十五天数据分析-笔记

一、数据分析的作用：

1、通过观察数据知道当前发生了什么

2、通过具体的数据拆解，理解为什么发生

3、预测未来会发生什么

4、支撑商业决策

二、数据分析的应用场景：

运营：活动运营、内容运营、商品运营、用户运营（用户分类、用户生命周期）

产品：产品功能、产品体检、产品调研、用户需求调研

市场：商务合作效果、渠道推广效果、投入产出比

三、数据收集：

数据埋点：如uv/pv、用户数、用户停留时间、浏览页面等用户行为数据

第三方的数据平台：如Growing IO、SimilarWeb、Google Analytics、国家统计局网站

问卷调查：线上问卷调查、线下问卷调查、电话回访

四、数据整理：

数据异常表现：空值、波动太大、不同数据源获取的数据矛盾

数据异常原因：系统故障、人为因素

数据如何清洗：删除异常值、平均值填充、通过统计计算值填充、不同数据源的数据交叉验证

五、常用数据分析指标：

网站分析指标：UV、PV、点击率、转化率、网页停留时间、网站停留时间、跳出率、退出率

渠道分析指标：新增用户数、用户转化率、渠道ROI、渠道流量、渠道流量占比

活动效果指标：活动点击率、活动参与人数、活动转化率、活动ROI

收入指标：付费人数、转化率、订单数、客单价、GMV、复购次数、毛利率、毛利额

用户类型指标：新增用户、活跃用户、暂存用户、回流用户、流失用户

用户价值指标：用户最近一次下单时间、用户下单频次、用户消费总金额

六、不同类产品关注指标：

1、电商类产品：

GMV=流量*转化率*客单价

毛利率=流量*转化率*客单价*毛利率

2、工具类/社区类产品：

活跃用户数=新增活跃用户数+已有活跃用户数 =新访客流量*新用户激活率+已有用户数*老用户留存率

3、游戏类产品：

付费收入=活跃用户数*付费率*ARPU =（新活跃用户数+留存用户数）*付费率*ARPU =（渠道流量*转化率+老用户数*次日留存率）*付费率*ARPU

4、O2O类产品：

订单完成率=已完成订单数/需求订单数 = （新用户订单数+老用户订单数）/（新用户需求数+老用户需求数）

七、构建数据分析指标体系：

1、通过收入关联指标拆解数据指标

2、通过用户类型拆解指标

3、通过用户渠道拆解指标

4、通过流量漏斗拆解指标

八、常用分析框架

1、QQ模型

数量（绝对数）用户数浏览数点击数

质量（相对数）留存率转换率参与率

2、用户行为理论

认知网站访问：PV、UV、访问来源

熟悉网站浏览：平均停留时长、跳出率、页面偏好

站内搜索：搜索访问次数占比

试用用户注册：注册用户数、注册转化率

使用用户登录：登录用户数、访问登录比

用户订购：订单数、转化率

忠诚用户粘性：回访者比率、访问深度

用户流失：用户流失数、流失率

3、5W2H分析法

what 产品提供什么服务？用户核心需求是什么？

who 谁是目标用户？用户有什么特点？

where 用户一般在什么场景使用产品？用户主要分布在哪里？

when 用户在什么时候使用产品？

why 用户为甚什么要使用产品？产品有什么地方吸引用户？

how 用户如何使用产品？用户的使用路径是什么？

how much 用户在产品上花费了多少钱或多少时间？

4、AARRR模型

Refer 推荐

推荐用户数、推荐转化率、被推荐转化率

Revenue 收入

付费用户数、付费用户占比、评价付费金额

Retention 用户留存

用户天然生命周期、用户留存率、不同用户分组留存率

Activation 用户激活

定义用户激活行为、用户激活率、激活漏斗转化率

Acquisition 用户获取

用户获取成本=（营销费用+销售费用）/同时期新增用户数

用户来源渠道：渠道新用户数、渠道新用户占比、渠道成本

5、RFM模型

用户价值分类 R F M 措施

重要保持客户低高高定期的edm、push、短信等方式的主动联系

重要发展客户高低高优化产品和服务、帮助用户在平台上活跃

重要价值客户高高高重点维护对象、适当的核心用户组织建设、权益分发和奖励

重要挽留客户低低高重点预流失客户、提前做好流失预警措施

6、人货场模型

场：网站、渠道、点位数、展示位置

人：用户数、留存率

货：商品数量、商品动销率、商品单价、客单价

九、常用数据分析方法

1、对比分析法：

用于判断某个数据是好是坏，以及某几个数据之间的差异性

时间对比同比、环比、变化趋势

空间对比不同城市、不同产品对比

