营销人需要掌握的数据分析常识

分享

168_副本.jpg


如何把工作中产生的问题,与我们的数据工具和可以拿得到的数据建立对应关系。观测数据看见趋势异常下,挖掘数据背后的意义。基于数据分析的基础的思考,最后才可以形成对营销业务的洞察。



先来看一看常见的一些数据指标们

1. DAU:Daily Active User 日活跃用户量。统计一日(统计日)之内,登陆或使用了某个产品的用户数(去重)

2. WAU:Weekly Active Users 周活跃用户量。统计一周(统计日)之内,登陆或使用了某个产品的用户数(去重)

3. MAU:Monthly Active User 月活跃用户量。统计一月(统计日)之内,登陆或使用了某个产品的用户数(去重)

4. DNU:Day New User 日新增用户,表示当天的新增用户

5. DOU:Day Old User 日老用户。当天登陆的老用户,非新增用户

6. ACU:Average Concurrent Users 平均同时在线人数

7. PCU:Peak Concurrent Users 最高同时在线人数

8. UV:Unique Visitor 唯一访问量,即页面被多少人访问过

9. PV:Page View 页面浏览量,即页面被多少人看过

10. ARPU:Average Revenue Per User 平均每个活跃用户收益。



一、数据指标分类


大致的,我认为可以将数据指标分为三大类:综合性指标、流程性指标、业务性指标。


1. 综合性指标

综合性指标是能体现产品目前综合情况的指标。

在非交易网站,比如社交网站,数据指标的用途偏向于了解产品的用户增长或减少等情况。综合性指标通常有:DAU、留存数、留存率、人均使用时长、PV、UV等。

对于交易系型网站,那么平台关注的综合性指标通常是:GMV、支付UV、人均订单数、人均客单价等。


2. 流程性指标

流程性指标是指与用户操作行为相关的指标。

点击率:有PV点击率和UV点击率,一般使用PV点击率。

转换率:下一步操作用户数/上一步操作用户数

流失率:(上一步用户数-下一步用户数)/上一步用户数

完成率:完成率相对于转化率而言,是最终的结果数值。转化率是过程值,完成率是结果值。


3. 业务性指标

业务性指标是跟产品业务相关的指标。例如视频网站,则可能需要的业务指标有:视频播放数、人均观看时长、人均播放数、播放率等。



二、数据分析与设计方法


数据分析和设计的方法有:事件分析、留存分析、漏斗分析、分步分析、对比分析和多维度拆解。

1. 事件分析

事件是追踪或记录的用户行为或业务过程。事件是通过埋点记录,通过SDK上传的用户行为或业务过程记录。例如,一个视频内容产品可能包含的事件:①播放视频;②暂停;③继续播放;④分享;⑤评论。

一个事件可能包含多个事件属性,例如,“播放视频”事件下可能包含的属性:①来源;②是否自动播放;③播放形态。


2. 留存分析

留存率是验证用户粘性的关键指标,设计师和产品经理通常可以利用留存率与竞品对标,衡量用户的粘性和忠诚度。通常重点关注次日、3日、7日、30日即可,并观察留存率的衰减程度。留存率跟应用的类型也有很大关系。通常来说,工具类应用的首月留存率可能普遍比游戏类的首月留存率要高。


3. 漏斗分析

漏斗分析就是转化率分析,是通过计算目标流程中的起点,到最后完成目标节点的用户量与留存率,流量漏斗模型在产品中的经典运用是AARRR模型。

衡量每一节点的转换率,通过异常数据(转换率过低)找出异常节点,进而确定各个环节的流失率,分析用户怎么流失、为什么流失、在哪里流失。根据数据改进产品,最终提升整体转化率。


4. 用户分群分析

用户在某个特定条件下的用户分组或占比。例如:注册7天内下单的用户组、参与过A活动的用户等。


5. 对比分析

将不同时段的数据进行对比,找出差值,进行产品优化或验证设计。

自身产品对比:对比产品不同模块相似场景的数据,找出问题点。

行业产品对比:与同行业产品进行对比,找出优劣势,并持续优化。


6. 多维度拆解

用不同的维度视角拆分分析同一类数据指标。例如按照不同的省市地区分析、不同的用户人群、不用的设备等。通过不同维度拆解,找到数据背后的真相。


与总监快速交流