產品運營——如何做產品數據分析

什麽是流量數據？為什麽要做流量數據分析系統？如何做壹個流量數據分析系統？看完這篇文章就夠了。1.什麽是流量數據？流量數據主要在用戶訪問產品/頁面時使用，產品從啟動到使用的壹系列過程都會產生大量的流量數據。流量數據定義為用戶訪問產品/頁面時產生的數據，企業需要通過數據采集來獲取數據。2.為什麽要做流量數據分析系統？目前市場上高昂的獲客成本，對於新用戶來說，只打開壹次app就可能失去。監控流量數據，診斷異常數據，完善業務邏輯，促進產品收益。3.如何做壹個流量數據分析系統當用戶訪問壹個產品/頁面時，產品從啟動到使用的壹系列過程都會產生大量的流量數據。流量數據多由舉報埋點生成，通過數據加工處理形成高質量、易分析的數據資產，通過數據分析為決策提供數據支持和洞察。3.1數據制作3.1.1業務需求——數據需求組DA同學收到的業務需求往往是“期望使用此功能”等。這個時候，如果只有壹個功能使用uv和pv，是不夠的。需要了解各方面的業務需求，抽象成埋點的需求。面對“該功能使用在意料之中”的業務需求，我們需要明白:業務的短中長期策略，E.G .的中長期策略是面向用戶下沈；為什麽要上線這個功能；此功能可能會影響其他功能。了解後，根據業務背景、需求和目的，抽象為“埋點需求”。業務的短、中、長期策略，如中長期策略是用戶下沈，用戶下沈以城市級別和收入金額劃分；為什麽這個功能是在線的？據知，為了提高用戶的粘度，需要對使用該功能的用戶的天數進行監控。並通過對比分析，得出了它們與其他函數的區別。該函數可能影響其他函數:獲取可能與該函數互斥的函數點，監控數據性能，避免“意外”侵蝕；獲取預期的互補功能點，監控數據表現，避免“意外”。3.1.2在設計埋點需求之前，需要了解事件模型(誰、何時、何地、如何、什麽)，並基於事件模型的各個方面描述埋點。3.1.2.1埋點元素世衛組織:誰參與了這個事件，唯壹標識(設備/用戶id)，可以是匿名設備ID(idfa \ idfv \ Android _ ID \ imei \ cookie)，後臺生成的賬號id(user_id，uid)等現在很多公司都有自己唯壹的設備id(基於某個策略的唯壹標識)，比如阿裏就有OneId。埋點時，該參數通常使用服務使用的唯壹ID；在埋點設計文件中，如果沒有特殊處理，不需要特別聲明。時間:即事件發生的實際時間。這個時間點盡量精確，有利於行為路徑分析和行為排序，像神策會精確到毫秒。如果公司已經有數據統計sdk，使用嵌入點，則不需要指定。地點:事件發生的地點。可以通過ip地址解析國家、省份、城市；如果妳期望更詳細的數據，如果妳住在房子裏，商業區等。，需要額外的地理信息數據庫進行匹配。位置信息和時間信息壹樣，是每個行為事件都需要報告的信息。基本上會是statistics sdk的預置字段，不需要特別說明。HOW:即用戶以某種方式做了這個事件，也可以理解為事件發生時的狀態。這裏面包括很多，比如訪問通道，跳轉進來的父頁面，網絡狀態(wifi\4g\3g)，攝像頭信息，屏幕信息(長x寬)等等。比如使用的瀏覽器/App，版本，操作系統類型，操作系統版本，訪問渠道等。在沒有特別說明的情況下，經常被設置為“預置字段”。什麽:即用戶做了什麽，結合用戶的行為/操作和業務要求的數據粒度，需要通過嵌入點盡可能詳細地描述行為，這也是嵌入點設計文檔中最重要的部分。