什麽是流量數據？為什麽要做流量數據分析體系？又該怎樣做流量數據分析體系呢？讀懂這篇文章就夠了。1.什麽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壹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.為什麽要做流量數據分析體系當前市面上居高不下的獲客成本，對於新用戶，可能僅打開壹次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壹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、易於分析的數據資產，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——埋點數據需求組裏的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，而此時如果僅給出壹個功能使用uv、pv，是不夠的，需要全方面的了解業務訴求，並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：業務的短、中、長期戰略，e.g.中長期戰略為用戶下沈；為什麽上線這個功能；這個功能可能會影響其他功能。了解後，根據業務背景、需求、目的，將其抽象為“埋點需求”。業務的短、中、長期戰略，e.g.中長期戰略為用戶下沈，用戶下沈使用城市等級、收入金額等來劃分；為什麽上線這個功能：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。並通過對比分析得到與其他功能的差異表現；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），基於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，唯壹標識（設備/用戶id），可以是匿名的設備id（idfa\idfv\android_id\imei\cookie）、也可以是後臺生成的賬戶id（user_id,uid）、也可以是其他唯壹標識。現在很多公司都有自己的唯壹設備id（基於某個策略產生的唯壹標識），e.g.阿裏有OneId。埋點時，該參數通常使用業務所用的唯壹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，有利於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壹樣，是每壹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：即用戶做了什麽，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、全埋點背後對應的是統計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的格式大都基於事件模型，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，並檢查上方數據內容格式是否與需求文檔壹致；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可以註冊測試設備後，查看埋點的測試數據，埋點上線後也需要進壹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、壹致性、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、是否存在異常或者錯誤的信息；壹致性：指在多處數據記錄中，數據壹致；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。數據標準化後，通常會存在於三張表：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）。基於這三張表的查詢模型，將可以支持壹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：每條記錄描述壹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，每壹個用戶有壹條記錄，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，目標對象通常是壹個業務的主要載體，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註不同的事件、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。描述的是壹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漏鬥分析漏鬥分析重在過程，現代營銷觀念也認為控制了過程就控制了結果。漏鬥分析是流程分析，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，進入後續步驟的用戶，壹定是完成了該漏鬥前序步驟。廣義上的漏鬥分析，僅僅是用漏鬥這種形態來描述，即將液體從大口導入，從小口漏出。例如壹款遊戲產品用戶從激活到購買皮膚：激活app、註冊賬號、進入遊戲、玩遊戲、購買皮膚。漏鬥分析應用：（1）全流程監控轉化過程：對於業務流程相對規範、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——這裏以廣告的點擊，因而關註“廣告的曝光->點擊”的漏鬥分析。（2）通過對比不同渠道的該漏鬥過程，可以找到最佳投放廣告的渠道：如下圖展示可以看到baidu的總體轉化率高於全部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鬥，從差異角度找優化點。這裏以新增用戶的關鍵行為轉化過程為例，通過漏鬥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。關鍵行為的轉化漏鬥如下“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，發現中國與總體在後兩個轉化中差異大於1%，尤其是在進入直播間->直播互動，當然差異的背後還可以進壹步的洞察，更好的利用這個差異點。3.3.1.3留存分析留存分析是壹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後續行為，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，增加每壹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“什麽樣”的用戶，自身留存較好。（3）找到用戶視角的產品核心價值同壹批用戶，通過什麽樣的行為後，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（壹定周期內），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於內容型的。3.3.1.4路徑分析app日誌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。此時的第壹反應是“用戶的真實操作是這樣麽？怎麽會，超出了我當前自己產品的認知”。基於事件的事序數據展示，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，這有助於提高流量數據看板制作的效率——通過沈澱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。行為標簽由於處理方式不同，分為以下幾種：事實標簽：通常也稱為規則標簽，是基於用戶行為數據和規則產生的標簽，e.g.無效用戶—“APP啟動後沒有使用核心功能”；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：和模型標簽壹樣，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。
上一篇:為什麽現在那麽多老人被騙保健藥品？下一篇:防腐劑的種類