如何用常用的分析模型进行数据分析?

5 评论 8370 浏览 41 收藏 14 分钟

编辑导语:互联网的流量红利褪去之后,流量获取变得越来越难,数据的重要性也逐渐凸显。本文作者介绍了两个常用的模型分析:漏斗模型、AARRR模型,并且分析了如何利用这两个分析模型做好数据分析。

一、为什么我们要做数据分析?

现在都在说互联网下半场,什么意思就是流量红利慢慢褪去,已经不是早前互联网时代刚兴起的时候,网民覆盖少遍地黄金,只要一个产品做出来,甚至不需要运营就有大量用户进来,而现在流量全部集中在一些头部的企业,再去分抢流量,势必头破血流。

据国泰证券研究,电商行业获客成本不断攀升,2020年已经高到离谱,阿里平均获客成本704,拼多多163,京东392。在获客成本如此之高的情况下,精细化的数据运营成为不得不走的一条路径。

二、两个常用的模型分析

1. 漏斗模型

最早是由一位美国的知名广告人提出的,叫做消费者购买漏斗。是对流程中各个环节的分解和量化,帮助我们找到问题并优化。像电商网站漏斗模型是最常用,当然了其他的产品也是可以的,只需要定义出核心的流程。

拿电商举例:

漏斗模型一般都可以做,但是你接下来是如何发现问题,如何提出假设,如何优化才是关键,这里面的核心是需要把握每个环节的流量情况,最好通过指标比例公式来拆解,不然只是一个访问的量是无法定位问题的。

1)首页流量

我们一般从外部渠道拉来更多的流量引流到首页,所以流量的质量很重要,我们一般衡量页面的流量指标一般通过这几个:页面UV点击率、停留时间、跳出率,一般用户对页面感兴趣会有更多的点击行为,点击行为就会产生点击率、跳转率等。

  • 页面点击率=页面点击次数/UV:点击率越高说明页面的内容能够吸引用户。当然我们也可以看某个功能点击率占大盘的点击率,来看首页的不同功能的流量情况;
  • 跳出率=通过首页进入就离开的次数/首页访问的总次数:跳出率越高,如果排除页面的问题,说明页面的内容对于用户期望相差甚远,,如果是低停留时间,高跳出率、低点击率说明页面内容质量不高或者渠道的用户质量不高。

2)搜索商品—商品列表页

搜索是站内流量的主要来源,承担着站内商品检索和商品布局分类的关键作用,一般围绕搜索的指标量有如下:

  • 搜索无结果次数:搜索无结果次数越低说明检索效率越好,如果结果次数比较高,需要从搜索词中评估是否是建立关联关系和是否需要扩充品类;
  • 详情页的UV转化率=访问详情页的UV/搜索的UV,是为了衡量到详情页的质量情况;
  • 搜索的点击率=点击次数/搜索次数,衡量搜索结果页面的质量;
  • 搜索词次数和人数。如果搜索词的次数和人数较高,说明该搜索的品类和商品是热门需求。热门搜索词需关注点击率与详情页的到达率,如果点击率过高,但是UV到详情页到达率一般,说明可能有作弊行为(商家为了刷排名),如果点击和到达率都挺高,那说明搜索结果良好;
  • 首屏的点击率=首屏的点击次数/搜索次数。是衡量搜索结果首屏的排序质量,如果大多需要翻页才能找到自己的需求商品,说明需要调整排序方式或者是权重;
  • 高级筛选项点击率:若点击次数过低,说明使用率不高,需要重新优化筛选项。

3)商品详情页

详情页作为转化的关键路径,是用户决策的关键,所以一般分析详情页的质量可以从平均停留时间、加车数、立即购买数等:

  • 平均停留时长=页面停留总时长/UV数,一般关系着页面的综合因素:商品图片、价格、优惠信息、详情页、评价等;
  • 加入购物车数/立即购买数:说明意向客户的数量,如果意向数量不高只能说明,商品没有达到用户的需求,需要考虑页面综合因素。

4)生成订单

提交订单一般是转化的最后一环,目的是为了让用户尽快付款,这个里面衡量的指标有全局指标成交转化率、有效订单的转化率:

  • 成交转化率=提交订单用户数/页面UV,如果低,说明提交订单意愿不强烈,可能确认订单页布局有问题,可能地址填写不友好,可能价格优惠不明显等;
  • 有效订单转化率=实际付款订单数/生成订单数,如果不高,是否是支付页的问题,如果不是支付页问题那么可以使用push/短信催付。

5)小结

衡量一个页面“是否引发兴趣”的指标有:点击率、跳出率、停留时长,下滑加载到底部的比例。一般人的视线从上往下,最先看到头部信息,如果头部信息不够吸引,一般会进行滑动加载,可以看到达底部的比例和停留时长。

2. AARRR模型

这个模型是又称为海盗模型,最早是由麦克卢尔提出的,分别代表了产品生命周期的5个阶段,一般根据产品不同的阶段聚焦不同的目标而不是眉毛胡子一把抓。

  • MVP阶段(初创阶段):定量分析,这个阶段用户量少,如果没有专业的分析工具,通过用户、亲朋好友的反馈也是可以帮我们做分析;
  • 增长阶段:留存分析,核心关注用户忠诚度,如果用户对你的产品没兴趣无法留下来,就算你拉再多的用户也是徒劳。我们都说用户就像水池的水,进水口就是新用户,水池的容量就是留存活跃用户,出水口就是流失用户,如果流失速度大于用户注册速度,迟早水池里的水就流尽了;
  • 营收阶段:渠道分析、交易额、LTV。

