Millised on levinumad suurandmete analüütika mudelid?
![printida](https://nicola.top/wp-content/webp-express/webp-images/uploads/2022/11/printer-and-pdf.jpg.webp)
Näiteks milliseid andmemudeleid andmeanalüüsis saab otse kasutada, eriti mõne Interneti-platvormi toote puhul. On 11 üldist andmeanalüüsi mudelit, mida saab otse kasutada, sealhulgas sündmuste analüüs, atribuutide analüüs, kanali analüüs, seansi analüüs, säilitamise analüüs, omistamisanalüüs, soojuskaardi analüüs, jaotuse analüüs, intervallide analüüs, tee analüüs ja lehtri analüüs.
Artikli sisu:
- Sündmuse analüüs
- Atribuutide analüüs
- Kanali analüüs
- Seansi analüüs
- Säilitamise analüüs
- Omistamisanalüüs
- Soojuskaardi analüüs
- Jaotuse analüüs
- Intervallide analüüs
- Teekonna analüüs
- Lehtri analüüs
Sündmuse analüüs
Sündmused viitavad kasutajate käitumisele rakendustes, veebisaitidel ja muudes rakendustes, st kes, millal, kus, kuidas ja mida nad tegid. Sündmuste analüüsi mudelit kasutatakse peamiselt kasutaja käitumise analüüsimiseks rakenduses, nagu rakenduse avamine, registreerimine, sisselogimine ja tellimuse eest tasumine. Kasutajate käitumist mõõdetakse põhimõõdikutega, nagu aktiveeritud kasutajate arv, päästikute arv ja juurdepääsu kestus, ning see toetab mõõdikute arvutamist keerukate mõõdikute loomiseks äriprotsesside mõõtmiseks.
Milliseid probleeme saab sündmuste analüüsi mudel lahendada? Näiteks:
- Jälgige igapäevast kasutajate arvu, külastusi ja toote kasutusaega, kas trend on muutunud? Millised tegurid põhjustasid muutuse?
- Mis vahe on Peterburi ja Moskva kasutajate ostetud kodumasinate jaotusel?
- Täna avas toode teema, kuidas on kasutajate osalus igal perioodil?
- Kui suur on maksvate kasutajate ja ARPU arv viimase kuue kuu jooksul?
Sündmuste analüüsimudel suudab reaalajas jälgida kasutajate käitumist platvormidel, omistada indikaatorite muutusi dimensioonide lõikes ja kombineerida kohandatud indikaatorid uuteks indikaatoriteks, et saavutada võimsam analüütika. Analysys Arki nutika analüüsi tooted toetavad dimensioonide filtreerimist ja osakonna tingimusi ning kasutajagruppide analüüsimise kaudu rühmade võrdlemist.
Atribuutide analüüs
Atribuutide analüüs põhineb kasutaja määratud atribuutide või eelseadistatud atribuutide proportsioonide analüüsil. See võib arvutada mõõdikute atribuutide osakaalu, näiteks kasutajate arvu erinevate atribuutide lõikes, ja saada seejärel analüüsi esialgsed järeldused. Näiteks sootunnustega kasutajate osakaalu analüüsides saame kiiresti statistilised tulemused eri soost kasutajate arvu kohta.
Atribuutide analüüsi kasutades näete kiiresti kasutajate jaotust erinevate atribuutide vahel, mis on kasulik erinevate omadustega kasutajate koguarvu arvutamisel. Atributiivse analüüsi kasutamise käigus on vaja valida mõistlik mõõtmismeetod. Tavaliselt kasutatavad mõõtmismeetodid on: kasutajate arv, kordsus, summa, maksimum, miinimum, keskmine jne.
Näiteks: meie valitud indikaator on "Keskmine kumulatiivne tarbimine", dimensioon on "Liikmelisuse tase" ja kasutaja valib "Kõik kasutajad", siis saame tulemuseks "Mis on kõigi erinevate liikmelisuse tasemetega kasutajate keskmine tarbimine .
Sarnaselt sündmuste analüüsi mudelile saab atribuutide analüüsi mudel teostada mitmemõõtmelisi ja mitme kasutajaga võrdlusi ning kuvada statistilisi tulemusi erinevates diagrammides. Märgendi funktsiooni stsenaarium võib teostada ka siltide statistilist võrdlust versioonide lõikes.
