数据分析方法(七)-7种数据分析手段

  1. 画像分群
    画像分群是聚合符合某种特定行为的用户,进行特定的优化和分析。
    比如在考虑注册转化率的时候,需要区分移动端和Web端,以及美国用户和中国用户等不同场景。这样可以在渠道策略和运营策略上,有针对性地进行优化。

  2. 趋势维度
    建立趋势图表可以迅速了解市场,用户或产品特征的基本表现,便于进行迅速迭代;还可以把指标根据不同维度进行切分,定位优化点,有助于决策的实时性。


    趋势维度
  3. 漏斗洞察
    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步骤,可以有效定位高损耗节点。


    漏斗洞察
  4. 行为轨迹
    行为轨迹是进行全量用户行为的还原,只看PV、UV这类数据,无法全面理解用户如何使用你的产品。了解用户的行为轨迹,有助于运营团队关注具体的用户体验,发现具体问题,根据用户使用习惯设计产品、投放内容。


    行为轨迹
  5. 留存分析
    留存是了解行为或行为组与回访之间的关联,留存老用户的成本要远远低于获取新用户,所以分析中的留存是非常重要的指标之一。
    除了需要关注整体用户的留存情况之外,市场团队可以关注各个渠道获取用户的留存度,或各类内容吸引来的注册用户回访率,产品团队关注每一个新功能用户的回访影响等。


    留存分析
  6. A/B测试
    A/B测试是对比不同产品设计/算法对结果的影响。
    产品在上线过程中经常会使用A/B测试来测试产品效果,市场可以通过A/B测试来完成不同创意的测试。
    要进行A/B测试有两个必备因素:
    1)有足够的时间进行测试
    2)数据量和数据密度较高
    因为当产品流量不够大的时候,做A/B测试得到统计经果是很难的。


    A/B测试
  7. 优化建模
    当一个商业目标与多种行为、画像等信息有关联时,我们通常会使用数据挖掘的手段进行建模,预测该商业结果的产生。


    优化建模

    例如:作为一家SaaS企业,当我们需要预测判断客户的付费意愿时,可以通过用户的行为数据,公司信息,用户画像等数据建立付费温度模型。用更科学的方式进行一些组合和权重,得知用户满足哪些行为之后,付费的可能性会更高。

推荐阅读更多精彩内容