数据驱动业务价值，让决策更精准 | 业务篇

最新推荐文章于 2023-06-25 22:04:01 发布
最新推荐文章于 2023-06-25 22:04:01 发布
阅读量918 收藏 1
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Stratifyd/article/details/106726459
版权

 点击上方蓝字关注我们 

以下内容来源于Stratifyd 高级解决方案经理周冠男在AWS网络研讨会中的演讲内容「业务篇」，如需查看完整演讲视频和演讲课件，可点击左上方蓝字“Stratifyd”关注我们，下周本公众号会发布“数据驱动业务价值，让决策更精准”系列的「技术篇」和「案例篇」，完整演讲资料可在「案例篇」获取。

在大数据时代，数据已经成为企业的重要资产。挖掘数据价值，用数据驱动业务的运营、决策以及创新，已经成为数字化转型的核心工作。

 

数据驱动业务的本质可以归结为两点：捕捉业务数据和释放数据价值。需要明确的是，数据驱动业务只是方法，不是目的，最终目的是为了帮助企业增加利润。

驱动企业数字化转型的“双引擎”

从增加企业利润这个最终目标出发，构建数据驱动业务的体系可以从两种层面来执行，一种是业务效率驱动型，一种是科学决策驱动型。

对于业务效率驱动型的业务体系，管理人员更加看中业务是否可以省时省力地完成，整个流程是否更加规范化，数据工程师和数据架构师更加关注业务运作过程中产生的业务数据、客户数据是否可以有效采集，说白了这个过程强调的是如何正确地做事；而从另一个角度来讲，如何做正确的事，就要分析一下科学决策驱动型业务体系了，这是构建数据驱动业务体系非常关键和核心的一环。构建科学决策驱动型业务体系要考虑的三个核心要素是：数据资产是否广泛、数据分析是否深入、获得决策是否高效自动。

 

明确了构建数据驱动业务体系的两条路径，再来分析一下两者之间的关系。实际业务运作过程中，这两种业务驱动类型是相辅相成，缺一不可的。业务效率驱动型强调业务数据的沉淀和收集，科学决策驱动型强调数据价值的释放和应用。无论是业务运营相关的数据还是客户反馈相关的数据，都要通过一定的手段释放数据的价值。简言之，业务生产数据、数据反哺业务，这样方可构成业务运作的良性闭环。只有业务和数据发生共振，相互循环，数据驱动业务的价值才能真正释放。

这里列举一个新西兰能源行业的小案例：新西兰某领先能源企业曾借助Stratifyd增强智能数据分析工具全方位洞察和分析员工及消费者的反馈信息，大幅提升NPS分值，提升客户粘性和转化留存率。

 

可以看出，像能源这种偏传统基建领域的行业也在寻找数字化转型的新突破口，试图通过释放数据价值来驱动业绩增长。在与Stratifyd合作之前，该能源企业已经部署了一套CRM系统，目的是为了及时、快速、高效地与客户进行沟通，方便业务人员及时响应客户需求。但是该企业并不满足于此，虽然业务效率提高了，客户满意度却没有预期中那么好，于是该企业试图寻求其他方法，深入洞察客户所思所想，提升客户体验，Stratifyd也由此与该企业结缘。

 

Stratifyd帮助该能源企业挖掘和分析全渠道的客户反馈数据，利用AI算法高效提炼和分析消费者的热议重点和问题痛点，帮助企业深入洞察数据背后的商业洞察，提升客户体验，呼叫中心的客诉呼入率下降了43%，客户净推荐值（NPS）增加了40分！通过这个案例我们发现，只有收集、管理数据的业务系统是不够的，还要借助科学工具充分挖掘和释放数据价值，将数据价值再应用于业务和产品本身，也就是形成“业务——产生数据——助力业务”的良性循环。

以客户为中心构建价值体系

以客户为中心，就需要了解客户的需求，需要更多的采集客户数据，这其实是从思想到实践一脉相承的体系。Stratifyd合作的众多行业客户，都是以NPS为导向构建指标体系，接下来会重点介绍一下NPS和客户生命价值（LTV）的含义。

什么是NPS？

在互联网时代，消费者体验以及消费者传播的知识是非常重要的，客户净推荐值NPS（Net Promoter Score）是一种计量某个客户将会向其他人推荐某个企业或服务可能性的指数。它是最流行的顾客忠诚度分析指标，专注于顾客口碑如何影响企业成长。

NPS的计算方式

根据客户愿意推荐的程度让客户在0－10之间来打分，然后根据得分情况来建立客户忠诚度的3个范畴：

 

  • 推荐者（Promoter，得分在9－10之间）：是具有狂热忠诚度的人，他们会继续购买并引荐给其他人。

  • 被动者（Passive，得分在7－8之间）：总体满意但并不狂热，将会考虑其他竞争对手的产品。

  • 贬损者（Detractor，得分在0－6之间）：使用并不满意或者对你的公司没有忠诚度。

净推荐值(NPS)=(推荐者数/总样本数)×100%-(贬损者数/总样本数)×100%

NPS计算公式的逻辑是推荐者会继续购买并且推荐给其他人来加速你的成长，而批评者则能破坏你的名声，并让你在负面的口碑中停止成长。

 

在互联网时代，人是很容易受到影响的，所以很多企业把NPS作为衡量客户忠诚度的指标。

以NPS作为指标是一种技术上的操作，企业商业上追求的是客户的生命周期价值（LTV）。从概念上讲其实比较容易理解，客户生命周期价值就是从潜在客户期到客户开发期、成长期、成熟期、衰退期直至客户流失整个生命周期过程所产生的价值。这是从长远的、以客户为中心的角度去评价客户的价值，所以是非常重要的。

数据驱动业务整个体系搭建起来的话，以客户为中心作为指导，以NPS作为具体指标，想方设法去了解客户对于公司和产品的想法，这样，企业就可以有更好的协同体系去创造更满足客户需求的服务和产品，这时客户的体验度更高了，满意度更高了，忠诚度更高了。从下图可以看出，搭建了「数据驱动业务体系」的企业可以让客户的生命周期价值变得更长远、更持久，这对企业带来的其实是更多正向的收益。

明确了以客户为中心去构建数据驱动业务的体系以后，接下来还有一个难点，就是如何释放数据的价值。下周本公众号会发布“数据驱动业务价值，让决策更精准「技术篇」”，在「技术篇」内容里我们会详细介绍如果利用增强智能去挖掘更广的数据资产、运用更多的算法技术、执行更自动的决策方案，进而找到客户反馈数据中更深的故事含义，敬请关注。

Stratifyd在全国诚募合作伙伴，如有合作意向，欢迎发邮件至 partner@stratifyd.cn 。 

END

往期精选

关于Stratifyd

Stratifyd, Inc.总部位于美国南部金融重镇夏洛特，是全球领先的增强智能（Augmented Intelligence）数据分析服务提供商。公司拥有强大的非结构化数据语义分析能力，致力于推进AI在企业数据分析以及商业智能领域的进步。Stratifyd增强智能平台通过整合多个数据源的结构化和非结构化数据，深入洞察消费者反馈数据背后的故事场景，在短时间内呈现出价值非凡的商业见解，助力企业提高客户体验和满意度，提升客户转化与留存，实现高质量的收入增长。

