中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導語：大家是否知道，什么是流量數據？為什么要做流量數據分析體系？又該怎樣做流量數據分析體系呢？本文作者圍繞這三個問題，為我們做出了詳細地解答，讓你知道關于流量分析體系的那點事。

1. 什么是流量數據

流量數據主要以用戶訪問產品/頁面時，從啟動到使用產品等一系列的過程都會產生許多流量數據。流量數據定義為用戶訪問產品時/頁面時產生的數據，需要企業通過數據采集來獲取數據。

2. 為什么要做流量數據分析體系

當前市面上居高不下的獲客成本，對于新用戶，可能僅打開一次app就流失。監測流量數據，診斷數據異常，改善業務邏輯，促進產品收益。

3. 怎樣做流量數據分析體系

用戶訪問產品/頁面時，從啟動到使用產品等一系列的過程都會產生許多流量數據。流量數據大 都通過埋點上報產生，通過數據處理與加工形成質量高、易于分析的數據資產，經過數據分析為決策提供數據支持與洞見。

3.1 數據生產

3.1.1 業務需求——埋點數據需求

組里的DA同學收到的業務訴求常常是“期望能這個功能的使用情況”等，而此時如果僅給出一個功能使用uv、pv，是不夠的，需要全方面的了解業務訴求，并將其抽象為埋點需求。

面對“期望能這個功能的使用情況”業務需求時，需要了解：

1. 業務的短、中、長期戰略，e.g.中長期戰略為用戶下沉；
2. 為什么上線這個功能；
3. 這個功能可能會影響其他功能。

了解后，根據業務背景、需求、目的，將其抽象為“埋點需求”。

1. 業務的短、中、長期戰略，e.g.中長期戰略為用戶下沉，用戶下沉使用城市等級、收入金額等來劃分；
2. 為什么上線這個功能：了解到是為了提高用戶粘度，需要監測使用該功能的用戶留存、活躍天數。并通過對比分析得到與其他功能的差異表現；
3. ?這個功能可能會影響其他功能： 獲得與該功能可能相斥的功能點，監測數據表現，避免“業務預期外”的侵蝕現象；獲取期望相輔的功能點，監測數據表現，避免“出乎意料”。

3.1.2 埋點設計

設計埋點需求前，需要了解下事件模型（who、when、where、how、what），基于事件模型全方面的刻畫埋點。

3.1.2.1 埋點要素

WHO：

即誰參與了這個事件，唯一標識（設備/用戶id），可以是匿名的設備id（idfa\idfv\android_id\imei\cookie）、也可以是后臺生成的賬戶id（user_id,uid）、也可以是其他【唯一標識】。

現在很多公司都有自己的唯一設備id（基于某個策略產生的唯一標識），e.g.阿里有OneId。埋點時，該參數通常使用 業務所用的唯一id；在埋點設計文檔中，如果沒有特殊處理，無需特別聲明。

WHEN：

即這個事件發生的實際時間。

該時間點盡可能精確，有利于行為路徑分析行為排序，像神策會精確到毫秒。如果公司內已有數據統計sdk且該埋點使用，則無需特別說明。

WHERE：

即事件發生的地點。

可以通過ip地址解析國家、省份、城市；如果期望更細致的數據，如果住宅、商業區等，需要額外地理信息數據庫來做匹配。地點信息和時間信息一樣，是每一個行為事件都需要上報的信息，基本上會是統計sdk的預設字段，也無需特別說明。

HOW：

即用戶用某種方式做了這個事件，也可以理解為事件發生時的狀態。

這個包括的就比較多，可以是進入的渠道、跳轉進來的上級頁面、網絡狀態（wifi\4g\3g）、攝像頭信息、屏幕信息（長x寬）等。

而如使用的瀏覽器/使用的App，版本、操作系統類型、操作系統版本、進入的渠道等 經常設置為“預設字段”，也無需特別說明。

WHAT：

即用戶做了什么，結合用戶行為/操作以及業務所需的數據粒度，需要通過埋點盡可能詳細的描述清楚行為，也是埋點設計文檔最為重要的部分。

如搜索（搜索關鍵字、搜索類型）、觀看（觀看類型、觀看時長/進度、觀看對象（視頻id））、購買（商品名稱、商品類型、購買數量、購買金額、 付款方式）等等。

3.2.2.2 埋點示例

以“啟動”事件、“播放”事件為例，設計埋點。

3.1.3 埋點開發

埋點在形式上，支持代碼埋點、可視化埋點、全埋點。代碼埋點時，可以客戶端埋點，也可以服務端埋點；統計SDK，APPSDK、webSDK、小程序SDK、H5SDK等。

