数据分析笔记

数据分析

  • 一、认识常见的数据指标
    • 1.DAU & MAU
      • 数据统计系统的定义
    • 2.如何定义新增
      • 2.1选择合适的节点,定义【增】
      • 2.2用适当的方法,判别【新】
    • 3.用户留存
      • 3.1 为什么要看留存
    • 4.PV、UV、转化率、访问深度
      • 4.1Page View:页面浏览量(次数)
      • 4.2Unique Visitors:独立访问数(人数)
      • 4.3转化率
      • 4.4访问深度:用户对产品的了解程度
        • 4.4.1算法一:用户对某些关键行为的访问次数
        • 4.4.2算法二:将网站内容/功能分成几个层级,以用户本次访问过最深的一级计算
    • 5.访问时长
      • 5.1为何统计访问时长
        • 5.1.1 通过统计特殊事件,支持业务需求
      • 5.2如何统计访问时长
    • 6.弹出率
    • 7.业务相关的数据指标
  • 二、选好数据指标的通用理论(具体问题具体分析)
    • 1.从业务的最终目的出发——梳理业务模块
      • 1.1常见的拆解角度
    • 2.判断业务模块所属类型
    • 3.根据业务模块所属类型——选择数据指标
      • 3.1 **工具类模块** 关心的指标
      • 3.2 **交易类模块** 关心的指标
      • 3.3 **内容浏览类模块** 关心的指标
      • 3.4 **社区/社交类模块** 关心的指标
    • 4.iMoney 数据指标选取
    • 5.咸鱼关注的数据指标
    • 6.土巴兔关注的数据指标(早年)
    • 7.小结
  • 三、数据工具
    • 1.选择数据工具的核心逻辑
    • 2.如何选择合适的数据工具
      • 2.1根据业务核心划分——公司缺了啥,最要命?
      • 2.2根据公司阶段划分
    • 3.计数统计:快速验证
      • 3.1解决的问题
      • 3.2优势
    • 4.流量导向:渠道依赖
      • 4.1解决的问题
      • 4.2Google Analytics
    • 5.内容导向:质量第一
      • 5.1解决的问题
      • 5.2优势
    • 6.用户导向:用户为王
      • 6.1解决的问题
      • 6.2优势
    • 7.业务导向:商业本质
      • 6.1解决的问题
      • 6.2优势
  • 四、数据分析
    • 1.数据分析的价值
    • 2.如何进行对比分析
      • 2.1比什么
      • 2.2怎么比
      • 2.3和谁比
    • 3.如何进行多维度分析——数分的本质:用不同的视角去拆分、观察同一个数据指标
      • 3.1案例:对【APP启动事件】的分析
      • 3.2对业务流程,拆解维度
      • 3.3多维度拆解的适用场景
    • 4.数据涨跌异动如何处理
      • 4.1案例1:对【收入跌10%】的应对
      • 4.2常见的假设
      • 4.3维度拆解分析是可以叠加的
      • 4.4小结
    • 5.漏斗观察的分析方法
      • 5.1漏斗 = 一连串向后影响的用户行为
      • 5.2 建立漏斗时容易掉的坑
    • 6.如何评估渠道质量,确定投放优先级
      • 6.1常见的渠道划分方式
      • 6.2渠道质量跟踪
    • 7.分布分析的方法
      • 7.1分布情况
      • 7.2常见的群体划分
      • 7.3运作原理
      • 7.4适用场景
    • 8.用户留存的分析方法
      • 8.1适用场景
      • 8.2留存
    • 9.功能内容上线后,如何评估?
      • 9.1某批漫画对付费会员转化的效果评估
      • 9.2某一主播对产品价值的影响(以用户留存衡量)
      • 9.3一个功能/内容上线后,如何评估其对产品长期潜力的价值?
    • 10.用户画像的分析方法
      • 10.1用户画像
      • 10.2标签
      • 10.3标签从哪来
      • 10.4适用场景
    • 11.如何高质量拉新
      • 11.1思路
      • 11.2从现有用户中找到我们【真正的用户】
      • 11.3找到【真正的用户】的特征
      • 1.4按此特征,找到类似的用户
    • 12.如何进行归因查找
      • 12.1归因查找
      • 12.1归因查找的适用场景
      • 12.3方法
    • 13.如何精准运营推送
      • 13.1精准运营
      • 13.2运营资源盘活
      • 13.3【千人?面】
      • 13.4如何选择最初的七八个标签
    • 14.路径挖掘的分析方法
      • 14.1原理
      • 14.2适用场景
    • 15.行为序列的分析方法
      • 15.1原理
      • 15.2适用场景
    • 16.如何辅助产品设计
      • 16.1辅助产品设计决策
    • 17.羊毛党盛行——如何快速查出是谁在薅
      • 17.1抓作弊的方法
  • 五、数据采集
    • 1.数据埋点与数据需求文档
      • 1.1数据埋点:线上数据采集
      • 1.2数据需求文档(DRD)
    • 2.明确埋点需求
      • 2.1 归纳需求
      • 2.2选择适当的埋点属性
      • 2.3公共属性
      • 2.4事件聚类
    • 3.形成需求文档
      • 3.1埋点位置选择
        • 3.1.1前端埋点的弊端
      • 3.2埋点属性的来源
      • 3.3埋点有效性的检验
      • 3.4埋点文档的维护
    • 4.数据采集实战
    • 5.其他类型的数据采集方法
      • 5.1全埋点/无埋点 = 把所有的浏览和点击行为都记录下来
        • 5.1.1案例

写在前面:这些笔记是我在网络上看视频而记下的。

一、认识常见的数据指标

1.DAU & MAU

  1. DAU(Daily Active User),日活跃用户数量;
    MAU(Monthly Active User),月活跃用户人数。

  2. DAU结合MAU一起使用,用来衡量服务的用户粘性以及服务的衰退周期。

数据统计系统的定义

  1. 预制报表的统计系统(友盟、百度统计、GA…)都是基于 事件上报 进行统计。
    (1)今天上报事件 → 这个用户是活跃的
    例如:1.用户访问页面,页面加载成功后会向统计系统上报Page View事件;
    2 . 用户点击app按钮,按钮被点击,上报onclick事件。
    (2)注意事件不一定来自用户主动操作,可能存在其他影响
  2. 业务上的定义
    (1)用户执行了关键事件 → 这个用户是活跃的
    (2)存在***维护成本***(需不断维护日活事件列表)和***沟通成本***(团队内外对【活跃】的认识需统一)

2.如何定义新增

2.1选择合适的节点,定义【增】

数据分析笔记_第1张图片

2.2用适当的方法,判别【新】

数据分析笔记_第2张图片

3.用户留存

3.1 为什么要看留存

  1. 了解某一个渠道的质量——日留存
    (1)以日为单位,衡量这个渠道来的用户当下&接下来的表现。
    (2)以【x日日留存】作为比标准时,可以避免其他日数据的干扰。
    2.观察整个大盘——周留存/月留存
    (1)以周/月为单位,衡量产品的健康情况,观察用户在平台上的黏性。

    数据分析笔记_第3张图片

你可能感兴趣的:(笔记,数据分析,数据库,数据分析)