频率。右下角的用户非常活跃,但是付费的可能性很低,值得我们深入思考背后的原因。

     

    (九)归因分析模型

    归因分析要解决的问题就是广告效果的产生,其功劳应该如何合理的分配给哪些渠道。常见的归因分析方法有:线性归因、首次归因、末次归因、基于位置归因、时间衰减归因等。

    我们可以根据自己业务的实际情况,选择归因模型。

    假设一个丹丹购买口红的场景,在依次浏览了头条、微博上的广告后,她参加了小红书上的注册促销活动,又收到了优惠券,于是在百度上搜索 App,完成下单购买。

    如果按照 ROI 分析的逻辑,我们会把所有的权重算在百度这一渠道上,这是典型的以偏概全。


    知友福利:点击免费试用 GrowingIO,体验快速自定义生成各种数据分析模型

  • 相关阅读:
    Effective Java 19 Use interfaces only to define types
    Effective Java 18 Prefer interfaces to abstract classes
    Effective Java 17 Design and document for inheritance or else prohibit it
    Effective Java 16 Favor composition over inheritance
    Effective Java 15 Minimize mutability
    Effective Java 14 In public classes, use accessor methods, not public fields
    Effective Java 13 Minimize the accessibility of classes and members
    Effective Java 12 Consider implementing Comparable
    sencha touch SortableList 的使用
    sencha touch dataview 中添加 button 等复杂布局并添加监听事件
  • 原文地址:https://www.cnblogs.com/HondaHsu/p/14086905.html
Copyright © 2011-2022 走看看