神策广告投放(用户行为)分析经验总结

大强哥666

已于 2023-02-24 02:27:50 修改

阅读量3.2k

点赞数 2

分类专栏： BI分析 BI 文章标签：数据分析可视化搜索引擎

于 2023-02-20 19:09:47 首次发布

本文链接：https://blog.csdn.net/liuzhiqiang66/article/details/129129523

版权

BI分析同时被 2 个专栏收录

16 篇文章 4 订阅

订阅专栏

11 篇文章 2 订阅

订阅专栏

神策广告投放(用户行为)分析

为什么要进行用户行为分析(用户运营)

注意：神策的数据结构是user event（用户事件结构），该结构的核心点就是event（用户行为事件），神策都是以用户触发某个行为进行存储的，并不存储阶段性的行为（持续看视频，持续使用APP），所以我们的统计都是基于用户行为去做的，在节点型事件上附加用户属性进行判断。

用户行为分析：这里我们实际是使用神策工具来解决前端业务问题。当然这里的前端不是计算机领域的前端，计算机开发领域的前端是指“客户端开发”，后端是指“服务器开发”。这里的前端是站在企业的角度来说的，是指对企业来说“面向市场的部分”，不管TB（面向其他企业）还是TC（面向销售者客户），总之就是面向市场的部门，后端是产品设计，产品研发工程师等方面的人。因此用神策分析解决问题，实际就是解决面向市场，面向销售者的问题，主要体现在如何获取/运营我们的消费者？如何建立企业与消费者之间的关系？在企业经营分析中，一般将企业的技术部，综合部，财务部等等定义为成本单元，因为他们是必须存在的内部机构，而面向市场的前端业务部门（像一些产品经理/运营专家/广告投放）定义为收入（利润）单元。企业对面向市场的前端业务部门的核心期望是赚更多钱，其目标就是从消费者身上挖掘更多的价值，这就要求业务人员需要特别了解消费者，知道消费者的喜好和需求是什么，这样才能让消费者对我们的产品有需求，依赖，前来购买宣传等等。

数据分析师的工作内容

面向底层数据分析工程师/数据科学家：不仅要了解一些Bi工具，还需要了解机器学习，了解大数据Hadoop，了解大数据底层的各种框架及其算法，还需要了解从数据到业务层的算法，监督学习，机器学习算法等内容。

商业分析师：神策工具对应的主要分析师工作，核心面对是处理业务数据，是提需求给数据分析工程师/数据科学家的一类人。需要懂两个点：1、懂得数据底层和数据分析本身；2、了解前端业务是什么，了解消费者需求是什么？他是链接数据（数据分析）与前端业务市场的一个链条。

经营分析师：是对企业内部经营状态进行分析，主要做的是企业内部成本核算，利润核算，他们对财务，对工商，对税务等数据比较熟悉，对企业内部成本核算比较熟悉，其目标是让企业更好运转。

作为数据分析师的真正价值不是制作各种报表，而是通过数据来做用户增长，来解决企业/产品中的问题，如何不能用数据来提高销售者的价值的话，数据分析就没有多大的意义。一个好的数据分析师，不光要会数据分析，还需要会做出策略即解决方案。

以消费者为中心的精细化运营

消费者主权崛起

在这里插入图片描述

因为消费者主权的崛起，所以现在的用户运营是以消费者为中心的精细化运营。

阶段一：在早期，没有互联网的时候，企业的客户运营是企业（即卖方）借助电视广告，报纸，广播等媒体平台发出广告，用户（买房）在实体店看到某件产品，联想到自己脑海里面看到的广告上的产品进行关联，从而自然就会进行购买，这就是互联网之前从品牌宣传到品牌销售的一个链条。

阶段二：到互联网时代早期，用户（买方）通过互联网网页看到各种产品介绍从而进行下单购买，这时传统主流媒体也占据一定的地位，但是整个购买过程已经呈现了线上与线下的结合，这个时期，产品变得越来越多，用户可选择购买的产品越来越多，这也是用户运营逐渐从卖方市场转为买方市场一个运营阶段。

阶段三：随着自媒体，短视频的兴起，出现了KOL（关键意见领袖，主要分布在抖音，快手，小红书平台的带货专家，私域流量讲的就是这个），KOC（关键意见消费者）。KOL全称KeyOpinion Leader，即在某个垂直领域拥有丰富的知识和见解，能够输出专业干货，拥有大量的追随者即粉丝的红人，而KOC全称Key Opinion Customer，是指购买过商品的消费者（自己买个那产品的朋友），他们会通过社交媒体平台发布自己的看法和意见，相对来说KOC的粉丝会比KOL少很多。因此，在第三阶段这个过程中，消费者能量越来越大，所以企业用户运营变成了以消费者（买方）为导向的运营，这就要求企业在挖掘消费者需求的同时，还需要注意培养消费者的感情。

存量用户精细化运营

为什么要进行存量用户精细化运营，因为零和竞争，获客成本增高，说好听点转为存量运营，其实是为了守住自己的阵地。 跟十年前不同，那个时候，互联网用户量只有今天的三分之一，移动互联网用户数量只有不到今天的五分之一，广告收入，也只是今天的十分之一不到。

**互联网人口红利用尽，存量时代来临，企业的增长必须靠消费者的精细化运营来实现。**但对于大部分企业，都还是“知行不一”的：市场费用的投入还是一种粗放模式，看不到增长效果，也找不到发力的突破口，只能再投，最终形成恶性循环。现在进行广告投放，往往一个月投放100万，都别想砸出一点动静。投放一千万，那只是刚算入场。各家平台的一年的线上推广费用，已开始以亿计算。所以，现在进行广告推广获客的时候，经常发现ROI回不来（即投资回报率回不来），每获客一个的经济收益低于投资成本。

对于企业来说，本质上是因为一段时间内，钱与用户都是非可再生资源，“有限”是其最大的特点。所以，对于企业来说预算与流量都是有限的，因此，企业希望做精细化运营，其实是希望能花出去的每一分钱都有效果，最好是来的每个用户都留下，留下的每个用户都活跃，活跃的每个用户都付费转化，付费的每个用户都复购。其实这些都是企业想要实现精细化运营背后的原因。 核心：努力抢别人的，防止别人抢自己的。

例如下图所展现的：即时通讯（微信）损失的用户时间，很明显的都转移到短视频（抖音等）那边去
了。

在这里插入图片描述

用户全生命周期管理（用户链路运营）

增长黑客

增长黑客的核心是驱动用户飞涨。

增长黑客这一概念起源于美国互联网行业，最早由 Sean Ellis 提出，已经帮助硅谷多家公司完成产品的快速增长（即产品中用户的快速增长）。其中最著名的案例包括 Dropbox，Hotmail，Facebook。近年来，增长黑客的概念传到国内，也引起了众多创业者的关注。增长黑客，英文「Growth Hacking」，指的是创业型团队在数据分析基础上，利用产品或技术手段来获取自发增长的运营手段。说通俗一点，一家初创公司或者大中型公司内部针对新产品线而诞生的创业型团队，以数据驱动营销，以市场指导产品，通过低成本的手段解决公司产品早期增长问题。

增长黑客最经典的模式是「AARRR」转化漏斗模型。围绕每一层漏斗环节，增长黑客可以采用以下几个方式来提升下一环节的用户数量，即 Acquisition（获取用户）、Activation（激发活跃）、Retention（提高留存）、Revenue（增加收入）、Referral（传播推荐）。

在这里插入图片描述

整合是为了占据消费者心智，而链路是为了驱动消费者行为。整合营销和链路营销是互相互补的关系。整合营销：在多个平台，多个广告渠道都投放公司产品的宣传广告，做到各个地方，各个平台，各个媒体都在做公司的广告宣传，从而得到占据消费者心智的目的。最经典的就是在传统传媒阶段，曾经借助传统设备电视，广播，报纸等设备到处都在播放“今年过节不收礼，收礼就收脑白金”的广告，其优势就是声音大，让用户对品牌有快速的认识。但是缺点是现在是信息爆炸时代，除了传统设备，还有百度推荐，小红书，抖音，快手等多方平台的广告输出，已经无法做到承包所有平台及各种设备进行广告输出了。最关键的缺点是无法看到用户的转化，留存等等问题，这时就需要借助链路营销。

在这里插入图片描述

AIPL增长模型

AIPL增长模型跟AARRR转化漏斗模型一样都是对用户全生命周期进行管理的模型，但是他们的核心目标不一样，其中AIPL增长模型的目标是：把用户培养成品牌人群资产，实现品牌人群资产定量化、链路化运营的增长模型，主要是将流量，数据，载体形成一个完美的闭环，而AARRR模型是：主要做用户增长模具，解决如何让企业的用户更加活跃，支付更多的钱的问题。

“品牌人群资产”很重要，是大家都知道的。比如可口可乐的传奇总裁罗伯特伍德鲁夫说：即使可口可乐全部工厂都被大火烧掉，给我三个月时间，我就能重建完整的可口可乐。这位总裁为什么敢有如此豪言？最重要的是可口可乐品牌有强大的消费者人群资产，那些听过可口可乐的人、喝过的人、一年买很多次的人。放在过去，“人群资产”是一个很难量化统计的概念。我们只能定性说可口可乐的人群资产一定比康师傅的多，但是具体有多少是不知道的。于是，阿里就推出了一个可以把品牌在阿里系的人群资产定量化运营的模型，这也是支撑它全域营销概念落地的关键一环，这个模型叫做：A-I-P-L。

A（Awareness），品牌认知人群。包括被品牌广告触达和品类词搜索的人；

I（Interest），品牌兴趣人群。包括广告点击、浏览品牌/店铺主页、参与品牌互动、浏览产品详情页、品牌词搜索、领取试用、订阅/关注/入会、加购收藏的人；

P（Purchase），品牌购买人群，指购买过品牌商品的人；

L（Loyalty），品牌忠诚人群，包括复购、评论、分享的人。

品牌所有AIPL资产数据都可以被存在数据银行（Data Bank）中，靠的是用户在阿里体系那个共通的身份（UNI-ID）。

消费者旅程(CXJ)与消费者时刻(MOT)

消费者旅程(CXJ)表：

在这里插入图片描述

消费者旅程（Customer Journey或Customer Experience Journey，简称CXJ，也称消费者历程）是经典的营销理论之一。消费者旅程的核心思想：无论它的表现形式是5A（即Aware，Appeal，Ask，Act，Advocate），还是AIPL（即Awareness，Interests，Purchase，Loyalty）——都将消费者的购物行为描述为从认知到兴趣，再从兴趣转化为购买，以及从购买转化为忠诚的一连串先后发生的过程。这一过程被称为消费者旅程。

