大数据

详解大数据分析的相关细节

2017-01-19 11:52:55 | 来源:中培企业IT培训网

大数据的应用是一个非常系统和复杂的工作,中培伟业《大数据分析及可视化技术应用实战》培训专家钟老师在这里详细介绍了大数据分析应注意的细节问题。

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

漏斗分析法。这种方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。

当然,上面这是我们设计的一种理想化的漏斗模型,数据有可能是经过汇总后得出的。而真实的用户行为往往可能并不是按照这个简单流程来的。此时需要分析用户为什么要经过那么复杂的路径来达到最终目的,思考这中间有没有可以优化的空间。

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。

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。

标签: 大数据应用