查看原文
其他

以互联网行业为背景下的数据分析通识(上)

The following article is from 木木自由 Author 木兮月宝


 前言 

在互联网行业中,用户在互联网上的行为“数据”都会被记录。此时,就需要进行“数据分析”并利用技术手段从海量用户行为数据中挖掘出有价值的信息,分析用户的生命周期以及用户行为路径,建立数据指标体系以及监控体系和用户模型,进行用户分层,针对性提供产品和个性化的服务,实现精准营销以此来提高业务增长,提升用户体验,打造引流的闭环等。
 
因此,“数据分析”在互联网行业具有重要意义。但“数据分析”更多在互联网行业却是属于通用技能,也可以说更像是一个底层的能力,不管你是做产品、运营、商务、市场、人力,还是技术开发、项目、管理,基本上都要掌握“数据分析”技能。因为绝大多数的数据分析相对来说都是比较常见的业务分析的工作,同时因为成本管控的原因,一般的业务线就不会再设立专门的数据分析岗位,这都需要自己做分析的工作了。
 
因此,我们将从互联网行业特性、互联网行业常见的数据指标、数据分析概述、数据分析入门、数据分析基本流程、数据分析进阶、数据分析存在的挑战以及发展前景等7个方面进行梳理总结,来全面了解一下基于互联网行业背景下的数据分析通识。



 互联网行业特性 



与传统行业相比,互联网行业有几个不一样的特点:
①由于网络效应,用户持续增长,网络规模进一步扩大,对于用户,更有可能出现爆炸性增长的局面。如2021年上半年,中国网民规模将突破10亿大关, 互联网普及率达70.4%。
②互联网媒体性增强,产生了多样化的需求,更成为文化传播的重要渠道。如目前的抖音、微博等新媒体热点事件等。 
③互联网行业会出现前期大量烧钱抢占市场和用户的局面,因为在行业发展的爆发期一旦有一个好的产品领先,后来者就很难翻盘了,比如 Uber 是一个特别典型的例子。
④互联网行业比较容易出现赢者通吃的局面,比如优酷和土豆的合并,携程和去哪的合并,立马形成行业垄断。
⑤互联网已成为我们生活中不可或缺的重要组成部分。5g时代的到来,未来会实现万物互联的局面,如社区团购、外卖等,无不例外,互联网参透我们生活的点点滴滴,使我们生活便捷、畅通、实时、高效的桥梁。
 
总之,互联网行业让整个人类社会的发展都进入了一种飞速的进化状态,公司的生命周期变得很急促,优势竞争地位会迅速放大,树立牢不可破的门槛;行业颠覆也变得很快。然而,在如此快速的互联网发展的道路上,以及在5G和大数据的背景下,为了更好地应对不断的变化,数据分析技能无疑是未来职场人的必备技能 ,通过数据分析做到组织精细化,增加竞争优势等



 互联网行业常见数据指标 


 
不同的互联网行业关注不同的运营数据,细化来看,复杂的互联网产品关注的运营指标成百上千。但是有一些指标是我们最常用的,这些指标基本反映了业务线的运营的核心状态!

我们以App的指标为例,来看一下梳理一下互联网行业常见的数据指标。


★活跃用户指标
日活(DAU):一天内日均活跃设备数(去重,每个公司活跃的定义不一样)
周活跃数(WAU):一周内活跃设备数(去重,每个公司活跃的定义不一样)
日新增DNU:一周内的日均新增人数,计算方式:一周新增设备数(不去重)/自然周天数
最高活跃(PCU):一周内的最高活跃设备数
月活(MAU):一个月内的活跃设备数(去重)。
活跃度(DAU/MAU):体现用户的总体粘度,衡量期间内每日活跃用户的交叉重合情况。
········
活跃用户指标有的公司定义启动过APP的用户就算活跃,有的定义必须登录账户才算活跃。活跃用户指标可以按照时间跨度不同分为、周、月来统计,是衡量APP用户规模的指标。一个产品是否成功,如果只看一个指标,那么这个指标一定是活跃用户数。如新闻APP、音乐APP、社交APP等大多数希望用户每天都打开的应用,其产品的北极星指标均为日活跃用户数。
 