消费者时刻（Moment of Truth，简称MOT）是CXJ中的一些关键“里程碑”似的节点（就是衡量上述消费者旅程，无论是5A还是AIPL中关键的一个节点，这个节点可能是认识到兴趣，也可能是兴趣到购买。）例如，搜索某个产品，又或者把这个产品的信息分享给其他人。这个概念最初来源于宝洁。

你可以发挥想象——CXJ的全过程，就像或明或暗若隐若现的一条弯弯曲曲的道路，而MOT就像这个道路中间燃烧的火把，指引着这条路的方向。我们无法直接控制CXJ，但能透过MOT来对CXJ施加影响。甚至很多时候，我们也无需参透CXJ到底是什么，我们只是在设计MOT。

用户分级体系（用户标签与用户画像）

在这里插入图片描述

很多企业都在强调用户画像（现在广告投放领域用的最多，就是将广告精准投放到需要购买该产品的用户，其中最成功的就是字节跳动系列的抖音等各种产品），这是很典型的用户分层。其实用户画像有一个演进过程，一开始通过一些外部获取的数据（如百度搜索的一些关键词或淘宝浏览的关键产品，这就是一个行为数据）构建用户画像，比如说：消费能力、所处的人生阶段、兴趣爱好、社交情况、教育水平等。用户画像的流程是：从特征→标签→画像→人群；也可以是：特征→标签→人群→画像。特征，标签，人群的对应关系：特征形成标签，多个标签可以用来描述人群，也可以通过标签从数据库中找出对应的这类人群；另外：1、从分析角度来说：通过对一个人或一群人的分析，给这个人或这群人打上用户画像，通过标签或用户画像去描述那个人或那群人；2、从数据驱动流程来说：先通过标签找到用户群，然后将用户群输送到DSB广告投放中，输送到自动化运营中，这个时候，就可以对通过标签和用户画像抽出的这些人进行下一步动作。

特征：是从底层数据中做出的一些用户特征，有些特征可以直接变成标签（如下面特征表中的基本信息，男性，女性等），而有些特征是无法直接变成标签的（如下面特征表中的注册日期，这个只是一个分析的维度，并非实际意义的标签。若要变成标签，可以描述享受活动期优惠的注册用户的标签和没有享受活动期优惠的注册用户的标签），所以特征和标签分界不大。其中，特征有些是没有实际意义的，而标签是对人的信息描述，是具有实际意义的。

在这里插入图片描述

从特征到标签到运营计划图：

在这里插入图片描述

从标签到用户画像，每个人都有无数标签，但一个标签无法描述一个人，往往要结合多个标签去描述一个人。通过用户画像，我们可以在没见到那人之前就知道他大概是什么样的人。

在这里插入图片描述

千人前面精细化策略：对不同的人群进行不同的运营策略。

在这里插入图片描述

以数据为核心的驱动闭环（技术框架）

以数据为核心的驱动闭环

以数据为核心的驱动（PDCA循环图），这是一个质量管理的通用模型。P：做方针，确定目标，以数据为基础制定活动计划；D：根据方案去执行计划；C：执行计划后，根据数据去检查计划是否合理，指标是否达到，去总结；A：做进一步优化，迭代。

在这里插入图片描述

以用户数据为核心的CDP数据中台

CDP（Customer Data Platform）即客户数据中台，概念：是通过收集并处理用户在第一方/第二方/第三方平台的数据，然后进行融合，形成用户数据的统一管理，并且打开各个用户数据之间的联系，使整个用户数据都存在数据库里，通过对用户数据的分析与认知，实现对消费者的洞察，基于这个洞察，去服务各个领域的运用。目的：是实现用户细分，进行精准的自动化营销和广告投放的系统。旨在挖掘开发潜在客户，以及维系老客并提升其价值。

以用户数据为核心的CDP数据中台运营流程图：

在这里插入图片描述

神策数据的CDP结构图：

在这里插入图片描述

与业务结合的核心能力：神策平台是一个通用的平台，它的建模方式可以满足各行各业，包括电商，银行，零售等等行业。

在这里插入图片描述

神策用户分析平台页面功能简介

如下图所示为神策用户分析平台页面，下面以内容媒体的页面为例，默认打开的时候“顶部菜单栏”显示为“概览”，右侧显示的是BI可视化概览页面（即BI可视化大屏展示页面），这个概览页面的设计思路是根据企业需要解决的问题，所关注的核心指标去设计的。

在这里插入图片描述

如下图所示为顶部菜单栏中“分析”工具内容。通常概览页面有多种可视化图表组成，至于如何制作这些可视化图表，那就需要了解顶部菜单栏中“分析”工具内容，分析功能中含有“行为分析（事件分析（统计指标常用）/漏斗分析（留存量的转化常用）/留存分析（用户参与情况或活跃度分析时常用）/分布分析（用户分层时常用）/LTV分析/用户路径分析（分析用户购买时流量来自哪里时常用）/间隔分析（第一次访问与第一次付费的间隔）/归因分析（针对客户运营的分析方法，多个渠道投放推广广告，了解客户究竟来自哪里？）/网页热力分析（更直观查看网页上各个按钮的点击）/App点击分析）”和“用户分析（用户群画像/属性分析（打在用户身上的标签如性别，年龄等））”以及“其他（自定义查询（专门写SQL查询数据的方式）/书签/智能预警分析）”三大类，各个功能分析都服务于不同的业务指标。

在这里插入图片描述

顶部菜单栏中“用户管理”工具栏目下的“用户分群”，在上面CDP数据中台中，有个重要目的是对上层的应用进行智能人员推送，用户分群最核心的任务是圈选出需要向上层应用推送的人群，这些人群可以向上层应用推送，也可以用于数据分析。

在这里插入图片描述

顶部菜单栏中“用户管理”工具栏目下的“用户标签”，用户标签是用来描述用户分群的，展示的是神策的用户标签画像平台。

在这里插入图片描述

顶部菜单栏中“数据管理”工具栏目下的“元数据管理”，元数据管理可以统一管理所追踪数据元信息和配置。用户和事件属性的名称是全局唯一，且类型一致的。所有的数据的校验将以首次入库的类型、属性名为基准。如需要对埋点数据进行强校验和质量优化，建议联系神策服务同学开启「数据入库强校验模式」。元数据管理就是对底层数据的管理。

在这里插入图片描述

创建神策平台个人概览（创建渠道分析概览）

我们利用神策工具做用户行为分析时。首先需要创建“我的概率”，在“我的概率”下创建自己的报表，将分析指标归拢一下，形成自己的故事线。步骤：切换到“我的概览”栏目下→点击“+”号→在“新建我的概览/分组”下的“概览名称”中输入名字。

在这里插入图片描述

创建好个人概览后，点击“新建组件”就可以创建可视化图表了。注意：神策的数据结构是user event（用户事件结构），该结构的核心点就是event（用户行为事件），神策都是以用户触发某个行为进行存储的，并不存储阶段性的行为（持续看视频，持续使用APP），所以我们的统计都是基于用户行为去做的，在节点型事件上附加用户属性进行判断。

Awareness 认知

Awareness 认知：即获客，用户通过什么渠道（网页/微信小程序/抖音）等知道我们的产品。

广告投放分析核心目标

以最少的钱，从公域流量池中获得更多的用户，然后制定营销获客，广告宣传策略。市场部门做广告投放时最关注的一个重点是ROI（投入产出比）收入判定（即我投入的钱能否回本），分析各个渠道给我们带回来的价值是什么。所以我们做渠道分析时，不仅需要利用各渠道每日新用户量，各渠道新用户质量（转化率），各渠道每日新用户使用时长和各渠道每日新用户访问深度四个指标来判断用户活跃度，还需要评估各渠道的付费率，各渠道的ARPPU（付费人群的人均付费均值），ARPU（所有人群的人均付费均值）等。

核心指标

我们做渠道获客分析（实际就是广告投放分析中其中一个分析角度）时，其中的核心指标是：各渠道新用户量和各渠道获客质量即转化率。下面我们用神策平台针对这两个核心指标进行分析。

渠道概览新用户量指标趋势图制作

如果想要知道渠道来源的话，步骤：我们在点击“新建组件”后→点击“事件分析”的分析模型→在事件中选择“App元素点击”（我们需要知道的第一个用户行为是访问我们的APP，因此选择“App元素点击”事件，App元素点击事件是神策的一个强行埋点事件，基本App元素点击事件是会被自动抓取的）。→修改指标统计方式为“用户数（即日活）”，切换“事件发生的时间范围”就可以展示该内容媒体产品的日活时间变化趋势图。

在这里插入图片描述

因为是渠道分析概览，所以将上述的“按——查看”切换为“按操作系统查看”（也可以切换为其他事件属性/用户属性/用户分群/用户标签），这时就可以自动展示该内容媒体产品依据不同操作系统分组的日活时间变化趋势图及对应的统计清单表。

在这里插入图片描述

注意：做渠道追踪的时候，我们比较关注的不是“按操作系统查看”来进行分类，而是“广告系列来源”，这是最常用的渠道追踪。将上述的“按——查看”切换为“广告系列来源”，这时就可以自动展示该内容媒体产品依据不同广告系列来源进行分类的日活时间变化趋势图及对应的统计清单表。但是这时还有点缺陷，每天活跃的用户数是存在重复的，可能今天点击了，明天又点击了，所以在“全局筛选”中添加“是否首日访问”为筛选条件，并勾选条件属性“为真”，这样展示的才能每天不同渠道的新增用户数，当然点击“时间趋势图”右上端的图标按钮可以将趋势折线图切换为柱形图，饼图等等。

在这里插入图片描述

点击右上端的“保存”按钮，然后进行命名，就可以将该可视化图表保存到我们刚刚创建的“渠道分析1”概览中。

在这里插入图片描述

然后再刚刚创建的“渠道分析1”概览中就会出现一个按“广告系列来源”进行分类的指标趋势图。

在这里插入图片描述

渠道概览各渠道新用户占比分类饼图制作

点击打开刚刚生成按“广告系列来源”进行分类的指标趋势图，点击保存按钮→勾选“保存为新书签”按钮→修改一下可视化图表名称→在“同时添加到”那里勾选“概览”→在“选择概览”中选择刚刚创建的“渠道分析1”概览→将图表类型切换为“饼图”，这样在“渠道分析1”概览的指标趋势图右侧会出现一个可视化饼图。

在这里插入图片描述

渠道概览转化漏斗制作

上面虽然知道了不同渠道的引流数量及其占比，但是有引流数量还不够，我们还需要看新增用户的质量即转化率，这个转化率是：不管从哪个渠道引流来的客户，他会到企业产品首页中下载APP，然后注册登录，再应用企业的APP进行读文章，看视频，评论，点赞或其他行为。整个流程是由我们的获客到我们产品的交付过程。这就要求我们去关注不同阶段的漏斗转化，从而去评估用户质量。

