数据分析八大常用分析模型

举报
魔法师 发表于 2022/08/30 19:29:26 2022/08/30
【摘要】 留存分析模型为什么要做留存分析,直接看活跃用户百分比不行吗?答案是不行,如果产品目前处于快速增长阶段,很有可能新用户中的活跃用户数增长掩盖老用户活跃度的变化,按初始行为时间分组的留存分析可以消除用户增长对用户参与数据带来的影响。 什么是留存分析模型?用户在某段时间内开始使用应用,经过一段时间后,仍然继续使用该应用的用户,被认作是留存用户。顾名思义,留存分析模型就是分析这些留存用户的模型,即留...

留存分析模型

为什么要做留存分析,直接看活跃用户百分比不行吗?

答案是不行,如果产品目前处于快速增长阶段,很有可能新用户中的活跃用户数增长掩盖老用户活跃度的变化,按初始行为时间分组的留存分析可以消除用户增长对用户参与数据带来的影响。

 

什么是留存分析模型?

用户在某段时间内开始使用应用,经过一段时间后,仍然继续使用该应用的用户,被认作是留存用户。顾名思义,留存分析模型就是分析这些留存用户的模型,即留存分析模型是一种用来分析用户参与情况或活跃程度的分析模型,考察进行初始行为的用户中,有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。当然初始行为、后续行为的具体定义可以根据具体的业务进行调整

 

留存分析模型的价值。

一、留存率是判断产品价值最重要的标准,揭示了产品保留用户的能力

留存率反应的实际上是一种转化率,即由初期的不稳定的用户转化为活跃用户、稳定用户、忠实用户的过程,随着统计数字的变化,运营人员可以看到不同时期用户的变化情况,从而判断产品对客户的吸引力。

二、宏观上把我用户生命周期长度以及产品可改善之处

通过留存分析,可以查看新功能上线之后,对不同人群的留存是否带来不同效果?可以判断产品新功能或某活动是否提高了用户的留存率?集合版本更新、市场推广等诸多因素结合,砍掉使用频率低的功能,实现快速迭代验证,制定相应的策略

 

常见留存模型

N-day留存(N天留存)

N-day留存,即第几日留存,这里的“日”可以是“周”,也可以是“月”,大家现在普遍认识的用户留存,一般都是“N-day”留存了。

 

Unbounded留存(N天内留存)

Unbounded留存就是我们常说第N日留存,N-Day留存是指计算第N天完成回访行为的用户。

Unbounded留存会累计计算第N天内所有完成过回访行为的用户。

 

Bracker留存(自定义观察期留存)

N-day留存和Unbounded留存都是按照独立的天//月为观察单位计算。但有时候我们不希望受限于这个固定时间维度,我们希望划分为几个观察期。

 

留存分析模型留存分析模型主要观察用户在使用产品特定时间后的回访比例,即留存率;留存率是判断产品价值最主要的标准,例如分析用户的次日留存、次周留存、次月留存等等,次日留存率能够说明用户对这款产品是否有持续使用的兴趣,对于社交,游戏类产品来说,次日留存率非常重要。

    用户留存数据分析帮助运营进行更加科学、可量化的用户运营管理,同时为运营工作找到了一个新的价值标准;提升用户留存率,当用户的留存曲线不断提升后,我们就可以做用户变现以及用户的自传播等等,这样我们的用户才会慢慢的增长,最后实现留存的增加,我们不断地拉新,让用不断地增长,留存的用户在后期逐渐平稳后,都是我们的重点用户。是可以变现的,而那些不平稳的用户,我们还要做各种各样的产品修改,运营或者市场方面的操作,让他们逐渐变成留存用户,然后开始变现,实现企业活跃用户的真正增长。

行为事件分析模型

事件分析模型是针对用户行为的分析模型之一,是用户行为分析的第一步,也是用户行为数据分析的核心和基础。将用户在产品上的行为定义为事件,它是用户行为的一个专业描述,用户在产品上的所有获得的程序反馈都可以抽象为事件进行采集。针对这些采集到的事件信息及其发生前后的资料统计,采用特定技术测量该事件影响性的定量分析方法,即可称为事件分析或者行为事件分析。

 

事件关注指标区别

市场

市场人员可能会关注最近三月来自那个渠道的用户注册量最高,变化趋势如何?

