产品数据分析方法及通用指标
2021-09-02 14:25:52 3 举报AI智能生成
产品数据分析方法及通用指标
作者其他创作
大纲/内容
数据指标
行为指标：
UV（unique visitor）
即独立访客，访问网站的一台电脑客户端为一个访客。
PV（page view）
分析用户喜欢哪个产品或功能
菜单点击次数、菜单点击人数
PR（pagerank）
即网页的级别，一个PR值为1的网站表明这个网站不太具有流行度，而PR值为7到10则表明这个网站非常受欢迎(或者说极其重要)。
页面停留时长
访客一次访问在某个页面上停留时间，等于这个页面的总停留时长除以这个页面的访问量。
网站停留时长
等于网站总的停留时长除以访问量。
跳出率（Bounce Rate）
指用户到达你的网站上并在你的网站上仅浏览了一个页面就离开的访问次数与所有访问次数的百分比。比如有100个用户进入你的网站，然后50个用户打开首页就跳出去了，跳出率一般是50%。
是评价一个网站性能的重要指标，跳出率高，说明网站用户体验做得不好，用户进去就跳出去了，网站没有满足用户的期望与需求或是人群定位不精准，反之如果跳出率较低，说明网站用户体验做得不错。
一般来说50%的跳出率是正常状态，70%以上就出现问题了，90%以上就是问题就严重了。跳出率只能衡量该页作为用户的landing page的页面质量，不能衡量其他。
一般来说，如果你做的是从其他媒体引入的流量，说明你的媒体渠道选择失误，搜索引擎付费关键字定位不准、客户群定位不准确，还是landing page的call to action可能不够吸引人。当然对于不同页面和不同类型的网站的跳出率需要区别对待，很多网站的性质决定用户甚至只要浏览首页，需求就可能得到满足。比如wordpress的博客，可能一些老访问者，访问博客只是看有没有更新，没有更新，跳出很正常。这种情况如果简单的说网站质量很差是值得商榷的，这个时候建议细分群体和细分页面去看跳出率，并且关注页面停留时间。
退出率（exit rate）
“退出率”是指该网页是会话中“最后一页”的浏览占该网页总浏览量的百分比。
10个visits来到a页面 ——5个visits直接离开，3个visits去b页面 （2个visits去c页面然后直接离开）。b页面的3个visits有2个visits返还a页面最终从a页面离开。
计算a页面的跳出率和退出率 分别就是（5/10） *100% 和 （5+2/10+2 ）*100%
这是Google analytics里面的退出率的计算 ，在Omniture是算exit/visit，也就意味着这个值是（5+2）/10*100%
退出率高也要分情况讨论并不能一概而论，如果你已经规划好你网站的用户访问流程，但是你发现你网站的某个退出页面成为去其他某个很重要的页面的阻碍，那么你应该关心的你的这个退出页面的内容了。
退出率不能用来分析网站所有的页面，只能用来分析特定流程中的某些页面能不能满足用户的需求（交互）的问题。一般认为退出率高需求没有得到满足，但在特定页面不能用退出率衡量用户需求问题。
如果客户需求得到满足就退出，退出率高是很正常的，如电子商务网站的支付成功页面，其他网站的客户服务（eg：联系我们，关于我们）此类页面，退出率一般肯定很高。用户结算支付完需求得到满足，用户知道联系方式需求得到满足。这个时候需要借助其他分析了，例如电子商务可以用转化漏斗分析。但是在同样的类似流程中，注册页面、支付页面和填写收货地址页面却又是可以用退出率来衡量页面质量的（这样的页面一般是有固定步骤的），如果退出率高，那么反映你的注册流程页面、支付流程页面和物流流程页面存在问题了，比如不支持货到付款，需要填写项过多，界面不友好等等。
退出率还反映在页面内容的吸引性，call to action能不能激励用户。另外从网站技术角度来说，页面太大不能被完全加载，页面没有返回任何其他页面的链接入口，也是造成退出率过高的问题。
10个visits来到a页面 ——5个visits直接离开，3个visits去b页面 （2个visits去c页面然后直接离开）。b页面的3个visits有2个visits返还a页面最终从a页面离开。
计算a页面的跳出率和退出率 分别就是（5/10） *100% 和 （5+2/10+2 ）*100%
这是Google analytics里面的退出率的计算 ，在Omniture是算exit/visit，也就意味着这个值是（5+2）/10*100%
退出率高也要分情况讨论并不能一概而论，如果你已经规划好你网站的用户访问流程，但是你发现你网站的某个退出页面成为去其他某个很重要的页面的阻碍，那么你应该关心的你的这个退出页面的内容了。