★新增用户指标
日新增注册用户量:统计一天内,即指安装应用后,注册APP的用户数。
周新增注册用户量:统计一周内,即指安装应用后,注册APP的用户数。
月新增注册用户量:统计一月内,即指安装应用后,注册APP的用户数。
注册转化率:从激活到注册的转化。
DNU占比:新增用户占活跃用户的比例,可以用来衡量产品健康度。
········
新增用户指标也可以按照时间跨度不同分为、周、月来统计,且主要是衡量营销推广渠道效果的最基础指标;转化率则是反映渠道推广落地页或者注册流程的流畅度;而新用户占比活跃用户过高,那说明该APP的活跃是靠推广得来。这种情况非常值得关注,尤其是关注用户的留存率情况。
 
★留存指标
次日留存率:某一统计时段新增用户在第二天再次启动应用的比例。
7日留存率:某一统计时段新增用户数在第7天再次启动该应用的比例。
14日和30日留存率以此类推。
········
留存指标也是验证APP对用户吸引力很重要的指标。通常可以利用用户留存率与竞品进行对比,衡量APP对用户的吸引力。对于某一个相对成熟版本的应用,如果用户留存率有明显变化,则说明用户质量有明显变化,很可能是因为推广渠道质量的变化所引起的。
 
★使用时长指标
使用总时长:在某一统计周期内所有从APP启动到结束使用的总计时长(不去重)。
人均使用时长(分):同一统计周期内的使用总时长/活跃用户数。
单次使用时长(分):同一统计周期内使用总时长/启动次数。
新用户时长(分):某一统计周期新用户app时长某一统计周期的新用户数(不去重)
老用户时长(分):某一统计周期老用户app时长/某一统计周期的老用户数(不去重)。
使用时间间隔:指同一用户相邻两次启动的时间间隔。
········
使用时长相关指标也是衡量产品活跃度、产品质量的重要指标。目前APP种类翻多,用户精力分散,每天的时间是有限,比如现在很流行的短视频APP,主要指标就要看时长指标了。
 
★用户构成指标
回流用户:上周未启动过APP,本周启动APP的用户;
连续活跃n周用户:连续n周,每周至少启动过一次APP的活跃用户;
重要用户:连续活跃4周及以上的用户;
连续活跃用户:连续活跃1周及以上的用户;
流失用户:连续n周(大等于1周,但小于等于2周)没有启动过APP的用户。流失率、回流率等
········
用户构成指标是对已注册用户的构成进行分析,有助于通过新老用户结构了解活跃用户健康度。每个公司对重要、回流、流失用户的定义不一样的,我们可以根据产品业务需要,制定回流、流失预警,来对用户健康度进行监控。
 
★渠道指标(不包括SEO)
投放消耗:统计时间内花费的金额
投放成本(roi):统计时间内花费的金额/买量新增人数。
曝光量:通过应用市场投放广告曝光的次数。
点击量:广告被点击的次数,是APP被下载并激活的前提。
下载量:通过应用市场等渠道,下载APP应用的用户数量。
激活量:安装应用后,首次打开APP应用的用户数量。
激活转化率:从下载到激活的用户转化。
日均自然量占比:自然量新增/新增人数。
各个渠道留存率:每个推广渠道来源,x日留存率为x日前的新用户在今天还启动应用的比例。
········ 
渠道指标是评估渠道投放的质量,再结合产品自身特点、产品受众群体以及渠道自身特点做出全面细致的评估,并根据数据情况筛选优质渠道进行投放。
 
★收入数据
付费金额
付费人数
付费率
首充人数
首充金额
ARPU
LTV(生命周期价值)
········
收入指标是用来衡量整体app收入状况,以及盈利情况,为后续业务目标制定起到参考的作用。
 
★活动数据
日常秒杀、双十一、618等大促活动:新增访客、新增注册、总UV、成交订单数、转化率、ROI
········

以上是一些具有普适性的互联网运营数据指标,虽然不同的业务关注的指标不一样。总之, 数据指标很多,但是在互联网中这些数据指标基本上都是大同小异的,对于新增、活跃、留存、复购、用户分层、活动复盘、渠道优化等等的分析也基本上各个互联网业务线中都会有。
 
上面列出的各指标,可能不是那么全面,这里就不一一展开了,好的数据指标,更应该为产品业务线所在的发展阶段提供指引。因此,实际工作中要以本身业务目标制定属于自己关注指标的为准。

