小飞象·思维季
去生活,去犯错,去跌倒,去胜利,去用生命再创生命。--詹姆斯·乔伊斯
前言
我们上篇数据思维的内容,梳理和分享了常见的分析思维之一—生命周期分析思维,即通过对产品、商品或业务线等事物进行不同阶段的划分,能够帮助我们正确地理解业务或者产品,因地制宣、因时制宜地使用正确的发展策略,在产品衰退前做出反应。(详情请看:生命周期分析思维的一些基本思考与见解)而不管是生命周期分析,竞品分析,SWOT分析等都有一定的分析模式和框架,这些分析方法论都可以算是一个个的数据模型。
其数据模型的运用主要是为了更好地利用数据,进行严谨地分析,厘清问题,为后续决策层和数据使用者提供有价值数据分析。一个有逻辑数据模型是建立商业智能分析的基础框架,并且能够帮助数据标准的制定、数据治理、元数据管理、数据存储等方面的工作。本文将整理一些常见的数据模型,希望大家能建立一个数据模型分析思维意识,优先根据有效的数据模型进行精细化分析、数据挖掘等,确保分析结果的有效性和正确性。
数据模型分析思维,即各种数据分析经验的抽象集合,你拥有了更多的数据模型,也就拥有了更多的认知“数据”世界的工具。在斯科特·佩奇的《模型思维》一书中,提到了20多个思维模型,我们在数据分析过程中可能会经常用到的主要有:AARRR(海盗模型)、RARRA、漏斗模型、金字塔模型、RFM模型、用户生命周期模型、滑梯模型、消费者行为模型等等。
我们将整理分享几个常见的数据模型,仅供参考!
01
AARRR模型
AARRR增长模型出自于增长黑客,又称海盗模型,即获客、激活、留存、变现、传播推荐。
▶获取用户(Acquisition)、提高活跃度(Activation)、提高留存率(Retention)、获取收入(Revenue)、用户推荐(Refer),这个五个单词的缩写,分别对应用户生命周期中的5个重要环节。
▶获取用户(Acquisition):通过一定的方式让产品在一些渠道上面得到展现,并使看到展现的用户转化成产品用户。
▶提高活跃度(Activation):提高产品的使用粘性,提升用户使用产品的深度。
▶提高留存率(Retention):如何让用户不断地使用我们的产品,减少用户的流失,提升用户粘性。让用户无法离开产品。
▶获取收入(Revenue):通过一些手段和渠道从用户那里获取收益。
用户推荐(Refer):通过提升产品的竞争力,使用户给他的朋友推荐我们的产品。
▆获取用户(Acquisition)的数据指标:流量来源、流量路径、CAC(用户获取成本)、CPC(每次点击付费) 、CPT(按时长付费)、 CPM(千人成本) 、 CPS(按提成收费) 、CPA(按点击计费) 、Campaign(塑造品牌)。
▆提高活跃度(Activation)的数据指标:DNU(日新增用户) 、DAU/WAU/MAU 、 ACU(平均同时在线人数)、 PCU(最高同时在线人数)、 PV、 UV 、意向UV(进入意向页面的用户数)、 PV/UV、 CTR(点击率)、 意向UV-CTR (点击UV/意向UV)、VV(视频播放次数)、访问时长、停留时长、滚动屏数、人均停留时长、人均操作次数、 N次操作占比、行为路径、访问频次、跳出率、用户来源、用户去向。
▆提高留存率(Retention)的数据指标:留存率、次日留存率、7日留存率、30日留存率、回流率、召回CTR(提取出的正确信息条数 / 样本中的信息条数)、用户生命周期 (周期/(1-周期内新增留存率))。
▆获取收入(Revenue)的数据指标:GMV 、ARPU(每用户平均收入)、ARPPU(平均每付费用户收入)、LTV(生命周期价值)、 PBP(回收期)、 ROI(投资回报率 )、收入地图 、客单价、 消费次数 、消费频率、 订单量、 利润、 购买偏好、 直接引导成交、 间接引导成交、 购买间隔。
▆用户推荐(Refer)的数据指标:分享率、分享次数、K-Factor (病毒传播指标)、 NPS。
注:欢迎补充~
02
RARRA模型
AARRR最开始关注的是如何获取用户,所以AARRR关注的首要指标是获客用户数,而RARRA通过最重要的指标来关注增长:用户留存。
RARRA的数据模型,本质上是在AARRR的基础上进行顺序调整得到,以满足日益获客成本所带来的压力成本。RARRA模型相比与AARRR可以使得获客成本更低。
▶用户留存Retention:如何让用户不断地使用我们的产品,减少用户的流失,提升用户粘性。让用户无法离开产品。
▶用户激活Activation:提高产品的使用粘性,提升用户使用产品的深度。
▶用户推荐Referral:通过提升产品的竞争力,使用户给他的朋友推荐我们的产品。
▶商业变现Revenue:通过一些手段和渠道从用户那里获取收益。
▶用户拉新Acquisition:通过一定的方式让产品在一些渠道上面得到展现,并使看到展现的用户转化成产品用户。
RARRAR首先关注的是产品的留存情况。当产品的留存情况不好,要优化产品的使用体验、功能和运营方式。当这三方面都得到优化提升,接下来就进提供用户的活跃度,以及商业化方面的尝试,等到这些都做好了, 就大规模的推广产品关注获客数据指标。