转化漏斗的制作：1、点击顶部菜单栏中的“分析”按钮→2、点击“漏斗分析”按钮→3、点击“创建漏斗”按钮→4、在“漏斗名称”中进行命名→5、确定思路在“漏斗步骤”下选择相应的漏斗步骤，并设定相应的筛选条件（如勾选是否首日访问为真）。→6、在页面中就会自动生成一个转换漏斗可视化图。→7、跟上面的指标趋势图一样在“按——查看”中勾选“广告系列来源”就可以查看不同渠道的转化漏斗趋势图。→8、点击“对比”按钮，就可以看到两个不同渠道的转化漏斗对比图（还可以设置对比的两个渠道）。→9、跟上面的指标趋势图一样点击“保存”按钮，这样在“渠道分析1”概览中会自动生成一个转换漏斗可视化图（点击可视化图形右上端按钮还可以是图形显示方式）。

在这里插入图片描述

渠道概览单一渠道（微信）转化漏斗制作

同上述“渠道概览渠道分类饼图制作”一样，1、点击打开刚刚生成“渠道概览转化漏斗”图。→2、点击“筛选条件”按钮，并设置筛选条件为“广告系列来源”等于“微信”→3、点击保存按钮→4、勾选“保存为新书签”按钮→5、修改一下可视化图表名称→6、在“同时添加到”那里勾选“概览”→7、在“选择概览”中选择刚刚创建的“渠道分析1”概览→8、这样在“渠道分析1”概览的渠道概览转化漏斗图右侧会出现一个只显示“微信”渠道的转化漏斗图。

在这里插入图片描述

其他重要指标

通过上述“事件分析”和“漏斗分析”，我们建立了各渠道新用户量的追踪与各渠道漏斗转化质量的追踪。在做数据分析时，我们通常会定义一个核心指标，上面的“事件分析”的核心指标是用户量，“漏斗分析”的核心指标是转化率。下面我们再用用户在我们APP中使用时长指标和看了多少个页面（用户访问深度）指标来分析。

渠道概览新用户使用时长指标趋势图制作

注意：神策的数据结构是user event（用户事件结构），该结构的核心点就是event（用户行为事件），神策都是以用户触发某个行为进行存储的，并不存储阶段性的行为（持续看视频，持续使用APP），所以我们的统计都是基于用户行为去做的，在节点型事件上附加用户属性进行判断。如果想要知道各渠道用户使用时长的话，跟上面的新用户量指标趋势图制作方法一样。步骤：1、我们在点击“新建组件”后→2、点击“事件分析”的分析模型→3、在事件中选择“App退出”（App使用结束时间）。→4、修改指标统计方式为“事件时长的均值”。→5、将“按——查看”切换为“按广告系列来源查看”。→6、在“全局筛选”中添加“是否首日访问”为筛选条件，并勾选条件属性“为真”（因为分析老客户意义不大）。→7、切换“事件发生的时间范围”，然后系统就可以自动生成展示该内容媒体产品的用户使用时长变化趋势图。

在这里插入图片描述

跟上面的新用户量指标趋势图制作一样，点击右上端的“保存”按钮，然后进行命名，就可以将该可视化图表保存到我们刚刚创建的“渠道分析1”概览中。这样在我们刚刚创建的“渠道分析1”概览中就会出现一个按“广告系列来源”进行分类的当日新用户使用时长指标趋势图。

在这里插入图片描述

渠道概览新用户访问深度指标趋势图制作

在分析访问深度之前，我们要简单了解一下Session分析的原理。Session分析法是之前谷歌所创立的网页分析法，相当于将一个一个网页页面当成一个个触点排列起来，设定一个阈值（互联网中一般设置在一个页面上停留的阈值为30分钟），比如下面的三种图，把事件A，事件B，事件C当成一个个页面，把用户在不同页面的跳转做成一个时间系列，并设置一个session的切割时长（即我看了A页面后，多久看下一个页面），如果超过这个时长，我们判定他为第二次访问。这样我们通过Session分析法就可以一个用户一天内访问了我们的页面几次。注意：神策中，起始时间和结束事件是可以自己设置的。

步骤：1、将用户的行为序列，按照发生时间远到近进行排序→2、以第一个行为作为起点，向后进行匹配。若匹配到的是一个「开始事件」：那么会自动切断会话；以这个「开始事件」作为起点，进行第二个session 的匹配。

在这里插入图片描述

若匹配到的是一个「结束事件」：那么会将这个「结束事件」划入到当前会话中；以「结束事件」的下
一个事件作为起点，进行第二个 session 的匹配。

在这里插入图片描述

若在切割时间内没有匹配到任何事件：那么就会自动切断会话；以下个事件作为起点，进行第二个
session 的匹配。

在这里插入图片描述

假如小明某天的行为日志为： A–15–B–1–C–5–D–1–A–45–A–5–B–4–C 切割时长：30分钟，45分钟前面的粗体判断为一个连续事件，一个Session，45分钟后面的粗体判断为另一个连续事件，一个Session，所以Session数量=2。

1、跳出率： Session 中只发生一个事件的 Session 个数除以总 Session 数。比如有三个 Session，第一个 Session 事件序列为 A,B；第二个 Session 事件序列为 A；第三个 Session 事件序列为A,C,B；则 Session 总体的跳出率为 1/3。
2、退出率： Session 的退出率包括 Session 中某个事件的退出率和 Session中任意事件的退出率。某个事件的退出率指该事件作为 Session 的结束事件的次数除以该事件发生次数，任意事件退出率指 Session 数除以 Session 中所有事件发生次数。比如有三个 Session，第一个 Session 事件序列为A,B；第二个 Session 事件序列为A；第三个 Session 事件序列为A,C,A；则 Session 中A事件的退出率为 2/4, 任意事件的退出率为 3/6。
3、Session 时长： Session 内最后一个事件触发的时间减去 Session 内第一个事件触发的时间。
4、Session 深度： Session 内触发事件的次数（页面角度就是触发了几个页面），如上面小明的第一个Session，其深度为5。Session 深度可以用于判断新用户使用我们的APP的兴趣程度。
5、Session 内事件时长：假如某 Session 内事件触发顺序为 a > b > c > d，则事件 a 的时长为 b 减去 a，事件 d 的时长未知。
6、Session 初始事件： Session 内第一次触发的事件。
7、Session 属性： d 处的 Session 属性是指一个 Session 中初始事件的属性。比如一个 Session 的事件序列为 A,B,C；A 事件的操作系统为 iOS，B 事件的操作系统为 Android，C 事件的操作系统为空，则这个 Session 中的 Session 属性操作系统应该是 iOS，是第一个事件对应的操作系统属性值。

如果想要知道各渠道用户访问深度的话，跟上面的新用户使用时长指标趋势图制作方法类似。步骤：1、点击“事件分析”的分析模型→2、将默认的“事件”切换为“Session”→3、在选择Session中选择“App默认Session”。→4、修改指标统计方式为“Session总体”的“Session深度的人均值”。→5、将“按——查看”切换为“按广告系列来源查看”。→6、在“全局筛选”中添加“是否首日访问”为筛选条件，并勾选条件属性“为真”（因为分析老客户意义不大）。→7、切换“事件发生的时间范围”，然后系统就可以自动生成展示该内容媒体产品的用户访问深度变化趋势图。

在这里插入图片描述

跟上面的新用户使用时长指标趋势图制作一样，点击右上端的“保存”按钮，然后进行命名，就可以将该可视化图表保存到我们刚刚创建的“渠道分析1”概览中。这样在我们刚刚创建的“渠道分析1”概览中就会出现一个按“广告系列来源”进行分类的当日新用户访问深度指标趋势图。

在这里插入图片描述

渠道概览新用户ARPPU指标趋势表制作

有了上面四个指标的可视化图表，即各渠道每日新用户量，各渠道新用户质量（转化率），各渠道每日新用户使用时长和各渠道每日新用户访问深度，综合起来我们就可以判断哪个渠道比较好。但是我们在做广告投放分析时，光有用户活跃数据还不够的，我们做广告投放时，渠道分析只是其中的一个分析角度，我们最关注的点是ROI收入判定（即我投入的钱能否回本），这是市场部门做广告投放时关注的一个重点。所以我们做渠道分析时还需要分析各个渠道给我们带回来的价值是什么。

ARPPU：付费人群的人均付费均值，而ARPU：所有人群的人均付费均值，两者的分母不同。如果想要知道各渠道用户的ARPPU的话，跟上面的新用户使用时长指标趋势图制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“购买付费内容”→3、修改指标统计方式为“订单金额的人均值”→4、将“按——查看”切换为“按广告系列来源查看”。→5、在“全局筛选”中添加“是否首日访问”为筛选条件，并勾选条件属性“为真”（因为分析老客户意义不大）。→6、切换“事件发生的时间范围”，然后系统就可以自动生成展示该内容媒体产品的用户ARPPU变化趋势图。

在这里插入图片描述

跟上面的新用户使用时长指标趋势图制作一样，点击右上端的“保存”按钮，然后进行命名，默认是指标趋势线图，可以在“图表类型”那里将“线图”切换为“表格”，勾选“表格序号”。这样就可以将该可视化图表保存到我们刚刚创建的“渠道分析1”概览中。这样在我们刚刚创建的“渠道分析1”概览中就会出现一个按“广告系列来源”进行分类的当日新用户ARPPU指标趋势表。

在这里插入图片描述

渠道概览新用户ARPU指标趋势表制作

ARPPU：付费人群的人均付费均值，而ARPU：所有人群的人均付费均值，两者的分母不同，其他ARPPU时，付费人群和付费收入全部产生于同一个事件，所以可以采用该统一事件统计数据作为指标。但是ARPU时，分子是收入的总和，而分母是所有的人群（包括触发收入的人群和未触发收入的人群），分子与分母并不是以同一个用户行为为主体的，这就需要借助复合型指标（相当于计算字段，做加减乘除等运算）。如果想要知道各渠道用户的ARPU的话，跟上面的新用户ARPPU指标趋势表制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“自定义指标”→3、修改自定义指标的名称为“ARPU”，计算方式为：“购买付费内容”乘以“订单金额的总和”除以“App启动”乘以“用户数”，切换为“两位小数”，点击“保存”按钮，然后删除默认的指标→4、将“按——查看”切换为“按广告系列来源查看”。→5、在“全局筛选”中添加“是否首日访问”为筛选条件，并勾选条件属性“为真”（因为分析老客户意义不大）。→6、切换“事件发生的时间范围”，然后系统就可以自动生成展示该内容媒体产品的用户ARPU变化趋势图。

在这里插入图片描述

跟上面的新用户ARPPU指标趋势表制作一样，点击右上端的“保存”按钮，然后进行命名，默认是指标趋势线图，可以在“图表类型”那里将“线图”切换为“表格”，勾选“表格序号”。这样就可以将该可视化图表保存到我们刚刚创建的“渠道分析1”概览中。这样在我们刚刚创建的“渠道分析1”概览中就会出现一个按“广告系列来源”进行分类的当日新用户ARPU指标趋势表。