 数据分析概述 



数据分析,即是基于某个目的对数据进行分析和总结概括的过程。它的意义在于把隐藏在数据中的信息萃取和提炼出来,以便帮助人们找到所研究对象的内在规律,或者事物的发生、发展和未来变化的规律,进而帮助人们做出判断以及正确的决策。
 
现在领域内有很多数据分析岗。BI(Business Intelligent)、DA(Data Analysis)、数据运营、数据科学家、数据产品经理等,工作内容可以说是大相径同,细分领域的专业度会存在不同程度的差异。

 
如今,“数据分析”可以说是有关“数据”类岗位的总称了而数据分析技能基本是互联网里的标配了从事这些工作的人,通过分析数据发现业务问题,洞察商业机会点,为运营活动、业务增长及企业发展提供合理建议及参考依据。
 
然而,数据分析具体都做哪些工作呢?这里先简单梳理介绍一下理想中和实际中,数据分析的典型场景!

理想工作场景业务最近遇到了困难(例如某投放渠道与预计效果相差更多),但今年和往年的投放策略没啥变化呀,为啥效果这么差?这是我们就需要分析一下今年该渠道业绩不达预期的原因。
然后,数据分析人员经过一顿操作猛如虎,做出了精美的PPT报告,在大boss面前一顿指点江山,最终收获了老板的认同。通过数据分析,看趋势,对比,查异常,做用户分群等一系列的操作,同时给出了运营建议,业务按照建议修改了投放策略,果然效果十分明显,业绩飙升。
正所谓:理想很丰满,现实很骨感。然而实际工作中又是如何呢?

实际工作场景业务最近遇到了困难,我们需要分析一个渠道效果差的原因。我们需要进行数据分析,先是用尽了毕生力气准备好了各种数据。
然后进行了各种维度下钻分析原因,然而,也没找到异常。最终给老板做的PPT,也被业务频频吐槽,说没有业务价值。

上面的例子中,其实比较容易理解,数据分析的主要职责了吧?
 
其实,数据分析的出发点首先要带着业务的问题或者疑惑,然后凭借较强的数据敏感度,再通过各种理论的分析方法,来描述数据的异常状态、根据数据和指标体系、寻求原因、来评估可能的影响、来探索可能的数据(用户)增长策略
 
现在,我们从业务角度出发在来看一下,做数据分析的具体操作场景是怎么样的:

具体操作场景①我们拿到数据,首先明确数据准确性以及分析目的等,看到了新增注册的用户报表,曲线有点平啊,增长有点乏力哦~~
进一步进行数据对比,和上周同期对比,和上月对比下,看看趋势是否一致?
挖掘异常的数据好像不对哦,之前同期的增长都还不错,这时,预测是不是有重大节日以环境影响,是不是有运营故障或者产品bug,是不是注册业务流程出问题了,需要赶紧和产品、运营同学碰一下。
④产品和运营都没有重大事故啊,真是奇了怪了。那就继续拆解数据指,再细拆看看注册渠道和应用市场的数据,拆解新用户全链路指标,通过不同渠道数据的影响。
⑤并通过一些可视化的手段,进行数据可视化,经过层层分析,终于发现了问题,原来xx市场的推广到期了。
⑥ok,发现问题了,明确问题进行验证等操作,注册的增长还是一个很重要的方向,那么系统化的梳理下整个分析和策略去给领导汇报。又是一个PPT。
结果汇报,提出可行性的落地执行方案。到了领导那儿,说:领导,我们需要申请xxx费用,因为xx市场的推广已到期,导致新增用户增长乏力,其中xxx,特别的xxxx,所以xxxx 。

总结下来,其实就是:利用数据分析技术方法及手段,总结业务现象、分析业务状况,通过一些可视化的手段展示处理,并撰写分析报告或者报表,为业务的增长提供可落地执行的指导以及建议。简单来说就是:所有数据分析,都绕不开是多少、是什么、为什么、会怎样、又如何。


- EOF -


推荐阅读  点击标题可跳转

1、数据分析最有用的 25 个 Matplotlib 图表

2、数据分析报告撰写概览

3、数据分析打工人的 Pandas 75 个高频操作(收藏查询用~)



看完本文有收获?请转发分享给更多人

推荐关注「数据分析与开发」,提升数据技能

点赞和在看就是最大的支持❤️

: . Video Mini Program Like ,轻点两下取消赞 Wow ,轻点两下取消在看

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存