目标对比年度目标、月度目标、活动目标

用户对比新用户vs老用户、注册用户vs未注册用户

竞品对比渠道、功能、体验和流程、推广和收入

2、分组分析法：

用户数据包含的信息多样化、且各种类型的数据之间差异较大、用于分析不同类型数据之间的差异、经常与对比分析法一起使用

不同时间分组日、周、月、年

不同产品类型分组产品属性、产品区域

不同用户类型分组人口属性、客户价值、消费频次

不同渠道分组线上渠道、线下渠道、付费渠道、免费渠道

3、逻辑树分析法：分层罗列影响因素，发现问题

通过将复杂数据层层拆解，用于发现复杂数据中的问题和机会

4、漏斗图分析法

用于发现某个行为路径中的问题

5、矩阵关联法：对2-4个重要属性进行分析

当判断某个事物有多重属性时，且各个属性之间没有直接的关联性，需要根据多种属性判断事物的结果。

SWOT矩阵优势劣势机会威胁

波士顿矩阵市场份额市场增长率

满意度矩阵重要性满意度

十、数据分析报告

根据分析目的，进行数据分析，来反映某项事物的现状与问题，分析研究原因、本质和规律，并得出结论、提出解决方案的一种呈现应用文体。

基础数据报告：如日报/月报

列名重点关注的数据指标

波动异常的数据，注明原因

对于近期的关注的重点动作注明进展

综合性分析报告：如月报/季度报告、竞争对手分析报告

通过对长时间数据的同比和环比，分析数据波动的原因，找到业务的问题和机会点

注明目前重点项目的进展以及问题情况

总结成败得失，给出意见和建议

专题性分析报告：如活动复盘、用户分析报告

针对某个专项活动或目的进行细化的分析

总结项目的成败原因，得出经验教训

十五天数据分析-笔记相关推荐

万历十五年 . 读书笔记
历史是什么:是过去传到将来的回声,是将来对过去的反映. --雨果(法)<笑面人> 只需精致的观察, 细心的思考, 在看似乱如飞花的历史烟尘里, 我们轻轻吹去那些无关紧要的浮尘,总能发现些渐 ...
《万历十五年》笔记——皇权与相权的博弈
未读<万历十五年>之前,历史书中如是说:明太祖朱元璋建立明朝后,进一步加强专制主义中央集权,使之专制主义中央集权制度获得高度发展.在中央,明太祖借口胡惟庸案,撤销中书省和丞相,权分六部,设 ...
python数据分析及可视化（十五）数据分析可视化实战篇（抖音用户数据分析、二手房数据分析）
python数据分析的实战篇,围绕实例的数据展开分析,通过数据操作案例来了解数据分析中的频繁用到的知识内容. 抖音用户数据分析 1.理解数据数据字段含义了解数据内容,确保数据来源是正常的,安全合法 ...
暑假第十五天HCIP笔记
企业网的三层架构-企业网搭建时的. 个参考建议方案服务器集群 (WAN 小型企业网核心层 ~ 接人层海回尻区. •- 政府机关,商场,写字楼,校园,公园等这些公共场所为了实现数据互通而搭建的 ...
大一上第十五周学习笔记
校赛拿了亚军,做出了7道题目,还行接下来一段时间就是补题不仅补校赛的题,还补相关知识点的题目比如接下来搞一搞dfs序,数学发现这两个部分之前都总结过哈哈,但时间太久遗忘了搞起 12.21周一 ...
世界是有生命的（通向财富自由之路学习笔记十五）
最近因为工作调度的事情,有了一段空闲的日子,有比较多的时间来回望自己走过的路以及如何走好以后的路.之前忙得很少时间来写博文,很少时间来写读书笔记,逐渐将自己一些很好的习惯丢弃了.从今天起将重拾写博文的 ...
Introduction to 3D Game Programming with DirectX 12 学习笔记之 --- 第十五章：第一人称摄像机和动态索引...
Introduction to 3D Game Programming with DirectX 12 学习笔记之 --- 第十五章:第一人称摄像机和动态索引原文:Introduction to 3 ...
OpenCV学习笔记（十一）（十二）（十三）（十四）（十五）
OpenCV学习笔记(十一)--谈谈像素的类型和对Templates的限制使用 Templates是c++的一个很强大的特征,可以是数据结构更加安全高效.但也会增加编译时间和代码的长度,当函数被频繁调 ...
JavaScript学习笔记（十五）
JavaScript学习笔记(十五) 事件事件是DOM(文档对象模型)的一部分.事件流就是事件发生顺序,这是IE和其他浏览器在事件支持上的主要差别. 一.事件流 1.冒泡型事件 IE上的解决方案就是 ...

十五天数据分析-笔记

十五天数据分析-笔记相关推荐

最新文章

热门文章