一、数据分析思考流程

　　· 抛出问题：哪个部门的谁想要分析什么问题?

　　· 寻找指标：哪些指标与想要分析的问题相关?

　　· 现状描述：这些指标的近期发展趋势如何?好还是坏?好坏的程度怎样?

　　· 定义标准：评价事物好坏的标准是什么?切忌想当然

　　· 监控异常：是否存在问题?短期还是长期问题?严重性怎样?

　　· 定位原因：内部还是外部因素?人为还是系统导致?政治、经济、社会、技术环境影响?

　　· 预测趋势：趋势向好还是向坏?有没有办法控制?如何控制?

　　· 总结建议：观望还是解决?哪个部门的谁来解决?如何解决?解决到什么程度?

　　二、量化指标处理

　　· 数据分析过程中寻找合适的指标是非常重要的环节，即量化处理，是将抽象的业务描述进行数字化，通过这些数字来衡量业务规模大小以及质量好坏

　　· 如果一个事物没法量化它，就没法理解它;如果没法理解它，就没法控制它;如果没法控制它，也就没法驱动业务增长

　　· 对于数据分析指标的定义，必须根据具体的业务场景来设计

　　三、用户行为指标

　　· 业务背景：

　　· 传统行业和互联网行业最大的区别就是用户行为指标。传统行业用户行为发生在线下的实体门店，只有用户在发生交易时，才能记录数据，所以较难量化处理

　　· 传统行业大部分数据都是交易数据，而互联网行业的载体是小程序、H5、APP，可以记录用户每个页面的操作记录，所以分析维度非常多

　　· 互联网行业用户行为分析模型主要为AARRR模型，拉新、促活、留存、转化、传播，也称海盗模型

　　1.拉新指标

　　· 业务背景：拉新是绝大多数互联网公司重要的任务，支出成本较高，所以公司对它的关注度很高

　　· 曝光量：

　　· 推广渠道的PV(Page View，访问次数，按浏览或点击量计数)

　　· 推广渠道的UV(Unique Visitor，独立访问次数，按用户电脑计数)

　　· 推广付费指标：按展示次数付费、按点击次数付费、按下载数量付费、按安装数量付费、按完成购买用户数或销售额付费

　　· 注册人数：新注册3天/7天/15天/30天的人数

　　· 注册转化率：从曝光到注册的转化率

　　· 注册消费率：消费人数比上注册人数

　　· 获客成本：有效注册人数比上广告成本

　　· 概括总结：衡量拉新渠道的质量好坏，获客成本的高低

　　2.活跃指标

　　· 业务背景：活跃指标也是日常关注的重点，用户活跃是一切业务的根本

　　· DAU(Daily Active User，日活跃用户数)：每天至少活跃1次的人数

　　· MAU(Monthly Active User，月活跃用户数)：每月至少活跃1次的人数

　　· 活跃率：DAU/总人数，MAU/总人数，活跃人数比上总人数

　　· 活跃时长：每次的活跃时长，每天的总活跃时长

　　· 概括总结：活跃指标反映用户的粘性程度，不同业务场景对活跃的定义不同，也有可能是登录、消费、某状态的持续时长等

　　3.留存指标

　　· 业务背景：留存指标通常是和拉新/活跃指标结合来看，因为留存指标存在表现期，所以过了表现期再统计才有业务意义

　　· 最近活跃时间：最近一次活跃的距今天数，越久越容易流失

　　· 留存人数：新注册3天/7天/15天/30天后仍活跃的人数

　　· 流失人数：达到流失标准(N天无活跃)

　　· 流失率：流失人数比上注册人数

　　· 概括总结：判断各个渠道/业务员的拉新质量和流失程度

　　4.转化指标

　　· 业务背景：转化通常是指付费，这是互联网行业流量变现的重要商业模式，主要关注：多少人买，花了多少钱，买了多少，是否重复购买，是否连续购买等

　　· 付费人数：统计时间内的付费人数

　　· 付费次数：统计时间内的付费次数

　　· 付费率：统计时间内的付费人数比上活跃人数

　　· 累积消费金额：统计时间内的累积消费金额

　　· 复购人数：统计时间内的重复购买人数

　　· ARPU(Average Revenue Per User)：活跃用户人均收益，收益/活跃用户人数

　　· ARPPU(Average Revenue Per Paying User)：付费用户人均收益，收益/付费用户人数

　　· 概括总结：转化指标的计算口径较多，比如细分到每个品类的首次购买、重复购买、连续购买，比如拆分到每个订单金额(单均金额)，每个商品平均金额(件均金额)等，用于区分用户高中低价值，判断用户的忠诚度

　　5.传播指标

　　· 业务背景：用户传播行为很多，比如转发内容/转发商品/推荐新用户注册等都是传播行为

　　· 传播行为的人数：转发内容/转发商品/推荐新用户注册的用户人数

　　· 传播行为的收益：新注册用户/商品购买/内容阅读等

　　· 传播率：传播行为的人数/活跃人数

　　6.风控指标

　　· 业务背景：除了AARRR，还有风险行为，用于判断用户的风险操作，不同业务场景对风险的定义不同，比如电商场景的刷单、薅羊毛，游戏场景的外挂，金融场景的欺诈交易等

　　· 评价指标：评价数、评价并上传图片数、评价率、好评率、差评率

　　· 投诉指标：

　　· 申诉量、申诉比例，按用户数或订单数口径

　　· 投诉量、投诉比例，按用户数或订单数口径

　　· 申诉后发起投诉的比例

　　· 申诉后撤销投诉的比例

　　· 申诉(异议)，投诉(维权)

上一篇

小白学Java之Eclipse简介

下一篇

Python基础教程-Python简介