互联网业务数据指标体系

最新推荐文章于 2023-11-15 23:39:34 发布

SAMETHING_

最新推荐文章于 2023-11-15 23:39:34 发布

阅读量1.2k

点赞数 2

分类专栏：业务知识文章标签：大数据数据分析

本文链接：https://blog.csdn.net/Same_thing__/article/details/127388284

版权

业务知识专栏收录该内容

3 篇文章 1 订阅

订阅专栏

互联网业务数据分析🍰

Chap1 数据指标体系与建模方法🎈

一、常用的数据指标

数据可以分为三类：用户数据、行为数据、业务数据(描述业务本身的发展)

1.用户数据

1.1 DAU MAU

DAU（Daily Active User）：单日活跃用户量，反应产品短期用户活跃度
- 一个自然日
  - Tips：跨时区的产品，就是考虑24h
MAU（Monthly Active User）：单月活跃用户量，反应产品长期用户活跃度
- MAU不等于当月个日的DAU之和单纯将日活相加不具有参考价值，应该进行去重处理
定义活跃：
1. 基于事件上报(产生了某种行为) -> 活跃
2. 基于关键事件上报 - > 活跃
  - 事件列表：访问首页 / 访问商品详细页 / 访问抽奖页
  - 存在维护成本和沟通成本
定义：用户
- 根据个人 -> 每个注册用户有一个唯一的专属ID，未登录的用户会被漏掉
- 根据设备 -> 无法对应设备背后的用户
日活和月活的比值 DAU/MAU
- **10%～30%**之间。如果低于10%，很可能已经处于衰退期；高于20%的留存还不错
- 每天都使用产品的用户比例高，即使用频率高，用户对产品的依赖性强，
- 同时也说明用户粘度较强。另一方面，也代表了用户的流失率低，留存率高
- 日活和月活的比值低，用户使用频率低，依赖性弱，粘度较弱，用户流失率高，留存率低。

1.2 新增用户

新增用户怎么定义新增？

选择合适的节点，定义增用户完成某些行为算新增（比如完成注册或认证）；用合适的方法，判别新（基于设备和账号关联）。

1.3 留存率

T 日新增用户中，在第 n 日（即 T+n 日）再次活跃的用户，占 T 日新增用户的比例。

了解某一个渠道的质量——日留存
- 以日为单位，衡量这个渠道来的用户当下&接下来的表现。以（X日日留存）作为比较标准时，可以避免其他日数据的干扰。常见的有次日留存和七日留存。七日留存分为：七日日留存、七日内留存。
- 七日日留存，只关心到特定日的留存情况，避免了其他日数据的干扰。
  - 七日日留存= $\frac{第七天}{第一天}$
- 七日内留存，引入了其他日数据，适用于有固定使用周期，且周期较长的业务。
  - 七日内留存： $\frac{第2天~第7天去重后}{第一天}$
- 首日留存： $\frac{第1天}{第0天}$ 常用于游戏行业
  - 设置第一天为第0天，可以实现分子分母的星期相同，某种程度上可以抵消
  - 新增当日为第0天，下一日为第一天，使第七日与新当日对齐，有利于抵消某些星期级别的周期性差异。
观察整个大盘——周留存/月留存
- 以周/月为单位，衡量产品的健康情况，观察用户在平台上的粘性，务必要做去重。
提升留存率的大方向：
- 一个就是增加产品的用户价值
- 第二是找到用户流失的原因
- 第三步就是解决用户流失的问题

1.4 渠道来源

2. 行为数据

2.1 PV / UV / 访问深度

PV的(page view)，译为页面浏览量、访问量 -> 次数
UV(unique view),指访问某个站点或点击某个网页的不同IP地址的人数 -> 去重的人数