如搜索(搜索關鍵詞、搜索類型)、觀看(觀看類型、觀看時長/進度、觀看對象(視頻id))、購買(產品名稱、產品類型、購買數量、購買金額、支付方式)等等。3.2.2.2埋點示例以“開始”事件和“播放”事件為例設計埋點。3.1.3埋點開發埋點在形式上支持代碼埋點、可視化埋點和全埋點。代碼被埋的時候，可以埋在客戶端，也可以埋在服務器端；統計SDK，APPSDK，webSDK，小程序SDK，H5SDK等。可視化埋點和全埋點的背後是統計SDK對“某些事件”的自動上報，埋點發展的相關知識點可以在歷史文章中查看。統計SDK是壹個提高埋點開發效率的工具，只需填寫需要上報的參數即可。統計SDK的格式大多基於事件模型，更通用的事件模型可以參考廁神分析。3.1.4埋點測試驗收埋點測試驗收需要從邏輯和數據兩方面進行測試和驗收，以保證埋點的正確性、順序性和完整性。正確性:確認數據是否上傳，檢查上述數據內容的格式是否與需求文檔壹致；順序:數據上報順序正確，間接驗證嵌入點代碼的正確性；完整性:需要對每個場景進行測試，以確保數據是從不同的來源和不同的場景中報告的。埋點平臺通常有目標測試模塊。比如，烏蒙可以在註冊測試設備後查看埋點的測試數據，埋點上線後進壹步觀察數據是否異常。3.2流量數據的處理3.2.1數據質量的保證數據處理後的埋點數據需要保證完整性、準確性、壹致性和及時性。完整性:完整性是指數據記錄和信息是否完整，有無數據缺失，是數據質量最基本的保證；準確性:指數據中記錄的信息和數據是否準確，是否有異常或錯誤信息；壹致性:指多個數據記錄中數據的壹致性；時效性:只有保證數據的及時輸出，才能體現數據的價值。3.2.2數據模型有埋數據，通過數據處理不詳細描述過程。數據標準化後，通常以三個表的形式存在:事件表；用戶屬性表；目標對象表(三個表只是為了使用表的目的，以及為了提高查詢效率等。三個表通常根據事件過程拆分)。基於這三個表的查詢模型將能夠支持通用數據級別的各種分析模型，數據過大時查詢速度會降低。如果想提高查詢速度，就需要對查詢進行存儲，比如緩存高頻查詢結果，設置數據加速等。事件表:每條記錄描述了壹個用戶在某個時間、某個地點、以某種方式完成的某個特定事件；用戶屬性表:主體是用戶，每個用戶都有壹條記錄。屬性包括用戶屬性(包括平臺、網絡、服務商、手機型號、地域等自然屬性)。還包括用戶級別、是否是大V等非自然屬性。)，可以通過用戶關聯事件表分析。目標對象表:主體就是目標對象，通常是壹個業務的主要載體，比如短視頻APP，目標對象就是壹個視頻(id)。目標對象可以與事件表分析相關聯。3.3流量數據的應用3.3.1常用流量分析3.3.1事件分析事件分析常用的表達式是用來研究某壹行為事件對產品價值的影響以及影響程度，通過研究與該事件相關的所有因素來分析用戶行為事件變化的原因。在日常工作中，運營、市場、產品、數據分析師等不同角色的商科學生，往往會根據實際工作情況，關註不同的事件以及事件對應的指標。例如，上周從北京拍攝視頻的用戶數量是多少？事件分析是圍繞事件表進行的。它描述了用戶在某個時間點、某個地點、以某種方式完成了某個特定的事件。3.3.1.2漏鬥分析漏鬥分析側重於過程，現代營銷理念也認為控制過程就控制了結果。漏鬥分析是壹種過程分析，可以反映用戶從起點到終點的轉化。狹義上的步驟是以用戶為單位串聯起來的，進入後續步驟的用戶必須完成了漏鬥的預購步驟。廣義的漏鬥分析僅用漏鬥的形式來描述，即液體從大口引入，從小口漏出。舉個例子，壹個遊戲產品的用戶從激活到皮膚購買:激活app，註冊賬號，進入遊戲，玩遊戲，購買皮膚。