資料分析
資料分析
學習並查詢相關資料分析資料,想在這裡記錄下來並分享給大家,希望和大家共同進步。
1、資料分析可以分為兩種:
- 技術型
- 業務型
2、基本工具
- Excel
主要掌握基本函式(如:LOOKUP檢視函式)、透檢視和切片器等內容。 - SQL
瞭解sql的基本語句,增刪改查,其中最重要的部分是查詢。 - Python
掌握numpy,pandas,matplotlib,seaborn等幾個常用的庫
3、在資料分析中,常用的8大模型
(1)使用者模型
不僅要知道使用者當下在想什麼,更要知道使用者背後在想什麼,以及使用者正在經歷著什麼。”
傳統使用者模型構建方式:
- 使用者模型:基於對使用者的訪談和觀察等研究結果建立,嚴謹可靠但費時;
- 臨時使用者模型:基於行業專家或市場調查資料對使用者的理解建立,快速但容易有偏頗。(缺乏時間,資源的情況下)
為了節省時間,降低風險,產品團隊往往儘快將產品推向使用者,快速試錯,在這種場景下如何構造使用者模型?
1)整理和收集已經獲得的任何可認知使用者的經驗和資料,將這些資訊對映成為使用者的描述資訊(屬性)或使用者的行為資訊,並儲存起來形成使用者檔案;
2)實時關注自身資料的波動,及時採取行動;
3)記錄使用者的行為資料而不是單純地為使用者打標籤;
4)360°覆蓋使用者全生命週期的使用者檔案。
使用者的每一步成長都通過行為記錄下來,基於使用者所在生命週期的不同階段,針對新使用者、流失使用者、活躍使用者、沉默使用者分別採取有針對性的拉新、轉化、留存等運營策略。
(2)事件模型
事件指的是使用者操作產品的一個行為,即使用者在產品內做了什麼事情,轉義成描述性語言就是“操作+物件”。事件分析是對使用者行為事件的指標進行統計、維度細分、篩選等分析操作。
事件分析能解決什麼問題:
- 產品和運營同學如何才能對網站每天的 PV、UV、DAU 等總體資料有一個直觀的把握,包括它們的數值以及趨勢?
- 面對複雜的資料,單從數字來看,不僅效率低下,而且難以直觀的發現資料背後所展現的趨勢,應該怎麼辦?
- 當做了第三方付費渠道推廣後,運營同學如何才能有效比較不同渠道帶來的流量?
(3)漏斗分析模型
漏斗分析是一套流程式的資料分析模型,通過將使用者行為起始的各個行為節點作為分析模型節點,來衡量每個節點的轉化效果,是轉化分析的重要工具。
通過漏斗分析可以從先到後的順序還原某一使用者的路徑,分析每一個轉化節點的轉化資料;
所有網際網路產品、資料分析都離不開漏斗,無論是註冊轉化漏斗,還是電商下單的漏斗,需要關注的有兩點。第一是關注哪一步流失最多,第二是關注流失的人都有哪些行為。
關注註冊流程的每一個步驟,可以有效定位高損耗節點。
(4)熱圖分析模型
反映使用者在網頁上的關注點在哪裡,尤其對於官網首頁來說,資訊密度極高,使用者究竟是如何點選,如何瀏覽的效果圖
按計算維度劃分,熱圖可以分為點選熱圖和瀏覽熱圖。
- 點選熱圖:追蹤的是滑鼠的點選情況,進行人數、次數統計並基於百分比進行熱力分佈,點選熱圖又分為兩種,一種是滑鼠的所有點選,一種是頁面可點元素的點選。前者可以追蹤頁面上所有可點選和不可點選位置的被點選情況,後者只追蹤頁面上可點選元素的點選情況。
- 瀏覽熱圖(也稱注意力熱圖)記錄的是使用者在不同頁面或同一頁面不同位置停留時間的百分比計算,基於停留時長。
熱圖分析模型中的新特性
1)面向特定人群的分析與人群對比
比如理財產品,投資使用者和未投資使用者關注點肯定不同
2)聚焦分析
點選率=點選次數/當前頁面的瀏覽次數
聚焦率=點選次數/當前頁面的點選總次數
應用場景
1)落地頁效果分析
2)首頁流量追蹤
3)關鍵頁體驗衡量(產品體驗和下載頁面)
(5)自定義留存分析模型
留存,顧名思義,就是使用者在你的產品中留下來、持續使用的意思,滿足某個條件的使用者,在某個時間點有沒有進行回訪行為。