2.2 转化率

转化率：流程转化（PV/PV，UV/UV），人均行为次数（PV/UV）

eg. $详情页的评论转化率=\frac{发表评论的PV}{详情页的PV}$
eg.人均页面查看次数= $\frac{详情页PV}{详情页UV}$

详情页：

算法一：访问的次数
算法二：将网站的内容/功能分成几个层级

2.3 时长

web时代=页面打开时长
APP时代=前台驻留时长
通过统计特殊事件，支持业务需求。统计视频被消费程度，评价内容质量；记录暂停/关闭页面后的进度。

2.4 弹出率

弹出率用户来了立即就走了，只访问了一个页面，通常是统计整个网站产生的所有会话的弹出率。

3 业务数据

3.1 GMV || 访问时长

GMV：电商平台中的商品交易总额，包括已付款的订单和未付款的订单。可以用于研究客户的购买意向，退单的比例，实际成交的比例等等

3.2 ARPU / ARPPU || 人均访问时长

**ARPU(Average Revenue Per User)😗*平均每个用户贡献的收入
- 也可以是活跃用户： $\frac{总收入}{活跃用户数}$
ARPPU(Average Revenue Per Paying User): 每个付费用户的平均收益

3.3 付费人数 || 访问人数

3.4 付费率、付费频次 || 留存率

描述总体上的用户付费意愿，评判一个产品或服务的健康程度

3.5 SKU视角 || 被消费内容视角

描述总体上的用户付费意愿，评判一个产品或服务的健康程度

SKU视角：被消费对象产生了多少用户行为，多少消费金额

二、选好数据指标的通用方法论🗄

Step1. 从业务的最终目的出发梳理业务模块

Step2. 判断业务模块所属类型

Step3. 根据业务模块所属类型选择数据指标

1.从业务的最终目的出发梳理业务模块

1.1 案例

卖货
- 通过社区创作的优美的图文来卖货
- 目的 <- 手段 <- 支撑手段的工具 <- 支撑手段的手段
广告收益
- 通过大量自媒体创建文章信息实现广告收入
学费
- 为了便捷的学习系统和高效学习课程以及良好的社群服务 -> 支付学费

2. 判断业务模块所属类型

工具模块、内容浏览模型、交易模块、社区模块

3. 根据业务模块所属类型选择数据指标

工具模块: 效率

	描述了什么	举例	做好了就能怎样
使用量	累积量，投入程度	拍照、笔记	用户粘性强
目标达成率	是否正常运转	支付、搜索	满意度高
频次	是否能让用户养成习惯	闹钟	养成固定习惯

内容浏览：质 & 量

	描述了什么	举例	做好了就能怎样
浏览数	累积量	头条类	有多少人阅读
浏览广度	覆盖内容库存情况	视频网站多个频道	库存利用效率更高
浏览时长	占据用户多少时间	快手、抖音	减少竞品的使用时间
内容互动	用户对内容的情感	AB站	用户粘性

交易模块：转化率

	描述了什么	举例	做好了就能怎样
详细页转化率	核心场景转化效率	电商	更容易卖出
金额	总得交易规模	电商、知识付费	卖的更多
客单价	单个用户价值	奢侈品海淘	卖出更高价
复购率	收入的持久度	订阅式购物	卖更多次

社区模块：活跃

	描述了什么	举例	做好了就能怎样
发布量	用户创作内容的数量	贴吧 FB	更多的话题源头
互动量	用户与用户之间的互动的次数	微博	社区更有活力
关系密度	用户与用户的关系	微信	更有可能长期留存

Chap2 数据工具

数据使用流程：数据采集 → 指标建模 → 观测数据 → 数据分析 → 业务洞察

数据工具能够解决什么问题？

计数、流量、内容、用户、业务

一. 选择数据工具

根据业务划分
- 用户导向 (懂球帝)
- 内容导向(百度 → 贴吧)
- 流量导向
根据公司发展的阶段划分
- 探索期：验证需求是否存在，产品是否能够满足需求
  - 计数
- 成长期：规模化，实现用户的大量增长
  - 流量导向、内容导向、用户导向、业务导向
- 成熟期：用户规模到达天花板，用户红利消失
  - 用户导向、业务导向
- 衰退期：需求消失→ 找到新的有缺口延长生命周期
  - 用户导向