可視化埋點、全埋點背后對應的是統計SDK針對“某些事件”的自動上報，埋點開發相關知識點可以查看歷史文章。

統計SDK是埋點開發提效的工具，填寫需要上報的參數即可，統計SDK的格式大都基于事件模型，較為通用的事件模型可以參考神策分析。

3.1.4 埋點測試驗收

埋點測試驗收，需要從邏輯、數據 兩方面測試驗收，以確保埋點的正確性、順序性、完整性。

• 正確性：確認數據是否上發，并檢查上方數據內容格式是否與需求文檔一致；
• 順序性：數據上報的順序正確，間接性驗證埋點代碼的正確性；
• 完整性：針對各場景均需要測試，確保不同來源、不同場景下均有數據上報。

埋點平臺通常均有針對性測試的模塊，像umeng可以注冊測試設備后，查看埋點的測試數據，埋點上線后也需要進一步觀察數據是否有異常。

3.2 流量數據的加工

3.2.1 數據質量的保障

經過數據處理的埋點數據，需要保障 完整性、準確性、一致性、及時性。

• 完整性：完整性是指數據的記錄和信息是否完整，是否存在數據缺失情況，是數據質量最基礎的保障；
• 準確性：指數據中記錄的信息和數據是否準確、是否存在異?；蛘咤e誤的信息；
• 一致性：指在多處數據記錄中，數據一致；
• 及時性：保障數據的及時產出才能體現數據的價值。

3.2.2 數據模型

有了埋點數據，通過數據處理，該過程就不詳細講了。

數據標準化后，通常會存在于三張表：事件表；用戶屬性表；目標對象表（三張表僅是按照使用表的目的而言，為了提高查詢效率等，通常會將三張表按照事件過程再拆分）。

基于這三張表的查詢模型，將可以支持一般數據量級的各種分析模型，超大數據量下查詢速度會降低，如需提高查詢速度，則需要通過存儲換查詢，例如將高頻查詢結果進行緩存、設置數據加速等。

• 事件表：每條記錄描述一個用戶在某個時間點、某個地方、以某種方式完成某個具體的事件；
• 用戶屬性表：主體為用戶，每一個用戶有一條記錄，屬性包括了用戶屬性（包括平臺、網絡、服務商、手機型號、地域等等自然屬性；也包括用戶等級、是否為大V等非自然屬性），通過用戶可以關聯到事件表分析。
• 目標對象表：主體為目標對象，目標對象通常是一個業務的主要載體，比如短視頻APP，目標對象為視頻（id），通過目標對象可以關聯事件表分析。

3.3 流量數據的應用

3.3.1 常用流量分析

3.3.1.1 事件分析

事件分析法常用語研究某行為事件的發生 對產品價值的影響以及影響程度，通過研究與事件相關的所有因素來分析用戶行為事件變化的原因。

在日常工作中，運營、市場、產品、數據分析師等不同角色的業務同學，常常根據實際工作情況關注不同的事件、以及事件對應的指標。

例如：上周來自北京的用戶拍攝視頻的去重用戶數是多少？

事件分析是圍繞事件表而來的。描述的是一個用戶在某個時間點、某個地方、以某種方式完成某個具體的事件。

3.3.1.2 漏斗分析

漏斗分析重在過程，現代營銷觀念也認為控制了過程就控制了結果。漏斗分析是流程分析，它能夠反應從起點至終點各階段用戶轉化情況。

狹義上是以用戶為單位將步驟串聯起來，進入后續步驟的用戶，一定是完成了該漏斗前序步驟。廣義上的漏斗分析，僅僅是用漏斗這種形態來描述，即將液體從大口導入，從小口漏出。

