<listing id="xnntt"></listing><nav id="xnntt"><object id="xnntt"></object></nav>
      <code id="xnntt"></code>
      <tt id="xnntt"></tt><listing id="xnntt"></listing>

    1. 欄目導航

      熱點文章

      8 種常見的數據分析方法

      發表時間:2018/7/27 9:13:30  瀏覽次數:142  
      字體大小: 【小】 【中】 【大】

      提起數據分析,大家往往會聯想到一些密密麻麻的數字表格,或是高級的數據建模手法,再或是華麗的數據報表。其實,“ 分析 ”本身是每個人都具備的能力;比如根據股票的走勢決定購買還是拋出,依照每日的時間和以往經驗選擇行車路線;購買機票、預訂酒店時,比對多家的價格后做出最終選擇。


      這些小型決策,其實都是依照我們腦海中的數據點作出判斷,這就是簡單分析的過程。對于業務決策者而言,則需要掌握一套系統的、科學的、符合商業規律的數據分析知識。



      對于具體的業務場景問題,我們又該怎么辦呢?我們以一個電子商務網站為例,用數據分析產品 GrowingIO 對該網站進行快速地數據采集、清晰和可視化展示,然后給大家分享這 8 種常見的數據分析方法。


      1 數字和趨勢


      看數字、看趨勢是最基礎展示數據信息的方式。在數據分析中,我們可以通過直觀的數字或趨勢圖表,迅速了解例如市場的走勢、訂單的數量、業績完成的情況等等,從而直觀的吸收數據信息,有助于決策的準確性和實時性。



      對于電子商務網站,流量是非常重要的指標。上圖中,我們將網站的訪問用戶量(UV)和頁面瀏覽量(PV)等指標匯匯聚到統一的數據看板(Dashboard),并且實時更新。這樣的一個數據看板,核心數字和趨勢一目了然,對于首席增長官來說一目了然。


      2 維度分解


      當單一的數字或趨勢過于宏觀時,我們需要通過不同的維度對于數據進行分解,以獲取更加精細的數據洞察。在選擇維度時,需要仔細思考其對于分析結果的影響。



      舉個例子,當監測到網站流量異常時,可以通過拆分地區、訪問來源、設備、瀏覽器等等維度,發現問題所在。圖 7 中,當天網站的訪問用戶量顯著高于上周,這是什么原因呢?當我們按照訪問來源對流量進行維度拆分時(圖 9 ),不難發現直接訪問來源的訪問量有非常大的提升,這樣就進一步把問題聚焦了。


      3 用戶分群


      針對符合某種特定行為或背景信息的用戶,進行歸類處理,是我們常常講到的用戶分群(segmentation )的手段。我們也可以通過提煉某一群用戶的特定信息,創建該群體用戶的畫像。 例如訪問購物網站、寄送地址在北京的用戶,可以被歸類為“北京”用戶群體。而針對“北京”用戶群體,我們可以進一步觀察他們購買產品的頻度、類別、時間,這樣我們就創建出該用戶群體的畫像。



      在數據分析中,我們往往針對特定行為、特定背景的用戶進行有針對性的用戶運營和產品優化,效果會更加明顯。上圖中,我們通過 GrowingIO 的用戶分群功能將一次促銷活動中支付失敗的用戶挑選出來,然后推送相應的優惠券。這樣精準的營銷推廣,可以大幅度提高用戶支付的意愿和銷售金額。


      4 轉化漏斗


      絕大部分商業變現的流程,都可以歸納為漏斗。漏斗分析是我們最常見的數據分析手段之一,無論是注冊轉化漏斗,還是電商下單的漏斗。通過漏斗分析可以從先到后還原用戶轉化的路徑,分析每一個轉化節點的效率。

      其中,我們往往關注三個要點:

      • 第一,從開始到結尾,整體的轉化效率是多少?
      • 第二,每一步的轉化率是多少?
      • 第三,哪一步流失最多,原因在什么地方?流失的用戶符合哪些特征?