留存是 AARRR 模型(Acquisition:獲取使用者、Activation:提高活躍度、Retention:提高留存率、Revenue:獲取收入、Refer:自傳播)中重要的環節之一,只有做好了留存,才能保障新使用者在註冊後不會白白流失。有時候我們光看日活(DAU),會覺得資料不錯,但有可能是因為近期有密集的推廣拉新活動,注入了大量的新使用者,但是留下來的使用者不一定在增長,有可能在減少,因為被新使用者數掩蓋了所以看不出來。
一般我們講的留存率,是指「目標使用者」在一段時間內「回到網站/App 中完成某個行為」的比例。常見的指標有次日留存率、七日留存率、次周留存率等。比如:某個時間獲取的「新使用者」 的 「次日留存率」常用來度量拉新效果。
(6)粘性分析模型
定義:對活躍使用者使用產品習慣的分析,例如一個月使用了幾天,使用大於一天,大於七天的使用者有多少,例如某些產品上線了新功能,使用者使用需要簽到,可以由此分析使用者的使用習慣,評估新功能的吸引力和健康度。
作用:使用留存分析,瞭解產品和功能黏住使用者的能力如何,使用者喜歡哪個功能,不同使用者在同一功能在適用上的差異,有助於科學評估產品,制定留存策略
舉例:股票APP,已投資使用者和未投資的使用者觸發功能[檢視股票市場]的次數
(7)全行為路徑分析模型
行為路徑分析分為漏斗分析和全行為路徑分析。與漏斗分析模型不同,漏斗分析模型是分析既定的行為轉化,例如電商產品,分析從檢視產品詳情到最終支付每一步的轉化率。而全行為路徑分析是對使用者在APP或網站的每個模組的流轉情況,挖掘使用者的訪問模式,從而優化產品或網站
一般可用樹形圖表現,一個線上培訓網站,使用者大都會開啟搜尋課程,所以需要優化搜尋課程。而在第一次搜尋課程後,使用者並沒有搜尋到想要的課程,又進行了第二次搜尋,因此可以將使用者搜尋頻率高的關鍵詞設定成可點選元素,連結到使用者使用頻率高的相關課程。引導使用者點選得到想要的結果
(8)使用者分群模型
分群是對某一特徵使用者的劃分和歸組,而分層,更多的是對全量使用者的一個管理手段,細分使用者的方法我們一直在用,比如RFM模型:
RFM模型是從使用者的業務資料中提取了三個特徵維度:最近一次消費時間、消費頻率、消費金額。通過這三個維度將使用者有效地細分為具有不同使用者價值及應對策略的群體。
另外四個使用者分群的維度:
1)使用者屬性:使用者客觀的屬性,描述使用者真實人口屬性的標籤,比如:年齡、性別、城市、瀏覽器版本、系統版本、操作版本、渠道來源等就是使用者屬性
2)活躍時間
3)做過,沒做過
4)新增於:何時新增使用者較多
相關文章
- 從零開始資料分析:一個資料分析師的資料分析流程
- 資料模型與資料分析模型
- 分析型資料庫:分散式分析型資料庫資料庫分散式
- 資料分析——numpy
- 資料分析: DataFrame
- 資料分析02
- 資料分析(1)
- 資料包分析
- 資料塊分析
- 廣告資料分析
- 資料分析--資料預處理
- 資料探勘的資料分析方法
- 資料分析 | 資料清理的方法
- 電商資料分析必備的4種資料分析方法
- 圖解資料分析 | 資料分析的數學基礎圖解
- 大資料、資料分析、資料探勘的差別大資料
- 資料分析案例--USDA食品資料庫資料庫
- WireShark資料包分析資料封裝封裝
- 資料分析價值——資料資訊圖
- Oracle資料庫資料物件分析(上)Oracle資料庫物件
- 網路資料分析:原始大資料大資料
- Oracle資料庫資料物件分析(轉)Oracle資料庫物件
- Python資料分析入門(十四):資料分析中常用圖Python
- 資料分析 | 用 SeaTable 表格快速統計分析訂單資料
- 【資料分析】抖音商家電話採集軟體資料分析
- 資料分析師招聘分析2.0
- 大資料安全分析大資料
- 資料分析雜談
- dcatadmin資料分析
- Oracle之分析資料Oracle
- 資料探勘方向分析
- 資料分析---pandas模組
- 資料分析之tableau
- 大資料分析師,比資料分析師厲害在哪大資料
- 從零開始資料分析01--什麼是資料分析
- 財務資料分析不可錯過的大資料分析平臺大資料
- 梳理資料需求,資料分析7大能力
- 資料分析基礎—3.1 認識資料