例如一款游戲產品 用戶從激活到購買皮膚：激活app、注冊賬號、進入游戲、玩游戲、購買皮膚。

漏斗分析應用：

（1）全流程監控轉化過程：對于業務流程相對規范、周期較長、環節較多的流程分析，能夠直觀地發現問題。

多維度切分找到低轉化的問題點——這里以廣告的點擊，因而關注“廣告的曝光->點擊”的漏斗分析。

（2）通過對比不同渠道的該漏斗過程，可以找到最佳投放廣告的渠道：如下圖展示可以看到baidu的總體轉化率高于全部 6個點，明顯優質。當然實際的場景中，還需要結合更多的價值衡量標準來篩選優質渠道。

（3）對比分析不同用戶群體的漏斗，從差異角度找優化點。這里以新增用戶的關鍵行為轉化過程為例，通過漏斗分析找到用戶群體的差異性，再根據差異性做更細粒度的引導。

關鍵行為的轉化漏斗如下“啟動app->登錄->進入直播間->直播互動->送禮物”，通過對比查看不同國家，發現中國與總體在后兩個轉化中差異大于1%，尤其是在進入直播間->直播互動，當然差異的背后還可以進一步的洞察，更好的利用這個差異點。

3.3.1.3 留存分析

留存分析是一種用來分析用戶參與情況的分析模型，考察進行初始行為的用戶中有多少人會進行后續行為，能有效衡量產品對用戶價值。

通過留存分析，延長用戶的生命周期，增加每一個用戶生命周期價值。針對新用戶，可以描述出由不文明的那個的用戶轉化為活躍用戶、穩定用戶、忠誠用戶的過程。

留存分析可以：

（1）了解新用戶的同期群

上周上線了新版本，目的是提升新用戶留存，通過對比上線前的同期群留存表現，發現新版本沒有明顯變好。

（2）找到目標用戶

長期留存的用戶是忠實度較高的用戶，反過來可以結合用戶屬性分析得到“什么樣”的用戶，自身留存較好。

（3）找到用戶視角的產品核心價值

同一批用戶，通過什么樣的行為后，留存提升了。

留存分析在衡量用戶粘度的時候，還需要結合用戶訪問天數（一定周期內），留存相同的工具型、內容型產品，通常工具型的用戶訪問天數低于內容型的。

3.3.1.4 路徑分析

app日志按照用戶的使用過程、使用頻率，可以呈現出“明確的”用戶現存路徑。通過路徑的指標表現，發現路徑問題，使用戶盡可能短路徑體驗到產品核心價值。

路徑分析可以：

（1）在路徑分析中，常常會發現產品/運營設計之外的使用路徑，尤其是發生在大型產品上。產品、運營均清楚自己負責的模塊，與其他模塊的配合協作過程較模糊，甚至不清晰。

此時的第一反應是“用戶的真實操作是這樣么？怎么會，超出了我當前自己產品的認知”?；谑录氖滦驍祿故?，將能夠解決這個問題。

（2）多維度切分找到關鍵路徑上的用戶群體：如上發生A->B路徑的用戶有誰？他們在對應時間點是如何使用產品的，是在怎樣的網絡條件下？

（3）此外，路徑分析還可以用來展示用戶流向，操作A行為的用戶中有多少流失了，又有多少操作了其他行為，其他行為的占比達致為多少？

3.3.2 報表

流量數據多以報表形式展示。清晰的展示展示關鍵數據，完整的描述數據故事，往往對看板制作有較高要求。

流量數據具有標準的數據結構，這有助于提高流量數據看板制作的效率——通過沉淀常用數據數據分析模型的圖表，快速形成看板。

3.3.3?行為標簽

行為標簽數據是用戶畫像、用戶分群的基礎數據，而流量數據是行為標簽的主要數據來源。行為標簽由于處理方式不同，分為以下幾種：

• 事實標簽：通常也稱為規則標簽，是基于用戶行為數據和規則產生的標簽，e.g. 無效用戶—“APP啟動后沒有使用核心功能”；新增用戶—“7日內的新增”；
• 模型標簽：是通過數據模型得到的標簽，e.g. 消費能力高；
• 預測標簽：和模型標簽一樣，也是通過模型得到，但不同的是預測標簽是對未來的預估，e.g. 潛在流失用戶。

本文由 @cecil 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議