网站分析常用的指标之内容指标(店铺新客购买数量=渠道A转化购买购买成本)

　　网站分析常用的指标之内容指标(店铺新客购买数量=渠道A转化购买购买成本)

　　店铺新顾客进货数量=渠道A转化的新顾客进货数量+渠道B转化的新顾客进货数量+渠道C转化的新顾客进货数量+……

　　本次拆分的目的是找出不同渠道用户的后续转化特征，从而找到高购买力用户的来源渠道。

　　第五层：计算渠道推广的回报：

　　渠道促销回报的计算方法是渠道A新客户的销售额-促销成本。

　　从日常销售的拆解到最后一步，拆解渠道推广效果分析。这是新店客户的拆解。同样，老店客户或复购客户也可以拆。例如，回购用户可以拆解回购周期、回购次数、累计回购次数等因素，给予回购用户特殊的购买渠道或绑定购买政策，如年卡等。

　　公式反汇编法是对问题进行分层分析。拆装前，不能盲目拆装。需要有目的地找方向，才能找出原因。例如，在上述案例的拆解过程中，拆解方向可以分为两种，一种是对高绩效指标进行拆解，找出销量增加的原因，另一种是对高绩效指标进行拆解，性能指标较差。找出销售额下降的原因。

　　三、比较分析1.什么是比较分析

　　

　　上图是一个常见的直方图，直方图的作用是直观的比较各种数据之间的差异。

　　以上柱状图是9月份各渠道获客统计对比分析图，对比各渠道的下载量、访问量、注册量。

　　比较点1：比较是基于相同的标准尺寸。

　　在这张图中，第一个要注意的比较点是每个数据的比较应该基于相同的维度。这张图是9月份渠道推广效果对比统计。九月是第一个比较标准，也就是时间维度。

　　在时间维度上，后续的对比结果都是基于这个标准生成的，即9月份时间范围内的数据对比无法与本图表中的数据与10月份的数据进行对比。当然，除了时间维度，还可以使用空间维度，比如通道A从1月到12月的月度数据对比。无论使用什么维度，都应该以一个大的标准进行比较。

　　对比点2：分解出相关影响因素。

　　在时间的大维度下，我们将每个渠道的获客效果进行了拆分，即获客效果测量分为访问量、下载量和注册量。将这三个维度的数据作为判断渠道获客的标准，从对比中找出各个渠道的优缺点。

　　比如从这张图可以看出，A频道的流量最高，B频道的下载量最高，A频道的注册量最高。那么这个比较结果说明了什么？我们可以看到A频道从访问到下载的损失比较严重，B频道从下载到注册的损失比较严重，而C频道的访问量和下载量比其他频道少，频道的注册量C 更严重。与A频道没有太大区别。

　　也就是说，我们可以提出一个假设，渠道C的获客效果更好。为了证实这一假设，我们可以在影响因素中加入渠道投资成本维度。如果说A频道访问量高是因为成本高，C频道访问量低是因为成本低，所以这个假设基本可以成立。

　　比较点3：每次数据比较都需要建立数据标准。

　　在这张照片中可以看到一个奇怪的现象。B频道的下载量高于流量。为什么是这样？

　　我们在这个图表中添加了一个中间标准数据，并对每个数据进行了标准转换。假设访问量真实数据为10000，标准数据为1，下载量真实数据为1000，标准数据为1，注册量真实数据为100，标准数据为1.

　　标准数据转换后，当我们把每一个数据放在一张图表上时，对比上的差异会更加明显。

　　比较分析方法的维度可以分为同比、环比、定基比率等不同的比较方法：比较分析是根据实际情况，找出其他影响因素造成的数据差异。相同的数据标准，对比分析的目的是找出差异 进一步挖掘差异背后的原因后，我们可以找到优化的方法。

　　四、可行域分析1.什么是可行域分析

　　

　　左上图是福格模型的图片。福格哥将影响用户行为动机的因素分为三个因素。

　　m是行动的动机，a是行动的能力，t是触发行动的条件。一个简单的理解就是，公众只有感兴趣并有能力满足的，才会产生下一步的行动。

　　比如新iPhone售价1万元，大部分人都买得起。这赋予了行动的能力，而行动的动力取决于新iPhone的创新能力。当史蒂夫乔布斯从他的文件袋里拿出 iPad 时，将大家的积极性调动到了最高点，但代价却限制了一些人为行动买单的能力。

