| 数据分析中的度量和维度 | 您所在的位置：网站首页 › 电商数据维度和定义 › 数据分析中的度量和维度 |
|
Catalogue
1. 写在前面2. 指标2.1. 市场营销指标2.2. 产品运营指标2.2.1. AARRR2.2.2. RARRA2.3. 用户行为2.4. 电子商务指标2.4.1. 购物篮分析2.5. 流量指标2.6. 指标生成3. 维度3.1. 时间维度3.1.1. 纵比3.1.2. 横比4. 总结
摘要 通过业务指标，了解数据分析中的度量和维度到底是什么？ 写在前面数据分析和运营脱离不开关系。业务的洞悉决定了数据分析结果的上限，数据技巧只是逼近它。so，每个数据分析都应该洞察业务指标。本文将记录下学习指标和维度的基本认知，并了解在不同的业务场景下的一些指标。 指标通俗来讲，指标是量化衡量的标准，或者说是衡量事物发展程度的单位或方法，也称为度量。例如：人口数、GDP、收入、用户数、利润率、留存率、覆盖率等。很多公司都有自己的KPI指标体系，就是通过几个关键指标来衡量公司业务运营情况的好坏。 指标可以分为绝对数指标和相对数指标，绝对数指标反映的是规模大小的指标，如人口数、GDP、收入、用户数，而相对数指标主要用来反映质量好坏的指标，如利润率、留存率、覆盖率等。在分析一个事物发展程度就可以从数量跟质量两个角度入手分析，以全面衡量事物发展程度。 而一般指标用于衡量事物发展程度，那这个程度是好还是坏，需要通过不同维度来进行对比，才能知道是好还是坏。基本上，在数据分析中指标(度量)与维度都是配合使用来对需求进行分析。 市场营销指标客户/用户生命周期 生命周期：企业/产品和消费者在整个业务关系阶段的周期 不同业务划分的阶段不同。 传统营销中，分为：潜在用户、兴趣用户、新客户、老/熟客户、流失客户 用户价值 用户价值有不同的评估方式 指数法 例如：用户贡献 = 产出量 / 投入量 * 100% 或者金融行业的：存款 + 贷款 + 信用卡 + 年费 + … - 风险 - 流失 RFM模型 RFM模型：指用户生命周期中，衡量客户价值的立方体模型。 根据RFM模型将用户划分成多个群体，需要注意的是：MF是在同时间区间内的数据 R ：最近一次消费时间 M ：同时间区间内的总消费金额 F ：同时间区间内的消费频次 用户分群 用户分析也就是所谓的营销矩阵，类似于多维度分析和象限法 它是市场营销中的一种常见策略，在提取用户的几个核心维度后，并用象限法将其归纳和分类 产品运营指标 AARRRAARRR模型是进行用户分析的经典模型，是一个典型的漏斗结构。它从生命周期的角度，描述了用户进入平台需经历的五个环节，最终获取商业价值 Acquisition：用户获取 渠道到达量：俗称曝光量。有多少人看到了产品推广相关的线索 渠道转化率：有多少用户因为曝光而心动Cost Per，包含CPM、CPC、CPS、CPD、CPT等 渠道ROI：推广营销的熟悉KPI，投资回报率，利润 / 投资 * 100% 日应用下载量：app的下载量，这里指点击下载，不代表下载完成 日新增用户数：以用户注册提交资料为基准 日新增用户数：以用户注册提交资料为基准 获客成本：为获取一个用户需要支付的成本 一次会话用户数占比：指新用户下载完app，仅打开过产品一次，且该次使用市场在两分钟以内 Activation：用户活跃 日 / 周 / 月活跃用户应用下载量：活跃标准是用户用过产品 活跃用户占比：活跃用户数在总用户数的比例，衡量的是产品的健康程度 用户会话session次数：用户打开产品操作和使用，知道推出产品的整个周期。5分钟内没操作默认会话操作结束。 用户访问时长：一次会话的持续时间 用户平均访问会话次数：一段时间内的用户平均产生会话次数 Retention：用户留存 用户在某段时间内使用产品，过了一段时间后仍旧继续使用的用户 次日留存率 七日留存率 Revenue：营收 付费用户数：花了钱的 付费用户数占比：每日付费用户占活跃用书数比，液可以计算总付费用户占总用户数比 ARPU：某时间段内每位用户平均收入（支付金额） ARPPU：某时间段内每位付费用户平均收入，排除了未付费的 客单价：每一位用户平均购买商品的金额。销售总额 / 顾客总数 LTV：用户生命周期价值，和市场营销的客户价值接近，经常用在游戏运营和电商运营中 LTV = ARPU * 1 / 流失率 Refer：传播 K因子：每一个用户能够带来几个新用户。(K因子 = 用户数 * 平均邀请人数 * 邀请转化率) 用户分享率：某功能 / 页面中，分享用户数占浏览页面人数之比 活动 / 邀请曝光量：线上传播活动中，该页面被人浏览的次数。 RARRARARRA模型是基于AARRR模型基础上重新定义的一种增长模型，因为传统的增长模型，在现在的市场环境下，其实很容易让企业偏离初心，不去追求产品带给用户的核心价值，而是去追求一些无意义的虚荣指标，进而迅速走向衰亡。而RARRA模型恰好符合产品的核心价值一定是体现在用户留存上的这一定律。 用户留存Retention：为用户提供价值，让用户回访 提高用户留存是产品增长的基础。