数据分析

一、数据类型

互联网数据运营 根据运营的流程可以分为四大类,可以说无论是什么运营所要关注的数据都可以从这四个阶段思考。

1、拉新阶段:关注用户来源的类型:纯新用户(第一次注册)还是老用户(再注册);贴片广告的用户来源有多少,弹窗广告的用户来源有多少等等。

2、转化阶段:关注转化率:200个用户浏览了你的宣传页面,注册的有100人,这100人就是实现了转化,转化率为50%(=100/200);同样的除了注册转化率还有付费转化率等等。

3、活跃阶段:关注用户在产品内的活跃量,不同的产品表现形式不同。例如,贴吧:发帖量、回帖量等等;视频网站:点击量,观看量等等。

4、留存阶段:关注留存或流失的用户量。例如,第一天新增的用户有300人,300人中第二天还在活跃的有100人,第三天还在活跃的呢?第四天呢?一直类推。

用户运营只是运营的职能之一,贯穿在各种产品的运营中。用户运营所关注的数据指标,不同行业、不同平台等等都有不同的侧重点。

根据运营的平台来划分:

网站运营:

(1)流量方面需要关注:

PV(page view)访问页面产生的数据。 一个用户访问了5个页面,那么就产生了5个  PV。

UV(user view)某个特定页面的访客数。一个页面一个账号无论点进去几次,UV都是1,因为只有一个访客。

VV(visit view)针对于全站的访客数。一个账号进入一个网站,无论这个账号浏览了这个网站多少个网页,VV都是1 ,因为这个网站只有一个访客。

IP:针对于全站的网络IP数。你在家用电脑登录了这个网站,之后你表哥也用同一台电脑登陆了他的账号,访问了同一个网站,但这个时候IP还是只有1,因为你和表哥用的同一台电脑,网络的IP地址也是一个。

(2)访问方面需要关注:

跳出率:页面停留访客有300人,但是有150人不喜欢这个页面,选择离开,那么跳出率就是50%(=150/300)

二跳率:首页页面停留访客有300人,有150人觉得这个网站很喜欢,于是点击浏览下一个页面,那么二跳率就是50%(=150/300)。以此类推还有三跳率,四跳率等等。

转化率:转化到最终产品目的页面的比率。如果是电商的话,最终目的就是下单,那么就是新增用户和转化到下单页面的用户 的比率。以此类推,还有付费转率,注册转化率等等。

(3)活跃方面需要关注

DAU(daily active user)即 日活跃用户量。

MAU(monthly active user)即 月活跃用户量。

相关的,还可以有周活跃用户量、年活跃用户量等等。

(4)转化方面需要关注:(这里的转化,单指电商运营方面。与上文转化率做区分)

成单量:用户共成了多少单

付费金额:用户共付费多少元

客单价:付费金额/成单量=客单价。这里需要的是,每单平均多少钱的数据

付费率:走到付费这一步的转化率

APP运营

(1)新增:新增的设备数(按手机型号分);新注册的设备数(注册新用户。)

(2)活跃:活跃的设备数;活跃的用户数

(3)留存:

次日留存率:例如,第一天新增300人,第二天还登录的有150.那么次日的留存率就是50%(=150/300)。以此类推,还有三日留存率(第三日登录数/第一天新增数)……n日留存率等等。

TAD比如,7日TAD=第一天留存量+第二天仍在留存的数量……+第七天仍在留存的数量

用于计算七天内,一台设备活跃过几天。

(4)转化:这里也特指电商,同上文网站运营里的转化。

根据运营的行业来划分:

内容型行业:关注PV,UV,V V,帖子数,页面停留时间,分享数等等

社交类行业:关注发帖量,发言数,PV,UV,活跃占比等等

电商类行业:关注销售收入,成单量,客单价等等

游戏类行业:关注活跃用户量,付费率,收入,ARPU(每用户平均收入)等等

除了运营平台和运营行业两个划分角度外,还有很多划分角度,其中用户运营所要关注的数据指标都是有不同侧重的。

二、数据分析概论

1、先了解指标跟维度的概念

城市是维度,后面的列是指标,维度永远是站着的,指标是躺着的。维度就是那一列,指标是具体值。

维度:版本,渠道,地域,终端,操作系统,时间

基础指标:注册用户数,订单量,pv,新增用户,用户启动,uv(简单的数据)

复合指标:退出率,平均停留时长,留存率,支付转化率,跳出率,平均访问深度。(数据的简单叠加分析)

举例:页面或全站跳出率=跳出访问量/全部落地访问量。

跳出:投放h5活动页面,用户点进去然后什么都没做,又退出去了,这个就是跳出。


放一张经典营销表举例

direct:直接的流量/other:不好归类的其他/referral:其他合作渠道跳转的/organic search:seo搜索词/social:社交类流量的豆瓣/display:品牌广告

拿到表应该看什么?

一、趋势:趋势发现异常点,从而发现原因。

二、对比,跟上周,甚至是上个月的同一周,去年的同一时间段去做对比。帮助确定数据是不是存在问题。

三、细分

总结:数据分析并不仅仅是看数字,分析的过程更多的是从不同维度中分析指标的潜在含义。所有的指标都是有基础指标各种加减乘除算出来的,基础指标指导埋点,复合指标更具有指导意义

数据分析师应该看什么?

从趋势观察数据

从对比中发现问题

多维度细分找出问题原因

三、数据采集概述

1、数据采集是根基,需要做到以下四点:

完备性:有点公司只有业务数据,而没有用户行为

多维度:维度多了才能满足统计的需求

及时性:不能这周的h5下周才收集数据。

准确性:最好精准统计,分析结果才更精确。

互联网数据统计发展演变史

2、数据采集的主要对象

(1)前段操作:

可视化埋点,全埋点:某事,某刻某人提交了已给订单

毛病:采集数据非常有限。

全埋点:好多代码先把数据都采集起来,全埋点只要嵌入一段代码就可以非常快速的看到效果,比较容易实现。一般采集两种,一种是pv,还有一种是点击交互。

两者都有的毛病是不能提供多维度的丰富数据

代码埋点:订单金额,商品名称,用户级别

自定义的采集属性等。

(2)后端日志

代码埋点:商品库存,商品成本

导入工具:用户风险级别

重要的数据尽量还是后端去采集。更准确,完整,灵活度更高

(3)业务数据

导入工具:进,销,存订单配送状态,售后服务信息。

做正确的事,而不是容易的事

全:多端采集,全量而非抽样

细:尽可能采集足够全面的属性和维度

准:准确的业务数据

针对不同业务需求选择不同的数据采集方案。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,817评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,329评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,354评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,498评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,600评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,829评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,979评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,722评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,189评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,519评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,654评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,329评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,940评论 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,762评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,993评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,382评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,543评论 2 349

推荐阅读更多精彩内容