漏鬥分析應用:(1)全程監控轉化流程:對於業務流程相對規範、周期長、環節多的流程分析，可以直觀的發現問題。多維度的細分發現了轉化率低的問題——這裏是廣告的點擊，所以我們關註“廣告的曝光->；點擊漏鬥分析。(2)通過對比不同渠道的漏鬥過程，可以找到最佳的廣告渠道:如下圖所示，可以看到百度整體轉化率高於所有六個點，明顯是優質的。當然，在實際場景下，還需要結合更多的價值衡量指標來篩選優質頻道。(3)對比分析不同用戶群的漏鬥，從差異的角度尋找優化點。這裏以新用戶的關鍵行為轉化過程為例，通過漏鬥分析發現用戶群體的差異，然後根據差異進行更細粒度的引導。關鍵行為的轉化漏鬥如下:“啟動app->；登錄-& gt；進入直播間-& gt；現場互動-& gt；送禮”，通過對比不同國家，發現最近兩次轉型，尤其是進直播間，中國與整體的差異超過1%->；直播互動，當然在差異的背後，妳可以有更進壹步的洞察，更好的利用這種差異。3.3.1.3留存分析留存分析是壹種用於分析用戶參與度的分析模型，通過調查有多少進行初始行為的用戶會進行後續行為，可以有效衡量產品對用戶的價值。通過留存分析，延長用戶的生命周期，增加每個用戶的生命周期價值。對於新用戶，我們可以描述從不文明用戶到活躍用戶、穩定用戶、忠誠用戶的過程。留存分析可以:(1)了解上周新用戶同期群新版本，旨在提高新用戶留存。通過對比上線前同期組的留存性能，發現新版本並沒有明顯提升。(2)找到目標用戶長期留存的用戶都是忠誠度高的用戶，反過來結合用戶屬性的分析可以得到什麽樣的用戶，自己的留存更好。(3)從用戶角度找到產品的核心價值。同壹群用戶采取了什麽樣的行為之後，他們的留存就提高了。在測量用戶粘度時，留存分析還需要結合用戶訪問次數(壹定時期內)保持工具型和內容型產品不變。通常情況下，工具型產品的用戶訪問量低於內容型產品。3.3.1.4路徑分析app日誌可以根據用戶的使用過程和使用頻率，呈現壹個“清晰”的用戶現有路徑。通過路徑的指標表現，發現路徑問題，讓用戶盡可能短的體驗到產品的核心價值。路徑分析可以是:(1)在路徑分析中，經常會發現使用路徑超出了產品/運營設計，尤其是大型產品。產品和運營都清楚自己負責的模塊，與其他模塊的合作過程模糊甚至不清楚。此時的第壹反應是“這是用戶真實的操作嗎？怎麽會呢，超出了我目前對自己產品的了解。“基於事件的順序數據顯示將解決這個問題。(2)多維度細分尋找關鍵路徑上的用戶群:A->；誰是路徑B的用戶？他們在相應的時間是如何使用產品的，在什麽樣的網絡條件下？(3)另外，路徑分析也可以用來顯示用戶的流向，運營行為A的用戶流失了多少，運營了其他行為的用戶有多少，其他行為的比例是多少？3.3.2報表流數據大多以報表的形式呈現。清晰地顯示關鍵數據並完整地描述數據故事通常需要更高的看板生產。交通數據有壹個標準的數據結構，有助於提高制作交通數據看板的效率——通過沈澱常用數據分析模型的圖表，可以快速形成看板。3.3.3行為標簽行為標簽數據是用戶畫像和用戶分組的基礎數據，流量數據是行為標簽的主要數據來源。行為標簽根據處理方式的不同分為以下幾類:事實標簽:通常也叫規則標簽，是基於用戶行為數據和規則生成的，例如無效用戶——“APP啟動後核心功能沒有使用”；新用戶-“7天內添加”；模型標簽:由數據模型得到的標簽，例如:功耗高；預測標簽:與模型標簽壹樣，它也是通過模型獲得的，但區別在於預測標簽是對未來的估計，例如可能會失去用戶。