二、数据工具的分类

1. 计数的工具

业务场景：单纯的计数和固定报表
通过脚本和代码统计日志
通过BI工具进行基本的分析
简单便捷

2. 流量导向的工具

解.决的问题：流量依赖性业务
优势：能将流量入口分析的较为细致
需要解决的问题：

谁来了

用户的喜好用户的来源桌面端移动端
流量从哪里来的

直接访问、自然搜索流量、引荐流量、社交流量
来干什么的

访问的页面、统计交互行为
有没有达到目标

用户转化

3. 内容导向的工具

常见的场景：以内容为核心资源的，如媒体、视频网站
解决的问题：哪些资源被消费，被消费的情况如何，内容表现质量如何

4. 用户导向的工具

常见的应用场景：在乎用户的长期价值，企业核心资产的用户

5. 业务导向的工具

解决的问题: 业务逻辑复杂，需要跟踪周期长
流程是否顺畅: 漏洞分析 / 路径分析：用户的行为轨迹
规模/频次如何
问题、异常原因在哪: 通过设备端/省份分类
优势: 从商业逻辑上还原整个业务流程，可以接入线上 - 线下

Chap3 数据分析基础😝

一、对比分析

1. 比什么

绝对值：销售金额阅读数 → 不易得知问题的严重性
比例值：活跃占比注册转化率 → 容易收到极端值的影响

2. 怎么比

环比(Last Period): 与当前时间范围相邻的上一个时间范围对比
- eg周环比：第2周的数据与第1周的数据对比
- 对短期内具备连续性的数据进行分析
- 需要根据相邻时间范围的数字对当前时间范围的指标进行设定
同比(Same Period Last Year/M/D)：与当前时间范围的上层时间范围前一范围中同样位置数据对比
- eg. 年同比(今年 vs 去年今日 ) 周同比(今天 vs 上周同日)
- 可以去除周末季节的影响
- 观察更为长期的数据集
- 观察时间周期内有较多的干扰，希望某种程度上消除这种干扰

3. 和谁比

和自己比
- 从时间维度
- 从不同业务线
- 从过往经验估计：
  - 和时间额度比较联系
和行业比
- 自身因素还是行业趋势

二、多维度拆解

案例：每日穿搭推荐

对APP启动事件的划分：

主动点入的少；推送进入的多
有编辑运营的城市，启动率较高
日活整体不变

运行原理：指标/业务流程需要按照多维度拆分、来观察变动

1. 适用的场景：

分析单一指标的构成：
- 分栏目的播放量
- 新老用户比例
针对流程进行拆解分析
- 不同渠道的浏览、购买转化率
- 不同省份的活动参与 - 漏斗
- 打赏主播的等级、性别、频道
需要还原发生行为时的场景

业务场景1:数据涨跌异动如何处理

案例：对收入跌10%的应对

问题是否严重 → 同比环比 → 跌的原因
是否是服务器的原因 → 如果是，应该是断崖下降然后回升 → 按照小时查看流量规律
是不是渠道的问题：存在某个渠道远低于平时的流量
是否缺货

总结：发现异常 → 确定问题 → 确定原因 → 针对性解决问题 → 执行

2.常见的假设：⚡️

活动影响：查对应活动页面以及对应动作的数据波动，活动是否有数据属性
版本发布：以版本号作为维度，区分查看
渠道投放：查看渠道来源变化
策略调整：策略上线时间节点，区分前后关键指标波动
服务故障：明确故障时间，按时间以维度进行小时/分钟级别的拆分