运营

运营人员更加关注某次邀请好友活动中老用户是否点击该活动页面,是否将邀请海报分享到朋友圈。

产品

产品人员则更加关注点击进入落地页的人数以及进入落地页后用户是否点击核心按钮,比如“立即注册、立即购买”等

 

事件的关键因素

Who:参与事件的主体,唯一标识(设备、用户ID

When:事件发生的实际时间

Where:事件发生的地点,可以通过IP地址解析国家、身份、城市、住宅、商业区等

How:用户在某种方式做了这个事件,也可以理解为事件发生时的状态

What:用户做了什么,也是事件模型的主题

 

事件的埋点:

为了极大的节省时间量,提高工作效率,同时最大化还原用户使用场景,使后续的数据洞察和交叉分析等更加准确,引入一组概念:事件-属性-

事件:用户在产品上的行为

属性:描述事件的维度

值:属性的内容

 

通过研究与事件发生关联的所有因素来挖掘用户行为事件背后的原因,快速定位影响转化的关键点,提高运营效率。事件模型与其他分析模型存在无法割裂的关系,事件模型结合其主题(用户、设备)等属性信息可以支持各种分析模型,也是漏斗模型、自定义留存模型、全行为路径分析模型的基础,只有各分析模型实现科学互动和配合,才能够科学揭示出用户个人、群体行为的内部规律。

热图分析模型

热图分析模型,主要用于反映用户在网页上的关注点在哪里,了解人们如何与网站页面进行交互,有助于识别用户行为趋势并优化进一步流程。可以从网页上用户的鼠标点击情况(包括人数、次数);用户浏览不同页面或同一页面不同位置的停留时间等方面进行分析,并以百分比的形式展现。

 

作为信息时代在各个行业都有广泛应用的数据分析模型之一,热图分析利用可视化的数据呈现形式,可以更加直观地帮助企业发展数据背后存在的问题,优化网站界面,同时可以对不同用户的点击行为和浏览习惯进行记录,为用户呈现更加具有个性化的产品和网站点击页面。

 

全行为路径分析模型

全行为路径分析是互联网产品特有的一类数据分析方法,它主要根据每位用户在APP或网站中的行为事件,分析用户在APP或网站中各个模块的流转规律与特点,挖掘用户的访问或浏览模式,进而实现一些特定的业务用途,例如提升网站核心模块的到达率、优化与提升网站的产品设计、提取出特定用户群体的主流路径、刻画用户浏览特征等。

全行为路径分析的主要应用场景有:用户典型、频繁的路径模式识别;用户行为特征的识别;网站产品设计和优化的依据和参考;网站运营和产品运营的过程监控。


全行为路径分析模型和漏斗分析模型的区别


用户真实的选购过程是一个交缠反复的过程,每一个路径背后都有不同的动机,全行为路径分析模型通过统计出用户的每一条路径,分析用户对产品的使用规律,衡量网站优化的效果或营销推广的效果,了解用户行为偏好,同时可以更直观的看到用户使用产品的状况,了解用户的来龙去脉,找到用户最有可能完成核心转化的行为;洞察用户和产品的交互行为,实现精细化运营;最后与其他分析模型配合进行深入分析后,深挖用户表面行为背后真实、本质的需求,快速找到用户的动机,从而引领用户走向最优路径或者期望中的路径,持续挖掘更多用户的价值。