扫描下方二维码，免费体验极速数据洞察！

微信号 : Stratifyd

新浪微博：@Stratifyd

● 扫码申请试用

我知道你

在看

哦

斯图飞腾Stratifyd
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
人工智能十年展望（四）：决策AI，企业数字化转型底层驱动力.rar
06-07
AI 技术正经历从感知 A 到决策 A 演变的关键节点。感知 A 与决策 A是通用人工智能的两大基石，感知 AI 是自环境中获取信息，完成提取要素、分析、得出结果的过程，是对环境的静态感知，计算机视觉是典型代表，目前发展相对成熟，决策 AI 则泛指动作控制、风险管理、运营规划、营销等复杂的决策，即获取来自环境的信息后，行为和环境产生动态交互，因此行为具有一定不确定性且更为复杂。在大量的实际应用场景中，以强化学习为主的决策 AI能力能够突破大规模落地的瓶颈，因此，Al 技术正进入从感知到决策 A的重心演变。 与技术发展阶段对应，企业数字化转型经历两大阶段，阶段二决策 AI 技术是关键。传统企业数字化转型经历两大阶段: 阶段一，企业进行业务数字化、流程线上化的迁移，数据逐步积累，此阶段感知 AI 是关键，以视觉 AI 为典型代表，已在零售、银行等领域较大规模落地:阶段二，企业基于成熟的数据积累，利用决策 AI 模型通过大数据提取规律，代替业务专家做决策，例如，互联网巨头基于用户点击、购买行为刻画人物画像并进行精准营销。数字化转型过程中，决策环节所能创造的商业价值巨大。
8张图，看懂数据驱动业务的六个层次
weixin_45534843的博客
05-15 536
我们总说数据驱动业务，可平时看到的，却总是业务部门追着数据部门屁股要数据。哪里是驱动业务了，分明是被人牵着鼻子走啊！很多同学都有类似的疑惑：到底数据分析对企业有什么用？我的数据用到什么地方...
数据运营思维导图
04-26
数据运营 作用&意义 知错能改，善莫大焉 —错在哪里，数据分析告诉你 运筹帷幄，决胜千里 —怎么做好“运筹”，数据分析告诉你 以往鉴来，未卜先知 —怎么发现历史的规律以预测未来，数据分析告诉你 工作思维 对业务的透彻理解是数据分析的前提 数据分析是精细化运营，要建立起体系化思维（金字塔思维） 自上而下 目标—维度拆解—数据分析模型—发现问题—优化策略 自下而上 异常数据 影响因素 影响因素与问题数据之间的相关关系 原因 优化策略 数据化运营7大经典思路 以目标为导向，学会数据拆分 细分到极致 追踪思路 运营的问题，是追踪出来的，不是一次就看出来的 所有的数据都是靠积累和沉淀才能发现问题，单一的数字没有任何意义，只能称为 “数值” 结合/拆分思路 追踪数据，多个维度结合分析。 从多个维度拆分数据 对比思路 大的营销事件作为节点单独标记，数据剔除出来单独进行分析 节点思路 如运营活动等 行为标记思路 将大动作的优化，大的项目上线及时标注在数据报表中 培养数据的敏感度 培养数据思维，从每天的各种数据报表开始 数据来源 数据埋点 初级 追踪每次用户的行为，统计关键流程的使用程度 中级 在产品中植入多段代码追踪用户连续行为，建立用户模型来具体化用户在使用产品中的操作行为 高级 研发团队合作，通过数据埋点还原出用户画像及用户行为 常用数据分析工具 友盟、Talkingdata 友盟的页面访问分析，对帮助分析用户流失有重要指导意义 网站Alexa排名查询、爱站网、中国网站排名、网络媒体排名 禅大师、ASO100 各种指数 百度指数、搜狗指数、腾讯浏览指数、360指数、某视频网站指数 数据库、运营后台等 工作内容 数据监控 检测异常指标，发现用户对您产品的”怒点“ 如：多次获取手机验证码，次数剧增 这里需要考虑有一个监控指标 新功能数据分析 通过留存曲线检验新功能的效果 通过留存看新功能用户的接受程度 通过用户反馈或调研，了解新功能接受度 数据指标 标记: 红色 整体概况 1、[大盘数据]用户及收入表格+折线图 注册用户（今天、昨日、近3天、近7日、近30天、全部） 新增用户、付费用户、充值总额 2、同时在线趋势折线图 在线人数一向是游戏火热程度的最好衡量 需要有同期对比功能，有参照物才能更好的比较 3、付费渗透 日付费率变化折线图 日付费率通常不稳定，一般情况下看周付费率或月付费率 付费率=充值人数/活跃人数*100% ARPU值变化折线图 ARPU值=总收入/活跃人数 ARPU值影响因素 活跃人数DAU发生较大变化 运营活动影响 金字塔 大R 是否有大R用户异常波动（大R用户流失或大R用户进入） 中、小R 大量中R、小R用户出现或消失 ARPPU值变化折线图 ARPPU值=总收入/付费人数 可以用来监控大R用户异常变化情况 如果该值异常波动，请进一步看鲸鱼用户数据 4、用户留存 新用户留存 次日、3日、7日、14日、30日留存 次日留存是对玩家“第一游戏体验”的最佳印证 与游戏的类型、题材、玩法、美术风格、游戏前期内容吸引度、新手引导有效性有直接的相关性 如果导入的新增玩家群体对游戏题材、玩法、美术风格不予认可，留存将会很差，且可优化的空间较小 优化新手引导和前期的游戏内容则可以有效帮助提升次日留存 7日、30日留存则与游戏难度、持续的活动运营、游戏内奖励机制有密不可分的关系 活跃用户留存 一般不分析活跃用户留存，而是通过DAU观察活跃用户流失数据 留存是评定游戏综合质量的最佳指标 5、平均使用时长和平均使用次数 可以使用柱状图来展现 两项宏观行为指标可反映出用户对app的依赖程度 如果留存较好，但时长和次数均不高，则可能是因过于强调每日登录奖励，但持续的app内容用户家缺乏吸引力所致 用户分析 用户规模 下载数量 新增用户 定义：每日注册并登录游戏的用户数量 ——解决问题 渠道贡献新用户份额分布，监控重点渠道 宏观走势，是否需要进行市场投放 判断是否存在渠道作弊行为、渠道包被下架等问题 日一次会话用户数 即新登用户中只有一次会话，且会话时长低于门阀值 ——解决问题 推广渠道是否有刷量作弊行为 渠道推广质量是否合格 用户导入是否存在障碍点，如网络状况和加载时间等 用户获取成本 解决问题 获取有效新登用户成本 如何选择正确的渠道优化投放 需要根据渠道来细分不同渠道的获取用户成本 了解用户成本 活跃用户 DAU（日活跃用户） 定义 每日登录过游戏的用户 解决问题 了解游戏的核心用户规模 了解游戏产品生命周期变化趋势、渠道活跃用户生命周期 了解游戏产品老用户流失和活跃情况 注意事项 日活跃=新增用户+回流用户+老用户 如果日活跃依靠新增为维持，留存肯定有问题 健康比例3:7，当然不同产品会有一定差异 WAU（周活跃用户） 定义 截止当日，最近一周含当日的7天内，登录过游戏的用户，一般按照自然周计算 解决问题 游戏的周期用户规模 游戏产品的周期性/每周变化趋势衡量 注意事项 利于在不同活跃用户规模的维度上发现和掌握游戏用户规模的变动 数据去重 MAU（月活跃用户） 定义 截止到当天，最近30天（含30天）登录过游戏的用户 解决问题 游戏总体用户规模并评估用户规模稳定性 推广效果评估 了解产品的粘性 注意事项 MAU层级的用户规模更加具有稳定性、相对变化很小 某个时期或版本更新对其可能也产生较大影响 数据去重 一定程度上可以观察游戏的生命周期 DAU/MAU（日活跃用户和月活跃用户的比例值） 一般极低值为0.2 保证产品能够达临界规模的病毒式传播和用户粘度 忠实用户 连续3周登录的用户 目前分析价值不大 用户活跃 启动次数（时、日、周、月） 每日启动1次计算为1次启动 需要有一个间隔时间，30秒内多次启动只能计算为1次 解决问题 衡量用户粘度，数值越大越好 识别优质渠道，渠道是否存在刷量 什么渠道/用户启动次数多 日均使用时长 定义 活跃用户每日平均在线时长 解决问题 游戏的参与度怎么样 产品质量把控指标，游戏粘度如何 渠道质量如何 与单次使用时长结合分析留存和流失问题 用户活跃度 DAU/MAU，理论上不低于0.2，0.2*30=6天 解决问题 游戏的人气是增长、衰退还是稳定？ 