随着大数据在社会越来越普及,对其研究也越来越深入,大数据已经不再是一个时尚的名词,而是一项实实在在的技术。中培教育《大数据分析及可视化技术应用实战》谢老师指出,目前很多人在研究大数据应用方面还存在很多盲区和误区,这也会对大数据的认识与应用带来阻碍。谢老师作为该领域的权威专家,在这里就大数据应用与研究过程中应该注意的问题进行了详细介绍。
1. 明确数据分析的目的
做数据分析,必须要有一个明确的目的,知道自己为什么要做数据分析,想要达到什么效果。比如:为了评估产品改版后的效果比之前有所提升;或通过数据分析,找到产品迭代的方向等。
明确了数据分析的目的,接下来需要确定应该收集的数据都有哪些。
2. 收集数据的方法
说到收集数据,首先要做好数据埋点。
所谓“埋点,个人理解就是在正常的功能逻辑中添加统计代码,将自己需要的数据统计出来。
目前主流的数据埋点方式有两种:
第一种:自己研发。开发时加入统计代码,并搭建自己的数据查询系统。
第二种:利用第三方统计工具。
常见的第三方统计工具有:
网站分析工具
Alexa、中国网站排名、网络媒体排名(iwebchoice)Google Analytics、百度统计
移动应用分析工具
FlurryGoogle Analytics、友盟、TalkingDataCrashlytics
不同产品,不同目的,需要的支持数据不同,确定好数据指标后,选择适合自己公司的方式来收集相应数据。
3. 产品的基本数据指标
新增:新用户增加的数量和速度。如:日新增、月新增等。
活跃:有多少人正在使用产品。如日活跃(DAU)、月活跃(MAU)等。用户的活跃数越多,越有可能为产品带来价值。
留存率:用户会在多长时间内使用产品。如:次日留存率、周留存率等。
传播:平均每位老用户会带来几位新用户。
流失率:一段时间内流失的用户,占这段时间内活跃用户数的比例。
4. 常见的数据分析法和模型
这里主要科普下漏斗分析法和AARRR分析模型。
漏斗分析法
用来分析从潜在用户到最终用户这个过程中用户数量的变化趋势,从而寻找到最佳的优化空间,这个方法被普遍用于产品各个关键流程的分析中。
AARRR模型
这个是所有的产品经理都必须要掌握的一个数据分析模型。
AARRR(AcquisitionActivationRetentionRevenueRefer)是硅谷的一个风险投资人戴维 · 麦克鲁尔在2008年时创建的,分别是指获取、激活、留存、收入和推荐。
5. 常见的数据分析法和模型
在上篇提到的漏斗分析法和AARRR模型外,这里再补充一个:交叉分析法。
交叉分析法:通常是把纵向对比和横向对比综合起来,对数据进行多角度的结合分析。
举个例子:
a. 交叉分析角度:客户端时间
从这个数据中,可以看出iOS端每个月的用户数在增加,而Android端在降低,总体数据没有增长的主要原因在于Android端数据下降所导致的。
那接下来要分析下为什么Android端二季度新增用户数据在下降呢一般这个时候,会加入渠道维度。
b. 交叉分析角度:客户端时间渠道
从这个数据中可以看出,Android预装渠道占比比较高,而且呈现下降趋势,其他渠道的变化并不明显。
因此可以得出结论:Android端在二季度新增用户降低主要是由于预装渠道降低所导致的。
所以说,交叉分析的主要作用,是从多个角度细分数据,从中发现数据变化的具体原因。
6. 如何验证产品新功能的效果
验证产品新功能的效果需要同时从这几方面入手:
a. 新功能是否受欢迎
衡量指标:活跃比例。即:使用新功能的活跃用户数/同期活跃用户数。
使用人数的多少还会受该功能外的很多因素影响,千万不可只凭这一指标判断功能好坏,一定要结合下面的其他方面综合评估。
b. 用户是否会重复使用
衡量指标:重复使用比例。即:第N天回访的继续使用新功能的用户数第一天使用新功能的用户数。
c. 对流程转化率的优化效果如何
衡量指标:转化率和完成率。转化率即:走到下一步的用户数/上一步的用户数。完成率即:完成该功能的用户数走第一步的用户数。
这个过程中,转化率和完成率可以使用(篇中提到的漏斗分析法进行分析。
d. 对留存的影响
衡量指标:留存率。用户在初始时间后第N天的回访比例,即:日留存率。常用指标有:次日留存率、日留存率、21日留存率、30日留存率等。
e. 用户怎样使用新功能
真实用户行为轨迹往往比我们设想的使用路径要复杂的多,如果使用的数据监测平台可以看到相关数据,能引起我们的反思,为什么他们会这么走,有没有更简便的流程,以帮助我们作出优化决策。
7. 如何发现产品改进的关键点
产品改进的关键点,是藏在用户的行为中。想要找到这些关键点,除了通过用户调研、访谈等切实的洞察用户外,在产品中设置相关数据埋点记录用户的行为,观察其行为轨迹,不能完全替代洞察用户的行为,不过也可以有助于决策产品改进点。