数据挖掘之用户活跃分析Word文档格式.docx
《数据挖掘之用户活跃分析Word文档格式.docx》由会员分享,可在线阅读,更多相关《数据挖掘之用户活跃分析Word文档格式.docx(7页珍藏版)》请在冰豆网上搜索。
最后开起会来鸡同鸭讲。
二、陷入细节,纠结每一天波动
看过活跃率、活跃人数指标的同学都知道,这玩意日常波动太多了。
几乎大事小事都会对活跃率产生影响。
有时候分析活跃率下跌的报告还没交,丫自己就涨回来了。
结果每天纠结于“为啥又高了/低了1%!
”累死自己,还没找到病根。
三、孤立看问题,砸钱搞活跃
虽然活跃率为啥跌不一定清楚,但是怎么搞活跃率,那套路可太清楚了。
登录7天签到送福利、30天连续签到送福利、登录就抽奖最高888、种树20天送一袋猕猴桃……于是,往往还没找到病因,短期拉指标的措施已经怼上去了。
结果按下葫芦浮起瓢。
活跃率做高了,转化率跌了,转化率做起来了,费用烧干了……
注册、活跃、付费这些指标从来都不能割裂开看,就像我们评论人的身材,是三围一起报。
要不然,你想要一个36D的女朋友,推荐个36-48-52身材的你要不要?
不但得要,还得幸福哦。
02用户活跃分析核心问题
做数据的不懂业务会导致各种问题。
可在用户活跃分析中,恰恰是做业务的不懂数据,才导致上述乱象。
运营没有深入思考过活跃指标的含义,也没有分析过活跃指标与注册、付费、转化的关联。
只是单纯因为“这是我的KPI”,就产生:
“KPI指标下跌综合症”,不等分析清楚就急不可耐地下手了,最后总是治标不治本,还折腾人。
想破局,先解决一个核心问题:
到底活跃对我们意味着什么?
除了类似阴阳师、DOTA传奇这种很肝的游戏以外,其他的大量互联网应用,真的需要用户天天守在这?
除了微信这种超级应用,真的有另一个应用是用户无可替代每天一看的?
(如下图所示)
从本质上看,互联网应用讲用户活跃,就像传统企业讲顾客到店一样。
●活跃是一切的基础,必须关注
不能空活跃不转化,得联起来看
影响因素太多,必须抓大放小,聚焦行动
在讲用户流失分析的时候,我们说过:
流失分析的目的不是消灭流失率,而是把流失控制在可控范围内。
在用户活跃分析的时候,道理类似:
做活跃分析,不是为了逼用户天天来戳一下,而是为付费、转介绍提供稳定的支持。
03用户活跃分析基本思路
1、定标准:
目前业务需要什么样新增、活跃、付费结构
2、找规律:
常规的活跃走势,该是什么样
3、查异常:
区分常规变化、异常变化
4、追原因:
对异常变化进行追踪,分析
5、定计划:
根据问题轻重缓急,制定应对
一、最重要的当然是定标准
作为业务方,心理要有判断:
我需要多少活跃用户,需要多少活跃率。
并且不能割裂看一个指标,要关注AARRR的整体形态。
二、定标准的常用办法
定标准主要参考三点:
1、业务特征:
不同业务,本身需要的活跃用户数和活跃率就不一样。
2、发展阶段:
一般新上线更倾向于聚集人(做大DAU),到一定程度才做付费转化。
3、竞争策略:
策略不同,意味着对活跃、付费的要求不同。
比如最基础的三大策略(如下图所示):
请注意,竞争策略才是定标准的核心。
比如传统观点认为金融服务是低频业务,可做金融APP时,完全可以把财经新闻、理财教育、本地吃喝攻略、电影信息这些和消费有关的东西做进去,把一个低频应用做成高频应用。
因此,一般同类业务特征和发展阶段只是参考。
更重要的,是业务内心的声音:
“我们要做成一款XXX的应用,相比之市场上的产品,我的目标是XXX”。