看趋势 一个月中，用户的活跃天数是多少 用户的游戏参与度如何 用户活跃率 活跃率=活跃用户/总用户 了解你的用户的整体活跃度，但随着时间周期的加长，用户活跃率总是在逐渐下降的 用户层次（轻度、中、重） 轻度用户：每周登录1~2次的用户 中度用户：每周登录3~5次的用户 重度用户：每周登录6~7次的用户 解决问题 了解用户忠实度，能否走得动”口碑传播“ 在线统计 实时在线曲线（每5分钟统计一次当时的用户同时在线人数） 上周同期对比 平均同时在线人数、最高同时在线人数和时间 每小时注册用户数 用户在什么节点来的多，需要重点监控该时间段app运行 用户画像 概述 是什么，有什么用，怎么做 构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析而来的高度精炼的特征标识 作用 精准营销 分析产品潜在用户，针对特定群体利用短信、邮件等方式进行营销 用户统计 如购买某类书籍人数 TOP10 数据挖掘 定义 把散乱数据转换成有价值信息的过程 效果评估 完善产品运营，提升服务质量 其实这也就相当于市场调研、用户调研，定位服务群体，提高服务 个性化服务 对服务或产品进行私人定制，精准到某一类甚至每一位客户提供个性化服务 基本构成 用户静态属性 基本指标 年龄、性别、地域、学历、角色、收入、婚姻状态、职业 每个指标均需要从多个角度来分析，以区域为例 各区域充值总金额、充值人数、充值次数、付费率、arpu值分布 交叉分析 以区域和性别为例 不同性别+不同地域环境下，付费率数据…… 渠道分布 品牌、机型、操作系统、分辨率、联网、版本、设备均价、运营商 单设备注册账号数分析 可以分析小号分布情况 用户动态属性 动态属性指具有可变性 基本指标 用户的兴趣爱好、兴趣标签 在互联网上的活动行为特征 用户行为分析环节深入分析 用户消费属性 消费属性指用户的消费意向、消费意识、消费心理、消费嗜好等，对用户的消费有个全面的数据记录，对用户的消费能力、消费意向、消费等级进行很好的管理 用户心理属性 心理属性指用户在环境、社会或者交际、感情过程中的心理反应，或者心理活动 目前，用户心理相对会有难度，不用过多考虑 怎么做 数据收集 数据太多可以采用抽样的方法 数据建模 根据所获取到的数据建立模型，注入数据调整模型参数 数据分析及预测 数据可视化、输出报表、趋势预测 留存分析 留存（次~7日、14日、30日） 解决问题 用户对游戏的适应性 用户对于游戏的粘性 评估渠道用户的质量、投放渠道效果评估 新增用户什么时候流失在加剧？ 注意事项 次日留存一定程度上代表了用户对游戏的满意度 主要反映了游戏初期新手对游戏引导和玩法的适应性 关注用户流失率的同时，需要关注用户流失节点 实际运用 常见的7日连续登录礼包 第七天送大卡就是为了次日和7日留存的漂亮 次留很低，可能原因 新手阶段不友好、开场不吸引人、游戏上手难度大 程序bug太多，闪退，卡死，无法登陆等 功能引导太繁琐 次留不低，但是第3-4天大量流失，可能引起的原因 游戏内容重复，单调、游戏挫败感太强；新手无对应保护等 如果只是某个渠道存在这个问题，可能存在渠道作弊 [略]僵尸用户（回归、留存） 流失用户（日周月、自然流失、回归流失） 周流失用户 上周登录过游戏，本周未登录过游戏的用户占上周周活跃用户比例 解决问题 活跃用户的生命周期是多少 哪个渠道的流失率比较高 版本更新对于用户的流失影响是多大 什么时期用户的流失率比较高 当游戏进入稳定期尤其值得关注该指标 (活跃用户的生命周期是多少, 哪个渠道的流失率比较高, 版本更新对于用户的流失影响是多大, 什么时期用户的流失率比较高) 稳定期一般来讲收入和活跃都相对比较稳定，是产品稳定的风向标 付费用户流失监控 用户运营需要高度重视的数据 找到付费用户流失模型（多少天未登录有多少概率流失） 流失原因分析指标 流失用户行为分析 流失前等级分布 是否存在卡点 流失用户生命周期 流失用户付费金额、流失用户付费次数、人数 流失原因分析——流失用户时间节点 流失前运营手段 运营活动、服务器问题、版本更新（bug、新版本用户不接受） app生态 用户成长体系是否健康 用户调研 用户留存分析流程 第一步：分组 按照不同的（时间/渠道/行为等）维度进行用户分组 时间分组 通常用于看整体数据，看整体留存是否出现异常情况 渠道分组 对比不同渠道留存数据 通过不同渠道数据对比，找到异常渠道数据或排出渠道因素 行为分组 按照功能点使用/未使用分组 第二步：对比 根据用户行为进行分组 例子 看贴功能内浏览了3篇贴子的新用户和仅浏览1篇贴子的新用户进行分析 来自A渠道的新用户进行（有使用看贴/未使用看贴）行为分组比较 渠道对比 是不是某些渠道的量出现问题 用户行为 功能使用及参与度 页面访问路径 衍生指标 人均浏览页面数和时长、启动次数、收藏、点赞、关注、评论等 最好形成漏斗模型，规划合理访问路径 关键路径上面各个页面的浏览量 页面转化&用户进入后一步步的转化情况 是否可以简化流程，减少用户操作步骤 (最好形成漏斗模型，规划合理访问路径) 用户习惯分析 平均使用时长 单次使用时长、日使用时长、周使用时长 可以进一步做渠道细分 平均启动次数 日、周、月启动次数 启动天数 周、月游戏天数 使用间隔 平均多长时间启动/使用一次app 用户对app的依赖程度 各个时间段启动app人数分布 用户行为 短期点击行为、搜索行为、收藏行为 等级分析 各个等级平均耗时 用户成长速度 需要严格控制高端用户成长速度 各个等级用户流失 各个等级次日、3日、7日、14日、30日未登录用户数分布 到底在哪个等级阶段用户流失严重？ 各个等级用户分布数量 各个等级游戏次数 各个等级充值数据 累计充值总金额、充值人数、充值次数 哪个阶段是付费高峰期？ 各个等级首次充值 各个等级首次充值人数、充值次数、各个等级首次充值金额选择 哪个等级段容易拉动首次充值行为？ [辅助]各个等级消耗游戏币数据 新用户等级分析 首日等级 所选期间的新增玩家，在其新增当日中最终玩到的等级分布情况 首周等级 所选期间的新增玩家，在其新增7日后玩到的等级分布情况 14日等级 所选期间的新增玩家，在其新增14日后玩到的等级分布情况 近7日等级变化 堆叠图显示每日各个等级人数变化情况 分析新用户成长 (首日等级, 首周等级, 14日等级) 关卡/任务系统 新手引导转化率 任务参与人数及完成情况 支付转化率 漏斗模型的合理使用 用户传播 分享、互动、邀请等 付费分析 整体数据 付费总额 时间段内付费用户消费总额 收入下降，原因？ 付费率下降？ 付费用户流失比活跃用户流失严重 流失的是大R用户还是中小R用户？流失了多少个 付费用户停止付费但未流失 大R还是中小R停止付费？ 哪些消费点的消费在下降或停止？ arpu下降？ 付费人数增加了？ 付费人数无变化、付费金额下降了 哪些消费点的消费在下降？付费点已经饱和？ 付费用户 时间段内进行过付费行为的用户数 其次还有一个付费次数、不去重 新增付费用户（日、周、月） 活跃付费用户数 定义 统计时间段内，成功付费的用户数，一般以月为单位统计 活跃付费用户数=月活跃用户数*月付费率 解决问题 了解产品的付费用户规模 付费用户整体的稳定性 了解付费用户构成 鲸鱼用户、海豚用户、小鱼用户各自数量和比例 注意事项 数据是去重的 ARPU 名词定义 平均每活跃用户收入 统计时间段内，总收入/活跃用户数，一般情况下以月为单位 衡量每个用户带来的平均收益 解决问题 评估不同渠道用户的质量 游戏收益贡献、人均收入 用于产品初期不同规模下的收入预估 (评估不同渠道用户的质量, 游戏收益贡献、人均收入) 注意事项 arpu值很高 ——大R付费能力很强，需要重点关注大R用户 付费率高，arpu值低 ——小R用户较多，要多关注小R用户 ARPPU 名词定义 平均每付费用户收入 统计时间段内，付费用户平均所创造的收入，一般以月为单位统计，因为月的数据相对比较稳定 解决问题 了解游戏付费用户平均的付费情况 付费用户整体的付费趋势 加强对鲸鱼用户的分析和监控 注意事项 容易受到鲸鱼和小鱼用户的影响 付费率（一般看月付费率） 名词定义 时间段内，付费用户数/活跃用户数 首充大礼包就是为了拉付费率 月付费率 名词定义 统计时间段类，付费用户/活跃用户比例，一般以月为单位计算 解决问题 游戏产品的付费引导是否合理、付费转化是否达到预期 用户付费倾向和意愿 需要结合首次付费功能、道具、等级整体分析 注意事项 付费率的高低并不代表付费用户的增加和减少 游戏类型不同，付费率有较大的差异 生命周期 定义 一个用户从首次进入游戏到最后一次参与游戏之间的时间间隔 一般计算平均值 14日LTV（新用户后续付费能力指标） 名词定义 用户在生命周期内所创造的收入 14日LTV 14日LTV=今日注册新用户在后续14天内付费额/注册的新用户数 这里计算的是一个平均值 解决问题 用户在游戏中会待多久 用户对于游戏的贡献价值是多少 付费用户流失数量 本周付费用户下周未登录人数 付费习惯 付费周期 首次付费周期 用户注册到第一次充值的平均时间间隔 付费周期 上一次付费和下一次付费的时间间隔 付费渠道 采用那种支付方式充值？支付宝、微信、公众号等 付费面额 主要为首次充值面额 首次大额度要纳入高端用户维系中去 用户问题、多少天未登录都要及时监控和跟进维系 不同时间段首次付费 用户数量 付费总金额 充值后首次消费行为分析 充值之后第一件事情是购买什么东西？ 