电商数据分析实战 | 您所在的位置:网站首页 › 用户画像基础数据分析 › 电商数据分析实战 |
1、定义和背景1.1 用户行为是什么 用户行为是用户在产品上产生的行为。用户行为分析,说白了就是从各个维度去看用户对于产品在某些指标上的反馈。 1.2 用户行为分析的前提![]() 互联网金融、新零售、供应链、在线教育、银行、证券等行业的产品,以数据为驱动的用户行为分析尤为重要。 用户行为分析的目的是:推动产品迭代、实现精准营销,提供定制服务,驱动产品决策。 对产品而言,帮助验证产品的可行性,研究产品决策,清楚地了解用户的行为习惯,并找出产品的缺陷,以便需求的迭代与优化。 对设计而言,帮助增加体验的友好性,匹配用户情感,细腻地贴合用户的个性服务,并发现交互的不足,以便设计的完善与改进。 对运营而言,帮助裂变增长的有效性,实现精准营销,全面地挖掘用户的使用场景,并分析运营的问题,以便决策的转变与调整。 总体来说的目的: 一是增加用户的粘性,提升用户的认知度; 二是促进用户的活跃,诱导用户的参与度; 三是提高用户的价值,培养用户的忠诚度 2、用户行为分析方法论![]() ![]() ![]() ![]() ![]() 文档示例: ![]() · 前端埋点:URL(例如H5)后缀加参数、触发时间加参数。(前端埋点分为全埋点和代码埋点。) · 后端埋点:请求接口加参数(就是服务器请求接口,因为每一个APP操作的时候对应的是服务器上的响应,服务器上有响应的时候,通俗来讲就是代码里写的定义函数,定义函数时添加埋点,就是在函数里多添加一些参数值,这些参数就可以在用户请求时,将数据发到相应服务器里)。 通常用后端埋点获得的数据验证前端数据。 3.4 可视化埋点(全埋点)全埋点的可视化埋点,是前端埋点,无需代码,通常是指用户通过设备连接用户行为分析工具的数据接入管理界面,对可交互且交互后有效果的页面元素(如:图片、按钮、链接等),直接在界面上进行操作实现数据埋点,下发采集代码生效回数的埋点方式。 埋点分为代码埋点和可视化埋点。两种方式的比较如下: ![]() 可视化埋点(全埋点)不足点: ①业务属性数据。例如,订单号、金额、商品数据量等,通常需要调用后台的接口,可视化埋点在这方面的支持有限;尤其国内地安卓基本上不是“原装”的,开发没有统一的规范,除非每个厂商一套策略,否则靠可视化埋点很难获取这部分数据;并且每个厂商一套策略,搞不好监测的SDK比应用都大,就太不友好了。 ②伪用户刷数据。国内山寨机的数量很大,个别山寨机甚至一批机器一个IMEI,这种灰色地带的数据监测,目前并没有具备可行性的可视化埋点方案。 ③用户平台较多。网页、APP和小程序的开发“流派”很多,各有特色;但对于可视化埋点而言,就是开发没有统一规范,导致某些场景下监测不到或监测准确性不足。例如,一些前端架构不完善的公司的新手前端程序员,经常忘记给元素加ID或者CLASS等起标识作用的属性,导致自己维护麻烦,监测也麻烦。 就目前技术来讲,可视化埋点并不能使数据采集到达最完美的状态,虽然它可以提升效率,但满足不了所有场景的数据采集。 从使用角度来说,如果是急于需要使用数据,人力资源又紧张的情况下,可视化埋点就是最后的选择。如果紧急度不高,且人手充足的情况下,则可以考虑代码埋点。 叮~小编提醒你,作为码字工作者,该护眼啦!下方链接产品,实测好物!不用自己动手按摩的护眼仪,智能仿人手揉捏,恒温42℃,简直不要太舒服。听着自带的轻音乐,享受热敷按摩,不管是办公室午休还是旅行路上,它都是一个不错的选择哦。 4、用户行为分析的路径4.1 数据采集如果没有足够、准确、实时的数据,再好的分析思维都没有用。数据采集通常采用可视化埋点(即全埋点)、SDK埋点、JS埋点、日志数据、历史数据导入等方式。需要获得最准确的数据,推荐SDK埋点、服务器数据传输工具。 4.2 数据存储打通用户数据源,建立统一的数据仓库。对用户属性数据与用户行为数据进行清洗、统一定义。用户行为相关的数据,需要满足4W1H的描述,即谁、在什么时间、以什么方式、在哪里、做了什么,描述这些信息的,就是用户id、设备号、访问ip、时间、时长、点击等数据的记录。有了这些信息,就可以去分析why,即用户行为背后的原因。 4.3 分析模型用户分群、多维分析、漏斗分析、留存分析、事件分析、行为路径分析、行为序列分析。需要根据实际业务场景,进行灵活搭配使用。 4.4 报表创建对于团队发展不同阶段,创建统一的关键指标,指引团队前进。而对运营、产品、市场,各自创建常用的报表,对关键数据进行持续性监控。比如市场关注渠道转化漏斗,产品、运营关注用户留存、活跃、关键行为事件。但对应的,都是在公司统一的最关键指标基础下。比如新产品上线,先关注天使用户对产品的响应,发展阶段关注用户增长、病毒传播情况,稳定阶段快速激活用户付费等。 4.5 应对策略在数据分析基础上,做针对性用户调研、用户访谈,找出相关性背后的原因,制定相应策略。 5、用户行为数据讲解![]() ![]() ![]() ①删除重复数据 ②删除空值 ③删除异常值数据 7、用户行为分析数据指标粘性指标:主要关注用户周期内持续访问的情况。比如:新用户量与比例——2个数据指标、新用户比率=新用户量/活跃用户量;活跃用户量、用户转化率(业务层面中从浏览到订单支付的转化);用户留存率、用户流失率(从时间序列维度来看用户的活跃情况) 活跃指标:主要考察的是用户访问的参与度。比如:活跃用户、新增用户、回访用户、流失用户、平均停留时长、使用频率等。 产出指标:主要衡量用户创造的直接价值输出。比如:页面浏览数PV、独立访客数UV、点击次数、消费频次、消费金额等。 8、如何进行用户行为分析![]() 作用:行为事件分析方法主要用于研究某行为事件的发生对产品的影响以及影响程度。 应用场景:针对某一具体行为,进行深度下钻分析,分析维度全面细致,确认导致该行为的原因;针对某一结果现象,回溯可能造成此现象的行为是什么。例如:查看功能模块的渗透率,回溯点击该功能和不点击该功能的用户有什么行为差别。 涉及的数据指标:每个产品根据产品特性,会有不同的行为事件和筛选维度,但基本涵盖了该业务需要的所有数据指标维度,进行前期数据规划中,需要对可分析事件进行全量数据埋点。后期平台运营过程中,将依赖于前期的数据采集规划。 /* 参考样例 */ select dt,count(*) as PV,count(distinct user_id) as UV from user_action where dt >= '2021-01-01' and dt |
CopyRight 2018-2019 实验室设备网 版权所有 |