退出率不能用来分析网站所有的页面，只能用来分析特定流程中的某些页面能不能满足用户的需求（交互）的问题。一般认为退出率高需求没有得到满足，但在特定页面不能用退出率衡量用户需求问题。
如果客户需求得到满足就退出，退出率高是很正常的，如电子商务网站的支付成功页面，其他网站的客户服务（eg：联系我们，关于我们）此类页面，退出率一般肯定很高。用户结算支付完需求得到满足，用户知道联系方式需求得到满足。这个时候需要借助其他分析了，例如电子商务可以用转化漏斗分析。但是在同样的类似流程中，注册页面、支付页面和填写收货地址页面却又是可以用退出率来衡量页面质量的（这样的页面一般是有固定步骤的），如果退出率高，那么反映你的注册流程页面、支付流程页面和物流流程页面存在问题了，比如不支持货到付款，需要填写项过多，界面不友好等等。
退出率还反映在页面内容的吸引性，call to action能不能激励用户。另外从网站技术角度来说，页面太大不能被完全加载，页面没有返回任何其他页面的链接入口，也是造成退出率过高的问题。
转化率
指在一个统计周期内，完成转化行为的次数占推广信息总点击次数的比率。转化率=（转化次数/点击量）×100%。以用户登录为例，如果每100次访问中，就有10个登录网站，那么此网站的登录转化率就为10%，而最后有2个用户订阅，则订阅转化率为2%，有一个用户下订单购买，则购买转化率为1%。转化率反映了网站的盈利能力，重视和研究网站转化率，可以针对性的分析网站在哪些方面做的不足，哪些广告投放效果比较好，可以迅速的提升用户体验、节约广告成本，提升网络转化过程。
重复购买率
指消费者对该品牌产品或者服务的重复购买次数。重复购买率越多，则反应出消费者对品牌的忠诚度就越高，反之则越低。
活跃度指标
主要衡量产品的粘性、用户的稳定性以及核心用户的规模，观察产品在线的周期性变化。
AU（Active Users）活跃用户
用户登陆产品记为一次登录
DAU（Daily Active Users）日活跃用户
每日登陆过的用户数
WAU（Weekly Active Users）周活跃用户
七天内登陆过的用户数
MAU（Monthly Active Users）月活跃用户
30天内登陆过的用户数
AT（Daily Avg. Online Time）日均使用时长
活跃用户平均每日在线时长
PCU（Peak Concurrent Users）最高同时在线用户人数
统计周期内，同一时点（通常精确至分）的最高在线人数
ACU（Average Concurrent Users）平均同时在线用户人数
统计周期内，每个时点（通常精确到分）的平均在线人数
CTR（Click Through Rate）点击率
流失、留存指标
流失、留存指标：观察流失用户的状态、流失前行为来判断产品可能存在的问题。
日流失率
统计当日登陆过产品的用户，次日未登陆的用户数/统计日DAU
周流失率
统计当周登陆过产品，之后下一周未登陆的用户数/WAU
月流失率
统计当月登陆过产品，下一月未登陆的用户数/MAU
次日留存率
统计当日登录过产品的用户，次日依旧登录的用户数/统计日DAU
周留存率
统计当周登录过产品的用户，且下一周至少登录一次的用户数/WAU
月留存率
统计当月登录过产品的用户，且下一月至少登录一次的用户数/MAU
回归率
曾经流失，重新登录产品的用户数占流失用户的比例
回归用户
曾经流失，重新登录产品的用户数
ULR（Users Leave Rate）用户流失率
统计当日登录过产品的用户，但在随后N日内未登录的用户数/统计日DAU
K因子
K因子 = A * B
如：20*10% = 2
K>1，那么用户数滚雪球
K<1,那么新增用户数会停止传播
A:平均每个用户给多少个人发起邀请，假如平均为20
B:接收到邀请的人注册了的转化率，假如转化率10%
数据埋点与数据分析方法
数据产品经理
1、收集数据
2、分析数据
3、发掘需求
4、满足需求
数据埋点定义
数据埋点是数据产品经理、数据运营以及数据分析师，基于业务需求或产品需求，对用户行为的每一个事件对应的位置进行开埋点，并通过SDK（软件开发包）上报埋点的数据结果，记录数据汇总后进行分析，推动产品优化或指导运营
相关要点
埋点技术
代码埋点
可视化埋点
无埋点
数据埋点方式
私有化部署，自己搭建相应数据体系
部署在自己公司的服务器上，公司研发在自己的产品当中注入统计代码，构建相应的后台查下
Strengths：提高数据安全性，定制化的埋点方案较多，可开发一套针对自己公司定制化的数据后台查下系统保证数据的安全性和精确性
Weakness：成本较高
接入第三方服务，集成第三方SDK
友盟、百度移动统计、Sensors Data、GrowingIO、Talking Data、GA（Google Analytics）统计等
Strengths：成本较低，部分基础服务免费
