推广产品网站建设,wordpress注册文件下载,wordpress 主机销售,人才网站建设方案常见的9种大数据分析模型分别为#xff1a; 事件分析、 属性分析、 渠道分析、 Session分析、 留存分析、 归因分析、 漏斗分析、 路径分析、 分布分析
1、【事件分析】 事件分析#xff0c;是指用户在 APP、网站等应用上发生的行为#xff0c;即何人#xff0c;何时…常见的9种大数据分析模型分别为 事件分析、 属性分析、 渠道分析、 Session分析、 留存分析、 归因分析、 漏斗分析、 路径分析、 分布分析
1、【事件分析】 事件分析是指用户在 APP、网站等应用上发生的行为即何人何时何地通过何种方式做了什么事。 事件分析模型主要用于分析用户在应用上的行为比如打开 APP、注册、登录、支付订单等。通过触发用户数、触发次数、访问时长等基础指标度量用户行为同时也支持指标运算构建复杂的指标衡量业务过程。 那么事件分析模型能够解决哪些问题呢 例如 监测产品每天的用户数、访问次数、使用时长趋势是否发生了变化 引起变化的因素有哪些 北京地区的用户和上海地区的用户购买家电品类的金额分布差异在哪里 今天在产品中发起了一个话题各个时段用户的参与情况如何 最近半年付费用户数和 ARPU 值是多少
事件分析模型能够实时监测用户在不同平台的用户行为通过不同维度归因指标变化因素还能通过自定义指标组合成新的指标实现更为强大的分析能力。 2、【属性分析】 属性分析是基于用户自定义属性或预置属性的占比分析能够按照不同的属性来统计用户数等指标的属性占比进而得到初步的分析结论。例如通过对性别属性的用户数占比分析我们可以快速得到不同性别的用户数统计结果。
通过属性分析可以快速查看在不同属性上的用户数分布情况便于统计不同特征的用户总量在使用属性分析的过程中需要合理选择度量方式常用的度量方式包括用户数、去重数、总和、最大值、最小值、均值等。
例如我们选择的指标为“累计消费金额的均值”维度为“会员等级”用户选择“所有用户”那么我们得到的结果是“所有不同会员等级用户的平均消费金额是多少”。
属性分析模型同事件分析模型类似可以进行多维度多用户之间的对比、多种图表形式展示统计结果。在有标签功能的场景下还可以对不同版本标签的统计对比分析。 3、【渠道分析】
渠道即企业产品与用户产生互动的各个触点比如搜索引擎、社交媒体、广告平台、线下站会等等。
渠道分析模型用于分析用户包括访客的访问来源通过访问用户数、访问次数、访问时长、跳出率等基础指标评估渠道质量同时也支持自定义转化目标衡量渠道的转化效果。
那么渠道分析能够解决哪些问题呢 例如 各个渠道实时的访问用户数、浏览量如何 上周选择了多个渠道对网站进行推广各个渠道带来的用户注册量如何 社交媒体、搜索引擎、外部链接……哪个渠道带来的用户留存率更高 微信来源用户更多集中在公众号还是朋友圈 哪些搜索词带来的流量很大且转化效果也好
渠道分析模型通过定义基础指标和转化指标、选择分析平台、渠道维度就能够清晰地呈现各渠道表现从而评估不同渠道的实际产出效果最终选择优质渠道组合提高整体ROI。 4、【Session分析】 Session即会话是指在指定的时间段内在网站/H5/小程序/APP上发生的一系列用户行为的集合。 例如一次会话可以包含多个页面浏览、交互事件等。Session 是具备时间属性的根据不同的切割规则可以生成不同长度的 Session。
Session分析模型含多种度量 Session 访问质量的指标包括访问次数、人均访问次数、总访问时长、单次访问时长、单次访问深度、跳出次数、跳出率、退出次数、退出率、人均访问时长、总页面停留时长、平均页面停留时长。 不同于事件分析Session 分析中额外支持了一些维度的细分以满足特定场景下针对 Session 分析的需求包括
渠道来源分组用以区分每次访问的渠道来源仅适用于 Web/H5/小程序 浏览页面数以步长5为间隔统计每次浏览页面数的分布情况 着陆页用以区分每次访问的着陆页可以评价不同着陆页的访问质量 退出页用以区分每次访问的退出页可以评价不同页面的退出情况找到退出率高的页面进行优化 访问时长按照 0-3 secs3-10 secs10-30 secs30-60 secs1-3 mins3-10 mins10-30 mins30-60 mins1 hour 以上的区间进行划分统计每次访问的时长分布。
同事件分析类似Session 分析也支持多指标、多维度和多过滤条件同时也支持多用户分群之间的横向对比。同时在 Session 分析中还支持按照日、周、月三种不同粒度来进行统计分析用户可以根据查询数据的时间跨度来选择合适的粒度进行分析。
5、【留存分析 】 留存分析 留存是指用户在 APP、网站等应用上使用过并一段时间后仍有使用。