研究触发用户充值行为的原因，便于优化首充，提升付费率 需要把各个消费点理解透彻 新增付费用户 首次付费用户等级分布 首次付费时间间隔 首次充值面额 结合首次付费用户的游戏天数、累计游戏时长综合分析 (首次付费用户等级分布, 首次付费时间间隔, 首次充值面额) 不同性别/年龄阶段付费分析 首次付费分析 首次付费等级 首次付费周期 首次付费消费结构 首次付费选择订单面额分布 首次付费各个时间节点用户数量及付费总金额 看首次付费正在哪个时间段分布比较多 一周为单位，哪些时间点是付费高峰期？ 首次付费用户及后续付费行为 首次付费行为产生原因 充值之后第一件事情是购买什么东西？ 发现其中的规律，运营中可以更好利用首次付费 首次付费地域分布 首次付费渠道分布 付费场景 一定程度上可以理解为付费点，在哪些地方会产生付费 消费场景 消费人数和消费次数 鲸鱼用户 每日top100付费用户及累计付费金额数据 账号、id、电话、充值总额、消耗总额、最后登录时间、当前等级 加强对金字塔用户的运营管理 营销效果 新增用户 每小时新增用户 衡量推广效果的最基础指标 新增用户/活跃用户的比例也是衡量产品健康度的标准之一 比例过高，需要关注留存 新增用户渠道分布 活跃用户 渠道分布 启动次数 单次平均使用时长 留存率 检验产品用户吸引力的重要指标 若版本稳定的情况下，留存出现明显波动，很可能是渠道的问题 渠道充值数据 其他 用户行为是否正常、机型、设备分布 其他分析 货币产出和消耗数据 各等级货币消耗 消耗总量 消耗人数 消耗次数 不同道具消耗数据 用户调研 用户来源 用户来自哪里 用户属性 用户是谁 用户在做什么 用户行为 流失原因 用户建议 数据分析模型/方法论 [思维模型]AARRR分析模型 获取（Acquisition） 用户如何发现（并来到）你的产品？ 激活（Activation） 用户的第一次使用体验如何？ 留存（Retention） 用户是否还会回到产品（重复使用）？ 收入（Retention） 产品怎样（通过用户）赚钱？ 传播（Retention） 用户是否愿意告诉其他用户？ 依据该模型，分出更细分的维度，罗列出影响每一个维度的变量 理解到这里即可，该模型更多的是一个思维模型，也可以叫方法论 (获取（Acquisition）, 激活（Activation）, 留存（Retention）, 收入（Retention）, 传播（Retention）, 依据该模型，分出更细分的维度，罗列出影响每一个维度的变量) [思维模型]5W2H 何因（Why）、何事（What）、何人（Who）、何时（When）、何地（Where）、如何就（How）、何价（How much） 提供一种问题/业务分析思路 活动运营常用方法论，尤其是编写活动执行案的时候 如何更加全面的思考问题 [思维模型]PEST分析法 用于对宏观环境的分析，包括政治（political）、经济（economic）、社会（social）和技术（technological）四方面 适合做大环境、行业分析，一般情况下用途较少 [思维模型]4P营销理论 分析公司的整体营运情况，包括产品（product）、价格（price）、渠道（place）、促销（promotion）四大要素 以用于公司整体运营情况分析 [思维模型]用户行为理论 主要用于用户行为研究 用户行为理论步骤 认知 网站访问 主要指标有：PV、UV、人均访问页面量、访问来源 熟悉 网站浏览 主要指标有：页面停留时长、跳出率、页面偏好 网站搜索 主要指标有：搜索访问次数等 试用 用户注册 用户注册量、注册转化率 使用 用户登录 登录用户数、DAU等 用户订购 订单量、订购频数、内容、转化率 忠诚 用户粘性 回访者比例、访问深度 用户流失 流失数和流失率 [思维模型]鱼骨图 发现问题“根本原因”的分析方法 多维度分析 细分问题 趋势分析/折线图 数据监控 [思维模型]极简数据分析方法论 3个步骤 确定目标、列出公式、确认元素/字段 3个模型 [提升元素量级]漏斗模型 适用范围：需要多个步骤达成的元素 通过提升转化率，提升单个元素量级 [精细化]多维坐标 精细化运营 通过多维坐标将用户分组，对不同组用户采取对应的运营措施 用户运营也有个经典坐标，叫RFM坐标 [监测数据]分组表格 适用范围：随时间变化的用户属性元素 留存率分组表格 用户行为分析模型 行为事件分析 用户留存分析 魔法数字法 留存与关键用户行为关系组合图 GrowingIO留存曲线 漏斗模型 AIDMA理论是漏斗模型的理论基础 漏斗模型用途 漏斗模型适用于应用中某些关键路径的转化率的分析 以确定整个流程的设计是否合理，各步骤的优劣，是否存在优化的空间等 了解用户使用你应用的真正目的，为他们提供合理的访问路径或操作流程 解决方案思想 扩大漏斗口径 提升转化率 反向漏斗模型 倒推用法——根据目标倒推所需资源配置 趋势、对比、分组 趋势 从时间轴的维度，看某个流程或某个步骤前后优化效果及监控 比较 比较类似产品或服务使用流程转化，发现应用中存在的问题 细分 细分来源或不同的客户类型在转化率上的表现 发现一些高质量的来源或客户，通常用于分析网站的广告或推广的效果及ROI 用户行为路径分析 用户路径的分析结果通常以桑基图形式展现 见友盟——功能使用——页面访问路径 主要用途 分析关键路径上的页面跳转以及转化率，找到流失用户的页面 分析到达关键页面的页面来源，分析关键路径到达的页面 RFM模型/分析法（客户关系管理模型-用户分类方法） R：表示客户最近一次购买的时间 时间差 用户类型（活跃用户、休眠用户、流失用户） 理论上，最近一次消费时间越近的用户应该是比较好的用户 刻画用户的关注程度 F：表示客户在最近一段时间内购买的次数/频数 购买次数count 用户忠诚度 M：表示客户在最近一段时间内购买的平均金额 请注意是平均值 刻画用户的购买力 用户精细化运营常用模型 (R：表示客户最近一次购买的时间, F：表示客户在最近一段时间内购买的次数/频数, M：表示客户在最近一段时间内购买的平均金额) 用户细查 单个用户某行为或过程分析——进而上升到用户群体 如有没有多次获取验证码的情况 热力图 A/B测试（对比测试） 定义 通过对app的两个不同版本进行比较，来确定一个性能更好的方案 核心思想 提供多种方案，最终根据数据效果选择最优方案 注意事项 目标用户群一定是随机分配的 运用 不同创意/不同类型banner数据效果测试 在了解和分析各个渠道质量的时候，也可以运用A/B测试方法论 流失预警模型 分类模型 逻辑树分析法 把问题的所有子问题分层罗列 可用于业务问题专题分析 预测模型、分类模型 神经网络 朴素贝叶斯 支持向量机 K-临近邻算法 随机森林 预测模型 逻辑回归 聚合算法 K-Means 关联算法 Apriori算法 可用于游戏道具组合销售策略 异常检测 辅助算法等 主成分分析 特征选择法 降纬算法 数据分析报告 http://www.woshipm.com/operate/588326.html 运营日报 Excel 运营周报 一页简报——对关键指标汇总+总结，往往是领导要看的数据 多页子页——对关键指标的详细解读和说明、可视化 Excel 运营月报 PPT 数据分析报告 http://www.woshipm.com/data-analysis/677567.html 市场分析 市场需求 市场现状 找到突破口、找到目标用户在哪里 明确目标用户群体 年龄 收入 性别 爱好 目标用户体量 期待抢占多少用户比例 产品定位 基于目标用户需求制定计划 市场分析报告 竞品分析 了解 竞品的目标群体和推广策略 了解竞品运营需求，需要进行整理 了解竞品周边项目和战略布局 5w2h、swot分析 产品分析 产品市场定位 产品体验报告 左右资源 运营资源、技术资源、渠道资源 swot分析 数据运营精髓 通过数据指导运营决策 利用数据驱动业务增长 进一步深入 新增用户 新增设备、新增用户 活跃用户 新用户、老用户；各自数量及占比变化 付费用户 新付费用户、老付费用户；增长衰减变化 收入折线图
2019数据运营思维导图
03-29