▆用户留存数据指标:留存率、次日留存率、7日留存率、30日留存率、回流率、召回CTR(提取出的正确信息条数 / 样本中的信息条数)、用户生命周期 (周期/(1-周期内新增留存率))。
▆用户激活数据指标:DNU(日新增用户) 、DAU/WAU/MAU 、 ACU(平均同时在线人数)、 PCU(最高同时在线人数)、 PV、 UV 、意向UV(进入意向页面的用户数)、 PV/UV、 CTR(点击率)、 意向UV-CTR (点击UV/意向UV)、VV(视频播放次数)、访问时长、停留时长、滚动屏数、人均停留时长、人均操作次数、 N次操作占比、行为路径、访问频次、跳出率、用户来源、用户去向。
▆用户推荐数据指标:分享率、分享次数、K-Factor (病毒传播指标)、 NPS。
▆商业变现数据指标:GMV 、ARPU(每用户平均收入)、ARPPU(平均每付费用户收入)、LTV(生命周期价值)、 PBP(回收期)、 ROI(投资回报率 )、收入地图 、客单价、 消费次数 、消费频率、 订单量、 利润、 购买偏好、 直接引导成交、 间接引导成交、 购买间隔。
▆用户拉新数据指标:流量来源、流量路径、CAC(用户获取成本)、CPC(每次点击付费) 、CPT(按时长付费)、 CPM(千人成本) 、 CPS(按提成收费) 、CPA(按点击计费) 、Campaign(塑造品牌)。
注:欢迎补充~
03
漏斗模型
即用户行为路径所要经过的核心流程步骤,用户在流程的走向过程中会逐渐的减少。关于漏斗模型,本质是分解和量化,从获取用户到最终转化成购买这整个流程中的一个个子环节,相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现。所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤,然后用转化率来衡量每一个步骤的表现,最后通过异常的数据指标找出有问题的环节,从而解决问题,优化该步骤,最终达到提升整体转化率的目的,整体漏斗模型的核心思想其实可以归为分解和量化。
可以通过这种分解和量化的形式,将问题进行不断的拆解,最后通过量化的形式来辅助达成目标,或者针对异常的步骤进行调优,最终达到总目标。它可以广泛应用于流量监控、产品目标转化等日常数据运营工作中,称之为转化漏斗;也可以用于产品、服务销售,称之为销售漏斗。
注:欢迎补充~
04
金字塔模型
可以在做精细化运营,用户分层时使用,比如可以将用户分成:头部用户、中腰部用户、底部用户;也可以分成:合伙人、付费会员、复购用户、成交用户、浏览用户等等。马斯洛需求层次理论其实也是金字塔模型的一个应用。
注:欢迎补充~
05
RFM模型
衡量客户价值和客户创利能力的重要工具和手段,是电商运营所比知的分析模型。
▶R(Recency)代表最近一次消费。理论上来说,上一次消费时间越近的客户是越优质的客户,该部分客户与店铺的关系更加紧密,更加容易触达;距离当前上一次消费越远的客户,越有流失的风险。
▶F(Frequency)代表消费频率。可以说最常购买的客户,是满意度最高的客户,也是忠诚度较高的客户。提升客户的购买频率意味着提高客户终身价值的贡献。
▶M(Monetary)代表消费金额。消费金额是客户贡献的最直接的体现,我们所做的所有运营活动都是为了提升客户的消费金额。
注:欢迎补充~
06
SWOT模型
SWOT是最常用的竞争态势和竞争机会的分析模型,利用二维四象限的方式分成:S (strengths)是优势、W (weaknesses)是劣势、O (opportunities)是机会、T (threats)是威胁四个维度。
注:欢迎补充~点击看详解
07
用户生命周期模型
用户从接触到平台(APP)到用户流失的整个过程,可以分为:导入期、成长期、成熟期、休眠期、流失期。从平台运营的角度可以将用户的生命周期分成获客区、升值区和流失区,对应着这三个阶段我们的运营核心工作也不尽相同。获客区:推广获客;升值区:成交转化、复购增购、分享裂变;流失区:新品研发、用户导流。
注:欢迎补充~点击看详解
08
波士顿矩阵模型
波士顿矩阵其实是利用二维四象限将产品分成了明星、金牛、瘦狗和问题四种类型。在电商运营中波士顿也具有很大的指导意义,我们可以根据波士顿矩阵的方式制定平台的产品矩阵:流量款、利润款、形象款,让商城的产品更符合交易逻辑。
注:欢迎补充~
总结
本文简单的介绍几个常用的数据模型,抛砖引玉,而更多的数据模型以及每个模型具体的应用还需要我们在日常的工作中不断的积累。本文主要让大家建立一个数据模型的分析思维,在进行数据分析之前,可以先利用一些数据模型来搭建分析框架。
总之,任何模型都有其产生的历史背景、数据基础、使用范围,也不是所有模型的目的都是精准。简单、好用、省事,是更多时候的考虑。大家可以找更多的资料深入学习数据模型,复用现有模型,更重要的是,需要我们通过熟悉主流的数据模型产出逻辑,并从中找到规律,创造出适用于我们产品业务线或者项目数据模型,拥有了数据模型思维,使其数据分析更具有了科学性,有了认知更广的“数据”世界的强而有力的工具。(若有不一样的想法,欢迎留言)
完
······
敬请期待下一篇
·······
愿大家一起成长交流,数据之路,与你同行!
图片来源于网络
若好的建议和想法,欢迎在下方留言
我们将尽其所能打造数据分析交流的理想之地