故第一步，评估产品当中当前留存率情况和主要用户流失节点，进而提高用户留存 计算你的N天留存率，以查看有多少用户返回你的产品并准确确定用户主要流失节点，从而进行集中优化和改善用户激活Activation：确保新用户在首次启动时看到你的产品价值 有效的用户引导可以帮助用户花更少的时间搞清楚如何使用你的产品 简单的演练和可视化提示，帮助用户尽快体验产品价值和优势，加快用户激活 需要注意的是：好的用户引导应该保持简单，而不是覆盖每一个功能，过于繁琐 用户推荐Referral：让用户分享、讨论你的产品 通过激励手段，让已经留存下来的忠诚用户将你的产品推荐给周边的用户，达到快速扩展你的用户群的目的并为潜在用户同样提供激励措施 此外，用户推荐的每次获客成本通常比其他渠道的获客成本要低得多，推荐用户的留存率通常也会更高。 例如病毒式营销 — 通过为当前用户和推荐用户提供现金返还或折扣券/优惠券等推荐奖励机制 商业变现Revenue：一个好的商业模式是可以赚钱的 客户的留存时间越长，他们对你的业务的价值就越大，可以带来提供稳定、可预测的收入增长。 可以通过提高用户的终身价值来提高留存时间 识别追加销售和交叉销售机会； 了解用户的需求可以帮助你确定路线图的优先顺序，从而专注于实际促进用户留存和业务增长的方面 用户拉新Acquisition 鼓励老用户带来新用户 通过群组分析找出哪些获客渠道的效果最适合你的产品，进行再优化 一旦你证明你可以留住用户，你就可以加大营销力度，在渠道顶部添加新用户 ，并开始以指数方式为你的产品进行黑客增长。 用户行为用户行为分析就是通过对这些数据进行统计、分析，从中发现用户使用产品的规律，并将这些规律与网站的营销策略、产品功能、运营策略相结合，发现营销、产品和运营中可能存在的问题，解决这些问题就能优化用户体验、实现更精细和精准的运营与营销，让产品获得更好的增长。 功能使用 功能使用率 / 渗透率：使用某功能的用户占总活跃数之比 比如点赞数、评论、收藏、关注、搜索、添加好友等 用户会话 会话session：用户在一次访问过程中，从开始到结束的整个过程。 在网页端，30分钟内没有操作默认会话操作结束 用户路径 路径图：用户在一次会话的过程中，其访问产品内部的浏览轨迹。通过此，可以加工出关键路径转换率 电子商务指标 购物篮分析购物篮分析中最知名的想必是关联度，简单理解是，买了某类商品的用户更有可能买哪些其他东西。 关联分析有两个核心指标，置信度和支持度。支持度表示某商品A和某商品B同时在购物篮中的比例，置信度表示买了商品A和人有多少同时买了B，表示为A→B。 笔单价：用户每次购买支付的金额，即每笔订单的支出 件单价：商品的平均价格 成交率：支付成功的用户在总的客流量中的占比 购物篮系数：平均每笔订单中，卖出了多少商品。购物篮系数是多多益善，它也和商品关联规则有关系 复购率：一段时间内多次消费的用户占总消费用户数之比 回购率：一段时间内消费过的用户，在下一段时间内仍旧消费的占比（留存或忠诚度） 流量指标浏览量和访客量 PV：浏览次数 UV：一定时间内访问网页的人数，正式名称独立访客数，在同一天内，不管用户访问了多少网页，他都只算一个独立访客。（在技术上，UV会通过cookie或IP衡量）访客行为 新老访客占比：衡量网站的生命力 访客时间：衡量内容只狼不是看内容的UV，而是看内容的访问时间 访问平均访问页数：衡量网站对访客的吸引力，是访问的深度 来源：访客从哪里来，技术上，通过来源网站的参数提取，可以区分SEM，SEO或者外链等 用户行为转换率：用户在网站上进行了相应操作的用户在总访客数上的占比 首页访客占比：只看了首页的用户，在总访客数上的占比 退出率：从该页退出的页面访问数 / 进入该页的访问数 （营销中使用） 跳出率：浏览单页即退出的次数 / 访问次数 （网页产品结构中使用）跳出率一般衡量各个落地页，营销页等；退出率则更偏向产品，任何页面都有退出率 指标生成指标一般需要经过加和、平均等汇总计算方式得到，并且是需要在一定的前提条件进行汇总计算，如时间、地点、范围，也就是我们常说的统计口径与范围。 访客访问时长 + UV = 重度访问用户占比 （浏览时间5分钟以上的用户在整个访客中占比） 用户会话次数 + 成交率 = 有效消费会话占比 （用户在所有的会话中，其中有多少次有消费） 机器学习 维度简言之，维度是事物或现象的某种特征。如性别、地区、时间等都是维度 维度可以分为定性维度跟定量维度，也就是根据数据类型来划分，数据类型为字符型(文本型)数据，就是定性维度，如地区、性别都是定性维度;数据类型为数值型数据的，就为定量维度，如收入、年龄、消费等 一般我们对定量维度需要做数值分组处理，也就是数值型数据离散化，这样做的目的是为了使规律更加明显，因为分组越细，规律就越不明显，最后细到成最原始的流水数据，那就无规律可循。 时间维度时间是一种常用、特殊的维度，通过时间前后的对比，就可以知道事物的发展是好是坏 纵比例如用户数环比上月增长10%、同比去年同期增长20%，这就是时间上的对比，也称为纵比 横比例如不同国家人口数、GDP的比较，不同省份收入、用户数的比较、不同公司、不同部门之间的比较，这些都是同级单位之间的比较，简称横比 总结以上是关于不同业务场景下的指标(度量)的一些学习笔记，指标和维度是数据分析中的基础，但又很重要，需要在了解了基本认知的同时，也要掌握理解两者之间的关系，届时再展开数据分析工作就会容易很多。 本文版权归作者所有，欢迎转载，转载请注明出处和链接来源。 |
| CopyRight 2018-2019 实验室设备网 版权所有 |