这就要求,运营需要有自身业务判断能力,能对自己的方向有清晰的认识。
数据分析师只是辅助作用,提供比如业务特征、发展阶段、竞品数据以作参考。
活跃问题是“乱自上做”,确实有很多公司的运营没啥想法,就知道机械完成KPI,只要数据达标就行。
数据不达标,就试图把锅甩给数据分析师没洞察、对手刷量了、我们费用不够。
这样标准都不清晰,更没法谈后边的分析了。
三、找规律的常用办法
规律包含三类
1、政策规律。
政策发布以后,产生的巨大反响。
2、自然规律。
全年1-12月,本身就包含了很多影响活跃的因素(如下图所示)
3、运营规律。
常见的运营事故(商品缺货、系统宕机、宣传误导……)运营措施(抽奖、签到、互动游戏)都能引发活跃数据变化。
这些具体的政策、事件、运营动作,才是指标变化的本质原因。
因此在分析之前,应该先大量收集内外部事件,拿着事件思考问题。
而不是就数论数,说“因为过去三天涨,所以今天涨”“因为之前周五涨、所以这个周五涨”之类毫无逻辑的话。
找到一些明显的规律后,可以用来做定性预测,根据未来要发生的时间,预计指标波动变化。
也可以用来做解释。
比如发生指标波动的时候,如果有对应事件发生+对应波动形态,那八成就是规律性变化。
这样做,可以节省大量分析时间,而不是做了一堆分析,还被吐槽为:
“我早知道了”“它就是这样的呀”。
四、查异常的常用办法
遭遇异常,要关注:
1、幅度:
单日波动是否足够大
2、持续性:
是否有持续增大、持续回落的走势
3、规律性:
是否是有规律的、计划内的波动
4、关联性:
关联的注册、付费指标是否同样波动
注意,不是所有的波动都值得追击,大幅度、持续性、非规律、波及其他指标的优先处理。
偶尔地波动一下很正常,但是要记录发生时间,观察走势,当问题出现恶化时容易溯源。
这样做,不用让数据分析师陷入无休无止的纠结里,更容易找到真正的异常问题。
五、追原因的常用办法
确认是异常波动,常见的形态有三种
1、事件型:
一次性的,大幅度下跌
2、持续型:
从某一节点开始,持续下跌
3、系统型:
自身波动小,但始终比竞品差
先判断是哪一型的问题再追原因。
追原因的难度是:
事件型》系统型》持续型的。
一次发生的事件最容易查到源头。
系统型差异,可以通过竞品分析得到答案。
持续性问题反而最纠结,有可能过着过着自己没了,有可能是一次重大事件的余波,也有可能是深层次的问题。
需要注意,我们常说DAU=DNU+DOU(日活跃用户=每日新用户+每日活跃老用户,一般新注册用户都直接计入活跃),往往系统型问题会影响DNU,在用户注册后T+1,T+2…T+N的时间内没有做好引导,导致用户不活跃甚至流失。
DOU往往与事件有关,比如季节性促销,沉默用户唤醒,新品上市等等。
因此在追踪原因时,可以分头观察。
对新人关注注册到首次付费流程,对老人打标签,关注老人对活动的响应(如下图所示)
六、定计划的常用办法
然而并没有这一部分,这一部分是运营的范畴,是一个业务动作,不在本篇的讨论范畴。
定计划主要看运营的业务能力。
作为数据分析,可以提供的支持是:
1、判断问题轻重缓急
2、对紧急重要的问题,提示问题源头
3、对过往改善问题的方法,提供ROI分析结果支持
4、等着运营提想法,做临时性支持
最后再强调一句:
好方法是设计出来的,不是算出来的。
靠数据分析只能评估过往的方法好坏,最多再预测下用户对XX产品响应率,不能再多了。
真正做好落地,还是得靠运营自己多练内功才行。