Kanali analüüs
Kanalid, st erinevad kokkupuutepunktid ettevõtete (toodete) ja kasutajate vahel, nagu otsingumootorid, sotsiaalvõrgustikud, reklaamiplatvormid, võrguühenduseta kohtumised jne.
Kanalianalüüsi mudelit kasutatakse kasutajate külastuste (sh külastajate) allikate analüüsimiseks ja kanali kvaliteedi hindamiseks selliste põhimõõdikute abil nagu külastanud kasutajate arv, külastuste arv, külastuse kestus ja põrkemäär. . See toetab ka kohandatud konversioonieesmärke, et mõõta kanalite konversiooniefekti.
Milliseid probleeme saab kanalianalüüs lahendada? Näiteks:
- Kuidas on lood iga kanali külastajate arvu ja lehevaatamistega reaalajas?
- Kuidas on lood iga kanali poolt ligi meelitatud kasutajate registreerimiste arvuga?
- Sotsiaalmeedia, otsingumootorid, välised lingid… Millisel kanalil on suurim kinnipidamismäär?
- Kas Wechati allika kasutajad on rohkem koondunud ametlikule kontole või sõpruskonda?
- Millised otsinguterminid toovad kõige rohkem liiklust ja toovad hästi?
Kanalianalüüsi mudel suudab selgelt esindada iga kanali toimivust, tuvastades peamised mõõdikud ja konversioonimäärad, valides analüüsiplatvormi ja kanaliparameetrid, et hinnata erinevate kanalite tegelikku väljundmõju, ning lõpuks valides kvaliteetsete kanalite kombinatsiooni, et parandada üldine ROI.
Seansi analüüs
Seanss, st seanss, viitab kasutaja toimingute jadale, mis toimuvad veebisaidil/H5-s/vidinas/rakenduses teatud aja jooksul. Näiteks võib seanss sisaldada mitut lehevaatamist, interaktsioonisündmusi jne. Seanssidel on ajalised atribuudid. Erinevate lõikereeglite järgi saab luua erineva kestusega seansse.
Seansi analüüsi mudel sisaldab palju mõõdikuid seansi juurdepääsu kvaliteedi mõõtmiseks, sealhulgas külastuste arv, külastuste arv elaniku kohta, külastuse kogukestus, külastuse kestus, külastuse sügavus, põrkemäär, põrkemäär, väljumiste arv, väljumismäär , ja külastuse kestus külastuse kohta elaniku kohta, kogu lehel viibitud aeg, keskmine lehel viibitud aeg.
Erinevalt sündmuste analüüsist toetab seansianalüüs täiendavalt teatud mõõtmete alajaotisi, et rahuldada teatud stsenaariumide seansianalüüsi vajadusi, sealhulgas:
- Kanalite allikate rühmitamine: kasutatakse iga külastuse kanaliallikate eristamiseks, kehtib ainult Web/H5/Mini puhul;
- Vaadatud lehekülgede arv: sammuga 5 intervalliga arvutatakse iga kord vaadatud lehekülgede arvu jaotus;
- Sihtleht: kasutatakse iga külastuse maandumislehe eristamiseks ja erinevate maandumislehtede külastuse kvaliteeti saab hinnata;
- Väljumisleht: kasutatakse väljumislehe eristamiseks igal külastusel, väljumisolukorra hindamiseks erinevatel lehtedel ja kõrge väljumismääraga lehe leidmiseks optimeerimiseks;
- Juurdepääsu kestus: 0-3 sekundit, 3-10 sekundit, 10-30 sekundit, 30-60 sekundit, 1-3 minutit, 3-10 minutit, 10-30 minutit, 30-60 minutit, 1 tund või rohkem. Jagage ja arvutage iga külastuse ajaline jaotus.
Sarnaselt sündmuste analüüsile toetab seansianalüüs ka mitut indikaatorit, mitut dimensiooni ja mitut filtritingimusi ning horisontaalset võrdlust mitme kasutajarühma vahel. Samas toetab see seansi analüüsimisel ka statistilist analüüsi kolme erineva detailsustaseme järgi: päev, nädal ja kuu. Kasutajad saavad valida analüüsi jaoks sobiva detailsuse vastavalt päringuandmete ajaintervallile.
