帮助

影响数据分析的一些指标

2019-11-18 10:07 运营文档

几种通用型数据指标

无论是对于什么样的产品,我认为下面的这几种指标都会在产品工作频繁用到,接下来简单讲一下我对这几种指标的理解:(1)新增数据:新增设备数、新增注册数、注册转化率通过观察这几个数据,主要用于两个用途:

其一,初步评判各渠道流量质量,匹配度,成本。目前市面上App流量的主要来源无外乎以下几种渠道:

  1.  
  2. 手机厂商自家应用商店(华米ov等应用商店)

  3.  
  4. 第三方应用商店(应用宝,360应用商店)

  5.  
  6. 信息流广告投放(抖音,快手,头条等)

  7.  
  8. 品牌,裂变,自然流量,口碑传播等

通过对比各类渠道的新增设备数,新增注册数。可以了解到目前流量来源分布占比,并依此去计算渠道投放成本。即单用户成本=总投入成本/有效新增用户数(不同产品对有效定义有差异)。

举个例子,如果华为商店新增设备数和小米商店新增设备数是2:1,但是他俩的新增注册数比例是1:2,那他们两个渠道对比,很明显小米渠道的用户更愿意注册,更愿意使用产品,那在两家投放价格一样的情况下,市场应该加大对小米渠道的投放力度。这样才能将整体用户成本降低。

因此,通过对不同渠道的新增数据横向比较,可以指导市场部门去对比成本,优化渠道投放计划。

其二,初步评判新用户流程是否合理,顺畅,产品价值是否被用户感知。一个新用户刚使用产品时,初来乍到,对产品功能是第一次体验。是否愿意注册,在产品上,留下自己的手机号码信息,取决于在使用过程中,流程是否自然,引导是否明显。

对产品部门来说,如果新用户的注册转化率过低,说明在新用户的使用流程上存在优化空间,应该尽量去将登录前的流程优化,提升注册转化率。除此之外,还可以根据此数据去拆分成更多数据。比如:通过已有的信息,对比不同画像间用户的注册转化率差异。比如男生和女生的注册转化率是否存在差异,一线用户和三四五线用户注册转化率是否有差异。单对此项数据做交叉分析,能得到很多有趣的结论(2)行为漏斗数据:首页→详情页转化率,ctr,cvr,详情页到成交转化率用户在使用产品核心功能时,往往会分为多步完成。每一步都会有一些用户在当前页面流失或跳到非核心页面,造成分流。如果将所有的用户行为数据整合在一起,就会形成以数据呈现的用户关键行为的漏斗。

这里以电商类产品的核心漏斗为例:

用户想随便看看商品:用户浏览首页信息流

突然有了明确的目标:去搜索目标关键词

浏览商品:在搜索结果页滑动浏览商品

相中某一款商品,想具体了解该商品参数:点击进入该商品详情页

产生购买意愿:点击加入购物车

确认结账:下订单并付款

在整个用户的行为漏斗中,会涉及到首页到搜索页转化率,搜索页到搜索结果转换,搜索结果到详情页转化率,详情页到订单转化率,订单到付款转化率等等。

环环相扣,页面流量越来越少,用户使用越来越深入。形成一个完整的行为漏斗。每一步都有转化,有流失。通过分析各个页面的流失,就能去做相应的优化。

比如搜索结果到详情页转化率很低,可能说明搜索结果不准确,并未满足用户真实需求。因此导致用户只看搜索结果,但没有想点进去的意愿。

产品的行为漏斗数据,一定程度上说明了用户对产品的使用深度,漏斗转化率越高,说明用户使用越深入,使用过程越流畅。(3)留存数据:活跃留存与关键行为留存留存率,往往用来衡量产品的核心价值。并且总会和新增关联在一起去衡量整体流量池的存量。如果留存率很高,即使新增率很低,依然能维持很大的存量用户群。反之,留存率低,新增率高。那长期看,很难保持持续的存量用户群。

活跃留存分次日,三日,七日,月的单位。具体以哪个为主,取决于绝大部分用户的生命周期,如果本身产品是个高频刚需行为,那么短周期留存会很高,因此适宜观测长期留存,去衡量产品质量,及用户体验。

如红极一时的脸萌,在短时间内汇集了大量的用户,如果只看次日留存,那在那段时间的次日留存,应该会处于很高水平。如果将时间拉长,观察次周留存,也许就能看出一些问题。产品提供的价值可持续性越强,往往用户粘性越高,长期留存就会越高。因为培养了用户习惯,用户也会乐于去长期保持习惯。

另外一种是关键行为留存。如果拿活跃留存率、注册留存率、或有更深入行为用户的留存率做比较,我们会发现,往往用户行为越深入,越接近核心功能,留存会越高。从用户角度叙述即,用户越深入使用产品,就越能感受到产品价值,就越大概率第二天甚至第二周回来继续用它。

因此,如果我们想确定哪种行为,哪种用户是我们想持续拓展的用户群,不妨将他们的画像和留存率做个交叉,即能发现什么样的用户他们的留存率更高,我们将其他用户尽可能转化成这样的用户,就能明显提高留存率了。

影响指标变化的因素

作为产品经理,需要每天持续观察数据指标,以此做出正确决策或思考优化方向。如果某一天数据突然发生异常波动,那就需要立刻确定波动原因,从而去解决问题,使数据回归正常。经过这么长时间和数据打交道,总结了以下几点:(1)渠道调整各渠道的投放分配,流量占比一旦发生调整,便有可能影响整体的数据指标。高质量渠道缩量,低质量渠道扩量,都会拉低整体数据指标。因此在关注整体数据变化时,要同步关注渠道数据变化,也要及时跟进市场的计划同步。便于第一时间确认指标变化原因。

另一方面,如果有品牌投放或广告投放,要注意投放的素材发生变化,会带来新增用户群的画像变化。也会影响到用户质量与匹配度,从而影响到整体数据指标(2)用户画像变化不同用户画像在产品上表现的行为特性不同,因此要善于拆分用户画像或交叉用户画像去对比数据。比如寒暑假,往往会带来学生流量的增加。学生流量的特点和上班族的特点一定存在某些差异,那么从数据指标上看,每当寒暑假的时候,数据指标都会发生一些趋势变化。因此需要提前了解不同画像的行为特性,并且在关键时间点,监控不同用户群的占比变化。(3)功能变化每一次迭代发版,很容易造成数据指标的波动。因为存在新老版交替,用户行为数据的迁移和重叠。另一方面。功能改动越大,影响面就越大,有可能产生连带效应。即更改的虽然是这个页面,但实际会影响到多个页面。

比如:我虽然更改了列表的排序策略,但通过数据,会发现,除了列表CTR发生了变化,列表的下一级页面转化率也会变化。这是因为,当列表的结果因排序变得不精准,那进入下一级页面依然会受此影响,变得不精准,从而造成持续的流失。从用户角度解释,即用户的决策会受到持续影响。

今天先聊到这儿,有时虽然会被数据波动虐的不行,但当经过各种原因排查,最终确定问题根源时,那种串联逻辑后形成的完整分析思路,是我最大的收获。希望你也有此收获~


相关推荐

QQ在线咨询