　　动机越高，支付能力越低，形成的有效触发区域越广。Fogg模型的触发有效区域称为可行区域。

　　2. 可行域分析的应用

　　

　　看右上图是促销理念的象限分析。横轴代表点击量从低到高，纵轴代表转化率从低到高。

　　点击率代表营销理念的有效性，转化率代表推广渠道的精准度。在这张图表上，我们将其分为4个象限，而且在高点击和高转化的象限中，也有具体的数据。不同之处。诸葛io——关注用户行为分析首先我们看到2条红色曲线，在高点击高转化区域我们画了一条红色曲线，曲线的上部是“高可行区”，曲线的下部是低可行域域；而在低转化低点击象限中，我们也画了一条曲线，这条红色曲线下方是最不可行域。

　　这意味着什么？

　　其实就是对点击率和转化率进行了细致的分层。点击率和转化率是每个推广思路的数据表示，绘制一个可行域是营销活动的分类。

　　那么这条曲线应该画在什么样的数据标签上呢？

　　这需要在实际的分析工作中进行总结，也就是说，可行域分析其实就是自己建立的数据分析模型，根据具体数据不断修正和调整可行域的范围，业务指标可以得到有效评价。

　　除了两条红色曲线外，还有两条蓝色曲线，一条是通道可行区域，一条是创意可行区域。这两条曲线是对渠道有效性和创意有效性的评价，以及符合相应区域条件的事件。这可以用作有效的活动体验，以支持后续的运营增长。

　　五、二十八分析

　　根据经济规律，80%的财富掌握在20%的人手中，而在运营中可以发现，80%的贡献来自20%的用户。

　　

　　这张图反映了两条规律，即28法则和长尾理论。在数据分析中，建议将这两种理论结合使用。

　　但实际上，28法则和长尾理论是相对的。28法则告诉我们要关注头部用户，也就是能产生80%收益的20%用户或产品，而长尾理论告诉我们要关注长尾效应，即也就是，剩下的20%的回报。

　　1. 28法则在数据分析中的应用

　　在数据分析中，28法则和长尾理论应用于用户分析和业务分析两个方面：

　　（1）20%的顶级用户：他们为什么这么好

　　在用户分析方面，通过28规则建立用户组，将所有用户依次划分为实验组，分析实验组用户的个体特征。只有一个目的，他们都是用户。你为什么这么好？

　　在数据分析中，个体分析与群体特征分析同样重要。但是，我们不可能对数以万计的用户进行个体分析。可以通过分析头部用户的个体行为来建立群体样本。

　　在运营数据分析中，20%的用户可以找到核心指标：

　　换句话说，如果您想改进任何指标，请找到在该指标上表现良好的用户。那么如果 20% 的用户也很多呢？数据间隔可以主动设置。

　　比如我们想增加用户的访问时间，可以分析头部用户的访问内容和路径，找出原因。20%头部用户的访问时间在10分钟到30分钟之间，那么我们可以使用头部用户的访问时间。接入市场分为10分钟、15分钟、20分钟、25分钟、30分钟，获取不同的用户群，从这个用户群中找到对应的20%的用户进行特征分析。

　　这里需要注意的是，同组20%用户的特征提升只对同组剩余80%的用户有效。例如，在访问时间为 10-15 分钟的用户中，前 20% 用户的行为特征会影响其余 80% 的用户。对每天5分钟的用户有效，但对每天访问5分钟的用户效果不是很好。

　　（2）20%头部业务：带头意识

　　商业分析的目的是找出热门内容的特征。

　　例如，对信息产品中阅读量头文章的分析，一方面分析文章的特点，另一方面分析阅读用户。

　　爆款文章或产品背后代表了大部分用户利益的满足，充分激发了用户的行为动机。在用户分析中，我们需要进一步找到这些用户日常阅读的头部内容，进行特征扩展分析。

　　六、假设分析1.什么是假设分析

　　举个栗子：

　　“小明和他妈妈买了10本书，正好花了100块钱。这本书的单价是8元和13元，那你8元和13元各买了多少本书？

　　问题解决思路：

　　首先假设这10本书都是8元买的，那么10本加起来就是80元，所以多出了20元，是不是错了？不，很明显，额外的20是一本13元的书的额外费用。13元书比8元书多5元，20元可以买4本，所以可以得出13元有4本书，那么8元书有多少？

