以互聯網行業為背景下的數據分析通識(上)

4 評論 2227 瀏覽 11 收藏 20 分鐘

編輯導語:在互聯網時代,大數據與各行各業的結合給人類帶來如此廣泛而深刻的變革,就像“巧婦難為無米之炊”一樣,沒有數據就沒有了一切。本文作者從互聯網行業特性、互聯網行業常見的數據指標、數據分析概述、數據分析入門、數據分析基本流程、數據分析進階、數據分析存在的挑戰以及發展前景等7個方面進行梳理總結,為我們分享了基于互聯網行業背景下的數據分析通識。

在互聯網行業中,用戶在互聯網上的行為“數據”都會被記錄。

此時,就需要進行“數據分析”并利用技術手段從海量用戶行為數據中挖掘出有價值的信息,分析用戶的生命周期以及用戶行為路徑,建立數據指標體系以及監控體系和用戶模型,進行用戶分層,針對性提供產品和個性化的服務,實現精準營銷,以此來提高業務增長,提升用戶體驗,打造引流的閉環等。

因此,“數據分析”在互聯網行業具有重要意義。但“數據分析”更多在互聯網行業卻是屬于通用技能,也可以說更像是一個底層的能力,不管你是做產品、運營、商務、市場、人力,還是技術開發、項目、管理,基本上都要掌握“數據分析”技能。

因為絕大多數的數據分析相對來說都是比較常見的業務分析的工作,同時因為成本管控的原因,一般的業務線就不會再設立專門的數據分析崗位,這都需要自己做分析的工作了。

因此,我們將從互聯網行業特性、互聯網行業常見的數據指標、數據分析概述、數據分析入門、數據分析基本流程、數據分析進階、數據分析存在的挑戰以及發展前景等7個方面進行梳理總結,來全面了解一下基于互聯網行業背景下的數據分析通識。

【原創】以互聯網行業為背景下的數據分析通識(上)

一、互聯網行業特性

與傳統行業相比,互聯網行業有幾個不一樣的特點:

  1. 由于網絡效應,用戶持續增長,網絡規模進一步擴大,對于用戶,更有可能出現爆炸性增長的局面。如2021年上半年,中國網民規模將突破10億大關, 互聯網普及率達70.4%。
  2. 互聯網媒體性增強,產生了多樣化的需求,更成為文化傳播的重要渠道。如目前的抖音、微博等新媒體熱點事件等。
  3. 互聯網行業會出現前期大量燒錢搶占市場和用戶的局面,因為在行業發展的爆發期一旦有一個好的產品領先,后來者就很難翻盤了,比如 Uber 是一個特別典型的例子。
  4. 互聯網行業比較容易出現贏者通吃的局面,比如優酷和土豆的合并,攜程和去哪的合并,立馬形成行業壟斷。
  5. 互聯網已成為我們生活中不可或缺的重要組成部分。5g時代的到來,未來會實現萬物互聯的局面,如社區團購、外賣等,無不例外,互聯網參透我們生活的點點滴滴,使我們生活便捷、暢通、實時、高效的橋梁。

總之,互聯網行業讓整個人類社會的發展都進入了一種飛速的進化狀態,公司的生命周期變得很急促,優勢競爭地位會迅速放大,樹立牢不可破的門檻;行業顛覆也變得很快。

然而,在如此快速的互聯網發展的道路上,以及在5G和大數據的背景下,為了更好地應對不斷的變化,數據分析技能無疑是未來職場人的必備技能 ,通過數據分析做到組織精細化,增加競爭優勢等!

二、互聯網行業常見數據指標

不同的互聯網行業關注不同的運營數據,細化來看,復雜的互聯網產品關注的運營指標成百上千。但是有一些指標是我們最常用的,這些指標基本反映了業務線的運營的核心狀態!

我們以App的指標為例,來看一下梳理一下互聯網行業常見的數據指標。

【原創】以互聯網行業為背景下的數據分析通識(上)

1. 活躍用戶指標

  • 日活(DAU):一天內日均活躍設備數(去重,每個公司活躍的定義不一樣);
  • 周活躍數(WAU):一周內活躍設備數(去重,每個公司活躍的定義不一樣);
  • 日新增DNU:一周內的日均新增人數,計算方式:一周新增設備數(不去重)/自然周天數;
  • 最高活躍(PCU):一周內的最高活躍設備數;
  • 月活(MAU):一個月內的活躍設備數(去重);
  • 活躍度(DAU/MAU):體現用戶的總體粘度,衡量期間內每日活躍用戶的交叉重合情況。
  • ········

活躍用戶指標有的公司定義啟動過APP的用戶就算活躍,有的定義必須登錄賬戶才算活躍。活躍用戶指標可以按照時間跨度不同分為、周、月來統計,是衡量APP用戶規模的指標。

一個產品是否成功,如果只看一個指標,那么這個指標一定是活躍用戶數。如新聞APP、音樂APP、社交APP等大多數希望用戶每天都打開的應用,其產品的北極星指標均為日活躍用戶數。