在这里插入图片描述

渠道概览新用户付费率指标趋势表制作

付费率，分子是付费的人群数，而分母是所有的人群（即访问人群数，包括付费的人群和未付费的人群），分子与分母并不是以同一个用户行为为主体的，这就需要借助复合型指标（相当于计算字段，做加减乘除等运算）。如果想要知道各渠道用户的付费率的话，跟上面的新用户ARPPU指标趋势表制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“自定义指标”→3、修改自定义指标的名称为“付费率”，计算方式为：“购买付费内容”乘以“订单金额的总和”除以“App启动”乘以“用户数”，切换为“两位小数”，点击“保存”按钮，然后删除默认的指标→4、将“按——查看”切换为“按广告系列来源查看”。→5、在“全局筛选”中添加“是否首日访问”为筛选条件，并勾选条件属性“为真”（因为分析老客户意义不大）。→6、切换“事件发生的时间范围”，然后系统就可以自动生成展示该内容媒体产品的用户付费率变化趋势图。

在这里插入图片描述

跟上面的新用户ARPU指标趋势表制作一样，点击右上端的“保存”按钮，然后进行命名，默认是指标趋势线图，可以在“图表类型”那里将“线图”切换为“表格”，勾选“表格序号”。这样就可以将该可视化图表保存到我们刚刚创建的“渠道分析1”概览中。这样在我们刚刚创建的“渠道分析1”概览中就会出现一个按“广告系列来源”进行分类的当日新用户付费率指标趋势表。

在这里插入图片描述

广告投放渠道链接追踪的构建方法

到这里，我们的渠道概览就做的差不多了，我们就可以衡量渠道的好坏了，但是这只是一个数据分析的能力，我们在实际工作中，我们还需要对渠道进行追踪，做数据采集才有数据进行BI可视化分析。怎么追踪广告页，怎么从广告页上把数据采集下来呢？因此需要专门做获客链接的建立，这样才能标识出获客的用户是来自哪个渠道，来自哪个广告页，来自哪个坑位，这样才能进行后续的可视化BI分析。下面我们来构建渠道链接，采集数据。

追踪访问某个网页的渠道来源（该网页必须集成神策的 JSSDK并开启全埋点）

如需追踪访问某个网页的渠道来源，例如将您的官方网站链接投放到百度、头条等渠道，需要追踪访问该网页的用户来源于哪个渠道，可以使用神策的网页通用渠道追踪法，注意网页投放必须采用http形式而不是https。

通过“广告投放分析”→“渠道管理”→“网页通用渠道”生成对应的渠道链接进行投放，后续可通过广告系列来源等渠道属性，区分不同的渠道来源。

在这里插入图片描述

然后在“渠道管理”→“渠道链接”下就会出现刚刚配置追踪链接，而且还可以修改链接名称。

在这里插入图片描述

如何想查看刚刚配置的链接各渠道投放效果的时候，只需要在“渠道管理”→“渠道链接”→“操作”下的“跳转事件分析”进行查看其对应的可视化BI图表。

在这里插入图片描述

追踪打开某个微信小程序的渠道来源

如需追踪打开某个微信小程序的渠道来源，例如将对应的小程序码或二维码等投放到百度、头条等渠道，需要追踪打开该小程序的用户来源于哪个渠道，可以使用神策的微信小程序推广。

通过“广告投放分析”→“渠道管理”→“微信小程序通用渠道”生成对应的渠道链接进行投放，后续可通过广告系列来源等渠道属性，区分不同的渠道来源。

在这里插入图片描述

追踪通过某个网页或链接等下载 App 的用户

如需追踪通过某个网页或者链接等下载 App 的用户，例如在您的官方网站或其他网页中有投放您 App的下载链接/二维码，需要追踪通过这个网页下载激活 App 的用户，可以使用神策的App通用渠道。

通过“广告投放分析”→“渠道管理”→“App 通用渠道”生成渠道链接投放到对应的官方网站或其他网页中，其中的“推广页面地址”可填写 App 的下载地址或可下载 App 的落地页地址，后续可通过广告系列来源等渠道属性，区分不同的渠道来源。

在这里插入图片描述

结果：APP通用渠道的“链接”下还可以看到生成的“应用网址”及“短链”和“二维码”。如果忘了“短链”代表什么意思，还可以点击右上端的“短链解析”进行解析。

在这里插入图片描述

追踪通过第三方广告商在 App 内投放的广告下载 App 的用户

如需追踪通过第三方广告商在 App 内投放的广告下载 App 的用户，例如您在今日头条、广点通等渠道投放下载 App 的广告，需要追踪通过该渠道下载激活 App 的用户，可以使用神策的App内推方式。

通过“广告投放分析”→“渠道管理”→“对应的第三方渠道”生成渠道监测链接与第三方广告商进行联调投放，后续可通过广告系列来源等渠道属性，区分不同的渠道来源。

在这里插入图片描述

应用场景

渠道评估，优化投放

通过各渠道的指标进行分析，优化渠道投放策略。

通过对之前渠道各指标的分析（ROI，转化率，付费率等），我们可以知道哪些是优质渠道，之后可以对优质渠道进行广告投放渠道链接的追踪管理。为了进一步对各个渠道进行评估，我们可以创建对比组件进一步对各个渠道进行评估，步骤：1、我们可以点击刚刚创建的我的概览“渠道分析1”右上端的“+”号→2、点击“新建组件”按钮→3、点击“渠道对比”图标→4、在“渠道对比基础设置”中设置“渠道来源类型”和“组件名称”及选择对应的“Web渠道标识名称”，这里我们勾选“首次广告系统来源”选项。

在这里插入图片描述

结果：系统自动在我的概览“渠道分析1”底部创建了一个由“渠道访问用户数”及“渠道访问次数”及“新用户访问人数”及其对应的“新用户访问次数”和“新用户次日留存”等多个指标共同组成的对比交叉表。

在这里插入图片描述

用户洞察（创建潜客分析概览），优化投放

到这，我们渠道的分析就基本完成了，但是在实际广告投放分析时，我们不光要进行渠道分析，还需要对潜客进行认知，了解点击这些链接的用户是什么样的用户。下一步我们需要研究点击这些链接的用户是什么样的用户，这样我们就需要新建一个“概览”，概览名称就叫做“潜客分析”。

在这里插入图片描述

潜客分析概览新用户性别属性饼图制作

潜客分析主要是对人的属性（用户属性如：性别，年龄，婚姻状况等等）进行分析的，而之前的渠道分析对应的是事件属性。这里我们先对用户的性别属性进行分析，如果想要知道各用户的性别属性的话，跟上面渠道分析概览的新用户ARPPU指标趋势表制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“App启动”→3、修改指标统计方式为“用户数”→4、将“按——查看”切换为“按性别查看”→5、在“全局筛选”中添加“是否首日访问”为筛选条件，并勾选条件属性“为真”（因为分析老客户意义不大）→6、切换“事件发生的时间范围”，然后系统就可以自动生成展示该内容媒体产品的新用户性别分布时间变化趋势图→7、点击趋势图右上端的“饼图”图表将其切换为饼图。

在这里插入图片描述

跟上面的新用户ARPPU指标趋势表制作一样，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“潜客分析”概览中。这样在我们刚刚创建的“潜客分析”概览中就会出现一个按“用户性别”进行分类的饼图。

在这里插入图片描述

潜客分析概览新用户年龄段分布属性饼图制作

如果想要知道各用户的年龄段属性的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“App启动”→3、修改指标统计方式为“用户数”→4、将“按——查看”切换为“按年龄段查看”→5、在“全局筛选”中添加“是否首日访问”为筛选条件，并勾选条件属性“为真”（因为分析老客户意义不大）→6、切换“事件发生的时间范围”，然后系统就可以自动生成展示该内容媒体产品的新用户性别分布时间变化趋势图→7、点击趋势图右上端的“饼图”图表将其切换为饼图。

在这里插入图片描述

跟上面的新用户性别分布饼图制作一样，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“潜客分析”概览中。这样在我们刚刚创建的“潜客分析”概览中就会出现一个按“用户年龄段”进行分类的饼图，截图略。

潜客分析概览新用户地区分布属性饼图制作

如果想要知道各用户的地区分布属性的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“App启动”→3、修改指标统计方式为“用户数”→4、将“按——查看”切换为“按省份查看”→5、在“全局筛选”中添加“是否首日访问”为筛选条件，并勾选条件属性“为真”（因为分析老客户意义不大）→6、切换“事件发生的时间范围”，然后系统就可以自动生成展示该内容媒体产品的新用户性别分布时间变化趋势图。

跟上面的新用户性别分布饼图制作一样，点击右上端的“保存”按钮，然后进行命名，默认是指标趋势线图，可以在“图表类型”那里将“线图”切换为“表格”，勾选“表格序号”，这样就可以将该可视化图表保存到我们刚刚创建的“潜客分析”概览中。这样在我们刚刚创建的“潜客分析”概览中就会出现一个按“用户年龄段”进行分类的表格。

在这里插入图片描述

潜客分析概览新用户内容浏览（内容类型/内容标签）偏好属性饼图制作

我们需要知道用户对那些内容比较感兴趣，从而了解用户需求偏好，进而进行精准推荐广告。如果想要知道各用户的内容浏览偏好属性的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“内容详情浏览”→3、修改指标统计方式为“用户数”→4、将“按——查看”切换为“按内容类型查看”→5、在“全局筛选”中添加“是否首日访问”为筛选条件，并勾选条件属性“为真”（因为分析老客户意义不大）→6、切换“事件发生的时间范围”，然后系统就可以自动生成展示该内容媒体产品的新用户浏览内容偏好分布时间变化趋势图→7、点击趋势图右上端的“饼图”图表将其切换为饼图。

在这里插入图片描述

跟上面的新用户性别分布饼图制作一样，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“潜客分析”概览中。这样在我们刚刚创建的“潜客分析”概览中就会出现一个按“用户浏览偏好”进行分类的饼图，截图略。

如果想要知道各用户的内容浏览偏好属性的话，除了上面的按内容类型进行分类外，还可以用“内容标签”进行分类查看，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“内容详情浏览”→3、修改指标统计方式为“用户数”→4、将“按——查看”切换为“按内容标签查看”→5、在“全局筛选”中添加“是否首日访问”为筛选条件，并勾选条件属性“为真”（因为分析老客户意义不大）→6、切换“事件发生的时间范围”，然后系统就可以自动生成展示该内容媒体产品的新用户浏览内容偏好分布时间变化趋势图→7、点击趋势图右上端的“饼图”图表将其切换为饼图。