数据运营 作用&意义 知错能改，善莫大焉 —错在哪里，数据分析告诉你 运筹帷幄，决胜千里 —怎么做好“运筹”，数据分析告诉你 以往鉴来，未卜先知 —怎么发现历史的规律以预测未来，数据分析告诉你 工作思维 对业务的透彻理解是数据分析的前提 数据分析是精细化运营，要建立起体系化思维（金字塔思维） 自上而下 目标—维度拆解—数据分析模型—发现问题—优化策略 自下而上 异常数据 影响因素 影响因素与问题数据之间的相关关系 原因 优化策略 数据化运营7大经典思路 以目标为导向，学会数据拆分 细分到极致 追踪思路 运营的问题，是追踪出来的，不是一次就看出来的 所有的数据都是靠积累和沉淀才能发现问题，单一的数字没有任何 意义，只能称为 “数值” 结合/拆分思路 追踪数据，多个维度结合分析。 从多个维度拆分数据 对比思路 大的营销事件作为节点单独标记，数据剔除出来单独进行分析 节点思路 如运营活动等 行为标记思路 将大动作的优化，大的项目上线及时标注在数据报表中 培养数据的敏感度 培养数据思维，从每天的各种数据报表开始 数据来源 数据埋点 初级 追踪每次用户的行为，统计关键流程的使用程度 中级 在产品中植入多段代码追踪用户连续行为，建立用户模型来具体化用户在使用产品中的操作行为 高级 研发团队合作，通过数据埋点还原出用户画像及用户行为 常用数据分析工具 友盟、Talkingdata 友盟的页面访问分析，对帮助分析用户流失有重要指导意义 网站Alexa排名查询、爱站网、中国网站排名、网络媒体排名 禅大师、ASO100 各种指数 百度指数、搜狗指数、腾讯浏览指数、360指数、某视频网站指数 数据库、运营后台等 工作内容 数据监控 检测异常指标，发现用户对您产品的”怒点“ 如：多次获取手机验证码，次数剧增 这里需要考虑有一个监控指标 新功能数据分析 通过留存曲线检验新功能的效果 通过留存看新功能用户的接受程度 通过用户反馈或调研，了解新功能接受度 数据指标 标记: 红色 整体概况 1、[大盘数据]用户及收入表格+折线图 注册用户（今天、昨日、近3天、近7日、近30天、全部） 新增用户、付费用户、充值总额 2、同时在线趋势折线图 在线人数一向是游戏火热程度的最好衡量 需要有同期对比功能，有参照物才能更好的比较 3、付费渗透 日付费率变化折线图 日付费率通常不稳定，一般情况下看周付费率或月付费率 付费率=充值人数/活跃人数*100% ARPU值变化折线图 ARPU值=总收入/活跃人数 ARPU值影响因素 活跃人数DAU发生较大变化 运营活动影响 金字塔 大R 是否有大R用户异常波动（大R用户流失或大R用户进入） 中、小R 大量中R、小R用户出现或消失 ARPPU值变化折线图 ARPPU值=总收入/付费人数 可以用来监控大R用户异常变化情况 如果该值异常波动，请进一步看鲸鱼用户数据 4、用户留存 新用户留存 次日、3日、7日、14日、30日留存 次日留存是对玩家“第一游戏体验”的最佳印证 与游戏的类型、题材、玩法、美术风格、游戏前期内容吸引度、新手引导有效性有直接的相关性 如果导入的新增玩家群体对游戏题材、玩法、美术风格不予认可，留存将会很差，且可优化的空间较小 优化新手引导和前期的游戏内容则可以有效帮助提升次日留存 7日、30日留存则与游戏难度、持续的活动运营、游戏内奖励机制有密不可分的关系 活跃用户留存 一般不分析活跃用户留存，而是通过DAU观察活跃用户流失数据 留存是评定游戏综合质量的最佳指标 5、平均使用时长和平均使用次数 可以使用柱状图来展现 两项宏观行为指标可反映出用户对app的依赖程度 如果留存较好，但时长和次数均不高，则可能是因过于强调每日登录奖励，但持续的app内容用户家缺乏吸引力所致 用户分析 用户规模 下载数量 新增用户 定义：每日注册并登录游戏的用户数量 ——解决问题 渠道贡献新用户份额分布，监控重点渠道 宏观走势，是否需要进行市场投放 判断是否存在渠道作弊行为、渠道包被下架等问题 日一次会话用户数 即新登用户中只有一次会话，且会话时长低于门阀值 ——解决问题 推广渠道是否有刷量作弊行为 渠道推广质量是否合格 用户导入是否存在障碍点，如网络状况和加载时间等 用户获取成本 解决问题 获取有效新登用户成本 如何选择正确的渠道优化投放 需要根据渠道来细分不同渠道的获取用户成本 了解用户成本 活跃用户 DAU（日活跃用户） 定义 每日登录过游戏的用户 解决问题 了解游戏的核心用户规模 了解游戏产品生命周期变化趋势、渠道活跃用户生命周期 了解游戏产品老用户流失和活跃情况 注意事项 日活跃=新增用户+回流用户+老用户 如果日活跃依靠新增为维持，留存肯定有问题 健康比例3:7，当然不同产品会有一定差异 WAU（周活跃用户） 定义 截止当日，最近一周含当日的7天内，登录过游戏的用户，一般按照自然周计算 解决问题 游戏的周期用户规模 游戏产品的周期性/每周变化趋势衡量 注意事项 利于在不同活跃用户规模的维度上发现和掌握游戏用户规模的变动 数据去重 MAU（月活跃用户） 定义 截止到当天，最近30天（含30天）登录过游戏的用户 解决问题 游戏总体用户规模并评估用户规模稳定性 推广效果评估 了解产品的粘性 注意事项 MAU层级的用户规模更加具有稳定性、相对变化很小 某个时期或版本更新对其可能也产生较大影响 数据去重 一定程度上可以观察游戏的生命周期 DAU/MAU（日活跃用户和月活跃用户的比例值） 一般极低值为0.2 保证产品能够达临界规模的病毒式传播和用户粘度 忠实用户 连续3周登录的用户 目前分析价值不大 用户活跃 启动次数（时、日、周、月） 每日启动1次计算为1次启动 需要有一个间隔时间，30秒内多次启动只能计算为1次 解决问题 衡量用户粘度，数值越大越好 识别优质渠道，渠道是否存在刷量 什么渠道/用户启动次数多 日均使用时长 定义 活跃用户每日平均在线时长 解决问题 游戏的参与度怎么样 产品质量把控指标，游戏粘度如何 渠道质量如何 与单次使用时长结合分析留存和流失问题 用户活跃度 DAU/MAU，理论上不低于0.2，0.2*30=6天 解决问题 游戏的人气是增长、衰退还是稳定？ 看趋势 一个月中，用户的活跃天数是多少 用户的游戏参与度如何 用户活跃率 活跃率=活跃用户/总用户 了解你的用户的整体活跃度，但随着时间周期的加长，用户活跃率总是在逐渐下降的 用户层次（轻度、中、重） 轻度用户：每周登录1~2次的用户 中度用户：每周登录3~5次的用户 重度用户：每周登录6~7次的用户 解决问题 了解用户忠实度，能否走得动”口碑传播“ 在线统计 实时在线曲线（每5分钟统计一次当时的用户同时在线人数） 上周同期对比 平均同时在线人数、最高同时在线人数和时间 每小时注册用户数 用户在什么节点来的多，需要重点监控该时间段app运行 用户画像 概述 是什么，有什么用，怎么做 构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析而来的高度精炼的特征标识 作用 精准营销 分析产品潜在用户，针对特定群体利用短信、邮件等方式进行营销 用户统计 如购买某类书籍人数 TOP10 数据挖掘 定义 把散乱数据转换成有价值信息的过程 效果评估 完善产品运营，提升服务质量 其实这也就相当于市场调研、用户调研，定位服务群体，提高服务 个性化服务 对服务或产品进行私人定制，精准到某一类甚至每一位客户提供个性化服务 基本构成 用户静态属性 基本指标 年龄、性别、地域、学历、角色、收入、婚姻状态、职业 每个指标均需要从多个角度来分析，以区域为例 各区域充值总金额、充值人数、充值次数、付费率、arpu值分布 交叉分析 以区域和性别为例 不同性别+不同地域环境下，付费率数据…… 渠道分布 品牌、机型、操作系统、分辨率、联网、版本、设备均价、运营商 单设备注册账号数分析 可以分析小号分布情况 用户动态属性 动态属性指具有可变性 基本指标 用户的兴趣爱好、兴趣标签 在互联网上的活动行为特征 用户行为分析环节深入分析 用户消费属性 消费属性指用户的消费意向、消费意识、消费心理、消费嗜好等，对用户的消费有个全面的数据记录，对用户的消费能力、消费意向、消费等级进行很好的管理 用户心理属性 心理属性指用户在环境、社会或者交际、感情过程中的心理反应，或者心理活动 目前，用户心理相对会有难度，不用过多考虑 怎么做 数据收集 数据太多可以采用抽样的方法 数据建模 根据所获取到的数据建立模型，注入数据调整模型参数 数据分析及预测 数据可视化、输出报表、趋势预测 留存分析 留存（次~7日、14日、30日） 解决问题 用户对游戏的适应性 用户对于游戏的粘性 评估渠道用户的质量、投放渠道效果评估 新增用户什么时候流失在加剧？ 