三、漏斗分析

漏斗 = 一连串向后影响的用户行为

1. 适用场景

适用：有明确的业务流程和业务目标
不适用：没有明确的流程、跳转关系且纷繁复杂的业务

2. 建立漏斗时容易掉的坑：

漏斗一定是有时间窗口的
漏斗一定有严格的顺序
漏斗的计数单位可以基于用户、可以基于事件
- 用户：关心整个业务流程的推动
- 事件：关心某一步具体的转化率，但无法获知事件流转的真实情况
结果指标的数据不符合预期
- 自查：是否只有这一个漏斗能够达到最终目标

业务场景2：如何评估渠道质量，确定投放优先级

常见的渠道划分

来源：具体的流量实体
- 百度头条线下
媒介：SEM(搜索引擎营销) 自然搜索的结果 Banner

渠道质量跟踪
1. 选择关键事件
  
  选取反映产品目标人群会做的行为数据
2. 查看产生关键事件的用户

四、分布情况

一个事件不仅只有累计数量这么可以观测的指标，还可以从该事件在不同维度的分布来观察

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
适用场景
- 已经知道一群用户完成了指定事件，但需要对用户群体进行细分，按不同的维度和价值将他们划为不同群体，分别进行后续的维护或分析。
- 已经知道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。

五、用户留存

1. 运作原理

大盘留存：将某一时间段的用户ID与另一个时间段的用户ID做交叉去重
精准留存：
- 过滤进行指定行为的用户ID，再计算
- 将用户分为不同的群体后，观察其之间留存的区别 (游戏行业)

适用场景：验证产品长期价值，评估产品功能粘性

业务场景3：功能/内容上线后，如果评估其短期效果/长期价值/未来潜力

上线后的目标与价值明确
- 漏斗分析(转化关系明确)
- 借助用户分分群对比(转化关系较为复杂)

案例：漫画对付费会员的转化结果的效果评估

验证上线某批漫画对付费会员的影响

上线后关注其对产品价值的提升
- 借助精准留存对比
上线后以探索更长期的产品潜力
- 借助分布情况分析
- 对比其是否优化了使用频次 / 场景的分布

六、用户画像

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、将用户划分为不同的群体 → 以便对不同的群体分别进行产品/运营动作

Profile(用户档案) VS (Persona)用户画像
- Profile 基于用户填写的资料
- Persona 比较抽象，偏向感性
适用场景：市场营销、个性化运行、业务分析、用户研究

1. 标签的分类

基础属性

年龄、性别、生日、教育、收入、职业
社会关系

婚姻、有无小孩、性取向
行为特征

基础行为：注册时间、来源渠道

业务行为：买过特惠商品、获得过优秀学员
业务相关

eg：健身类：体脂率胖瘦高矮日均8k+ 在练腿

2. 标签的来源

直接填写

注册填写、分类选择
通过用户已有特征推导

什么时候需要：做活动、简单的个性化运营、业务分析、用户研究
案例：北京地区的女生节，对象为大学生
- 买过女性服装 → 女生；收货地址：北京 → 地址北京；买过奢侈品 → 消费能力强
- 常用IP在北京→ 地址北京；使用手机型号为新款 → 消费能力强；收获地址为大学 → 大学生
通过用户身边的人推断
- 距离相近：某种属性，周围的人都具备，用户也大概率具备
- 行为相似：通过协同过滤，找到行为相似的目标用户

业务场景4：了解数据背后的画像

高质量拉新
1. 从现有用户找到真正的用户
  
  真正的用户：高留存，核心行为频次、完成率高
2. 找到真正用户的特征
  
  是谁：年龄受教育程度地域消费能力 → 用户画像
  
  从哪里来：用户推荐 → 渠道来源
3. 按照特征，找到类似用户
  
  用户画像：高校、科研院所知识密集型工作区域 / 消费倾向性社科类书籍
  
  渠道来源：人拉人还是广撒网 → 精准受众
精准运营
辅助产品设计

用户画像 + 行为序列

七、归因查找

找出时间发生的主要原因，对业务中明确的业务目标归因即可

将目标拆解到各个模块，方便统计各模块的贡献 → 绩效分配
获悉当前指标达成的主要原因，获得如何提升业务指标的洞察

1. 常见的归因方法

末次归因: 转化路径短，且事件关联性强的场景

递减归因：转化路径很长，非目标事件差异不大，没有完全主导的

- 从最后一步开始，向前归因

首次归因：强流量依赖的业务场景，拉人比后续的事情都重要(比如小额借款)