Säilitamise analüüs
Säilitamine tähendab, et kasutajad on kasutanud rakendusi, veebisaite ja muid rakendusi ning jätkavad nende kasutamist mõne aja möödudes.
Säilitamise analüüsi mudel on meetod kasutaja oleku/seotuse mõõtmiseks peale allalaadimiste, DAU-de ja muude mõõdikute, et saada sügav arusaam kasutajate säilitamisest ja kasutajate vähenemisest, tuvastada toote jätkusuutlikku kasvu mõjutavad peamised tegurid ja teha turuotsuseid, täiustada toodet ja suurendada kasutajate arvu . kulu jne.
Milliseid probleeme saab retentsioonianalüüsi mudel lahendada? Näiteks:
- Kas eelmisel kuul toimus toote iteratsioon, kuidas selle mõju hinnata? Kas käitumist eeldab tootejuht?
- Kas sotsiaalrakendusena on erinevus kasutajate vahel, kes pärast registreerumist sõpru ei lisa, ja nende vahel, kes lisavad 10 sõpra?
- Lühiajaline säilitamine on madal, pikaajaline säilitamine peab olema halb?
- Kaks reklaamikanalit meelitavad ligi erinevaid kasutajaid. Millised kanali kasutajad on tõenäolisemalt väärtuslikud kasutajad?
- Kui suur on nende kasutajate osakaal, kes registreerusid viimase 30 päeva jooksul ja kes ei naasnud poole kuu jooksul?
Säilitusanalüüsi mudel toetab mitme populatsiooni tingimuslikku filtreerimist ja võrdlusuuringut, samuti juhuslikku valimit ja täielikku andmete arvutamist. Samal ajal saame kasutada ka säilitusanalüüsi, et teha kindlaks, kas uued kasutajad on mõne päeva, nädala ja kuu pärast valmis teie funktsiooni kasutama naasta, samuti saame kohandada funktsioonide säilitamise analüüsi algus- ja lõppkäitumist.
Säilitamine arvutatakse kasutajate rühma käitumise algusaja põhjal ja see kirjeldab, kas soovitud käitumine ilmneb teatud aja möödudes kohordis, kus konkreetne käitumine toimus. Nii esialgne käitumine kui ka järgnev käitumine võivad olla mis tahes sündmus või konkreetne sündmus.
Erinevates analüüsistsenaariumides saab analüüsimiseks seada erinevad hoiutingimused:
- Esialgne käitumine ja järgnev käitumine seatakse samaks ning erinevate funktsioonide korduvaid esinemisi võrreldakse, et teha kindlaks kasutaja pühendumus erinevate funktsioonide kasutamisele;
- Esialgne käitumine on sama ja erinevad järgnevad käitumised on antud, et võrrelda, kas sama optimeerimine mõjutab teisi funktsioone erinevalt;
- Järgmised sammud on samad, määrates kindlaks erinevad esialgsed käitumisviisid, võrrelge ja leidke erinevate tootetavade ja funktsioonide mõju peamistele ärieesmärkidele.
Omistamisanalüüs
Operatiivtoimingute tegemisel võime paigutada sündmuste sisu tootes mitmele töökohale, püüdes köita kasutaja tähelepanu, suunata liiklusvoogu ja kasutaja käitumist ning hõlbustada kasutajate ja toodete vahelist suhtlust, mille tulemuseks on konversioon. Lisaks saavad kasutajad ise teavet puutepunktide kaudu, nagu otsingu- ja sisusoovitused. Need puutepunktid mängivad olulist rolli ka selles, kas kasutajad saavad konversioone saavutada.
Teisisõnu, kasutajate konversiooniteekonnal on paljud saidi puutepunktid seotud kasutajate veenmise ja juhendamisega, mõjutades nende lõplikku otsust. Seejärel, kui võrrelda erinevaid kasutajate puutepunkte, et näha, kui hästi nad põhimõõdikutesse panustasid, kas neil kõigil on suurepärased konversioonivõimalused, mida operaatorid ootavad, või on neid alahinnatud? Kuidas kohandada järgnevas toimingus iga tööüksuse ressursi sisendi kaalujaotust?