Weakness：数据有不安全的风险，只能进行通用的简单分析，无法定制化埋点方案
如何做好数据埋点
明确目标
获取相应数据
产品各个渠道下载量
产品活跃状态分析
事件分析
基本信息获取
漏斗模型
做好与研发的沟通
数据埋点的7大步骤
1、注册一家统计网站
2、新建应用
3、获取KEY和SDK代码包
4、将埋点需求和SDK包发给研发
5、自定义埋点需求完善
6、研发开发并完成APP上线
7、在后台查看数据
埋点获取数据
产品规模相关数据
用户数据
如：新增用户、用户类型分布、活跃用户、沉默用户、启动次数、版本分析等
业务数据
如：问答社区的问题数、回答数、全网热度、浏览量
如：对含交易平台的交易量、交易额、客单价、转化率、利润等。
产品运营相关数据
流量数据
PV、UV、DAU、MAU
留存分析
次日留存
7日留存
用户新鲜度
流失分析
日周月
自然流失
回归流失
渠道数据
渠道流量、渠道转化率、渠道评价、渠道时段详情、渠道质量（渠道活跃用户、渠道流浪）
埋点事件分类
点击事件
点击事件、用户点击按钮即算点击事件、不管点击后有无结果，比如立即购买按钮，点击一次记一次
曝光事件
成功打开打开一次页面记一次
刷新一次页面记一次
加载下一页新页，加载一次记一次
Home键切到后台再进入页面，曝光事件不记，比如：打开某商品的商品详情页，打开一次记一次
停留事件
表示一个用户在X页面的停留时长记为停留时长
比如：某用户9：00访问了X网站首页，此时分析工具则开始为该访问者记录1个Session（会话）。用户9：01又浏览了另外一个页面列表页，然后离开了网站（离开网站可以是通过关闭浏览器，或在地址栏键入一个不同的网址，或是点击了网站上链接到其他网站的链接）
停留时间 1min = 9：01 - 9：00
App埋点规范
点击事件集合
首页
列表页
详情页
曝光事件集合
首页
列表页
详情页
停留事件集合
首页
列表页
详情页
具体操作流程
Step1，基于事件属性，新建3份Excel（点击事件表、曝光事件表、停留事件表）
Step2，每个事件表新建3个子表（Sheet），以点击事件表为例拆分为：首页事件集合、列表页事件集合、详情页事件集合
Step3，新APP发版时，Copy上一版本埋点，标注说明
埋点字段明细
功能字段
说明当前埋点是在哪个页面的哪个功能，如：收藏功能，对应功能字段名：自定义为我的收藏
中文名字段
用于描述X功能模块内X位置，例如起名叫：收藏功能-文章收藏
事件类型字段
用于说明当前埋点是点击事件还是曝光事件还是其他
事件ID字段
事件ID命名规范
事件英文简写_哪一端的产品_产品名称简写_页面名称_模块名称_功能名称
例如：点击事件_APP端_二手车_个人中心_收藏_文章收藏
对应事件ID == click_app_2sc_PersonalCenter_Collection_ArticleCollection
如果是用的第三方统计工具：例如友盟，同理定义好时间ID，上线后去友盟后台，输入事件ID查询相应的数据
业务线案例
市场数据
渠道质量评估
渠道拉新-流量指标
落地页浏览量
落地页访问人数
落地页跳出率
渠道转化-转化指标
注册用户数
注册转化率
付费用户数
付费转化率
渠道留存-留存指标
留存率
复购率
ROI
活动效果监测
活动访问量
活动页交互点击量
活动页访问人数
活动转化漏斗
产品数据
产品功能
功能点击量/使用率/使用频次
功能转化率/留存率
产品页面
页面停留时长
页面跳出率
运营数据
用户指标
活跃用户数
新增注册用户数
留存率
流失用户数
付费用户数
商品指标
商品点击量
商品购买率
活动指标
活动访问用户
活动点击率
活动转化率
推荐指标
分享数
分享数 = 分享数/PV
用户付费情况
客单价
支付成功金额/用户数
复购率
产品传播情况
推送打开情况
回流率
操作步骤
Step1 思考，梳理业务与确定业务目标
分析场景和业务问题，解决这个问题要什么样的数据，衡量指标
核心思路
设定核心运营目标
核心目标拆解二三级目标
将二三级目标拆解为可收集的数据公式
根据公式与数据，聚焦核心矛盾点所在，确认优化方向
例：业务目标是增加销售额
销售额 = 活动流量 * 付费转化率 * 客单价
付费转化率 = 付费按钮点击次数 / 付费按钮曝光次数
Step2 设计，事件设计和数据采集埋点方案设计
数据埋点功能，即用户使用功能时产生的行为数据
如：发布话题的业务流程，是用户真实操作行为去定义事件名称
如：看不同话题分类被成功发布的次数指标
将话题分类为发布话题这个事件的属性，个数
维度：操作系统、应用版本、话题分类、是否取消、输入话题方式、话题名称、是否成功，通过维度细分，定位更精细的业务问题
Step3 执行，编写事件设计埋点表
与开发沟通口径
0 条评论
下一页