      上圖中注冊流程分為 3 個步驟,總體轉化率為45.5%;也就是說有 1000 個用戶來到注冊頁面,其中 455 個成功完成了注冊。但是我們不難發現第二步的轉化率是 56.8% ,顯著低于第一步 89.3% 和第三步轉化率 89.7%,可以推測第二步注冊流程存在問題。顯而易見第二步的提升空間是最大的,投入回報比肯定不低;如果要提高注冊轉化率,我們應該優先解決第二步。


      5 行為軌跡


      關注行為軌跡,是為了真實了解用戶行為。數據指標本身往往只是真實情況的抽象,例如,網站分析如果只看訪問用戶量(UV)和頁面訪問量(PV)這類指標,斷然是無法全面理解用戶如何使用你的產品。


      通過大數據手段,還原用戶的行為軌跡,有助于增長團隊關注用戶的實際體驗、發現具體問題,根據用戶使用習慣設計產品、投放內容。



      上圖中展示了一位用戶在某電商網站上的詳細行為軌跡,從官網到落地頁,再到商品詳情頁,最后又回到官網首頁。網站購買轉化率低,以往的業務數據無法告訴你具體的原因;通過分析上面的用戶行為軌跡,可以發現一些產品和運營的問題(比如是不是商品不匹配等等),從而為決策提供依據。


      6 留存分析


      在人口紅利逐漸消褪的時代,留住一個老用戶的成本要遠遠低于獲取一個新用戶。每一款產品,每一項服務,都應該核心關注用戶的留存,確保做實每一個客戶。我們可以通過數據分析理解留存情況,也可以通過分析用戶行為或行為組與回訪之間的關聯,找到提升留存的方法。



      在 LinkedIn,增長團隊通過數據發現,如果新用戶進來后添加 5 個以上的聯系人(上圖紅色線條),那么他/她在 LinkedIn 上留存要遠遠高于那些沒有添加聯系人(上圖綠色和紫色的線條)的留存。 這樣,添加聯系人稱為 LinkedIn 留存新用戶的最核心手段之一。


      除了需要關注整體用戶的留存情況之外,市場團隊可以關注各個渠道獲取用戶的留存度,或各類內容吸引來的注冊用戶回訪率,產品團隊關注每一個新功能對于用戶的回訪的影響等等,這些都是常見的留存分析場景。


      7 A/B 測試


      A/B 測試用來對比不同產品設計/算法對結果的影響。產品在上線過程中經常會使用 A/B 測試來測試不同產品或者功能設計的效果,市場和運營可以通過 A/B 測試來完成不同渠道、內容、廣告創意的效果評估。



      舉個例子,我們設計了兩種不同的產品交互形式,通過比較實驗組(A 組)和對照組(B 組)的訪問時長和頁面瀏覽量兩個衡量指標,來評估哪一種交互形式更佳。


      要進行 A/B 測試有兩個必備因素:第一,有足夠的時間進行測試;第二,數據量和數據密度較高。因為當產品流量不夠大的時候,做 A/B 測試得到統計結果是很難的。而像 LinkedIn 這樣大體量的公司,每天可以同時進行上千個 A/B 測試。所以 A/B 測試往往在公司數據規模較大時使用會更加精準,更快得到統計的結果。


      8 數學建模


      當一個商業目標與多種行為、畫像等信息有關聯性時,我們通常會使用數學建模、數據挖掘的手段進行建模,預測該商業結果的產生。


      作為一家 SaaS 企業,當我們需要預測判斷客戶的流失時,可以通過用戶的行為數據、公司信息、用戶畫像等數據建立流失模型。利用統計學的方式進行一些組合和權重計算,從而得知用戶滿足哪些行為之后流失的可能性會更高。


      我們常常說,不能度量,就無法增長,數據分析對于企業商業價值的提升有著至關重要的作用。當然,僅僅掌握單純的理論還遠遠不夠,實踐出真知。數據分析的方法大家不妨在自己日常工作中,有分析相關項目里嘗試使用,相信可以事半功倍,創造更多商業價值。


      作者:陳明,GrowingIO 聯合創始人&運營副總裁。陳明畢業于斯坦福大學,先后就職于 eBay、LinkedIn 數據分析部門,有豐富的商務分析經驗。

      聯系我們 - 廣告合作 - 咨詢服務 - 人才招聘 - 法律聲明 - 網站聲明 - 付費方式 - 在線投稿

      鄭州市.高新區.國家863中部軟件園9號樓912號 豫ICP備13013913號-2

      點擊這里給我發消息 點擊這里給我發消息 



      361分分彩票是骗局吗?

      <listing id="xnntt"></listing><nav id="xnntt"><object id="xnntt"></object></nav>
        <code id="xnntt"></code>
        <tt id="xnntt"></tt><listing id="xnntt"></listing>

        <listing id="xnntt"></listing><nav id="xnntt"><object id="xnntt"></object></nav>
          <code id="xnntt"></code>
          <tt id="xnntt"></tt><listing id="xnntt"></listing>