互联网行业常用的数据指标和数据分析方法（一）

　　互联网行业常用的数据指标和数据分析方法（一）

　　上一篇文章简单介绍了互联网行业常用的数据分析指标。本次文章将系统地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.数据组合

　　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：购买数据=购买商品[商品数量=3][商品数量=100]

　　注册数据=注册[注册方式=网站][注册时间=20200326][...]

　　数据由事件触发，属性和参数构成对事件的完整描述。

　　2.数据采集的方式

　　第一种方式是埋点，这是数据采集最常用的方法。

　　数据埋点是在触发事件的地方设置一个数据采集点，在触发这个数据采集点的事件发生时采集数据。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。

　　第二种方法是无墓地。无埋点是指无代码埋点技术。

　　数据采集器可以使用data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，可以通过无埋工具将购买按钮设置为数据采集点。每次用户点击购买数据都可以进行数据采集。

　　埋点与无埋点对比：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、数量等数据。非埋藏方法只能采集简单的用户行为事件。例如，用户点击了多少次购买按钮但无法采集购买详情。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、数据索引

　　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

　　任何没有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

　　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；按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

　　双双：互联网行业那些事儿——互联网数据指标

　　

　　三、如何选择数据监控后台指标

　　面对这么多指标，我们应该选择哪些？

　　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.为什么有数据监控后台

　　将数据生产与市场反馈联系起来，根据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，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

　　您可以使用核心业务驱动因素来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->组合以获得完整的数据点列表。

　　闭环设计的核心是把握市场的反馈。因此，需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data 粒度。 采集Data 粒子太细，导致应用程序缓慢。因为数据平台的方向不明确，导致细节问题。可以夸张地说，图文信息产品的用户打开后，流量消耗和看视频是一样的。这肯定是用户流失率很高。数据统计点太少（粒子太大）会导致问题被发现但无法定位具体原因。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。那么我们就需要思考什么样的指标可以衡量这个核心业务的质量。

　　第 2 步：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：产品是否真的解决了用户的痛点？

　　渠道评价：渠道对新渠道的盘活能力，新渠道的成本用于判断渠道的优劣。

　　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。通过这种方法，我们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，为每个板块的用户定制不同的运营策略。

　　

　　漏斗分析法：漏斗分析法从头到尾分析用户关键路径各个环节的转化率。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：

　　用户自然属性：性别、年龄、职业、住址等；

　　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、开通次数、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，主要使用两个指标来分析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骤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 A-B-C 来完成一个过程。如果考虑步骤的顺序，那么用户是通过A-C-B来完成这个过程的，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。用户可以在本次登录时添加购物车，下次再提交订单。两个步骤之间有时间间隔。

　　根据不同业务，转换周期可设置为同一次登录、1天、7天等

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

　　路径分析：

　　路径分析是分析用户在一个过程中可能有的多个步骤的最终执行过程。分析用户通过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连续的操作步骤，一般路径分析的观察周期比较短，通常设置一个登录流程或者几个小时内。

　　

　　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。随后的留存分析与此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，例如次日留存率、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