注意事项 次日留存一定程度上代表了用户对游戏的满意度 主要反映了游戏初期新手对游戏引导和玩法的适应性 关注用户流失率的同时，需要关注用户流失节点 实际运用 常见的7日连续登录礼包 第七天送大卡就是为了次日和7日留存的漂亮 次留很低，可能原因 新手阶段不友好、开场不吸引人、游戏上手难度大 程序bug太多，闪退，卡死，无法登陆等 功能引导太繁琐 次留不低，但是第3-4天大量流失，可能引起的原因 游戏内容重复，单调、游戏挫败感太强；新手无对应保护等 如果只是某个渠道存在这个问题，可能存在渠道作弊 [略]僵尸用户（回归、留存） 流失用户（日周月、自然流失、回归流失） 周流失用户 上周登录过游戏，本周未登录过游戏的用户占上周周活跃用户比例 解决问题 活跃用户的生命周期是多少 哪个渠道的流失率比较高 版本更新对于用户的流失影响是多大 什么时期用户的流失率比较高 当游戏进入稳定期尤其值得关注该指标 (活跃用户的生命周期是多少, 哪个渠道的流失率比较高, 版本更新对于用户的流失影响是多大, 什么时期用户的流失率比较高) 稳定期一般来讲收入和活跃都相对比较稳定，是产品稳定的风向标 付费用户流失监控 用户运营需要高度重视的数据 找到付费用户流失模型（多少天未登录有多少概率流失） 流失原因分析指标 流失用户行为分析 流失前等级分布 是否存在卡点 流失用户生命周期 流失用户付费金额、流失用户付费次数、人数 流失原因分析——流失用户时间节点 流失前运营手段 运营活动、服务器问题、版本更新（bug、新版本用户不接受） app生态 用户成长体系是否健康 用户调研 用户留存分析流程 第一步：分组 按照不同的（时间/渠道/行为等）维度进行用户分组 时间分组 通常用于看整体数据，看整体留存是否出现异常情况 渠道分组 对比不同渠道留存数据 通过不同渠道数据对比，找到异常渠道数据或排出渠道因素 行为分组 按照功能点使用/未使用分组 第二步：对比 根据用户行为进行分组 例子 看贴功能内浏览了3篇贴子的新用户和仅浏览1篇贴子的新用户进行分析 来自A渠道的新用户进行（有使用看贴/未使用看贴）行为分组比较 渠道对比 是不是某些渠道的量出现问题 用户行为 功能使用及参与度 页面访问路径 衍生指标 人均浏览页面数和时长、启动次数、收藏、点赞、关注、评论等 最好形成漏斗模型，规划合理访问路径 关键路径上面各个页面的浏览量 页面转化&用户进入后一步步的转化情况 是否可以简化流程，减少用户操作步骤 (最好形成漏斗模型，规划合理访问路径) 用户习惯分析 平均使用时长 单次使用时长、日使用时长、周使用时长 可以进一步做渠道细分 平均启动次数 日、周、月启动次数 启动天数 周、月游戏天数 使用间隔 平均多长时间启动/使用一次app 用户对app的依赖程度 各个时间段启动app人数分布 用户行为 短期点击行为、搜索行为、收藏行为 等级分析 各个等级平均耗时 用户成长速度 需要严格控制高端用户成长速度 各个等级用户流失 各个等级次日、3日、7日、14日、30日未登录用户数分布 到底在哪个等级阶段用户流失严重？ 各个等级用户分布数量 各个等级游戏次数 各个等级充值数据 累计充值总金额、充值人数、充值次数 哪个阶段是付费高峰期？ 各个等级首次充值 各个等级首次充值人数、充值次数、各个等级首次充值金额选择 哪个等级段容易拉动首次充值行为？ [辅助]各个等级消耗游戏币数据 新用户等级分析 首日等级 所选期间的新增玩家，在其新增当日中最终玩到的等级分布情况 首周等级 所选期间的新增玩家，在其新增7日后玩到的等级分布情况 14日等级 所选期间的新增玩家，在其新增14日后玩到的等级分布情况 近7日等级变化 堆叠图显示每日各个等级人数变化情况 分析新用户成长 (首日等级, 首周等级, 14日等级) 关卡/任务系统 新手引导转化率 任务参与人数及完成情况 支付转化率 漏斗模型的合理使用 用户传播 分享、互动、邀请等 付费分析 整体数据 付费总额 时间段内付费用户消费总额 收入下降，原因？ 付费率下降？ 付费用户流失比活跃用户流失严重 流失的是大R用户还是中小R用户？流失了多少个 付费用户停止付费但未流失 大R还是中小R停止付费？ 哪些消费点的消费在下降或停止？ arpu下降？ 付费人数增加了？ 付费人数无变化、付费金额下降了 哪些消费点的消费在下降？付费点已经饱和？ 付费用户 时间段内进行过付费行为的用户数 其次还有一个付费次数、不去重 新增付费用户（日、周、月） 活跃付费用户数 定义 统计时间段内，成功付费的用户数，一般以月为单位统计 活跃付费用户数=月活跃用户数*月付费率 解决问题 了解产品的付费用户规模 付费用户整体的稳定性 了解付费用户构成 鲸鱼用户、海豚用户、小鱼用户各自数量和比例 注意事项 数据是去重的 ARPU 名词定义 平均每活跃用户收入 统计时间段内，总收入/活跃用户数，一般情况下以月为单位 衡量每个用户带来的平均收益 解决问题 评估不同渠道用户的质量 游戏收益贡献、人均收入 用于产品初期不同规模下的收入预估 (评估不同渠道用户的质量, 游戏收益贡献、人均收入) 注意事项 arpu值很高 ——大R付费能力很强，需要重点关注大R用户 付费率高，arpu值低 ——小R用户较多，要多关注小R用户 ARPPU 名词定义 平均每付费用户收入 统计时间段内，付费用户平均所创造的收入，一般以月为单位统计，因为月的数据相对比较稳定 解决问题 了解游戏付费用户平均的付费情况 付费用户整体的付费趋势 加强对鲸鱼用户的分析和监控 注意事项 容易受到鲸鱼和小鱼用户的影响 付费率（一般看月付费率） 名词定义 时间段内，付费用户数/活跃用户数 首充大礼包就是为了拉付费率 月付费率 名词定义 统计时间段类，付费用户/活跃用户比例，一般以月为单位计算 解决问题 游戏产品的付费引导是否合理、付费转化是否达到预期 用户付费倾向和意愿 需要结合首次付费功能、道具、等级整体分析 注意事项 付费率的高低并不代表付费用户的增加和减少 游戏类型不同，付费率有较大的差异 生命周期 定义 一个用户从首次进入游戏到最后一次参与游戏之间的时间间隔 一般计算平均值 14日LTV（新用户后续付费能力指标） 名词定义 用户在生命周期内所创造的收入 14日LTV 14日LTV=今日注册新用户在后续14天内付费额/注册的新用户数 这里计算的是一个平均值 解决问题 用户在游戏中会待多久 用户对于游戏的贡献价值是多少 付费用户流失数量 本周付费用户下周未登录人数 付费习惯 付费周期 首次付费周期 用户注册到第一次充值的平均时间间隔 付费周期 上一次付费和下一次付费的时间间隔 付费渠道 采用那种支付方式充值？支付宝、微信、公众号等 付费面额 主要为首次充值面额 首次大额度要纳入高端用户维系中去 用户问题、多少天未登录都要及时监控和跟进维系 不同时间段首次付费 用户数量 付费总金额 充值后首次消费行为分析 充值之后第一件事情是购买什么东西？ 研究触发用户充值行为的原因，便于优化首充，提升付费率 需要把各个消费点理解透彻 新增付费用户 首次付费用户等级分布 首次付费时间间隔 首次充值面额 结合首次付费用户的游戏天数、累计游戏时长综合分析 (首次付费用户等级分布, 首次付费时间间隔, 首次充值面额) 不同性别/年龄阶段付费分析 首次付费分析 首次付费等级 首次付费周期 首次付费消费结构 首次付费选择订单面额分布 首次付费各个时间节点用户数量及付费总金额 看首次付费正在哪个时间段分布比较多 一周为单位，哪些时间点是付费高峰期？ 首次付费用户及后续付费行为 首次付费行为产生原因 充值之后第一件事情是购买什么东西？ 发现其中的规律，运营中可以更好利用首次付费 首次付费地域分布 首次付费渠道分布 付费场景 一定程度上可以理解为付费点，在哪些地方会产生付费 消费场景 消费人数和消费次数 鲸鱼用户 每日top100付费用户及累计付费金额数据 账号、id、电话、充值总额、消耗总额、最后登录时间、当前等级 加强对金字塔用户的运营管理 营销效果 新增用户 每小时新增用户 衡量推广效果的最基础指标 新增用户/活跃用户的比例也是衡量产品健康度的标准之一 比例过高，需要关注留存 新增用户渠道分布 活跃用户 渠道分布 启动次数 单次平均使用时长 留存率 检验产品用户吸引力的重要指标 若版本稳定的情况下，留存出现明显波动，很可能是渠道的问题 渠道充值数据 其他 用户行为是否正常、机型、设备分布 其他分析 货币产出和消耗数据 各等级货币消耗 消耗总量 消耗人数 消耗次数 不同道具消耗数据 用户调研 用户来源 用户来自哪里 用户属性 用户是谁 用户在做什么 用户行为 流失原因 用户建议 数据分析模型/方法论 [思维模型]AARRR分析模型 获取（Acquisition） 用户如何发现（并来到）你的产品？ 激活（Activation） 用户的第一次使用体验如何？ 留存（Retention） 用户是否还会回到产品（重复使用）？ 收入（Retention） 产品怎样（通过用户）赚钱？ 传播（Retention） 用户是否愿意告诉其他用户？ 