在这里插入图片描述

潜客分析概览新用户下载APP小时段分布指标趋势图制作

我们需要知道用户在那个时段下载APP量最多，从而了解用户对APP需求时段分析，进而进行精准推荐广告。如果想要知道各用户下载APP小时段分布的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“APP启动”→3、修改指标统计方式为“用户数”→4、将“按——查看”切换为“按总体查看”→5、在“全局筛选”中添加“是否首日访问”为筛选条件，并勾选条件属性“为真”（因为分析老客户意义不大）→6、切换“事件发生的时间范围”，并设置为“按小时”，然后系统就可以自动生成展示该内容媒体产品的新用户下载APP小时段分布时间变化趋势图。

在这里插入图片描述

跟上面的新用户性别分布饼图制作一样，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“潜客分析”概览中。这样在我们刚刚创建的“潜客分析”概览中就会出现一个按“用户下载APP小时段分布”进行分类的指标趋势图。

在这里插入图片描述

到这，我们的潜客分析概览就基本完成了，通过对“潜客分析概览”上用户的各个指标进行分析，我们可以制定优化内容投放策略。

虚假流量识别与流量分析

广告投放环节

在这里插入图片描述

如上图的广告投放环节所示，广告的投放一般分三步走。

第一步，广告主选择投放哪种广告，常见的形式包括 SEM、DSP、信息流、开屏广告等；
第二步，确认广告的付费形式，常见的广告付费形式有 CPM、CPC、CPA、CPS 为主要的结算方式，分别按照展示量、点击量、转化量、销售额结算；
第三步，跟踪广告的投放数据，常见的投放数据有展现量、点击率、点击量、消费、成功注册量、下载量等。

机器作弊 + 人为作弊（更难识别）

机器作弊：机器发送、肉机访问、修改DNS/IP访问、爬虫访问。

人工作弊：人工点击广告、人工下载、人工访问。

识别虚假流量的常见维度

一般来说，真实流量一般自然（真实的流量在各个维度中表现一定是自然的）与多样（网民的喜好各不相同，行为一定也是多样的）。而对于虚假流量，常表现出一定的目的性（虚假流量的产生一定和某个特定的目的有关）和规律性（特定的目的导致虚假流量一定有特殊的规律）。

由于虚假流量与真实流量在具体访问行为有较大差异，围绕用户行为可从以下几方面识别出虚假流量。

基本属性

具体包括：时间 & 地域维度、终端类型、操作系统、联网方式、运营商、IP 集中等。

产品参与度

具体包括跳出率、平均访问深度、平均访问时长、用户行为路径、页面点击情况、流量留存情况、单页面人均访问次数等。

转化情况

看是否能够变形，因为免费的产品是没有的，开发产品的目的是变现。

案例1：识别某社交软件虚假流量

新用户的注册转化率下降，之前猜测的多设备登录的场景，会造成漏斗分母变大，因为在神策平台，当一个用户多设备登录时，会将多设备用户认知为一个新用户，导致转化率下降。经过分析发现，用户人均设备数小于1，既说明用户多设备登录影响很小，也间接说明用户会存在较多的单设备多账号的情况。

指标	合计	1月	2月	3月	4月	5月
人均设备数	1	0.96	0.96	0.99	1	0.98

另外，老用户会趋向于点击“登录”而不是“注册”，如果多设备登录造成分母变大，相应的点击“注册”按钮比例应该降低，但实际上点击注册的比例是升高的，这说明来访用户更多是真实的新用户。

在这里插入图片描述

因此，可得出：用户不趋向多设备登录，不会对转化率的下降造成影响。

新用户注册转化率下降原因推测

我们通过现有的数据做了简单分析，推测以下原因会导致转化率下降：

1、虚假流量。排查数据发现，2月4日激增了一批注册用户，查看行为序列发现这个群体的设备反复注册（其流程是：1、下载APP→2、激活→3、点击注册按钮，填写注册信息，且注册信息内容都一样→4、填写完注册信息后登录，登录后因该广告主的投放策略是CPA，所以其必须要参与交谈行为，但是这批用户不发任何交谈信息就直接退出登录），推测为虚假用户。该批用户量较大，后续会造成留存的降低。后续可通过用户分群创建规则，将所有类似行为特征的用户筛选出来，降低对数据分析的干扰。

2、过年期间，iOS端数据的异常下降。

在这里插入图片描述

案例2：识别某奢侈品电商618活动虚假流量

在这里插入图片描述

观察这段时间内的数据（活跃用户数），从5月25日活动开始，整体日活开始增加，在6月18日当日达到最高峰（日活=1,746,086 人），活动期间日平均活跃用户量相比活动前从 164,733 人/天增长到525,319 人/天，增幅达到 318.90% 。活动结束后，日均活跃人数达到 254,586 人/天，相较活动前增幅达到 154.54% 。单从日活用户数来看，其日活用户数趋势的确符合预期。

在这里插入图片描述

618活动期间，对比安卓 IOS 两个平台（安卓和IOS平台做虚假流量，其成本是不一样的，安卓端更容易做虚假流量）日活跃数据。从5月25日预热活动开始，IOS 用户（蓝色线）就有明显的用户增长，增长幅度达到 313.70 % ，而安卓用户（绿色线）在前期两个活动中，日活仅提升 164.16 % ，但在618当日，用户突增，增幅达到 741.21 % ，来访用户量超过 IOS 用户，达到 1,023,397 人。猜测可能有虚假流量，需要补充分析。

在这里插入图片描述

首先我们分析了解到，IOS端用户数据增长较为明显，根据登录ID和匿名ID进行分析，发现“IOS登录用户”，“安卓登录用户”和“安卓匿名用户”的整体增长都在 200% - 235% ，而“IOS匿名用户”的增长率较高，达到 613.03%。因此活动主要吸引了较多 IOS 的新增匿名用户。另外，通过图可以发现，618当日，“安卓匿名用户”曾经达到高点，为984,592人。

在这里插入图片描述

活动期间，新用户增长率 267.85% ，日平均新增人数 145,946 人，总计新增 3,940,550 用户。安卓端IOS 端总体新用户增长率相近，安卓的主要增长日为 6月18日活动当天。

在这里插入图片描述

观察活动期间的留存数据图形，可以看到，次日留存自活动期间以后有小幅度下降，从 59.65% 下降到52.57% 。活动1和活动2（5月25日-6月13日）期间，可以看到，3-7日留存有明显的提升，七日留存从24.30% 上升到 29.83 % 。自13日开始，整体留存数据有明显下降。

在这里插入图片描述

根据3-7留、以及安卓端的次留，说明活动对于用户粘性的提升是较为明显的。

安卓用户虽然活跃和新增增长不高，但是用户粘性在活动期间有明显提升。在18号有明显的下降，考虑当天引流的用户有无效或者虚假用户。

对于IOS用户，考虑用户相似性，理论上IOS用户留存也应该增长。虽然3-7留有增长，然而次留有下降。考虑自25日开始，IOS端就有无效或者虚假用户进入。

在这里插入图片描述

通过用户行为序列圈选出虚假流量

在神策平台中，虽然看到的数据都是统计数据，但是实际上数据的底层逻辑都是每个用户行为的统计，因此我们是可以看到单个用户的行为系列的。

**通过但个用户行为序列圈选虚假流量的步骤：**以我们之前创建的“渠道分析1”概览的“各渠道新增访问用户量指标趋势图”为例。1、打开该可视化线图，拖到底部，看其在底部上的可视化清单表→2、先假设其中的“知乎”新增用户是虚假流量→3、点击该行上任意一个数字，在弹出的功能中选择“查看用户列表”→4、在弹出的“用户列表”中，点击右上端的“列目显示”达到显示更多用户特征列的目的，多次随意点击判定为虚假流量的任意一个的“设备ID”，在弹出的功能中点击“查看单用户行为序列”，系统就会自动弹出其个人行为系列→5、查看多个人的个人行为序列轨迹，找到他们的相似点，然后假设这些相似的行为序列是虚假流量固有的特征→6、我们采用“用户分群”功能来抓取这些虚假流量的特征，在“用户管理”菜单栏下，点击“用户分群”按钮，然后点击其右上端的“创建分群”按钮，在弹出的功能中点击“规则创群”按钮→7、添加“分群显示名”，在“分群规则”上添加虚假用户对应的虚假行为序列特征，然后点击“创建”按钮，系统自动生成“虚假用户分群01”→8、然后将“虚假用户分群01”运用到“渠道分析1”概览各个可视化图表的“全局筛选”条件中，以“各渠道新增访问用户量指标趋势图”为例，添加筛选条件。这样就可以剔除虚假流量对数据分析的影响。

在这里插入图片描述

数据基础

什么是用户分析

用户分析就是通过用户的行为表现解决以下各个部门的困惑。

日常工作中，可能会遇到如下问题：1、产品角度：新上线的产品功能，每天有用户在使用（通过分析这个功能的人口有多少人点击来解决）？新设计后的订单页面成交比率有没有提高（通过分析访问订单页面的人有多少，成交的用户数有多少来解决）？2、运营角度：运营刚上线的活动，用户参与情况怎么样？用户是在哪一步发生流失的？3、广告投放角度：渠道投放的广告，有多少用户点击了？这些用户后来有在落地页上发生注册吗？

我们做用户行为分析需要经历3个步骤：1、提出业务问题（如上面三个问题一样先对核心指标情况提出问题）；2、定义问题的分析对象（新用户/老用户），具体是哪几个行为；3、对行为进行统计和分析。

如何描述用户行为

在神策分析中，我们使用“事件模型（Event 模型）”来描述用户的各种行为，事件模型包括事件（Event）和用户（User）两个核心实体，事件通常来讲就是行为，其模型是WWWHW模型。在数据库中的表现就是一个user表和一个event表。

在这里插入图片描述

Event 实体（WWWHW模型）

一个完整的事件（Event），包含如下的几个关键因素：
Who：即参与这个事件的用户是谁。
When：即这个事件发生的实际时间。
Where：即事件发生的地点。
How：即用户从事这个事件的方式。这个概念就比较广了，包括用户使用的设备、使用的浏览器、使用的 App 版本、操作系统版本、进入的渠道、跳转过来时的 referer 等，目前，神策分析预置了如下字段用来描述这类信息，使用者也可以根据自己的需要来增加相应的自定义字段。
What：以字段的方式记录用户所做的事件的具体内容。不同的事件需要记录的信息不同，下面给出一些典型的例子：

$app_version：应用版本
$city： 城市
$manufacturer： 设备制造商，字符串类型，如"Apple"
$model： 设备型号，字符串类型，如"iphone6"
$os： 操作系统，字符串类型，如"iOS"
$os_version： 操作系统版本，字符串类型，如"8.1.1"
$screen_height： 屏幕高度，数字类型，如1920
$screen_width： 屏幕宽度，数字类型，如1080
$wifi： 是否 WIFI，BOOL类型，如true