2. 精准运营推送

不同人在同一个运营资源位上得到不同的信息

需要在千人一面和千人千面中找到ROI(投资回报率)的平衡

2.1 运营资源盘活

常规做法：出台一套运营资源的使用规则
- 例如：同一个类型的营销一周不重复推送…
- 问题：整个公式的内部营销资源存在上限
推荐做法：精细化的用户分群运营
- 针对用户画像，对不同标签推送不同的内容
- 在ROI上找到平衡点，先选择容易出成绩的
- 千人十面往往解决了80%的问题，7~8个标签就足够

如何选择最初的7~8个标签？

人口统计学意义上的标签，如性别、年龄或者地域。
- 〔电商〕性别影响商品偏好
- 〔K12教育〕地域影响教育水平、教材的选择、
考察的侧重点业务相关的标签
- [K12教育〕年级影响所学的内容、关注的信息。
- 〔健身〕 BMI影响用户对功能和内容上的诉求
简单结合上述两类标签，往往已经能划分出七八个的群体了

2.2 推送内容与用户有关

基于用户的真实动作，调整推送内容

向我说话：利用之前留下的信息，在推送文案中使用对应名称
由我触发：通过挖掘用户的行为序列,将推送与你的某个行为挂钩
和我有关：这次推送的活动，真正和我的需求有关

八、路径挖掘

源于菊安酱数据分析

1. 用户路径分析

用户行为路径分析，是追踪用户在App使用过程中的起始事件到结束事件所经历的所有路径，能清晰展现用户做了哪些操作，以及操作后续的行为流向，通过分析用户流转的特点，频繁访问的路径，以及在哪些环节发生了流失。

九、行为序列

1. 行为序列

流入、流出

适用场景：有明确的结果目标

路径挖掘的局限：只能反映一群人的大体趋势

业务场景5：如何找到羊毛党？

用户ID → 省份设备类型运营商 → 越狱

发现数据异常：流量监控、员工审核、人工举报

明确目的：刷量薅羊毛 Spam(垃圾邮件兜售信息)

观察特征：机刷人肉刷 → 按照规则爬取，并人工审核

一网打尽：

封(封禁、屏蔽、定向屏蔽)

提高关键成本

前：注册7后才可发帖 → 中：减少bug商品的库存 → 提高审核的要求

2.用户行为分析

这一部分来着菊安酱数据分析

2.1 用户行为序列分析

用户行为序列指的就是将单一用户的所有行为以时间线的形式进行排列。

而用户行为序列分析模型指的就是通过查看固定时间内单个用户按时间顺序依次触发的部分或全部事件，找出异常或特殊点，进而归纳出群体用户的行为特征的一种分析模型。

应用场景：

漏斗转化率低的原因
- 根据漏斗分析找出转化率低的关键位置，然后找出这个位置的流失用户，查看他们的用户行为序列，研究流失之后他们都做了什么。
- 当通过分析模型找出一批异常用户，需要分析他们的异常原因时，也可以通过查看用户行为序列，找到线索
巧用行为序列，发现渠道新价值
- 作为直营渠道，某电商小程序除了提供购买的功能，还支持用户通过绑定设备领
  取优惠券，获取优惠信息和最新产品资料
- 小程序运营人员在分析过程中发现，有一群用户在3月集中活跃，产生了大量的事件，但是在5月才完成注册(3月到5月期间几乎没有任何的活跃)
- 分析人员就思考:这批几乎已经流失的用户，为什么会再回来完成注册呢?
  - 了解产品但是没有购买，因为价格的原因的，后续绑定是为了更多优惠

