数据分析

这篇文章目的：介绍用户分析常用概念，记录用户分析指标，分析用户常用方法。不知道如何设计指标和数据分析模块，可以参考。

行为分析名词

维度

    维度是描述一个事务身上所具备的特征和属性。比如一个人属于什么性别，在哪个城市生活，喜欢什么颜色，
    这些都是这个人身上所具备的属性特征。

    在网站分析领域，维度往往用来描述和分析指标，比如单一的访问数指标并不能告诉你太多的信息，
    一旦加上维度就变得有意义了

指标

    即具体的数值。比如访客，页面浏览量，停留时长等都属于常见的指标

    指标一般分为计数指标和复合指标。计数指标如访客，访问，页面浏览量，停留时长。
    复合指标如：跳出率，交互深度，转换率等。指标一般伴随维度分析才有更大的意义。

展示和点击

    展示指页面上元素的曝光次数。点击指页面元素被用户点击的次数。
    这两个指标主要适用于线上广告投放，比如评估投放在新浪首页的广告，展示了多少次点击了多少次。

访客

    通俗的讲就是UV。针对统计巩固来说就是网页端Cookie，App端就是设备ID

页面浏览量

    通俗的讲就是PV。严格意义上来讲：用户向网站发出并完成一个页面的下载请求。
    页面浏览量主要适用于网页端产品，对于App的分析，现在主要用屏幕浏览，即ScreenView。

停留时长

    对应于用户Session，便有了停留时长指标，主要用来衡量用户与网站、App交互的深度。
    交互越深，相应停留的时间也越长。

    一般有页面停留时长，会话时长以及平均停留时长等概念。
    其计算的核心原理在于记录下用户行为发生的时间戳，后期在用公式来计算。

跳出率BounceRace

    一个衡量落地页质量好坏的指标。跳出的概念是指用户在一次访问中仅做了一次交互便选择离开。
    单一页面和全站均有跳出率的概念。

    页面跳出率为该页面跳出的访问次数占该页面总访问次数的百分比。全站跳出率为跳出访问次数除以总访问次数。

交互深度

    交互深度指用户在一次浏览网站或App过程中，访问了多少页面。用户在一次浏览中访问的页面越多，交互深度越深。

    交互深度能够从侧面反映网站或App对于用户的吸引力。可以通过session来计算用户的平均深度。

转换率

    任何产品都需要关注的核心指标。主要用来衡量用户从流量到发生实际目标转换的能力。

    一般用目标转换的次数或者人数除以进入目标转换漏斗的人数或次数，因目标行为的不同，转换率是一个非常灵活的指标
    比如：你可以自定义注册转换率，登录转换率，购买转换率，搜索成功转换率。

行为分析指标名词

总次数

    在选定的事件范围内，某一事件被触发的次数
    比如选择页面浏览事件，按总次数查看时，计算出来的值即为页面的浏览量

触发用户数

    在选定的事件范围内，某一事件被触发的用户数
    比如注册成功事件，按独立用户数查看时，计算出来的值即为选择事件范围内注册成功人数。

人均次数

    在选定的事件范围内，某一事件被触发的平均次数
    比如页面浏览事件，按人均次数查看时，计算出来的值即为人均页面浏览量

基础指标

基础指标

    Web、App端日活跃用户数(UV)：访问网站的不重复用户数。

    页面浏览量(PV)：网页浏览总次数。

    新增注册用户数：当天注册用户数。

    Web、App端新用户数：历史上首日访问网站，App的访客。

    Web、App端新用户比例：新用户在所有Web访客中的比例。

    启动次数：启动App的次数。

    Web、App端新用户留存率：用户在某一时间段开始使用应用，经过一段事件后仍然使用的用户，是留存用户。
        这部分用户占新增用户的比例既是留存率，可以按照单位统计，日周月。