Ülaltoodud probleemide puhul pakub omistamisanalüüs intuitiivset mõõdikut konversioonipanus, mida kasutatakse peamiselt saidil olevate kasutajate puutepunktide panuse mõõtmiseks ja hindamiseks üldise konversioonieesmärgi saavutamisel (nt tellimuse koguväärtus), mis võib olla väga lihtne. Mõõtke iga töökoha ja puutepunkti konversiooniefekti ja väärtuse panust. On viis levinumat omistamisanalüüsi mudelit.
- Esimese puudutuse omistamine: 100% sündmusele, mis tuleks omistada esimesele interaktsioonile, määratakse konversiooniväärtus;
- Viimase puudutuse omistamine: 100 % konversiooniväärtus viitab viimasele omistatavale interaktsioonisündmusele;
- Lineaarne omistamine: jaotab konversiooni väärtuse ühtlaselt kõikidele konversioonitee atribuudisündmustele;
- Asukoha omistamine: määrake konversiooniväärtus vastavalt sündmuse asukohale, mis tuleb konversiooniteel omistada. Reeglina on esimese ja viimase interaktsiooni sündmused kumbki 40 % ning vahepealsete interaktsioonipunktide sündmused jagunevad võrdselt ülejäänud 20%;
- Ajalise vähenemise omistamine: jaotage konversiooniväärtus sündmuste kronoloogilises järjekorras, mille soovite omistada. Mida lähemal sihtsündmusele, seda suurem on panus ja seda rohkem omistatakse omistatud sündmusele.
Analysys Ark omistamisanalüüsi mudeliga peate seadistama vaid viis lihtsat sammu (sihtsündmuste määratlemine, puutepunkti sündmused, omistamismudeli valimine, akna perioodi määramine ja päringu ajavahemiku valimine), saate intuitiivselt näha, kuidas iga puutepunkt aitab kaasa üldisele mõõdiku teisendamisele.
Soojuskaardi analüüs
Soojuskaardi analüüsi mudel võib kasutada soojuskaarti, et kuvada visuaalselt kasutaja kliki- ja kerimiskäitumist veebisaidil, H5 lehel ja rakenduses, et aidata toote- ja operatiivtöötajatel mõista kasutaja klikieelistusi, aidata lehe kujunduse optimeerimisel, sisu kohandamisel, jne d.
Soojuskaarte on neli levinumat tüüpi:
- Klikkide asukoha soojuskaarti kasutatakse kõigi kasutajate veebisaidil tehtud klikkide asukoha kuvamiseks. Mida rohkem klikke koondatakse, seda heledam on värv. Kasutatakse sageli sihtlehe analüüsiks: kas CTA sisul klõpsatakse? Kas on olulisi nuppe või elemente, millel klõpsatakse sageli ja mis asetatakse kohtadesse, millele pääsevad juurde vaid vähesed kasutajad? Kas on pilte või teksti, millel kasutajad klõpsavad, kuid millel pole tegelikult linki?
- Elementide klikikaart, et kuvada interakteeruvatel elementidel tehtud klõpse. Analüüsiks: millised konkreetsed elemendid genereerivad mitu klikki? Kui suur protsent lehe klõpsudest tehakse? Kas on vigu, mis ei vasta meie ootustele?
- Vaadake sügavusjoont, mis näitab konkreetsesse piirkonda saabuvate kasutajate kinnipidamise määra. Mida väiksem protsent, seda vähem kasutajaid asukohta näevad. Kasutatakse sageli parima CTA paigutuse leidmiseks ja sisuturunduse konversioonide jälgimiseks.
- Tähelepanu soojuskaart, mis näitab, kui kaua kasutajad teatud piirkonnas viibivad, mida pikem viibimisaeg, seda heledam on ala värv. Tavaliselt kasutatakse analüüsiks: selleks, et mõista, milline sisu lehel külastajaid köidab ja millist sisu peetakse oluliseks, kuid kasutajate poolt ignoreeritakse? Kas on sisu, mida kasutajad on hoolikalt lugenud ja liiga alla paigutatud?
