数据分析
学习并查找相关数据分析资料,想在这里记录下来并分享给大家,希望和大家共同进步。
1、数据分析可以分为两种:
- 技术型
- 业务型
2、基本工具
- Excel
主要掌握基本函数(如:LOOKUP查看函数)、透视图和切片器等内容。 - SQL
了解sql的基本语句,增删改查,其中最重要的部分是查询。 - Python
掌握numpy,pandas,matplotlib,seaborn等几个常用的库
3、在数据分析中,常用的8大模型
(1)用户模型
不仅要知道用户当下在想什么,更要知道用户背后在想什么,以及用户正在经历着什么。”
传统用户模型构建方式:
- 用户模型:基于对用户的访谈和观察等研究结果建立,严谨可靠但费时;
- 临时用户模型:基于行业专家或市场调查数据对用户的理解建立,快速但容易有偏颇。(缺乏时间,资源的情况下)
为了节省时间,降低风险,产品团队往往尽快将产品推向用户,快速试错,在这种场景下如何构造用户模型?
1)整理和收集已经获得的任何可认知用户的经验和数据,将这些信息映射成为用户的描述信息(属性)或用户的行为信息,并存储起来形成用户档案;
2)实时关注自身数据的波动,及时采取行动;
3)记录用户的行为数据而不是单纯地为用户打标签;
4)360°覆盖用户全生命周期的用户档案。
用户的每一步成长都通过行为记录下来,基于用户所在生命周期的不同阶段,针对新用户、流失用户、活跃用户、沉默用户分别采取有针对性的拉新、转化、留存等运营策略。
(2)事件模型
事件指的是用户操作产品的一个行为,即用户在产品内做了什么事情,转义成描述性语言就是“操作+对象”。事件分析是对用户行为事件的指标进行统计、维度细分、筛选等分析操作。
事件分析能解决什么问题:
- 产品和运营同学如何才能对网站每天的 PV、UV、DAU 等总体数据有一个直观的把握,包括它们的数值以及趋势?
- 面对复杂的数据,单从数字来看,不仅效率低下,而且难以直观的发现数据背后所展现的趋势,应该怎么办?
- 当做了第三方付费渠道推广后,运营同学如何才能有效比较不同渠道带来的流量?
(3)漏斗分析模型
漏斗分析是一套流程式的数据分析模型,通过将用户行为起始的各个行为节点作为分析模型节点,来衡量每个节点的转化效果,是转化分析的重要工具。
通过漏斗分析可以从先到后的顺序还原某一用户的路径,分析每一个转化节点的转化数据;
所有互联网产品、数据分析都离不开漏斗,无论是注册转化漏斗,还是电商下单的漏斗,需要关注的有两点。第一是关注哪一步流失最多,第二是关注流失的人都有哪些行为。
关注注册流程的每一个步骤,可以有效定位高损耗节点。
(4)热图分析模型
反映用户在网页上的关注点在哪里,尤其对于官网首页来说,信息密度极高,用户究竟是如何点击,如何浏览的效果图
按计算维度划分,热图可以分为点击热图和浏览热图。
- 点击热图:追踪的是鼠标的点击情况,进行人数、次数统计并基于百分比进行热力分布,点击热图又分为两种,一种是鼠标的所有点击,一种是页面可点元素的点击。前者可以追踪页面上所有可点击和不可点击位置的被点击情况,后者只追踪页面上可点击元素的点击情况。
- 浏览热图(也称注意力热图)记录的是用户在不同页面或同一页面不同位置停留时间的百分比计算,基于停留时长。
热图分析模型中的新特性
1)面向特定人群的分析与人群对比
比如理财产品,投资用户和未投资用户关注点肯定不同
2)聚焦分析
点击率=点击次数/当前页面的浏览次数
聚焦率=点击次数/当前页面的点击总次数
应用场景
1)落地页效果分析
2)首页流量追踪
3)关键页体验衡量(产品体验和下载页面)
(5)自定义留存分析模型
留存,顾名思义,就是用户在你的产品中留下来、持续使用的意思,满足某个条件的用户,在某个时间点有没有进行回访行为。
留存是 AARRR 模型(Acquisition:获取用户、Activation:提高活跃度、Retention:提高留存率、Revenue:获取收入、Refer:自传播)中重要的环节之一,只有做好了留存,才能保障新用户在注册后不会白白流失。有时候我们光看日活(DAU),会觉得数据不错,但有可能是因为近期有密集的推广拉新活动,注入了大量的新用户,但是留下来的用户不一定在增长,有可能在减少,因为被新用户数掩盖了所以看不出来。
一般我们讲的留存率,是指「目标用户」在一段时间内「回到网站/App 中完成某个行为」的比例。常见的指标有次日留存率、七日留存率、次周留存率等。比如:某个时间获取的「新用户」 的 「次日留存率」常用来度量拉新效果。
(6)粘性分析模型
定义:对活跃用户使用产品习惯的分析,例如一个月使用了几天,使用大于一天,大于七天的用户有多少,例如某些产品上线了新功能,用户使用需要签到,可以由此分析用户的使用习惯,评估新功能的吸引力和健康度。
作用:使用留存分析,了解产品和功能黏住用户的能力如何,用户喜欢哪个功能,不同用户在同一功能在适用上的差异,有助于科学评估产品,制定留存策略
举例:股票APP,已投资用户和未投资的用户触发功能[查看股票市场]的次数
(7)全行为路径分析模型
行为路径分析分为漏斗分析和全行为路径分析。与漏斗分析模型不同,漏斗分析模型是分析既定的行为转化,例如电商产品,分析从查看产品详情到最终支付每一步的转化率。而全行为路径分析是对用户在APP或网站的每个模块的流转情况,挖掘用户的访问模式,从而优化产品或网站
一般可用树形图表现,一个线上培训网站,用户大都会打开搜索课程,所以需要优化搜索课程。而在第一次搜索课程后,用户并没有搜索到想要的课程,又进行了第二次搜索,因此可以将用户搜索频率高的关键词设置成可点击元素,链接到用户使用频率高的相关课程。引导用户点击得到想要的结果
(8)用户分群模型
分群是对某一特征用户的划分和归组,而分层,更多的是对全量用户的一个管理手段,细分用户的方法我们一直在用,比如RFM模型:
RFM模型是从用户的业务数据中提取了三个特征维度:最近一次消费时间、消费频率、消费金额。通过这三个维度将用户有效地细分为具有不同用户价值及应对策略的群体。
另外四个用户分群的维度:
1)用户属性:用户客观的属性,描述用户真实人口属性的标签,比如:年龄、性别、城市、浏览器版本、系统版本、操作版本、渠道来源等就是用户属性
2)活跃时间
3)做过,没做过
4)新增于:何时新增用户较多