接下我们重点看看获取和留存阶段如何做:

1)获取:目的看渠道的质量

我们一般会从各个渠道(搜索引擎,市场投放、新自媒体、线下活动、外部合作渠道等)去获取用户,我们一般会关注各个渠道的用户数量和质量,数量我们看拉新用户数,质量我们看通常的转化情况,收益我们看交易金额。

一般我们基于“注册数”、“付费转化率”等两个维度建立渠道四象限分析,一般可以用excel散点图可以做成矩阵图,通过算出各个维度的平均值,之后通过横纵坐标交叉即可(有兴趣可以了解一下矩阵图的方法)。

  • 第一象限:注册量和转化率较高的渠道加大投放;
  • 第二象限:注册量较低,但是转化较高,可以和渠道方沟通曝光的策略等;
  • 第三象限:注册量低,转化也低,可以考虑废弃;
  • 第四象限:注册量高但是转化低,需要优化转化流程,或是考虑投放的用户不精准。

如果企业本身有外部广告投放等,成本投入较大,基于(成本和用户转化率进行四象限分析),目的是筛选出低成本高转化的渠道。

2)留存:留存分析

留存是衡量产品价值的最有效的指标,一般分析留存我们都是基于如下的留存表进行分析,话虽如此,但是真的面对这张图的时候,很多人还是傻眼,不知道如何下手。

友盟—留存分析表

一般留存曲线分为三部分:震荡期、选择期、平稳期。但是有些产品几乎是没有平稳期,那么这样的产品就很危险,说明留存持续下降,迟早水池里的水在某一天都流干。

一般在震荡、选择期关注新用户留存、平稳期关注功能留存,那如果留存偏低我们应该如何分析呢?

3)新用户留存分析

我们一般定义新用户留存,起始行为首次启动,留存行为可以定义再次启动或者是付费(业务上定义什么样的行为为留存即可),如果留存偏低我们就需要进行对比分析,一般留存和业务功能息息相关,可以将功能模块抽离出来对比分析(这个不仅是新用户留存分析可以用,在平稳期我们关注功能留存也很有用)。

从这个里面就能很清楚看到,功能3带来的留存率相比其他更高,可以引导我们做出如下决策:

  • 新用户的留存方向从次日留存率看,其实围绕这功能3和4;
  • 功能模块的优化方向:首先要明确核心功能模块,如果核心功能模块留存不高,那就说明这个环节是需要重点优化的。

小结:新用户的激活时间越快越好,最好是当天就能完成核心行为;用户流失前,尽量引导他们使用留存较高的功能,让他们体会产品的核心价值。

4)用户分组分析

分析留存用户和流失用户的区别,分析两类用户的特征,特别是流失用户,方法可以基于上面的漏斗模型,定义核心的路径,然后分析用户行为,具体流失于哪一步,然后针对性的分析。

针对已流失的用户也可以寻求用户反馈,具体倾听他们的想法,因为什么原因没有满足你们的需求离开了,如果没有很好的第三方的分析工具花很长时间在分析上其实是典型的“捡了芝麻丢了瓜的行为”,直接寻求用户的反馈,也不失为一个有效的方式,快速决策验证比全局分析效率更快,因为用户真的不喜欢你的产品可以说短时间就卸载了。

后面的章节我会具体讲解一下用户分析和解决问题的结构分析,希望能在数据分析之路上能帮助你们。

 

作者:琛琛;公众号:宇说产品

本文由 @琛琛 原创发布于人人都是产品经理,未经许可,禁止转载

题图来自 Unsplash,基于 CC0 协议

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
海报
评论
评论请登录
  1. 内容型产品 指标

    回复
    1. 从我的理解内容型产品核心在于两个类型的指标,一个是内容指标一个是互动指标,内容指标重点衡量内容的对于用户的吸引程度,主要有访问、点击以及访问时长。另外一个互动指标主要是衡量此内容产生多少互动,比如分享、转发、点赞、评论等维度的指标。这个具体根据产品特性具体细究

      来自上海 回复
  2. 2.详情页的uv转化反应的问题我觉得和点击次数/搜索次数反应的问题是类似的,都可以来衡量搜索质量或者说检索商量信息的匹配度

    回复
  3. 有两个问题想和作者探讨一下1.首页点击率的计算公式,点击次数/pv是不是更准确一点,因为如果用户进入首页发现多个自己感兴趣的商品,浏览完其中一个商品信息之后应该是会再次回到首页点击另一个商品信息,这里一个用户是会产生多个点到击事件的

    回复
    1. 我这个公式主要是定义一个用户访问页面的平均次数,你这个公式点击次数/PV,这个点击次数就是PV,而你下面又解释了点击首页的其中一个商品信息回到首页再点击另外一个商品信息,那其实指的是另外一个指标功能模块的点击率,是衡量首页功能模块流量情况,这个我认为是两件事

      来自上海 回复