2. 新增用戶指標

  • 日新增注冊用戶量:統計一天內,即指安裝應用后,注冊APP的用戶數;
  • 周新增注冊用戶量:統計一周內,即指安裝應用后,注冊APP的用戶數;
  • 月新增注冊用戶量:統計一月內,即指安裝應用后,注冊APP的用戶數;
  • 注冊轉化率:從激活到注冊的轉化;
  • DNU占比:新增用戶占活躍用戶的比例,可以用來衡量產品健康度;
  • ········

新增用戶指標也可以按照時間跨度不同分為、周、月來統計,且主要是衡量營銷推廣渠道效果的最基礎指標;轉化率則是反映渠道推廣落地頁或者注冊流程的流暢度;而新用戶占比活躍用戶過高,那說明該APP的活躍是靠推廣得來。

這種情況非常值得關注,尤其是關注用戶的留存率情況。

3. 留存指標

  • 次日留存率:某一統計時段新增用戶在第二天再次啟動應用的比例;
  • 7日留存率:某一統計時段新增用戶數在第7天再次啟動該應用的比例;
  • 14日和30日留存率以此類推;
  • ········

留存指標也是驗證APP對用戶吸引力很重要的指標。

通??梢岳糜脩袅舸媛逝c競品進行對比,衡量APP對用戶的吸引力。對于某一個相對成熟版本的應用,如果用戶留存率有明顯變化,則說明用戶質量有明顯變化,很可能是因為推廣渠道質量的變化所引起的。

4. 使用時長指標

  • 使用總時長:在某一統計周期內所有從APP啟動到結束使用的總計時長(不去重);
  • 人均使用時長(分):同一統計周期內的使用總時長/活躍用戶數;
  • 單次使用時長(分):同一統計周期內使用總時長/啟動次數;
  • 新用戶時長(分):某一統計周期新用戶app時長某一統計周期的新用戶數(不去重);
  • 老用戶時長(分):某一統計周期老用戶app時長/某一統計周期的老用戶數(不去重);
  • 使用時間間隔:指同一用戶相鄰兩次啟動的時間間隔;
  • ········

使用時長相關指標也是衡量產品活躍度、產品質量的重要指標。目前APP種類翻多,用戶精力分散,每天的時間是有限,比如現在很流行的短視頻APP,主要指標就要看時長指標了。

5.用戶構成指標

  • 回流用戶:上周未啟動過APP,本周啟動APP的用戶;
  • 連續活躍n周用戶:連續n周,每周至少啟動過一次APP的活躍用戶;
  • 重要用戶:連續活躍4周及以上的用戶;
  • 連續活躍用戶:連續活躍1周及以上的用戶;
  • 流失用戶:連續n周(大等于1周,但小于等于2周)沒有啟動過APP的用戶,流失率、回流率等;
  • ········

用戶構成指標是對已注冊用戶的構成進行分析,有助于通過新老用戶結構了解活躍用戶健康度。每個公司對重要、回流、流失用戶的定義不一樣的,我們可以根據產品業務需要,制定回流、流失預警,來對用戶健康度進行監控。

6. 渠道指標(不包括SEO)

  • 投放消耗:統計時間內花費的金額;
  • 投放成本(roi):統計時間內花費的金額/買量新增人數;
  • 曝光量:通過應用市場投放廣告曝光的次數;
  • 點擊量:廣告被點擊的次數,是APP被下載并激活的前提;
  • 下載量:通過應用市場等渠道,下載APP應用的用戶數量;
  • 激活量:安裝應用后,首次打開APP應用的用戶數量;
  • 激活轉化率:從下載到激活的用戶轉化;
  • 日均自然量占比:自然量新增/新增人數;
  • 各個渠道留存率:每個推廣渠道來源,x日留存率為x日前的新用戶在今天還啟動應用的比例;
  • ········

渠道指標是評估渠道投放的質量,再結合產品自身特點、產品受眾群體以及渠道自身特點做出全面細致的評估,并根據數據情況篩選優質渠道進行投放。

7. 收入數據

  • 付費金額
  • 付費人數
  • 付費率
  • 首充人數
  • 首充金額
  • ARPU
  • LTV(生命周期價值)
  • ········

收入指標是用來衡量整體app收入狀況,以及盈利情況,為后續業務目標制定起到參考的作用。

8. 活動數據

日常秒殺、雙十一、618等大促活動:新增訪客、新增注冊、總UV、成交訂單數、轉化率、ROI········

以上是一些具有普適性的互聯網運營數據指標,雖然不同的業務關注的指標不一樣。總之, 數據指標很多,但是在互聯網中這些數據指標基本上都是大同小異的,對于新增、活躍、留存、復購、用戶分層、活動復盤、渠道優化等等的分析也基本上各個互聯網業務線中都會有。

上面列出的各指標,可能不是那么全面,這里就不一一展開了,好的數據指標,更應該為產品業務線所在的發展階段提供指引。因此,實際工作中要以本身業務目標制定屬于自己關注指標的為準。