依据该模型，分出更细分的维度，罗列出影响每一个维度的变量 理解到这里即可，该模型更多的是一个思维模型，也可以叫方法论 (获取（Acquisition）, 激活（Activation）, 留存（Retention）, 收入（Retention）, 传播（Retention）, 依据该模型，分出更细分的维度，罗列出影响每一个维度的变量) [思维模型]5W2H 何因（Why）、何事（What）、何人（Who）、何时（When）、何地（Where）、如何就（How）、何价（How much） 提供一种问题/业务分析思路 活动运营常用方法论，尤其是编写活动执行案的时候 如何更加全面的思考问题 [思维模型]PEST分析法 用于对宏观环境的分析，包括政治（political）、经济（economic）、社会（social）和技术（technological）四方面 适合做大环境、行业分析，一般情况下用途较少 [思维模型]4P营销理论 分析公司的整体营运情况，包括产品（product）、价格（price）、渠道（place）、促销（promotion）四大要素 以用于公司整体运营情况分析 [思维模型]用户行为理论 主要用于用户行为研究 用户行为理论步骤 认知 网站访问 主要指标有：PV、UV、人均访问页面量、访问来源 熟悉 网站浏览 主要指标有：页面停留时长、跳出率、页面偏好 网站搜索 主要指标有：搜索访问次数等 试用 用户注册 用户注册量、注册转化率 使用 用户登录 登录用户数、DAU等 用户订购 订单量、订购频数、内容、转化率 忠诚 用户粘性 回访者比例、访问深度 用户流失 流失数和流失率 [思维模型]鱼骨图 发现问题“根本原因”的分析方法 多维度分析 细分问题 趋势分析/折线图 数据监控 [思维模型]极简数据分析方法论 3个步骤 确定目标、列出公式、确认元素/字段 3个模型 [提升元素量级]漏斗模型 适用范围：需要多个步骤达成的元素 通过提升转化率，提升单个元素量级 [精细化]多维坐标 精细化运营 通过多维坐标将用户分组，对不同组用户采取对应的运营措施 用户运营也有个经典坐标，叫RFM坐标 [监测数据]分组表格 适用范围：随时间变化的用户属性元素 留存率分组表格 用户行为分析模型 行为事件分析 用户留存分析 魔法数字法 留存与关键用户行为关系组合图 GrowingIO留存曲线 漏斗模型 AIDMA理论是漏斗模型的理论基础 漏斗模型用途 漏斗模型适用于应用中某些关键路径的转化率的分析 以确定整个流程的设计是否合理，各步骤的优劣，是否存在优化的空间等 了解用户使用你应用的真正目的，为他们提供合理的访问路径或操作流程 解决方案思想 扩大漏斗口径 提升转化率 反向漏斗模型 倒推用法——根据目标倒推所需资源配置 趋势、对比、分组 趋势 从时间轴的维度，看某个流程或某个步骤前后优化效果及监控 比较 比较类似产品或服务使用流程转化，发现应用中存在的问题 细分 细分来源或不同的客户类型在转化率上的表现 发现一些高质量的来源或客户，通常用于分析网站的广告或推广的效果及ROI 用户行为路径分析 用户路径的分析结果通常以桑基图形式展现 见友盟——功能使用——页面访问路径 主要用途 分析关键路径上的页面跳转以及转化率，找到流失用户的页面 分析到达关键页面的页面来源，分析关键路径到达的页面 RFM模型/分析法（客户关系管理模型-用户分类方法） R：表示客户最近一次购买的时间 时间差 用户类型（活跃用户、休眠用户、流失用户） 理论上，最近一次消费时间越近的用户应该是比较好的用户 刻画用户的关注程度 F：表示客户在最近一段时间内购买的次数/频数 购买次数count 用户忠诚度 M：表示客户在最近一段时间内购买的平均金额 请注意是平均值 刻画用户的购买力 用户精细化运营常用模型 (R：表示客户最近一次购买的时间, F：表示客户在最近一段时间内购买的次数/频数, M：表示客户在最近一段时间内购买的平均金额) 用户细查 单个用户某行为或过程分析——进而上升到用户群体 如有没有多次获取验证码的情况 热力图 A/B测试（对比测试） 定义 通过对app的两个不同版本进行比较，来确定一个性能更好的方案 核心思想 提供多种方案，最终根据数据效果选择最优方案 注意事项 目标用户群一定是随机分配的 运用 不同创意/不同类型banner数据效果测试 在了解和分析各个渠道质量的时候，也可以运用A/B测试方法论 流失预警模型 分类模型 逻辑树分析法 把问题的所有子问题分层罗列 可用于业务问题专题分析 预测模型、分类模型 神经网络 朴素贝叶斯 支持向量机 K-临近邻算法 随机森林 预测模型 逻辑回归 聚合算法 K-Means 关联算法 Apriori算法 可用于游戏道具组合销售策略 异常检测 辅助算法等 主成分分析 特征选择法 降纬算法 数据分析报告 http://www.woshipm.com/operate/588326.html 运营日报 Excel 运营周报 一页简报——对关键指标汇总+总结，往往是领导要看的数据 多页子页——对关键指标的详细解读和说明、可视化 Excel 运营月报 PPT 数据分析报告 http://www.woshipm.com/data-analysis/677567.html 市场分析 市场需求 市场现状 找到突破口、找到目标用户在哪里 明确目标用户群体 年龄 收入 性别 爱好 目标用户体量 期待抢占多少用户比例 产品定位 基于目标用户需求制定计划 市场分析报告 竞品分析 了解 竞品的目标群体和推广策略 了解竞品运营需求，需要进行整理 了解竞品周边项目和战略布局 5w2h、swot分析 产品分析 产品市场定位 产品体验报告 左右资源 运营资源、技术资源、渠道资源 swot分析 数据运营精髓 通过数据指导运营决策 利用数据驱动业务增长 进一步深入 新增用户 新增设备、新增用户 活跃用户 新用户、老用户；各自数量及占比变化 付费用户 新付费用户、老付费用户；增长衰减变化 收入折线图
洞见数据之密
09-05
最初的数据挖掘技术雏形出现在20世纪60至70年代，那时候全球互联网泡沫才刚刚开始膨胀。随着各行各业数据量的激增以及产品生命周期变化的愈发复杂，数字已变成一种珍贵性资产。 从知识发现、商业智能、预测建模到预测分析，数据挖掘相关技术名称的不断变更，不仅体现了其内涵与定义上的延伸，还意味着它在业务流程和商业决策上产生的越来越重要影响。业务驱动的需求扩展促使数据挖掘从简单的数据检索和统计成长为更复杂的分析预测工具。如今，数据挖掘和分析型CRM已发展为主流，不同的数据挖掘软件也随着技术和算法进步而日趋成熟。 同时，数据挖掘是一个分析过程，旨在探索大量数据背后，模式或变量间较为一致的系统关系，并将分析出的模式应用于新的数据子集。也就是说，数据挖掘的最终目标是实现精准预测，特别是对个群体行为、商业决策乃至社会层面的关系和发展预测。几十年来，社会科学将交互的强度和频率量化以衡量个人间的关系，因此便有了弱关系和强关系之说。弱关系（松散的熟人）可以帮助传播不同群体间的思想或创新，有利于信息流动。这种潜在关系的联结也让数据挖掘技术有了真正的用武之地。在这样的运作机制下，关系数据挖掘也对数据特征的准确性提出了更高的要求。
Stratifyd: 数据驱动业务价值，让决策更精准 | 业务篇
Stratifyd_AI的博客
06-12 424
以下内容来源于Stratifyd 高级解决方案经理周冠男在AWS网络研讨会中的演讲内容「业务篇」，如需查看完整演讲视频和演讲课件，可搜索“Stratifyd”关注我们，下周本公众号会发布“数据驱动业务价值，让决策更精准”系列的「技术篇」和「案例篇」，完整演讲资料可在「案例篇」获取。 在大数据时代，数据已经成为企业的重要资产。挖掘数据价值，用数据驱动业务的运营、决策以及创新，已经成为数字化转型的核心工作。 数据驱动业务的本质可以归结为两点：捕捉业务数据和释放数据价值。需要明确的是，数据驱动业务只是方法
什么是数据驱动业务？
weixin_29403917的博客
12-08 1180
数据驱动业务的因素
数据思考：数据驱动业务的四个层次
云祁QI
05-15 1609
在实际工作中，不能驱动业务的数据分析是无效的。我们需要从数据出发，发现业务中不能直接发现的问题，辅助业务决策或者给出建议，这些建议和洞察能够切实推动业务的工作。这被称为数据驱动业务能力，是企业数据分析人员的关键能力。数据驱动业务可分为4个层级，辅助→协同→主导→洞察，从浅入深：level1 辅助数据辅助业务，支撑业务解决问题熟悉业务流程，掌握数据分析技能，能将数据和业务结...
如何理解「数据驱动业务」？
esensoft123的博客
02-24 754
结合财务系统与亿信BI，不仅解决了数据来源、时效性、准确性、口径和规范性等基础数据问题，更重要的是借鉴BI 强大的建模机制实现了核算口径数据向管理会计口径数据的转换，有效消除了数据孤岛，多维度、多层次、多视角存储和提供数据，更好的满足DHC的管理需求、提高管理水平、为实现企业价值创造奠定了坚实的应用基础。通过构建用数据驱动业务的商业模式，可以实现从数据本质的规律出发，建立结构完备、组织有序、灵活可扩展的数据资源体系，支持跨部门、跨地区资源共享和业务协同，从而成为真正有灵魂的新一代数据中心，对企业意义重大。
