网站分析常用的指标之内容指标(互联网行业常用的数据分析指标和数据分析方法系统)

　　网站分析常用的指标之内容指标(互联网行业常用的数据分析指标和数据分析方法系统)

　　上一篇文章简单介绍了互联网行业常用的数据分析指标。本次文章将系统介绍数据后端的数据指标和数据分析方法。

　　一、数据和数据采集

　　1. 数据结构

　　一条数据由三个元素组成：事件、属性和参数。数据=事件[属性=参数][属性=参数]...

　　例如：采购数据=采购商品[商品数量=3][商品数量=100]

　　注册资料=注册[注册方式=网站][注册时间=20200326][...]

　　数据由事件触发，属性和参数构成了对事件的完整描述。

　　2.访问数据采集

　　第一种方式是埋点，这是数据采集最常用的方法。

　　数据埋点是在事件触发的地方设置一个数据采集点，在触发该数据采集点的事件发生时进行数据采集。例如，如果您需要采集注册用户的数据，您可以在注册用户的代码中埋一个数据采集点。每次用户注册时都会进行数据采集。

　　第二种方法是无埋点，这是一种不需要代码埋点的技术。

　　数据采集​​者可以使用数据采集工具设置需要采集的数据点。比如需要采集用户点击购买按钮的次数，可以通过非埋藏工具将购买按钮设置为一个数据点。用户每点击一次购买数据，就可以进行一次数据采集。

　　埋点与非埋点对比：代码埋点可以采集详细的数据信息。例如，用户购买事件的具体行为数据包括购买商品的数量、金额等数据。非埋藏方法只能采集简单的用户行为事件。比如用户点击了多少次购买按钮却无法采集购买详情。每次需要采集数据时，都需要修改代码重新发布代码，对于临时数据采集需求来说不是很方便。无需修改代码，设置采集点即可采集数据。

　　第三种方法是从数据库和日志中获取。

　　二、数据指标

　　1. 数据分类

　　结果数据：如何描述产品？比如销售率、转化率、点击率

　　工艺数据：用于了解产品状态的原因。解决为什么会这样？如：浏览量、跳出率等。

　　相对数据：百分比，如留存率、转化率等。

　　绝对数据：反映规模的大小，如销量、用户量等。

　　2.指标维度

　　任何不添加维度的数据都是流氓。例如，当我们经常听到一个产品拥有数亿用户时，我们需要问以下问题：目前使用的用户数量是多少？每天新增多少用户？什么是用户流失率？等待

　　时间维度：通过纵向比较不同时间，可以得到数据随时间变化的趋势。

　　用户属性：用户按注册时间可分为新用户和老用户；按地区分为一线用户、二线用户等；按用途分为用户或卖家；根据活跃度分为活跃用户和非活跃用户。

　　终端类型：PC终端、用户终端；网页、APP、Wap；用户小程序，百度轻应用。

　　等待

　　3.常用指标

　　可以参考前面的文章

　　三、如何选择数据监控后台指标

　　给大家这么多指标，我们应该选择哪些呢？

　　以核心业务为驱动是快速构建数据监控指标体系的必由之路。

　　1.为什么会有数据监控后台

　　将数据生产与市场反馈联系起来，按照市场需求方向进行迭代改进。通过数据后台，无需做大量的用户访谈和调查，就可以直接、真实地看到用户的行为：产品的哪些部分最终被使用。

　　2.两步设计平台

　　第一步：核心数据指标的选择

　　核心业务驱动可以帮助定义数据指标的范围：通用指标->准确识别核心业务->确定核心业务数据指标->组合得到完整的数据点列表。

　　闭环设计的核心是把握市场反馈，所以要准确选择反映问题的数据指标，称之为元数据。

　　特别注意采集 数据粒度。采集 数据粒度太小，会导致应用变慢。因为数据平台的方向不明确，导致细节问题。可以夸张地说，用户打开图文信息产品后，流量消耗和观看视频一样，所以用户流失率肯定很高。数据统计点太少（颗粒太大）会导致问题被发现但无法定位到具体原因。如何准确把握粒度：首先问一个问题，我们关心的核心业务是什么？对于不同的产品迭代，一开始应该有一个核心业务，就是你想让用户用这个产品做什么。