漏斗分析模型

漏斗分析是一套流程式数据分析,它能够科学反映用户行为状态以及从起点到终点各阶段用户转化率情况的重要分析模型。运营人员可以通过观察不同属性的用户群体(如新注册用户与老客户、不同渠道来源的客户)各环节转化率,各流程步骤转化率的差异对比,了解转化率最高的用户群体,分析漏斗合理性,并针对转化率异常环节进行调整。

 

科学的漏斗分析模型能够实现的价值

观察完成漏斗所需的时间

通常来说,一个漏斗的转化周期越短越好,因此企业可以监控用户在各个层级的转化情况,分析漏斗的合理性,缩短路径的空间,降低用户的使用门槛,提升用户体验

观察漏斗中的每一个节点转化率

漏斗中每一层节点之间的转化率是提高整体转化率的核心,找到流失用户较多的环节,进行活动策略实施

比较不同属性的用户群体漏斗转化

通过观察不同属性的用户群体(如新注册用户与老用户、不同渠道来源的客户)各环节转化率,各流程步骤转化率的差异对比,更清晰的定位问题;了解转化率最高的用户群体,分析漏斗合理性,并针对转化率异常环节进行调整。

 

用户分群模型

由于产品的推广运营活动的进行,用户的留存和新增数量越来越多。由于群体特征不同,行为会有很大差别,因此产品运营人员希望可以根据历史数据将用户进行划分,将具有一定规律特性的用户群体进行归类,进而再次观察该群体的具体行为,找到产品问题背后的原因,并有效改进优化方向。对用户进行精细化运营,这就是用户分群的原理。

用户分层

 

用户分群


用户分群的价值

  • 帮助企业打破数据孤岛并真实了解用户
  • 定位营销目标群体,帮助企业实现精准、高效营销

 

用户分群的四个维度


在移动互联网时代,发展和维度用户是互联网企业占据市场的核心手段,挖掘用户需求、了解用户行为习惯成为产品设计和用户经营必不可少的一环,但是,单从宏观的数据和指标分析中,有时很难做到深入理解用户的需求偏好和行为特征,用户群细分分析可以帮助产品经理和运营人员更深入地理解各细分人群的差异,以便用户产异化的产品设计或运营活动的投放,更好满足用户需求,提高用户粘性。

 

用户分析模型

 

 

用户分析模型是一种基础的分析模型,是产品经理、交互设计师了解用户目标和需求、与开发团队及相关人交流、避免设计陷阱的重要工具。

收集用户的各类信息,从收集的信息中我们可以清楚的了解到用户的属性信息、行为数据、环境数据。通过打通CRM数据、历史数据、业务数据、第三方数据,将用户的属性信息(性别、年龄、国家等)与用户的行为数据关联到一起;打通外部推广平台的数据,解决用户从哪儿来的问题;并打通不同产品平台的数据,实时同步用户行为数据,可实现真正的以用户为中心的统计和分析。

传统用户模型的构建方式


如何在尽快将产品推向用户的场景下构造用户模型


更适合互联网团队的构建用户模型方法


粘性分析模型

近些年来,移动互联网飞速普及,各式各样的APP如雨后春笋般出现,有的如昙花一现,有的却能持久收到人们的喜爱,其实归根结底,是一个用户留存和粘性的问题,因此,很多人都会有这样的一个疑问:如何提高用户粘性呢?

什么是客户粘性?


什么是粘性分析模型?


粘性分析是在留存分析的基础上,对一些用户指标进行深化,除了一些常用的留存指标外,粘性分析能够从更多维度了解产品或者某功能黏住用户的能力情况,更全面地了解用户如何使用产品,新增什么样的功能可以提升用户留存下来的欲望,不同用户群体之间存在什么样的差异,不同用户对新增的功能有何看法。

    粘性分析能够帮助更科学全面地评估产品及其功能情况,有针对性地制定留存策略。

【版权声明】本文为华为云社区用户原创内容,未经允许不得转载,如需转载请自行联系原作者进行授权。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。