　　是的，6 份。

　　在这个六年级数学问题中使用了假设方法。假设所有书籍都是8元，那么在数据分析中，假设方法是什么？简单理解，假设法是一种数据分析方法，它假设已知结果数据和影响结果的多个变量对过程进行定量和逆向推导。

　　2.假设法在运筹分析中的应用

　　运营分析中的假设方法有两种最常见的场景：

　　情景1：找出已知结果的原因并对过程变量做出假设。

　　例如：11 月内容社区的帖子数量与 10 月相比下降了 20%。如何分析产生这个结果的原因？

　　面对这样一个无厘头的问题，该如何分析呢？结果是发帖数下降了20%，那么影响发帖数的因素有哪些呢？

　　我们可以根据用户层级来拆分发帖数，比如老用户发帖数和新用户发帖数，也可以根据具体发帖数进行拆分，比如发帖次数多的用户超过 5 个帖子，以及已发布 3-5 个帖子的用户。，发过1-3个帖子的用户，拆分后，对比11月和10月同维度的数据，找出变量。

　　比如拆解后发现，发1-3篇文章的用户数比10月份减少了40%，而其他文章的用户数仍然高于10月份，所以问题出在发布 1-3 篇文章的用户。

　　那么为什么发表 1-3 篇文章的用户减少了呢？我们可以做出两个假设：

　　那么，针对这两个假设，有必要对10月份发表1-3篇文章的用户和11月份发表3-5篇文章和5篇以上文章的用户进行跟踪分析。保留与活跃。

　　场景 2：了解目标寻找过程并对结果做出假设。

　　例如：12月销售KPI为1000万，比11月增长20%。如何制定销售计划？

　　这是制定工作计划时最常见的要求。以12月需要达到1000万的销售KPI为例，对销售KPI的相关影响因素进行划分，还有两个拆解维度：

　　(1）从商品角度拆分

　　要实现1000万的销售额，有各种假设。例如，如果现有产品的销售额与 11 月份相同，而新产品的销售额达到 200 万，那么为了实现这个假设，做能够支持 200 万销售额的事情。流程计划，如促销渠道预算、仓储物流、人力分配等规划；您还可以对几种产品的销售增长做出假设；

　　（2）从人群角度拆分

　　实现销售额1000万，一方面挖掘老客户的购买力，另一方面增加新客户的来源渠道。假设老用户回购销售500万，则为老用户设计营销活动。

　　假设分析法是实际应用中常用的数据分析思想之一。数据分析的过程是不断提出和验证假设的过程。通常我们遇到不知道从何下手的数据分析，可以使用假设法来破局。.

　　七、队列分析

　　简单来说，将用户划分为群组后，比较不同群组中用户的相同指标，称为群组分析。

　　1. 队列分析的作用

　　例如：9月新增10万，10月新增15万，但9月30日留存用户为1万，30日留存用户为新增用户10月份也是10000人，哪个月份的经营业绩比较好？

　　通过同期群分析可以发现，9月和10月新用户的留存率是一样的，所以9月的留存率更高。从用户质量来看，9月份的经营业绩较好。从有效用户的角度来看，考虑到2个月的经营业绩是一样的，从新用户的角度来看，10月份的经营业绩比较好。

　　队列分析的目的是通过现象发现结果，建立基于时间维度的队列。除了考虑时间维度，还可以根据来源渠道等维度建立群组。

　　以上就是比较常见的七种数据分析方法，只是一些基本的介绍概念，希望对大家有所帮助。

　　至于如何在实际工作中使用它，是一件非常复杂和困难的事情。你需要将这些方法适应自己的业务，甚至根据实际业务进行一些修改，这需要大量的实践和思考。

　　我国的互联网时代刚刚完成了野蛮生长的阶段。流量的获取大家都已经了解和应用了，但是在互联网时代的后半段，对数据的了解和应用将成为制胜的关键。