留存分析模型是一种衡量用户健康度/参与度的方法超越下载量、DAU 等指标深入了解用户的留存和流失状况发现影响产品可持续增长的关键因素指导市场决策、产品改进、提升用户价值等。
那么留存分析模型能够解决哪些问题呢 例如 上个月做了一次产品迭代如何评估其效果 是否完成了产品经理期望完成的行为 作为一个社交 APP在注册后不添加好友和添加 10 个好友的用户后续留存有差异吗 短期留存低长期留存一定很差吗 两个推广渠道带来不同的用户哪个渠道的用户更有可能是的高价值用户 近 30 天注册的用户半个月都没有回访的用户比例是多少
留存分析模型支持条件过滤和多人群的对比分析支持对全量数据随机抽样计算。同时我们还可以通过留存分析判断新用户在几天、几周、几月后是否愿意回来使用你的功能还可自定义初始行为和结束行为进行功能留存分析。 留存是基于某个用户群体的初始行为时间来计算的描述发生了某个行为的同期群在一段时间后是否发生了期望的行为。初始行为和后续行为均可以是任意事件或者某个具体的事件。
不同的分析场景中可以设置多个不同的留存条件来分析 初始行为和后续行为设置为相同对比不同的功能重复发生的情况发现用户对不同功能的使用粘性 初始行为相同设置不同的后续行为对比同一个优化是否对其他功能有不同的影响 后续行为相同设置不同的初始行为对比发现不同的运营手段、产品功能对核心业务目标的影响。
6、【归因分析】 归因分析 在做运营活动时我们可能会在产品内的多个运营位上投放活动素材试图在用户与产品交互过程中的各个触点上吸引用户的注意力引导流量走向和用户行为促成最终转化。此外用户本身可能还会通过搜索、内容推荐等触点获取信息这些触点对用户是否能达成转化也发挥着重要作用。 也就是说在用户转化路径上站内的众多触点都参与了对用户的劝说和引导影响了用户的最终决策。那么对比各个用户触点它们对关键指标的达成分别贡献了多大力量是否都如运营人员所预期的那样具有优秀的转化能力亦或者存在被低估的情况在之后的运营中该如何调整对各运营位资源投入的权重分配
对于以上问题归因分析提供了一种直观的度量 —— 转化贡献度主要用于衡量和评估站内的用户触点对总体转化目标达成如订单总金额所作出的贡献可以非常直接地量化每个运营位和触点的转化效果和价值贡献。常见的归因分析模型有以下五种 首次触点归因 将转化功劳 100% 归于首次互动的待归因事件 末次触点归因将转化功劳 100% 归于末次互动的待归因事件 线性归因将转化功劳平均分配给转化路径上的所有待归因事件 位置归因按待归因事件在转化路径上的位置分配转化功劳一般首次和末次互动的事件各占 40%中间触点的事件均分剩余的 20% 时间衰减归因按待归因事件发生的时间顺序分配转化功劳距离目标事件发生时间越近的待归因事件做出的贡献越大分配到的功劳越多。
7、【路径分析】 路径分析 路径是指用户在应用中使用的行为轨迹。在产品运营过程中无论是产品、运营还是市场团队都希望能够清晰地了解用户行为路径来验证运营思路、指导产品迭代优化达到用户增长、转化的最终目的。
当有明确的转化路径时通过预先建立漏斗来监测转化率会比较容易。但是很多情况下虽然有最终的转化目标但是用户到达该目标却有多条路径无法确定哪条路径是用户走得最多的路径哪条转化路径最短这时候就需要智能路径分析模型的帮助。 通过智能路径分析模型能够解决如下问题
用户主要是从哪条路径最终形成支付转化的 用户离开预想的路径后实际走向是什么 不同特征的用户行为路径有什么差异
8、【漏斗分析】 漏斗分析是分析用户使用某项业务时经过一系列步骤转化效果的方法。漏斗分析模型能够灵活自定义多步骤之间的转化过程找到关键流失环节及影响因素进而分析用户行为进行针对性优化动作。 官网流量很大但注册用户很少是过程中哪个环节出了问题 用户从“注册 – 绑卡 - 提交订单 - 支付订单” 总体转化率如何 不同地区的用户支付转化率有什么差异 两个推广渠道带来了不同的用户哪个渠道的注册转化率高 上周针对注册环节的问题做了一次优化转化率趋势是否有提升
在理想情况下用户会沿着产品设计的路径到达最终目标事件但实际情况是用户行为路径是多种多样的。通过埋点事件配置关键业务路径可以分析多种业务场景下转化和流失的情况我们不仅找出产品潜在问题的位置还可以定位每个环节流失用户进而定向营销促转化。
9、【分布分析】 分布分析主要能够提供「维度指标化」之后的数据分解能力将原有维度按照一定的数值区间进行维度划分进而分析每个维度区间的分布情况在以下分析场景中十分常见分析订单的金额分布、分析某类特殊事件的发生时段分布、分析某类特殊事件的发生次数分布、分析触发某类事件的用户年龄分布。 由此可见分布分析主要针对的是数值型和日期型这两类属性如金额、年龄、时间、频次因此当用户打点上传的数据中包括这两类属性时那么在日常的分析中就有可能会使用分布分析来解决一些特定问题。常用指标有X 事件的次数分布、X 事件的活跃时段分布、X 事件的活跃天数分布、X 事件 Y 属性的总和/均值/人均值等分布。