User 实体

每个 User 实体对应一个真实的用户，每个用户有各种属性，常见的属性例如：年龄、性别，和业务相关的属性则可能有：会员等级、当前积分、好友数等等。这些描述用户的字段，就是用户属性。

查看User表和Event表

查看User表和Event表的详细信息的步骤：1、点击菜单栏“分析”栏目下的“自定义查询”按钮→2、自定义查询会以SQL的方式查看我们的底层表，输入相应的SQL语句进行查询并执行SQL语句。这里的User表和Event表一般都是一个大宽表。

在这里插入图片描述

埋点方案的制定——事件设计

采集用户行为数据，首先需要根据业务分析需求明确采集的目标行为，进一步搞清楚应该在哪些地方埋什么样的点。这个环节的输出物一般被称之为“埋点需求文档（DRD）”。在大部分互联网公司，规范的产品迭代流程是，业务侧产品经理在输出“产品需求文档（PRD）”的同时，数据产品经理或分析师等角色需要同步输出 DRD，双方的需求同步进入开发和测试验收。
由于神策的底层数据模型是 Event + User 的事件模型，因此埋点在神策分析里被称之为“事件”，埋点需求文档则被统称为“采集方案设计”，本节的工作需要借助神策方提供的《数据采集方案》模板来完成。

埋点方案制定步骤：1、制定指标需求文档（指标统计口径PRD）→2、根据指标需求文档制定事件表（DRD），注意事件表的信息要与指标需求表对应，如上述我们“渠道分析1”概览里面的“各渠道新用户数”指标，对应的是时间表中的“App启动”，然后在“App启动”事件中添加一些对应的事件属性

在这里插入图片描述

采集方案思路

采集方案设计的核心思路，大体来说分为如下几点：1、将用户指标拆解为单个或多个行为动作；2、将需要分析的目标动作抽象为“事件”，添加事件维度（事件属性）；3、根据业务需求，搭建指标体系，整体完善采集方案设计；

不同事件设计

行为颗粒度

对于相似场景，比如，提交门票订单，提交机票订单，在设计事件时是针对每个场景单独设计还是合并成一个事件？有两种设计思路共参考：
A、设计为同一事件，适用场景：各事件所需属性相差不大；平时分析场景多整体分析。
B、设计为不同事件，适用场景：各事件所需属性相差很大；分析场景多分别分析。如果采用本思路，也建议在一些相同属性上用一样的属性名称，便于今后使用“虚拟事件功能”来整体分析。

例 : 简单的统计三个按钮 A、B、C 的点击情况时，不需要做成 “点击 A 按钮”、“点击 B 按钮”、“点击 C按钮” 三个事件，而是做成 “点击按钮” 事件，将 A、B、C 三个按钮以属性 “按钮名称” 进行传递。

被动事件

被动事件：由于神策分析中的漏斗分析、留存分析等都需要事件的触发主体是同一个人，所以在一些场景下需要给用户触发被动事件，如用户提交认证后，需要审核，审核并不是由用户主动触发，可设置为被动事件。

User表注意

单边，双边用户

单双边是针对产品有多个身份使用用户时才会进行区分。单边用户，即仅有一类用户的产品，如健身产品Keep，聊天工具 QQ 等 ; 双边用户如 O2O 产品，淘宝（即对用户，又对企业模式）用户可能是普通消费者，也可能是商家用户。需要根据产品的不同，提前对用户识别和相应属性进行设计。

缓慢变化维

如果遇到一些会发生变化的属性，比如用户的 VIP 等级，不能只作为用户属性传进用户表中，还需在事件表中，记录一个 “当前发生事件 VIP 等级” 这个属性。因为当前会员等级的统计，和发生事件时用户的会员等级统计是两种情况。

Interest 兴趣

用户兴趣分析核心目标

**培养用户兴趣，让用户一直有互动和购买的欲望及制作流失防控措施。**这里我们从“用户活跃”概览和“内容分析”概览两步对用户兴趣进行分析。其中用户活跃概览通过对用户的各个指标进行分析，了解用户的活跃程度，而“内容分析”概览实质是“用户活跃”概览的下钻，从更细的维度去分析用户兴趣。

创建用户活跃概览

通过对用户的各个指标进行分析，了解用户的活跃程度。

在这里插入图片描述

核心指标

我们做用户兴趣分析（实际就是广告投放分析中其中一个分析角度）时，其中的核心指标是：用户活跃量和用户留存。下面我们用神策平台针对这两个核心指标进行分析。

用户活跃概览用户活跃量（日活）指标趋势柱图制作

我们做用户活跃分析，首先一个重要的指标就是活跃量。如果想要知道用户活跃量趋势的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“APP启动”→3、修改指标统计方式为“用户数”→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围”，然后系统就可以自动生成展示该内容媒体产品的用户活跃量时间变化趋势图→6、点击趋势图右上端的“柱图”图标将其切换为柱图。

在这里插入图片描述

跟上面潜客分析概览的新用户性别分布饼图制作一样，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“用户活跃”概览中。这样在我们刚刚创建的“用户活跃”概览中就会出现一个用户活跃量（日活）指标趋势柱图，截图略。

我们还可以让上面的用户活跃量趋势图依据我们操作系统进行分类分析，跟上面用户活跃概览的“用户活跃量（日活）指标趋势柱图”制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“APP启动”→3、修改指标统计方式为“用户数”→4、将“按——查看”切换为“按操作系统查看”→5、切换“事件发生的时间范围”，点击“+对比时间”按钮，可以选择“上一段时间/去年同期/自定义”方式，添加对比时间段的趋势图→6、然后系统就可以自动生成展示该内容媒体产品的用户活跃量时间变化趋势图（实线）及其上一段对比时间的时间变化趋势图（虚线）。

在这里插入图片描述

跟上面潜客分析概览的新用户性别分布饼图制作一样，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“用户活跃”概览中。这样在我们刚刚创建的“用户活跃”概览中就会出现一个按“操作系统”进行分类的用户活跃量（日活）指标趋势图。

在这里插入图片描述

用户留存概念

留存分析是一种用来分析用户参与情况/活跃程度的分析模型，考查进行初始行为后的用户中，有多少人会进行后续行为。这是衡量产品对用户价值高低的重要指标。

留存分析可以帮助回答以下问题：

1、一个新客户在未来的一段时间内是否完成了您期许用户完成的行为？如支付订单？2、某个社交产品改进了新注册用户的引导流程，期待改善用户注册后的参与程度，如何验证？3、想判断某项产品改动是否奏效，如新增了一个邀请好友的功能，观察是否有人因新增功能而多使用产品几个月？

用户活跃概览用户留存指标趋势图制作

用户留存分析，有些APP是以用户“APP启动”行为来记录他为活跃用户，但也有些是以用户进行了“内容详情浏览”行为记录为活跃用户。虽然对应记录的用户行为不一样，但是分析方法是一样的。

以用户“APP启动”行为来记录他为活跃用户的话。如果想要知道用户留存趋势的话，跟上面“用户活跃概览”的用户活跃量（日活）指标趋势柱图制作方法类似。步骤：1、点击“留存分析”的分析模型→2、在“初始行为”中选择“APP启动”，并设置筛选条件“是否首日访问为假”→3、在“后续行为”中也选择“APP启动”→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围”，然后系统就可以自动生成展示该内容媒体产品的用户留存变化表格。

在这里插入图片描述

跟上面“用户活跃概览”的用户活跃量（日活）指标趋势柱图制作方法类似，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“用户活跃”概览中。这样在我们刚刚创建的“用户活跃”概览中就会出现一个用户留存时间趋势图/表，截图略。

以用户“内容详情浏览”行为来记录他为活跃用户的话。如果想要知道用户留存趋势的话，跟上面“用户活跃概览”的用户活跃量（日活）指标趋势柱图制作方法类似。步骤：1、点击“留存分析”的分析模型→2、在“初始行为”中选择“内容详情浏览”，并设置筛选条件“是否首日访问为假”→3、在“后续行为”中也选择“内容详情浏览”→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围”，然后系统就可以自动生成展示该内容媒体产品的用户留存变化表格。

在这里插入图片描述

跟上面“用户活跃”概览的用户活跃量（日活）指标趋势柱图制作一样，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“用户活跃”概览中。这样在我们刚刚创建的“用户活跃”概览中就会出现一个用户留存指标趋势图。

在这里插入图片描述

其他重要指标

通过上述“用户活跃量（日活）分析”和“用户留存分析”，我们利用这两个核心指标初步建立了对用户兴趣程度的追踪。下面我们再用用户在我们APP中使用时长指标和看了多少个页面（用户访问深度）指标和APP跳出率和APP阅读用户数（一般内容媒体才有这个指标）和浏览互动转化率和APP用户活跃天数分布来分析。

用户活跃概览用户使用时长指标趋势图制作

如果想要知道用户使用时长的话，跟上面的用户活跃量（日活）指标趋势柱图制作方法一样。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“APP退出”→3、修改指标统计方式为“事件时长的人均值”→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围”，点击“+对比时间”按钮，可以选择“上一段时间/去年同期/自定义”方式，添加对比时间段的趋势图→6、然后系统就可以自动生成展示该内容媒体产品的用户使用时长时间变化趋势图（实线）及其上一段对比时间的时间变化趋势图（虚线）。

在这里插入图片描述

跟上面“用户活跃概览”的用户活跃量（日活）指标趋势柱图制作方法类似，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“用户活跃”概览中。这样在我们刚刚创建的“用户活跃”概览中就会出现一个用户使用时长时间趋势图，截图略。

用户活跃概览用户访问深度指标趋势图制作

如果想要知道用户访问深度的话，跟上面的用户活跃量（日活）指标趋势柱图制作方法一样。步骤：1、点击“事件分析”的分析模型→2、将默认的“事件”切换为“Session”→3、在选择Session中选择“App默认Session”→4、修改指标统计方式为“Session总体”的“Session深度的人均值”→5、切换“事件发生的时间范围”，点击“+对比时间”按钮，可以选择“上一段时间/去年同期/自定义”方式，添加对比时间段的趋势图→6、然后系统就可以自动生成展示该内容媒体产品的用户访问深度时间变化趋势图（实线）及其上一段对比时间的时间变化趋势图（虚线）。

在这里插入图片描述

跟上面“用户活跃概览”的用户活跃量（日活）指标趋势柱图制作方法类似，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“用户活跃”概览中。这样在我们刚刚创建的“用户活跃”概览中就会出现一个用户访问深度时间趋势图。

在这里插入图片描述

用户活跃概览APP跳出率指标趋势图制作

如果想要知道APP跳出率的话，跟上面的用户活跃量（日活）指标趋势柱图制作方法一样。步骤：1、点击“事件分析”的分析模型→2、将默认的“事件”切换为“Session”→3、在选择Session中选择“App默认Session”→4、修改指标统计方式为“Session总体”的“跳出率”→5、切换“事件发生的时间范围”，点击“+对比时间”按钮，可以选择“上一段时间/去年同期/自定义”方式，添加对比时间段的趋势图→6、然后系统就可以自动生成展示该内容媒体产品的用户访问深度时间变化趋势图（实线）及其上一段对比时间的时间变化趋势图（虚线）。