十、补充方法

该部分的内容来自菊安酱数据分析公开课，主要是对上述内容的补充

1. 公式拆解法

针对某项指标，用公式表现出该指标的影响因素

应用场景

涉及到金额(销售额、客单价)使用公式拆解法

案例：客单价下降

第三步：基于拆解的指标，分析原因

新客单价相对稳定，但新老客户数比例变化，新客户数占比上市，or老客户数占比下降

新客数占比上升，是不是产品处于快速增长期(新客占比较高)，新客增长速度快，也就导致新客占比逐渐增大;
新客增长是相对平稳的，但是老客在加速流失，甚至是很多高价值的老客(客单价较高);

新老客户数比例稳定，新老客的客单价哦往下掉，可能是两类客群都掉，可能是其中之一

新客中也能分出来客单价高和客单价低的人群。那是不是拉新带来的用户质量比较差呢?或者老客中超级RMB玩家变得“沉默”了

用户结构没啥问题，但是客单价确实往下掉，这个可以从商品的角度细拆

每个用户下单的金额是由一件件不同价格的SKU组成的，对于"平均用户"而言，客单价可以如下拆分:

$客单价=\sum_{i=1}^{n}{c_i*p_i}=\sum_{i=1}^{n}{c_i*(原价-优惠)}$

a、买的少，平均每单的商品数量减少

b、价格低，用户选择了低价格的商品

c、优惠高(平均到每个用户上的优惠金额高)

用户结构和各自的客单价都有问题，上面两种情况都出现了

多维度拆解法、漏斗分析法和公式拆解法都是拆解类的方法
- 多维度是看问题的角度需要插接
- 漏斗是流程上拆解
- 公式拆解是在指标上拆解

2. 矩阵分析法

矩阵分析就是通过两个指标的交叉，构造四个象限的分析矩阵，从而产生四种可能的结果

波士顿矩阵

波士顿矩阵将产品类型分为四种：

明星类产品：高增长且高市占，发展前景好，竞争力强，需加大投资以支持其发展
问题类产品：高增长但低市占，发展前景好但市场开拓不足，需谨慎投资 → 具有一定风险
现金牛产品：低增长但高市占，成熟市场的领导者，应降低投资，维持市占并延缓衰退；
瘦狗类产品：低增长且低市占，理论率低甚至亏损，应采取撤退战略。

矩阵分析的优势：直观易懂

Chap4 数据采集 🐏

一、埋点

本质：在某件事情发生以后，告诉服务器发生了什么

埋点的困境：一是需要什么数据、什么属性；二是需要与研发沟通(前端口or后端采集)

需求 > 指标 > 埋点

1. 数据需求文档(DRD):

作为与研发沟通的凭借，沟通事件触发的机制、定义 / 属性取值的来源 / 背后隐藏的逻辑
管理数据埋点的当前状态和迭代中留下的判断逻辑和附件信息

1.1埋点需求

归纳需求：

产品自身的指标建模：交易总金额详细页转化率
业务部门的分析需求：用户付费的转换率

1.2埋点实施过程中的细节

事件触发的机制、定义 / 属性取值的来源 / 背后隐藏的逻辑

a.选择适当的：

依据经验，预先按分析维度设计属性
- 依赖经验；频繁添加埋点，则需要研发密切配合
根据讨论，预先设计埋点属性
- WWWHW(Who when where how what)
  - WHO：认设备(web: cookie；IOS；Android) 认用户(用户Id)
  - When：哪一个时间点
  - 事件发生 > 事件上报 > 事件接受 > 事件入库 →
  - Where: GPS IP地址自主填写
  - How: 4g 用的什么设备什么版本
  - What: 购买搜索注册投诉申请退货
- 活用属性(公共属性和事件聚类)