【理论】数据如何驱动业务？成为钥匙，而不是发动机
Sunny的专栏
10-20 472
0、前言 经常在老板或者领导都会领导一句话：数据要驱动业务，那到底要怎样驱动业务？ 搞大数据的伙伴会说：这还不简单？大数据存储、计算引擎一上，标签工厂一建，数据打通，报表有多少上多少，cube有多少建多少，什么大数据平台、数据仓库、数据湖、数据中台、算法平台、机器学习平台能上的都给上了。 公司所有部门都给配一个数据分析师，一套数据分析平台，连客服有，进门就是一个大屏，运营部门挂一个运营大屏，老板办公室挂一个公司战略大屏。真正做到数据可看、可用、可决策！这，就是数据驱动业务！ 因为就有老板是这么做的.
纯手写数据层业务层人力资源管理系统.zip
最新发布
04-13
管理系统，作为一种高效的企业运营管理工具，旨在通过集成化、系统化的手段，对组织内部的各类资源进行规划、协调、控制和优化，以实现企业战略目标，提升运营效率，增强核心竞争力。以下是对管理系统的详细介绍： 一、定义与构成 管理系统是指由硬件设备、软件应用、数据资源、人员以及相关管理制度共同构建的，用于处理、监控、分析和决策各类业务活动的综合信息系统。它通常包括以下几个核心组成部分： 数据采集模块：负责从各类业务环节中实时、准确地收集信息，形成企业的基础数据资源。 数据分析模块：运用统计学、人工智能等技术对数据进行深度挖掘和智能分析，提供决策支持。 业务流程管理模块：设计、执行、监控和优化业务流程，确保各项任务按照预定规则高效运转。 决策支持模块：基于数据分析结果，为管理者提供直观的可视化报告，辅助其进行科学决策。 用户界面与交互模块：提供友好的人机交互界面，方便用户操作使用。 二、主要类型与功能 管理系统根据所针对的管理对象和领域，可分为多种类型，如： 人力资源管理系统（HRM）：涵盖招聘、培训、绩效考核、薪酬福利等人力资源全流程管理，提升人才效能。 客户关系管理系统（CRM）：集中管理客户信息，优化销售、营销和服务流程，提升客户满意度和忠诚度。 供应链管理系统（SCM）：整合供应商、制造商、分销商、零售商等供应链各环节，实现物流、资金流、信息流的协同运作。 企业资源计划系统（ERP）：对企业内部财务、生产、采购、库存、销售等各项资源进行全面集成管理，提高整体运营效率。 项目管理系统（PM）：对项目全生命周期进行规划、跟踪、控制，确保项目按时、按质、按预算完成。 三、价值与优势 提高效率：自动化工作流程、标准化业务操作，显著减少人工干预，提升工作效率。 优化决策：实时数据分析与预测，提供精准的决策依据，助力管理层做出明智选择。 资源整合：打破部门壁垒，实现信息共享，优化资源配置，降低运营成本。 合规风控：内置法规遵循机制，强化内部控制，降低经营风险。 持续改进：通过对系统数据的持续监控与分析，驱动业务流程持续优化，促进企业创新与发展。 总的来说，管理系统作为现代企业管理的重要工具，以其强大的数据处理能力、智能化的决策支持和高效的业务流程管理，有力推动了企业的数字化转型，助力企业在日益激烈的市场竞争中保持竞争优势。
如何通过数据驱动业务发展
02-25
最近几年，随着移动互联网的快速发展，大数据的概念也越来越火，很多公司都在提数据化管理。那么，我们今天就聊一下数据化管理这个话题。先来看下数据化管理的误区：数据多并不意味着能驱动业务发展，因为存在很多因素导致数据并不能很好地应用于业务中。一方面，很多公司在采集数据时，会采集到很多脏数据，比如模拟器刷量、羊毛党刷量。如果未做反作弊识别，很难将这部分数据过滤掉；另外一方面，在采集数据时，没有做到标准化、规范化上报。那么在做数据挖掘分析时，就很难得到有效信息。而数据的准确性和稳定性是数据科学管理的基础，如果无法满足这两点，在业务决策上就会存在很多问题。数据只有跟业务有足够强的关联性，才有价值。我们本身
数据的能力与价值
无与伦比BLOG
07-05 1002
数据是价值的源泉， 价值是数据的体现！ 转载地址：http://www.woshipm.com/data-analysis/1764402.html 大数据是一个持久发热的话题，而且热火朝天的人工智能依赖于大数据的发展。大家都在讨论数据能力，数据能力是一个很抽象的概念，那数据能力具体是什么？数据价值呢？ 数据自身是没有价值或者说微乎其微的，价值是被赋予的，就像黄金一样，黄金的价...
以商业视角解析数据驱动，神策 2022 数据驱动大会发布全新数字化闭环产品方案...
神策数据
10-26 593
10 月 26 日，神策 2022 数据驱动大会在北京丽亭华苑酒店举办。大会以“用科学重塑营销”为主题，商业模式创新领域知名作家亚历山大·奥斯特瓦德（Alexander Osterwalder）、神策数据创始人 & CEO 桑文锋、神策数据联合创始人 & CTO 曹犟、小米集团互联网业务部副总经理 & 电视与视频业务部总经理王栋、无限极（中国）有限公司 DIT 副总裁杨俊等...
​价值驱动-数据分析价值逻辑与实践思考
fengye8600的博客
06-25 464
月説小飞象交流会未来是一片迷雾，令人胆怯，但不妨走下去，看看命运给我们准备了什么。内部交流│25期价值驱动数据分析价值逻辑与实践思考data analysis●●●●分享人：黄小伟当今的企业，随着数字化技术日新月异的高速发展，多数企业都在进行数字化转型的规划，即顺应新一轮科技革命和产业变革趋势，不断深化应用云计算、大数据、物联网、人工智能、区块链等新一代信息技术，激发数据要素创新驱动潜能，打造提升...
数据团队思考：数据驱动业务，比技术更重要的是思维的转变
SeizeeveryDay的博客
04-16 570
0x00 前言你是否遇到过下面的这些问题或者抱怨：为什么我们数据团队的每个人都在做提数的工作？为什么我们数据团队总是不被老板重视？为什么我们数据团队在公司中没有影响力？如果你也遇到了类似...
如何用excel制作xy曲线图_用EXCEL制作帕累托图
weixin_39901518的博客
11-21 6438
一、帕累托图介绍帕累托图(Pareto chart)是将出现的质量问题和质量改进项目按照重要程度依次排列而采用的一种图表。以意大利经济学家V.Pareto的名字而命名的。帕累托图又叫排列图、主次图，是按照发生频率大小顺序绘制的直方图，表示有多少结果是由已确认类型或范畴的原因所造成。帕累托图使你的问题变得更清晰明了，一下就能发现中间的主要因素，并通过解决问题的数目，从而进行预测，解决后可得...
滴滴数据科学家分享：数据如何驱动业务增长
数据分析
06-29 441
分析师的商业价值直觉驱动的困境我是统计科班出身，对数据较为亲近，毕业后便在互联网开始从事机器学习与数据分析工作。几年观察下来，发现许多业务虽然都会引入算法工程与分析师等这些数据职能，但是大...
数仓建模—数据驱动业务
热门推荐
01-24 3万+
数据驱动业务 今天我们看一下数据驱动业务如何实现，在实现过程中有哪些需要注意的地方 基础数据建设的铁三角 人力、能力，权利在数据基础建设中缺一不可 首先人力层面上需要在各个环节中都有投入，例如数据采集、数据产品、需求方、分析师 其次在能方面需要相关人员掌握相应的技能，例如数据分析能力 最后在权力方面需要负责人具备资源投入管控和质量管理的能力 数据驱动的四步 数据驱动的四步 有数据，需要收集到相应的数据 看数据，需要指导看什么 分析数据，需要找到原因 提出方案 评估效果 进行迭代 应用数据，需要保证数
银行业如何实现数据驱动业务
06-06
银行业实现数据驱动业务需要从以下几个方面入手： 1. 数据采集和处理：银行需要收集和整合各种数据源，包括客户数据、交易数据、市场数据、风险数据等，通过数据挖掘、分析和预测等技术对这些数据进行处理，得出有价值的信息。 2. 数据可视化和报表：银行需要将处理后的数据以可视化的形式展示出来，比如通过仪表盘、报表等方式，让业务人员和管理人员能够直观地了解业务状况和趋势。 3. 数据分析和决策：银行需要建立数据分析和决策模型，利用数据分析得出结论和趋势，并在业务决策中应用这些结论和趋势，以优化业务流程和提高效率。 4. 数据共享和开放：银行需要将数据共享和开放，与其他金融机构、科技公司等合作，实现数据资源共享和协同创新，推动行业发展和创新。 5. 数据安全和隐私保护：银行需要保证数据的安全和隐私，确保数据不会被泄漏或滥用，同时也需要遵循相关法规和规范，保护客户的隐私权。 通过实现数据驱动业务，银行可以更好地理解客户需求，提高业务效率和质量，优化风险控制和决策，提升竞争力和盈利能力。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值