最近开始看越来越多和数据分析相关的文章、知识点、书籍,下面是记录的和数据分析相关的一些笔记,包括应该怎样数据分析、虚荣指标、应该关注哪些指标、常用分析方法、常见模型、数据分析书单等。
记录的有些点不一定对,可参考,毕竟我也不是专业的数据分析。
数据分析(做数据分析前需要思考的四点)
为什么要做数据分析
什么是数据分析
怎么进行数据分析
数据分析怎么落地
PV(浏览次数):
在关注这个指标时,我们首先需要明确为什么关注它。如果我们做的是媒体类产品或和商业模式直接挂钩的(商业广告),那关注PV会显得尤为重要。
一个用户访问页面多次,会记多个访问量,这个数据最容易膨胀,也许1万的访问量只有100个独立访客,所以访问量不能说明什么实际问题。比如,对于互金产品而言,总在标榜自己的PV有多高,也没什么实际意义。
UV(独立访客):
和PV相比,UV会相对好一些。10万的PV,可能是有1万的UV,又或许是1000的UV。相比而言,UV可以更直观的反映用户参与量,比PV来的更有意义些。
但是,独立访客数,只能说明有多少用户访问了这个页面,但并不知道这些用户在上面做了什么,是否已经离开。
点击量:
这是现在的互联网洪荒时代所使用的常见数据指标。只要页面上有可以点击的东西,就可以进行统计。
比如一个简单的领红包活动,领取按钮的点击量,可能每天有几十万次,这其中,可能每个用户点击了几十上百次,相比之下,想要分析实际的红包发放和使用情况,可能更应该去统计活动的领取人数和使用比例等,并和之前的数据做好对比,分析效果。
网站停留时间:
用这个指标来衡量用户参与度并非明智之举,用户在页面停留了很长时间,也许,最近用户参与度提高,是因为产品的某次迭代导致有些地方用户看不懂,在跟客服沟通或投诉,这时,不一定停留时间长就是好事,而应该针对具体情况进行分析。
APP下载量:
开拓了几个新渠道,APP的下载量突然飙升,或许你会欣喜若狂,但这时候,需要冷静,我们更应关注的是激活量、注册量等,了解我们真正转化了多少用户,下载量本身不能带来什么实际的价值。
注册用户数:
可能最近,公司合作了几个新的推广渠道,注册量激增,这个数据的背后,是否真的反映了最近拉新的效果很好呢?
其实,不一定。注册用户数的增长,我们还需要关注这些渠道的推广费用花费了多少,实际的转化率有多少,和其他渠道的转化比例和成本支出进行对比等,才能知道实际的投资回报率。
活跃用户数:
活跃用户数本身不能说明什么问题。两个同样有5万活跃用户数的产品,一个有100万的注册用户,一个是50万的注册用户,那么哪个产品做得更好呢?
其实,更具参考价值的是活跃用户数占总用户数的比例。
累计投资额:
互金平台,几乎每个产品首页都赫然印着累计投资额多少亿,看似是个很漂亮的数字,实际只是个单调递增数据,只要有人在投资,这个数据就会持续上升,本身没有实际的参考价值,更需要衡量的是每日的投资量,最近的上升比例等。
关注数据方面除了关注量级上的指标,还应该关注质量上的指标
量级指标
web:访问量、pv、uv
APP:启动次数、DAU、NDAU等
质量指标
web:平均访问时长、平均一次会话浏览页数、跳出率
APP:平均使用时长、人均启动次数
来访用户类型占比
web:新访问用户/老访问用户
APP:DAU/NDAU
数据分析具体方法
链接标记
渠道归因(用户来源管理)
漏斗分析(AARRR模型)
拉新:曝光数、点击数、打开率、下载量、安装量、用户获取成本(应该关注的主表)
促活:设备激活量、新注册用户量、订阅数量、事件达成数、浏览数、日活率
留存:次日留存率、7日留存率、距离上次使用时长、DAU/MAU、7日回访率
收入:付费率、付费频次、客单价、用户价值
传播:转发数、邀请数、评论数、K因子
分群分析(用户画像)
留存分析
同期群分析
用户细查(行为轨迹)
热图分析
A/B测试
趋势分析
维度拆解(拆分成多个不同的维度来分析)
魔法数字(Facebook的7个好友)
DOSS分析法(具体问题→整体方案→单一回答→规模化方案)
内外因素分解发:把问题拆成四部分,内部因素、外部因素、可控和不可控,在是个象限中,
内部可控因素:立即执行
内部不可控因素:协调沟通
外部可控因素:相关渠道
外部不可控因素:确定假设
对比分析
横向对比——跟自己对比
纵向对比——跟其他对比
交叉分析:从多个维度细分数据,从中发现最为相关的维度来探索数据变化的原因
逻辑拆解与漏斗分析,例如:销售额=UV*转化率*客单价
逻辑拆解(寻找和核心指标相关的指标,一定要强相关,并且会影响核心指标的变动)
核心指标
核心指标一
核心指标二
核心指标三
。。。
分层拆解(MECE法则)
相关指标一
细分相关指标
细分相关指标
。。。
相关指标二
细分相关指标
细分相关指标
。。。
相关指标
细分相关指标
细分相关指标
。。。
提升流量转化率
什么是转化
转化的概念:完成期望目标的用户比例
大转化和小转化
大转化:核心指标(北极星指标)
小转化:完成核心指标需要的步骤,每一步的转化
转化分析方法
优先级排序
LIFT框架
ICE框架:impact(影响力)、confidence(自信心)、ease(难易度)
PIE框架:popential(潜力)、importance(重要性)、easiness(容易程度)
产品经理 | 数据分析学习推荐书单
基础理论
深入浅出数据分析
深入浅出统计学
精通业务
大数据时代
增长黑客(范冰)
熟悉方法
精益数据分析
精通web analytics 2.0
数据之美,一本书学会可视化设计
商务智能
运用工具
SQL必知必会
利用Python进行数据分析
R语言实战
领取专属 10元无门槛券
私享最新 技术干货