　　步骤 2：定义辅助指标

　　以下是一些行业中常见的指标：

　　每日、每周和每月活动：产品生命周期

　　留存率：产品真的解决了用户的痛点吗？

　　渠道评价：渠道的拉新能力，用成本来判断渠道的好坏。

　　新用户：调整产品的外曝光。

　　基本用户画像：用户包括什么样的社交群体，是高净值客户还是普通客户

　　用户行为习惯：用户如何使用产品，用户使用最频繁的时间段，周期是多少

　　四、数据分析方法

　　1.分析思维

　　对比思维：

　　分类思维、平均思维等。

　　2.基本方法

　　杜邦分析法：杜邦分析法是将核心数据逐层拆分，将一个数据拆分成多个分量。这种方法可以找到影响数据的相关因素。

　　

　　矩阵分析法：通过核心指标将数据划分为多个矩阵区间，然后对每个区间的数据进行分析，避免大范围综合分析。RMF 模型是矩阵分析的一个重要应用。根据上次访问、消费频次、消费金额三个维度，将客户划分为8个范围，包括重要的开发客户和重要的价值客户。然后根据用户的特点，为每个版块的用户定制不同的操作策略。

　　

　　漏斗分析法：漏斗分析是一种分析用户关键路径各环节自始至终转化率的方法。可以直观的看到每个环节的用户流失或转化情况，然后有针对性地进行优化。

　　

　　3.数据分析

　　用户分析：

　　用户分析也叫用户属性分析，根据用户的属性来分析用户的构成。用户分析有助于了解用户构成。

　　常见的用户属性有：

　　用户的自然属性：性别、年龄、职业、地址等；

　　用户状态属性：新用户、活跃用户、流失用户、回访用户等；

　　用户终端属性：Android、iPhone、iPad、软件版本等；

　　用户行为属性：注册时间、打开次数、消费金额、发布内容等。

　　事件分析：

　　所谓事件，就是用户在产品中的一个操作或行为。如登录、浏览页面、点击元素等。事件分析就是分析用户在产品中的操作和行为。在事件分析中，分析主要基于两个指标：事件的发生次数和执行事件的用户数。

　　漏斗分析：漏斗分析主要用于分析多步过程中每一步的转化或损失。用于衡量转化效果和进行转化分析。步骤的顺序是指步骤的上下文，您可以根据具体问题选择是否考虑步骤的顺序。假设用户需要三个步骤 ABC 来完成一个过程。如果考虑步骤的顺序，那么用户通过ACB来完成这个过程，不算是一个转换过程。如果不考虑步骤顺序，则将视为成功转换。转化周期是指用户完成一次转化所需的时间。我们知道用户通常不会连续完成整个过程。用户可以在此登录期间添加购物车，然后下次提交订单。两个步骤之间有一个时间间隔。

　　根据业务不同，转换周期可以设置为同一次登录、1天、7天等。

　　The length of the conversion cycle setting directly affects the calculation of the conversion rate and needs to be appropriately selected according to the specific business.

　　路径分析：

　　路径分析是在一个流程中可能存在的多个步骤中，分析用户最终的执行流程。分析用户采取哪些步骤最终到达目标事件。

　　在分析过程中，首先选取若干关键步骤进行统计，然后分析用户执行每个步骤的顺序。达到目标的用户可能有很多，可以通过图表直观的列出。

　　路径分析过滤掉没有达到目标的用户，即用户分析分析的对象是完成了目标事件的用户。路径分析还需要考虑观察周期的问题。由于路径观察是用户的连续操作步骤，一般路径分析的观察周期比较短，通常设置一个登录程序或在几个小时内。

　　

　　留存分析：

　　初始事件和后续事件

　　触发初始事件的用户可以作为被观察的初始用户，发起后续事件的用户可以作为留存用户。在每天分析用户留存情况时，您可以将注册视为初始事件，将后续登录行为视为后续事件。如果初始事件为第一次签到，后续事件为后续签到，则可以计算签到留存率；如果初始事件是内容发布完成，后续事件是登录行为，则可以分析发布内容对留存率的影响。

　　开始时间和时间间隔

　　开始时间是选择用户数的时间，后续的留存分析与这个开始时间的用户数进行比较。间隔时间是观察保留情况和开始时间之间的间隔。间隔时间后执行后续事件的用户为存活用户。

　　统计粒度

　　通常我们以天为统计单位，比如次日留存率、三天留存率、30天留存率。但是，统计的粒度因产品形态而异，也可以以周、月等为单位。

　　热图分析：

　　通过将用户在页面上的操作绘制成热图，可以看到用户在页面上停留的位置或者更频繁的操作。然后观察热度图，用户停留或操作的地方是否是我们所期望的。在移动端，主要分析用户点击次数、页面停留时间、页面滚动等；在PC端，还可以分析鼠标的滑动轨迹和停留时间。

　　参考资料：

　　链接：产品必须懂一些数据分析（四）-分析方法