开启数据分析之操作指南
2019-06-28 09:06:42 0 举报AI智能生成
数据分析操作指南
作者其他创作
大纲/内容
数据指标解释
信息流分析指标
信息展现次数
信息的曝光展现次数。信息区域展现超过50%即算做曝光
信息点击次数
信息被用户点击的次数，多次点击均会被计数
信息点击率
该信息被点击的次数占信息曝光展现次数的比例
次均展现时长
每一次信息在列表页被曝光展现的时长的平均值
次均浏览时长
每一次进入该信息详情页浏览时长的平均值
crash分析指标
错误次数（日均）
该类错误出现的次数，如选择跨天的时间段，则取每天错误次数的平均值
错误率
等于错误次数/累计启动次数*100%
错误影响用户数
发生错误的独立设备数；仅对当天内的设备做去重处理，如选择跨天的时间段，则取每天影响用户数的平均值
影响用户占比
某天的影响用户数占比=当天影响用户数/当天启动用户数*100%；如选择跨天的时间段，则取每天影响用户占比的平均值
事件与页面指标
事件数量（日均）
事件被触发的日均次数（数值向下取整）
事件触发用户数（日均）
触发时间的独立用户数（当天内用户去重，跨天不去重，数值向下取整）
事件平均使用时长
每一次事件触发的时长的平均值
页面访问次数
页面被打开的次数，同一页面的多次访问均会被计数
页面平均停留时长
每一次页面访问的停留时长的平均值
页面跳出率
从当前页面离开应用的访次/该页面总访次*100%
页面访问深度
一次启动过程中访问的页面数总和，同一个页面的重复访问均会被计数
复合指标
日活跃度
当日启动用户/累计用户*100%
周活跃度
周活跃用户/累计用户*100%
月活跃度
月活跃用户/累计用户*100%
月沉默率
月沉默用户/累计用户*100%
流失率
流失用户/累计用户*100%
日活/月活
日活跃用户数/月活跃用户数*100%
新用户留存率
某日新用户中的留存用户/某日新用户*100%
活跃用户留存率
某日的活跃用户中的留存用户/某日活跃用户*100%
新用户占比
新用户/启动用户*100%
老用户占比
老用户/启动用户*100%
用户指标
启动用户
用户定义以独立设备为准，其中可能会用到包括imei、mac id、Android id、IDFA、IDFV等综合设备维度指标，生成长期有效彼此不冲突的唯一设备ID
新用户
首次下载安装并激活该应用的用户。在渠道或版本统计中，仅在第一次下载时被记为渠道新用户，后续重新下载或升级版本，不算新用户。（以独立设备为判断标准）
老用户
当日启动用户中，以前也启动过应用程序的用户
日活跃用户
当日启动过应用程序的用户（已去重）
周活跃用户
过去7天（含当日）启动过应用程序的用户（已去重）
月活跃用户
过去30天（含当日）启动过应用程序的用户（已去重）
月沉默用户
过去30天（含当日）没有启动过应用程序的用户
留存用户
所选考察时段的用户中，在留存时段再次启动应用的用户。包括新用户留存与活跃用户留存
流失用户
过去60天（含当日）没有启动过应用程序的用户（已去重）
分时用户
每小时的启动用户数量（以独立设备为标准按小时去重）
升级用户
从旧版本第一次升级到所选版本的用户为该版本的升级用户
升级+新用户
该版本的全新用户加上升级用户
本渠道新用户
第一次在该渠道下载APP并激活启动的用户，用户可能在其它渠道有过下载使用记录
启动次数
启动过应用程序的次数。“一次启动”是指用户从打开应用到退出应用（或离开应用界面，进入后台超过30分钟）为止。
每次使用时长
平均每一次使用应用程序（session）的时间
每人使用时长
平均每个用户使用应用程序的时间
使用频率
所选时间段内单个用户的累计使用次数
使用间隔
最近一次启动距离上一次启动的时间间隔，新用户的使用间隔为首次启动
数据驱动思维建立
要分析什么
首先要确定自己的分析目标，从规模、分布等角度去介入
需要那些数据
通过目标确定需要分析的数据，细化到数据分析指标，预估有效的数据阈值
数据从哪儿来
寻找并评估获取数据的渠道，得到自己想要的原始数据
如何分析（数据/方法）
对数据进行合理的加工和分析，得出分析结论，数据需要可比较
得到的结果怎么用
对得到的结果进行合理分析，指导产品改版
数据驱动产品管理阶段
第一阶段探寻
数据可以帮助产品同学找到改版方向，找到产品业务重点和痛点，对症下药，不再为了做功能而做功能
寻找产品改进和优化的切入点（日常数据敏感度）
检测你的产品
第一关键指标
学会找到属于你的第一关键指标，不同产品选择的第一关键指标是不相同的，产品性质+产品阶段+产品特征
了解你的产品
日常指标体系
是第一关键指标的衍生，可以从多个方面了解产品运营状态，找到优化点和问题点
挖掘你的产品
善用分析功能
快速挖掘用户行为数据，让数据为产品服务
第一关键指标
产品性质
交易性产品
交易量
交易人数
交易金额
社区型产品
访问量
访问人数
内容生产人数
混合类（两种都有）
依据产品阶段调整第一关键指标
产品阶段
成长阶段（拉新）
成熟阶段（留存）
产品特性
首次购买
复购（有些产品基因不利于复购可不考虑，如房产，车）
日常指标体系
结构
垂类
角色
频率
页面
行为
数据指导的意义
产品改版
寻求改版切入点，确定改版策略，验证改版效果
新功能评估
评估新功能是否有效
产品功能加持和体验优化
帮助产品经理深切感知和理解用户感受
八大智能分析方法和模型
事件分析
事件
用户注册
浏览产品详情页
支付
近三个月那个渠道用户注册量最高？趋势偈
各时段的人均充值金额多少？
维度
指标
http://www.woshipm.com/data-analysis/686576.html
漏斗分析
http://www.woshipm.com/data-analysis/697156.html
留存分析
http://www.woshipm.com/data-analysis/691457.html
分布分析
点击分析
http://www.woshipm.com/data-analysis/745306.html
用户路径
http://www.woshipm.com/data-analysis/704261.html
用户分群
http://www.woshipm.com/operate/726412.html
属性分析
间隔分析模型
http://www.woshipm.com/data-analysis/1035908.html
6种A/B测试提升留存
http://www.woshipm.com/data-analysis/946366.html
第二阶段测试
使用如A/B TEST等测试方法，寻找最适合自己产品特征的指标，比较不同方案的监控数据，测评投入产品状况、目标数据提升百分比等数据
第三阶段验证
主要验证产品改进后大规模投放使用的效果
0 条评论
下一页
