MarTech​-CDP实战手册-CDP交付阶段-看板构建(十二)

0 评论 844 浏览 0 收藏 11 分钟

在CDP交付阶段,分析看板这一环节很重要,而其中的内容分为事件分析、留存分析、分布分析、漏斗分析、路径分析、归因分析、间隔分析等内容,这篇文章里,作者就进行了解读和分享,一起来看看吧!

分析看板是针对CDP所构建的数据以图示化的方式进行展示,一个看板是由多个分析模块构成,看板的构建要与业务场景相结合,无效的看板只能导致页面冗杂,数据计算的浪费。系统会内置一些基础看板,行业通用型看板例如日活、留存、订单这类的,这些看板不足以满足企业需求,因此需要通过调研确认场景,从而进行看板的构建。

图片来源-某车企分析洞察demo(下同)

一、事件分析

用户(USER)在 APP 或游戏中产生的行为数据被称为事件(EVENT),事件数据记录了用户产生各种行为的时间、行为的类型以及行为的详细信息。对这些事件数据进行筛选或分组,最终计算聚合指标的模型称为事件分析模型。

通过事件分析,可以计算一段时间内用户产生特定行为的聚合指标,了解各行为的用户参与情况以及指标的发展趋势,从而对产品获得宏观把控,优化决策。

以消费事件举例来说,可以解决如下问题:

  1. 最近一月每日收入流水情况趋势?
  2. 最近一月来各渠道的每日收入流水与分布情况?
  3. 来自上海的用户,最近一月人均付费金额的趋势?
  4. 来自上海和北京的用户,最近一月在购买会员卡上的总付费次数对比情况?

简单来说事件分析为【事件】+【指标】+【维度】,例:【打开APP】的【用户数】以【时间维度】展示,其中事件可以添加事件属性进行过滤,指标可以通过预置或者自定义指标进行构建,维度除了内置维度外也可以用属性维度进行展示。

规划事件分析需要针对企业多个部门进行调研,梳理相关核心事件,一般按照客户生命周期进行梳理,再不同阶段下所需要观测核心事件不同。

二、留存分析

留存分析主要分析用户的整体参与程度、活跃程度的情况,考查进行某项初始行为的用户中,会进行回访行为的人数和比例。通过留存分析模型,可以分析一段时间内,完成某项初始事件用户的回访情况,从而对事件的影响能进行宏观把控,优化决策。

以从用户活跃到消费举例来说,可以解决如下问题:

  1. 用户使用产品后的 1 个月内,进行消费转化的人数和占比情况?
  2. 用户使用产品后的 1 个月内,完成消费,且消费金额达到 200 元的人数和占比情况?
  3. 上海用户使用产品后的 1 个月内,进行消费转化的人数和占比情况?
  4. 一线城市用户使用产品后的 1 个月内,完成消费,且消费金额达到 200 元的人数和占比情况?
  5. 全用户的 30 日 LTV 情况如何?

三、分布分析

分布分析模型可以根据每个分析主体聚合后的总完成次数、天数或属性值划分区间,查看不同区间分析主体的数量及占比。以下是常见的分析场景。

  1. 事件频率(次数):按用户每天参与战斗次数划分区间,查看每天不同战斗次数的用户数量。
  2. 用户黏性(天数):按用户在过去七天的登录天数,区分不同黏性的用户进行后续分析。
  3. 属性值:按一段时间内,充值的累计付费金额将用户拆分为大中小R,并查看不同等级用户数量占比。

四、漏斗分析

漏斗分析是一种分析用户在行为流中指定步骤转化情况的分析模型,它可以帮助分析师快速掌握一段时间内产品在各个步骤环节中的转化情况,从而达到查缺补漏,优化转化流程的目的。

通过漏斗分析可以解决以下业务场景:

  1. 分析用户登录并参与每日活动的转化情况。
  2. 分析用户自注册,登陆,完成新手引导,参与活动,消耗道具,付费的转化情况。
  3. 分析各平台的付费转化情况差异。

五、路径分析

路径分析是一种分析行为顺序、行为偏好、关键节点、转化效率的探索型模型。

路径分析将用户每次会话时的访问顺序进行记录,再整合得到用户行为路径的桑基图,直观查看在每一关键节点前后的行为流入、流出情况。

可以直观掌握用户行为扩展路线,以供优化节点内容、提升整体转化效率。利用路径分析模型,可以快速了解影响转化的主次因素,从而有目的的改进产品。

六、归因分析

归因分析是一种通过对各种因素进行分析,确定一个特定结果的原因和影响力大小的方法。在市场营销和广告领域,归因分析常用于确定广告、营销活动或渠道对转化率、销售额或其他业务目标的影响。

归因分析可以帮助企业了解不同营销活动对业绩的贡献程度,进而优化资源分配和决策。以下是一些常见的归因分析方法:

  1. 最后点击(Last Click)归因:将转化归因给最后一次与客户互动的渠道或广告。
  2. 全部点击(All Clicks)归因:平等对待所有客户互动,将转化平均分配给所有参与的渠道或广告。
  3. 线性(Linear)归因:平均分配转化给所有参与的渠道或广告,不论其位置或时间。
  4. 时间衰减(Time Decay)归因:认为距离转化发生时间更近的渠道或广告对转化的影响更大,按时间权重分配转化。
  5. U-型(U-Shaped)归因:将较大比重分配给转化前和最后一次互动的渠道或广告,对中间互动进行较小比重分配。
  6. 数据驱动(Data-Driven)归因:使用统计模型和算法进行多因素权重分析,基于实际数据确定归因比例。
  7. 归因分析的选择取决于企业的需求和情况。综合考虑各种因素,有助于更准确地评估和优化营销策略,提升业务绩效。

需要注意的是,归因分析是一种辅助决策的工具,结果受到多种因素的影响,包括数据质量、样本大小、时间跨度、顾客行为等。因此,在进行归因分析时,需综合考虑各种因素,并结合业务实际进行解读和判断。

七、间隔分析

间隔分析是分析用户产生两个指定事件之间的时间间隔的分析模型,通过间隔分析模型,分析人员可以了解用户某一核心行为的发生频率,或者获取两个具有前后因果关系的事件的转化时长。

通过间隔分析可以解决以下业务场景:

  1. 分析用户注册后到首次付费的转化耗时。
  2. 分析用户产生两次付费之间的间隔时长。
  3. 分析用户首次通过两个关卡之间的间隔时长。

以上截图来源某车企分析洞察,本次仅作为功能性的介绍,后续文章会考虑独立出分析产品的设计及操作说明。

本文由 @光波 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

该文观点仅代表作者本人,人人都是产品经理平台仅提供信息存储空间服务。

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
评论
评论请登录
  1. 目前还没评论,等你发挥!