三、數據分析概述

數據分析,即是基于某個目的對數據進行分析和總結概括的過程。它的意義在于把隱藏在數據中的信息萃取和提煉出來,以便幫助人們找到所研究對象的內在規律,或者事物的發生、發展和未來變化的規律,進而幫助人們做出判斷以及正確的決策。

現在領域內有很多數據分析崗。BI(Business Intelligent)、DA(Data Analysis)、數據運營、數據科學家、數據產品經理等,工作內容可以說是大相徑同,細分領域的專業度會存在不同程度的差異。

【原創】以互聯網行業為背景下的數據分析通識(上)

如今,數據分析”可以說是有關“數據”類崗位的總稱了,而數據分析技能基本是互聯網里的標配了。從事這些工作的人,通過分析數據發現業務問題,洞察商業機會點,為運營活動、業務增長及企業發展提供合理建議及參考依據。

然而,數據分析具體都做哪些工作呢?這里先簡單梳理介紹一下理想中和實際中,數據分析的典型場景!

1. 理想工作場景

業務最近遇到了困難(例如某投放渠道與預計效果相差更多),但今年和往年的投放策略沒啥變化呀,為啥效果這么差?這是我們就需要分析一下今年該渠道業績不達預期的原因。

然后,數據分析人員經過一頓操作猛如虎,做出了精美的PPT報告,在大boss面前一頓指點江山,最終收獲了老板的認同。通過數據分析,看趨勢,對比,查異常,做用戶分群等一系列的操作,同時給出了運營建議,業務按照建議修改了投放策略,果然效果十分明顯,業績飆升。

正所謂:理想很豐滿,現實很骨感。然而實際工作中又是如何呢?

2. 實際工作場景

業務最近遇到了困難,我們需要分析一個渠道效果差的原因。我們需要進行數據分析,先是用盡了畢生力氣準備好了各種數據。然后進行了各種維度下鉆分析原因,然而,也沒找到異常。最終給老板做的PPT,也被業務頻頻吐槽,說沒有業務價值。

從上面的例子中,其實比較容易理解,數據分析的主要職責了吧?

其實,數據分析的出發點首先要帶著業務的問題或者疑惑,然后憑借較強的數據敏感度,再通過各種理論的分析方法,來描述數據的異常狀態、根據數據和指標體系、尋求原因、來評估可能的影響、來探索可能的數據(用戶)增長策略。

現在,我們從業務角度出發在來看一下,做數據分析的具體操作場景是怎么樣的:

3. 具體操作場景

  1. 我們拿到數據,首先明確數據準確性以及分析目的等,看到了新增注冊的用戶報表,曲線有點平啊,增長有點乏力哦~~
  2. 進一步進行數據對比,和上周同期對比,和上月對比下,看看趨勢是否一致?
  3. 挖掘異常的數據,好像不對哦,之前同期的增長都還不錯,這時,預測是不是有重大節日以環境影響,是不是有運營故障或者產品bug,是不是注冊業務流程出問題了,需要趕緊和產品、運營同學碰一下。
  4. 產品和運營都沒有重大事故啊,真是奇了怪了。那就繼續拆解數據指,再細拆看看注冊渠道和應用市場的數據,拆解新用戶全鏈路指標,通過不同渠道數據的影響。
  5. 并通過一些可視化的手段,進行數據可視化,經過層層分析,終于發現了問題,原來xx市場的推廣到期了。
  6. ok,發現問題了,明確問題進行驗證等操作,注冊的增長還是一個很重要的方向,那么系統化的梳理下整個分析和策略去給領導匯報。又是一個PPT。
  7. 結果匯報,提出可行性的落地執行方案。到了領導那兒,說:領導,我們需要申請xxx費用,因為xx市場的推廣已到期,導致新增用戶增長乏力,其中xxx,特別的xxxx,所以xxxx 。

總結下來,其實就是:利用數據分析技術方法及手段,總結業務現象、分析業務狀況,通過一些可視化的手段展示處理,并撰寫分析報告或者報表,為業務的增長提供可落地執行的指導以及建議。簡單來說就是:所有數據分析,都繞不開是多少、是什么、為什么、會怎樣、又如何。

由于篇幅的原因,我們將拆分來梳理,后面繼續從數據分析入門、數據分析基本流程、數據分析進階、數據分析存在的挑戰以及發展前景等方面進行詳細梳理總結,敬請期待!

#專欄作家#

木兮擎天@,微信公眾號:木木自由,人人都是產品經理專欄作家。多年互聯網數據運營經驗,涉獵運營領域較廣,關注于運營、數據分析的實戰案例與經驗以及方法論的總結,探索運營與數據的神奇奧秘!

本文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

給作者打賞,鼓勵TA抓緊創作!
1人打賞
更多精彩內容,請關注人人都是產品經理微信公眾號或下載App
評論
評論請登錄
  1. 舉的例子還是太理想化了

    回復
    1. 歡迎關注我們 木木自由 可以進群交流!

      回復
  2. 學習了 期待(下)

    回復
    1. 歡迎關注我們 木木自由 可以進群交流!

      回復