在这里插入图片描述

跟上面“用户活跃概览”的用户活跃量（日活）指标趋势柱图制作方法类似，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“用户活跃”概览中。这样在我们刚刚创建的“用户活跃”概览中就会出现一个APP跳出率时间趋势图，截图略。

用户活跃概览APP阅读用户数指标趋势图制作

如果想要知道APP阅读用户数的话，跟上面的用户活跃量（日活）指标趋势柱图制作方法一样。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“内容详情浏览”→3、修改指标统计方式为“用户数”→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围”，点击“+对比时间”按钮，可以选择“上一段时间/去年同期/自定义”方式，添加对比时间段的趋势图→6、然后系统就可以自动生成展示该内容媒体产品的APP阅读用户数时间变化趋势图（实线）及其上一段对比时间的时间变化趋势图（虚线）。

在这里插入图片描述

跟上面“用户活跃概览”的用户活跃量（日活）指标趋势柱图制作方法类似，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“用户活跃”概览中。这样在我们刚刚创建的“用户活跃”概览中就会出现一个APP阅读用户数时间趋势图。

在这里插入图片描述

用户活跃概览APP浏览互动转化漏斗图制作

如果想要知道APP浏览互动转化率的话，跟上面的用户活跃量（日活）指标趋势柱图制作方法一样。步骤：1、点击“漏斗分析”的分析模型→2、在显示漏斗中选择“浏览互动”→3、修改指标统计方式为“人数”→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围”，将“趋势”切换为“对比”→6、然后系统就可以自动生成展示该内容媒体产品的APP浏览互动转化漏斗图。

在这里插入图片描述

跟上面“用户活跃概览”的用户活跃量（日活）指标趋势柱图制作方法类似，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“用户活跃”概览中。这样在我们刚刚创建的“用户活跃”概览中就会出现一个APP浏览互动转化漏斗图，截图略。

用户活跃概览APP用户活跃天数分布图制作

日活只能告诉你用户数的变化，分布分析却能揭示单个用户对产品依赖程度的变化。比如某产品虽然三月和四月期间活跃用户量没有明显增长，但是用户关键行为（比如下单，或发布内容）的频率却显著增加，说明产品对于用户的价值增加了。反之，如果虽然日活增长很快，但是行为发生频率却在相比之前较低的水平，很有可能新增加的活跃用户并未真正感受到产品价值。

分布分析不但可以告诉你用户有多依赖你的产品，还可以告诉你某个事件指标的用户分布情况。比如，查看订单金额在 100 元以下、100 元至 200 元、200 元以上三个区间的用户分层分布情况。

指定一个用户行为事件，然后选择事件的指标。分布分析可以帮助揭示以下问题：1、通知策略调整前后，用户每天使用产品次数是否增加？2、用户首次购买后是否会重复购买？3、假设每天使用 3 次以上某关键功能的用户算作核心用户，那么核心用户的成分变化趋势如何？

如果想要知道APP用户活跃天数分布的话，跟上面的用户活跃量（日活）指标趋势柱图制作方法一样。步骤：1、点击“分布分析”的分析模型→2、在用户进行中选择“APP启动”→3、修改指标统计方式为“人数/天数/小时数”→4、将“按——查看”切换为“按用户行为查看”→5、切换“事件发生的时间范围”为“过去30天”，将后面的观看时间设置为“一周内”→6、然后系统就可以自动生成展示该内容媒体产品的APP用户活跃天数分布图。

在这里插入图片描述

跟上面“用户活跃概览”的用户活跃量（日活）指标趋势柱图制作方法类似，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“用户活跃”概览中。这样在我们刚刚创建的“用户活跃”概览中就会出现一个APP用户活跃天数分布图。

在这里插入图片描述

创建内容分析概览

通过用户对不同内容的活跃程度进行分析，给用户推荐适合他的内容。制作步骤同上面的“用户活跃概览”，只不过添加了“内容名称或内容标签”分组字段而已，制作步骤略。

在这里插入图片描述

创建产品优化分析概览

通过用户对不同版本的活跃程度进行分析，评估产品迭代好坏，通过用户产品流程中的转化，优化产品。制作步骤同上面的“用户活跃概览”，只不过添加了“应用的版本”分组字段而已，制作步骤略。

在这里插入图片描述

注意：漏斗分析的时候，点击漏斗箭头，还可以知道那个步骤的转化时长及流失用户数等信息。

在这里插入图片描述

Purchase 购买

用户购买分析核心目标

**让更多的人付钱，让一个人付更多的钱。**这里我们从“用户付费分析”概览和“商品分析”概览两步对用户购买进行分析。其中“用户付费分析”概览是从客户的角度进行分析，了解客户的购买力，而“商品分析”概览是从商品的角度进行分析，了解客户对商品的购买力。

创建用户付费分析概览

通过对用户购买行为的各个指标进行分析，了解用户的购买力。

在这里插入图片描述

核心指标

我们做用购买分析（实际就是广告投放分析中其中一个分析角度）时，其中的核心指标是：总收入（GMV），支付订单用户数，订单量，客单价等等。下面我们用神策平台针对这些核心指标进行分析。

付费分析概览总收入（GMV）指标看板制作

我们做用户购买分析，首先一个重要的指标就是总收入。如果想要知道每日的总收入的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“支付订单”→3、修改指标统计方式为“订单实付金额的总和”→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围（这里看每天的总收入，时间选定为昨天）”，然后系统就可以自动生成展示该产品的总收入指标看板图。

在这里插入图片描述

跟上面潜客分析概览的新用户性别分布饼图制作一样，点击右上端的“保存”按钮，然后进行命名，将“图表类型”由默认的“线图”切换为“数值”，“同时显示”中勾选“环比上期”及“同比（可以设置上月同期/上周同期上年同期）”，将“窗口尺寸”设置为“小”（注意也可以直接保存后再概览中该可视化图右侧的设置功能进行设置）。这样就可以将该可视化图表保存到我们刚刚创建的“用户付费分析”概览中。这样在我们刚刚创建的“用户付费分析”概览中就会出现一个总收入（GMV）指标看板图。

在这里插入图片描述

付费分析概览支付订单用户数指标看板制作

如果想要知道每日的支付订单用户数的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“支付订单”→3、修改指标统计方式为“用户数”→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围（这里看每天的总收入，时间选定为昨天）”，然后系统就可以自动生成展示该产品支付订单用户数的指标看板图。

在这里插入图片描述

跟上面潜客分析概览的新用户性别分布饼图制作一样，点击右上端的“保存”按钮，然后进行命名，将“图表类型”由默认的“线图”切换为“数值”，“同时显示”中勾选“环比上期”及“同比“，将“窗口尺寸”设置为“小”。这样就可以将该可视化图表保存到我们刚刚创建的“用户付费分析”概览中。这样在我们刚刚创建的“用户付费分析”概览中就会出现一个支付订单用户数指标看板图，截图略。

付费分析概览订单量指标看板制作

如果想要知道每日的订单量的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“支付订单”→3、修改指标统计方式为“总次数”→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围”，然后系统就可以自动生成展示该产品订单量的指标看板图。

在这里插入图片描述

付费分析概览客单价指标看板制作

如果想要知道每日的客单价的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“支付订单”→3、修改指标统计方式为“订单实付金额的人均值”→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围”，然后系统就可以自动生成展示该产品客单价的指标看板图。

在这里插入图片描述

其他重要指标

我们利用总收入（GMV），支付订单用户数，订单量，客单价这四个核心指标初步建立了对用户购买力的追踪。下面我们再用付费率，人均订单量，每笔订单单价，复购率，购买频次，购买转化漏斗等指标来进一步分析。

付费分析概览付费率指标看板制作

如果想要知道每日的付费率的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“自定义指标”→3、修改自定义指标的名称为“付费率”，计算方式为：“支付订单”乘以“用户数”除以“$启动App”乘以“用户数”，切换为“百分比”，点击“保存”按钮，然后删除默认的指标→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围”，然后系统就可以自动生成展示该产品付费率的指标看板图。

在这里插入图片描述

付费分析概览人均订单量指标看板制作

注意：这个值过高的话，说明订单集中在少数几个人，反之，则表明购买人群相对平均。

如果想要知道每日的人均订单量的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“支付订单”→3、修改指标统计方式为“人均次数”→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围”，然后系统就可以自动生成展示该产品人均订单量的指标看板图。

在这里插入图片描述

付费分析概览每笔订单单价指标看板制作

如果想要知道每日的每笔订单单价的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“支付订单”→3、修改指标统计方式为“订单实付金额的均值”→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围”，然后系统就可以自动生成展示该产品每笔订单单价的指标看板图。

在这里插入图片描述

付费分析概览复购率指标留存表制作

如果想要知道用户的周复购率的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“留存分析”的分析模型→2、在“初始行为”中选择“支付订单”→3、在“后续行为”中也选择“支付订单”→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围为过去60天（因为人不可能每天买东西，所以这里按周来看复购率）”，然后系统就可以自动生成展示该产品的复购率留存变化表格。

在这里插入图片描述

跟上面潜客分析概览的新用户性别分布饼图制作一样，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“用户付费分析”概览中。这样在我们刚刚创建的“用户付费分析”概览中就会出现一个用户周复购率指标留存表，截图略。

付费分析概览购买频次指标分布图制作（RFM模型的F）

如果想要知道用户购买频次分布的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“分布分析”的分析模型→2、在用户进行中选择“支付订单”→3、修改指标统计方式为“次数”→4、将“按——查看”切换为“按用户行为查看”→5、切换“事件发生的时间范围”为“本月”，将后面的观看时间设置为“一周内”→6、然后系统就可以自动生成展示该产品的用户购买频次指标分布图。

在这里插入图片描述

跟上面潜客分析概览的新用户性别分布饼图制作一样，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“用户付费分析”概览中。这样在我们刚刚创建的“用户付费分析”概览中就会出现一个用户购买频次指标分布图。

在这里插入图片描述

付费分析概览购买转化漏斗图制作

如果想要知道用户的购买转化漏斗的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“漏斗分析”的分析模型→2、在显示漏斗中选择“购买转化”→3、修改指标统计方式为“人数”→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围”，将“趋势”切换为“对比”→6、然后系统就可以自动生成展示该产品的购买转化漏斗图。

在这里插入图片描述

跟上面潜客分析概览的新用户性别分布饼图制作一样，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“用户付费分析”概览中。这样在我们刚刚创建的“用户付费分析”概览中就会出现一个用户购买转化漏斗图。