    购买转换率：当日访客中，有多少比例的客户购买。

    访问次数：访客从进入网站/App到离开网站/App的一系列活动记为一次访问。

    平均交互深度：等于所有Session内事件数之和除以总的Session数。

    平均使用时长：等于所有用户的Session时长之和除以Session数

    页面平均停留时长：页面停留时长的和除以页面被浏览的触发数。

    跳出率：当一个Session仅有一个事件时，即为跳出。跳出率等与跳出Session数除以总Session总数。

    页面退出率：某个页面结束该Session时即为退出，所以页面退出率等于退出的页面数处于该页面的总浏览次数。

概览

数据概览

    整体概览：从产品整体使用情况出发，生成的基础的数据指标。可以对产品整体的使用情况有基础的了解。

    用户获取：从获客渠道和版本的方向出发，根据不同渠道，不同版本生成一些可以了解渠道优劣的指标，
        可以清晰的观察渠道的流量转换等。

    活跃与留存：从用户的访问和黏性触发观察产品在用户访问和回访等方面的趋势变化，
        清楚的了解用户对产品的粘性和沉浸程度。

    事件转换：根据选择的事件和属性，生成事件的发生次数，人数，分布等数据指标，
        可以了解整体的用户转换以及收益相关的整体数据。

    用户特征：根据地址位置，性别，操作系统等一些基础属性，将用户进行分组方便了解用户的分布占比。

整体概览

    实时访问人数：产品的实时访问人数

    实时新用户人数：产品的实时新用户访问人数

    实时收益事件发生次数：产品的实时收益事件发生次数

    累计用户量：产品上线至今的累计用户量

    昨日新增用户量

    昨日全部访问人数/次数

    昨日全部访问人均次数/时长/深度

    新老用户访问占比

    新用户/全部用户的七日留存

    各页面的访问次数

    访问终端分布

用户获取

    新增用户量：全部新用户数量，包括自然流量和渠道流量

    渠道新增用户量：仅计算渠道流量新增用户数

    人均访问时长

    异常流量

    版本访问流量

    人均访问时长

    版本留存：版本七日留存

活跃与留存

    访问用户数

    新老用户访问占比

    新老用户人均使用时长

    新老用户启动次数，访问次数

    每日访问产品的时段分布/每周访问产品的星期分布

    用户7日留存/流失，次日留存/流失，次周留存/流失，次月留存/流失，

事件转换

    新老用户发生次数/人数/以及分布情况

    事件次数的分布

    新老用户收益事件发生次数/人数/以及分布情况

    新老用户事件次数的分布

用户特征

    省份分布、城市分布、性别分布、操作系统分布、新老用户占比

渠道对比

    不同渠道网站/App每日访问次数、人数

    不同渠道网站/App每日新用户访问次数、人数

    不同渠道网站/App每日的新用户次日留存

    不同渠道指定时间发生次数，触发用户数，收益金额等自定义指标
        (根据访问用户量，新用户占比等指标，可以判断出哪个渠道的流量大，新用户占比高)
        (配合收益相关的事件，可以快速计算出每个渠道的投资回报率（ ROI ）)
        (根据留存，使用时长等指标，可以比较出哪个渠道的用户粘性好，产品贴合度高)

分析模块

事件分析

事件分析：(多个事件分析进行分组称为事件分组)
    可以选择的事件：App激活/崩溃，关注微信公众号，收藏商品，评论，完善资料，支付订单，客服点击

    可以用的指标有：总次数、触发用户数、人均次数、去重数、总和、均值、最大值、最小值

    可以选择的维度：事件属性，用户属性，用户分群，用户标签

    筛选的条件：去掉不需要的数据

    事件控件：今日/昨日，本周/上周，本月/上月，过去7天，过去14天，过去30天，过去60天，过去90天，过去180天
            按分钟/小时/天/周/月聚合  固定时间对比   报表切换：线图/柱状图/饼图/累计图

漏斗分析

    样例漏斗：浏览商品>添加进购物车>结算购物车的商品>选择送货地址，支付方式>点击付款>完成付款
    可以动态创建漏斗步骤/选择漏斗之间的关联条件/限制条件/筛选时间/漏斗的计算结果

留存分析

留存分析(一般五日七日)：
    同时选择指标/属性/：充值金额总和、人均值、累计总和、累计人均值、阶段累计总和和阶段累计人均值
    选择初始行为和选择后续行为：关联条件/筛选条件

分布分析

    选择用户行为/指标(小时时间，次数)/选择时间单位/筛选条件/

LTV分析

LTV分析：用户生命周期价值
    通过初始事件和初始时间，来计算用户(可以筛选用户)在以后的时间内营收事件价值(可以多个事件)
    可以分维度查看

归因分析

    分析某个广告位，推广位对目标结果的转换贡献时，可以使用归因分析模型进行分析。

    广告位的点击被称为待归因事件，支付订单被称为目标转换事件。

    目标转转事件：一般为收益相关的事件，如：提交订单、支付等

    待归因事件：一般为与广告曝光，推荐曝光等运营相关事件，如：点击广告位，点击推荐位

    归因模型：
        首次触点归因：多个归因事件对同一个目标转换事件做出贡献的时，认定第一个功劳为100%
        末次触点归因：多个归因事件对同一个目标转换事件做出贡献的时，认定最后一个功劳为100%
        线性归因：多个归因事件对同一个目标转换事件做出贡献的时，认定平均分配
        位置归因：多个归因事件对同一个目标转换事件做出贡献的时，认定第一个最后一个40%，剩余平分20%。
        事件衰减归因：多个归因事件对同一个目标转换事件做出贡献的时，越靠近目标转换做出的贡献越大。

用户路径解析

    1.添加事件列表 2.选择开始事件和结束事件 添加筛选条件/筛选时间

网页/App热力分析

    用来分析用户在网页上的点击、深度触达等情况。
    筛选用户，可以添加多个页面组，展示用户在这个页面上的浏览次数，元素点击用户数，元素点击总次数

间隔分析

    除了用漏斗看转换率，还需要看转换时长。

    初始行为/后续行为：不同的时候侧面反映转换意愿，相同的时候分析时间间隔

    可以计算指标：最大值，最小值，千分位分布，转换用户数

用户分群

    可以对用户的标签结果或者事件分析结果进行保存分群，以便后续使用。分群结果保存为一个用户属性
    可以例行执行或者手动执行