在这里插入图片描述

创建商品分析概览

通过商品维度对收入相关指标进行下钻，分析商品的销售情况。制作步骤同上面的“用户付费分析概览”，只不过添加了“商品品类”分组字段而已，因为是从商品角度，所以跟上面不一样，这里选择的是“支付订单详情”，这个字段的算法是一份商品对应一份价格，而“支付订单”是在收银台结账时，我手上所有商品的价格总和。

商品分析概览商品各项指标清单表制作

如果想要知道该电商网站各项指标（总收入，支付订单用户数，订单量，客单价，人均订单量，每笔订单单价）情况的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“分布分析”的分析模型→2、在事件进行中选择“支付订单详情”，修改指标统计方式为“商品总价的总和”，然后修改指标名称为“总收入”→3、点击下面的“+指标”图标，在事件进行中选择“支付订单详情”，修改指标统计方式为“用户数”，然后修改指标名称为“支付订单用户数”→4、点击下面的“+指标”图标，在事件进行中选择“支付订单详情”，修改指标统计方式为“总次数”，然后修改指标名称为“订单量”→5、点击下面的“+指标”图标，在事件进行中选择“支付订单详情”，修改指标统计方式为“商品总价的人均值”，然后修改指标名称为“客单价”→6、点击下面的“+指标”图标，在事件进行中选择“支付订单详情”，修改指标统计方式为“人均次数”，然后修改指标名称为“人均订单量”→7、点击下面的“+指标”图标，在事件进行中选择“支付订单详情”，修改指标统计方式为“商品总价的人均值”，然后修改指标名称为“每笔订单单价”→8、将“按——查看”切换为“按商品二级分类查看”→9、切换“事件发生的时间范围”→10、然后系统就可以自动生成展示该电商网站中各类商品核心指标清单表（注意6个指标都要勾选，不然可能会少显示指标）。

在这里插入图片描述

跟上面潜客分析概览的新用户性别分布饼图制作一样，点击右上端的“保存”按钮，然后进行命名，将“图表类型”由默认的“线图”切换为“表格”。这样就可以将该可视化图表保存到我们刚刚创建的“商品分析”概览中。这样在我们刚刚创建的“商品分析”概览中就会出现一个该电商网站所有指标清单表。

在这里插入图片描述

意向用户促单

弄清楚用户为什么会付费，你有什么办法把潜客转化为付费用户么？

Facebook魔法数字

注意：核心魔法数字是特征识别，而不是增长方式。“Facebook一周之内添加7个好友”的例子，基本都成为增长圈里的标配案例。看到这个案例的时候有没有思考过：1、为什么是添加好友这个行为？2、为什么是在一周内？3、为什么是7个好友呢？

其实，用户一切留存的本质其实都是感受到了产品的价值，让用户有留下来的理由，他才会留存。所以回到Facebook的例子上分析，因为它是一个社交平台，没有好友如何社交？如果没有添加好友这个行为，用户肯定不能感受到Facebook 的价值。为什么是10天内添加？大家可以看看下面这张留存曲线图。

在这里插入图片描述

上面的走势图，有2个非常明显的区间，我把图中的2个区间分为：选择期和平稳期。大家可以发现选择期过后的曲线就处于平稳阶段，所以facebook才有了10天内逻辑。10天后属于他们产品的平稳期，但过了平稳期也意味着大部分的用户已经流失。所以要在10天内的选择期内，让用户感受到产品的价值，也就是10天内完成“添加好友”这个行为，才能止损。
为什么会是7这个魔法数字？我们在做用户留存的时候，应该重点关注留下来的那部分人他们做了什么，而不是流失的那部分人。因为用户流失的影响因素有很多，但是用户留存的原因，永远就只有一个：感受到了产品的价值。Facebook就是发现，留下来的用户他们都有一个共同点，那就是都添加了7个以上的好友：当用户添加7个好友以下的时候，流失的波动就很大；当达到7个的时候，流失就非常平稳；而超过7个的时候，流失趋势和7个的时候相差不大，因此，7就是一个分水岭。

案例：某奢侈品电商618活动

在这里插入图片描述

首先这个访问深度，指的是用户在活动期间曾经达到的最高访问深度。可以看到，根据访问深度的变化，每笔订单单价（就是截图中的客单价，其实际是笔单价）随访问深度增高而降低，ARPPU（客单价）和访问深度成反比，付费率和访问深度成正比，最高价和主要订单量集中在访问深度为2-10的用户。访问深度超过11时，用户的人均订单量超过1，付费率达到19.78%。访问深度较高的用户，付费率高，客单价低，最高价低，说明用户有强烈的购买需求，但是可能消费水平有限，主要纠结在价格上，反复的挑选和对比商品。首先这是容易成单的用户，对于这种纠结价格的用户，可以在他触达某一访问深度的时候，对他进行优惠券的推送（例如：您抽到本小时幸运优惠券），使他打消价格的顾虑。
对于访问深度达到11-20的用户，这一部分用户提供了36%的订单量，且注意到付费率从 3.8% 提升到19.78% 。说明这个访问深度11的值，是用户的魔法转化数字。在活动期间，实时监控用户的访问深度，当触达11时，即比较为潜在付费用户。并且，从访问深度11开始，人均订单量（订单总量/总访问人数）开始大于1，说明这个访问深的用户是核心付费用户的分界线。对于高净值用户，通常访问深度不会太高。高价格订单，用户通常访问深度不超过10。所以，对于昂贵商品，简化付费流程，让用户快速消费，对高净值用户的转化会有所帮助。这里分享个618活动期间Patek Philippe 6300G （2600万人民币）腕表的用户付费时长数据——从启动APP到最终购买腕表仅耗时6分钟。

在这里插入图片描述

从订单量和访问时长的分布来看，用户访问的时间越长，成单率越高。浏览时长超过30分钟的用户，人均订单率（订单量/总用户量）突破1.5。同时，和上一组访问深度和付费相关的数据对比，可以发现，访问时长越长的用户，客单价越低。这说明用户花费的时间，主要是在犹豫和对比，由于预算有限，在纠结最合适的商品。因此对于浏览时长达到 1200 秒以上的用户，可以标记为成单目标用户，并且，对于超过1小时的用户，通过客单价和ARPPU，可以看出付费用户的人均订单，是接近10单的。对于符合这种条件的用户，可以根据他活动期间的购买次数，实时推一些，累计购买达 X 单（同时累计消费达到 XX 金额），领取特殊兑换券的奖励。

在这里插入图片描述

忠诚用户在活动期间的付费数据，可以看到，用户忠诚值越高，付费率越高，人均订单量越高。其中，「忠诚-5」的用户，ARPPU、客单价、付费率相比活动前有超高的增长，而其他忠诚值的用户都成下降趋势。其中，「忠诚-4」下降最多，经研究是这批用户在5月20日左右，有过消费。属于520节日消费拉高了活动前ARPPU。当用户购买次数达到20次以上，属于寺库的忠实用户，这种用户对于寺库的运营活动很了解，所以消费留在618活动开启后，对活动充分研究清楚后开始消费。而低于这个忠诚值的用户，更多的是知道打折，过来逛逛的用户，对于活动本身并不感冒，也不会在618前控制消费。

在这里插入图片描述

活动对于拉动低净值用户的付费额度，有着重要的帮助，客单价、订单量、ARPPU都有着明显的提升活动核心用户是中净值用户，他们不会去买更贵的东西，但是订单量有明显的增长。对于高净值用户，可以看到，付费率非常高，超过85%。意味着什么？意味着，他来了，就是要买东西的，别放过他哦。

Loyalty 忠诚

用户忠诚分析核心目标

让客户认可品牌价值，能够为品牌发声，带来新用户。

创建忠诚用户价值挖掘概览

通过对用户购买行为的各个指标进行分析，了解用户的购买力。

核心指标

病毒裂变系数K(如：拼多多砍一刀获得新用户)概念

一个经典的病毒裂变就是拼多多的团购及砍一刀。注意：如果K值 < 1时，则裂变效果差，获得的客户数越来越少，最终趋近0；K值 = 1，则获得的客户数会线性增长；而K值 > 1时，则获得的客户数会呈现指数上涨趋势。

你有100个朋友是第一批种子用户，他们开始邀请朋友来注册你的产品。

变量名	描述	示例值
Custs(0)	初始种子用户	100
i	每个用户发送的邀请数量	10
Conv%	每个用户邀请成功转化率	20%

表格中和病毒系数K值相关的三个要素和变量分别是：1、Custs(0)，即初始种子用户Customer；2、i，即每个用户发送的邀请数量Invitation；3、Conv%，即每个用户邀请成功转化率Conversion Rate；
我们需要计算的第一件事就是每个现有用户能够成功带来多少新用户，这是一个非常重要的变量，被称
为病毒系数K。
$K = i * C o n v$
现在让我们来看看在你新产品经历病毒感染的第一个周期，K是如何影响用户增长的。我们最初的10个客户将分别发出10个邀请(i)，每个人邀请成功的转化率是20％(Conv%)，病毒系数K=10*20%=2，即每个现有用户带来了2个新用户。经过第一轮裂变，100个客户就变成100+100x10x20%=300个客户，第二轮裂变就变成100+300x10x20%=700个客户。

忠诚用户价值挖掘概览病毒裂变系数K指标趋势图制作

我们做忠诚用户价值挖掘分析，首先一个重要的指标就是病毒裂变系数K。如果想要知道每日的病毒裂变系数K的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“事件分析”的分析模型→2、在事件中选择“自定义指标”→3、修改自定义指标的名称为“付费率”，计算方式为：“APP激活“（点击该指标右侧的筛选图标，将这个指标的筛选条件设置为“广告系列来源等于H5定向页面”）乘以“用户数”除以“点击分享”乘以“总次数”，切换为“两位小数”，点击“保存”按钮，然后删除默认的指标→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围”，然后系统就可以自动生成展示该产品病毒裂变系数K指标趋势图。

在这里插入图片描述

跟上面潜客分析概览的新用户性别分布饼图制作一样，点击右上端的“保存”按钮，然后进行命名。这样就可以将该可视化图表保存到我们刚刚创建的“忠诚用户价值挖掘”概览中。这样在我们刚刚创建的“忠诚用户价值挖掘”概览中就会出现一个病毒裂变系数K指标趋势图，截图略。

忠诚用户价值挖掘概览用户生命周期留存表制作

如果想要知道用户生命周期的话，跟上面潜客分析概览的新用户性别分布饼图制作方法类似。步骤：1、点击“留存分析”的分析模型→2、在“初始行为”中选择“APP激活”→3、在“后续行为”中选择“$启动APP”→4、将“按——查看”切换为“按总体查看”→5、切换“事件发生的时间范围为过去90天（因为人不可能每天买东西，所以这里按周来查看12周客户留存）”，然后系统就可以自动生成展示该产品的用户生命周期留存表。

在这里插入图片描述