Erinevat tüüpi soojuskaartidel on oma eelised ja puudused, näiteks kliki asukoha soojuskaart. Puuduseks on see, et teatatud andmete hulk suureneb, kuid kasutajate uurimisvajaduste kvalitatiivne analüüsimine ja mitteinteraktiivsetel elementidel suure hulga ootamatute klikkide leidmine võib olla väga intuitiivne. Elemendi soojuskaardil klõpsamine filtreerib välja osa sisust, millel klõpsata ei saa. Klõpsatavaid elemente saab kvantitatiivselt analüüsida, kuid see pole piisavalt intuitiivne.
Saame valida erinevate stsenaariumide jaoks erinevaid sobivaid tüüpe. Praegu toetab Analysys Ark juba klõpsupositsiooni soojuskaarti, klõpsuelemendi soojuskaarti, veebikülgvaate sügavusjoont, klõpsupositsiooni soojuskaarti ja rakenduse külgmise klõpsuelemendi soojuskaarti.
Jaotuse analüüs
Jaotusanalüüs võib põhimõtteliselt võimaldada andmete dekomponeerimist pärast "mõõtmete indekseerimist", jagada algne mõõde teatud arvulise vahemiku järgi ja seejärel analüüsida iga mõõtmisvahemiku jaotust, mis on väga levinud järgmiste analüüsistsenaariumide puhul: summajaotus, teatud ajaperioodi tüüpi erisündmuse jaotus, teatud tüüpi erisündmuse esinemiste arvu analüüs ja teatud tüüpi sündmuse algatanud kasutajate vanuselise jaotuse analüüs.
Jaotusanalüüs keskendub peamiselt kahte tüüpi atribuutidele, numbrilisele tüübile ja kuupäevatüübile, nagu arv, vanus, kellaaeg ja sagedus. Seega, kui kasutaja üleslaaditavad andmed sisaldavad neid kahte tüüpi atribuute, siis igapäevases analüüsis on jaotus analüüsi saab kasutada mõne konkreetse ülesande lahendamiseks. Levinud näitajad on järgmised: X sündmuse sagedusjaotus, X sündmuse aktiivsete perioodide jaotus, X sündmuse aktiivsete päevade jaotus ning X sündmuse ja Y atribuutide summa/keskmiste/elaniku väärtuste jaotus.
Intervallide analüüs
Intervallanalüüsi kasutatakse peamiselt aja arvutamiseks, mis kulub kasutaja määratud käivitussündmuse käivitamise ja määratud sihtsündmuse lõpetamise vahel. See tähendab, et see pakub põhiliselt statistikat seotud mõõdikute kohta aja ja sammu pikkuse osas algussündmusest konversioonieesmärgini, nii et inimesed, kes pööravad tähelepanu konversioonile, saavad konversiooniprotsessi olukorda nende mõõdikute põhjal jälgida.
Intervallanalüüsi kasutusjuhtumeid on palju: seda saab kasutada sisselogimisaja intervalli ja toote tagasiostutsükli arvutamiseks, analüüsivahendina kasutaja aktiivsuse ja kleepuvuse mõõtmiseks ning konversioonilehtri analüüsi lisandina. Kestuse indikaatorit kasutatakse konkreetse konversioonitee konversioonide toimivuse mõõtmiseks aja jooksul.
Intervallanalüüs on konversioonilehtri täiendus, kui seda kasutatakse konversioonide toimivuse mõõtmiseks. Siiski on mõlemal oma eripära: intervallanalüüs keskendub kasutajate konversiooni lõpuleviimiseks kuluva aja tõhususele, samal ajal kui konversioonilehtrid keskenduvad nii konversioonitulemuste mõõdikutele kui ka konversioonidele ja iga lingi kadumisele konversiooniprotsessis.
Pöörates tähelepanu konversiooni tulemustele ja tulemusi mõjutavatele parameetritele, peame konversiooniprotsessis tähelepanu pöörama ka tulemusnäitajatele. Näiteks finants- ja varahaldusrakenduste puhul on peale lõpliku konversiooni kaasatud palju konversioonilinke alates sihtlehest kuni esimese sissemakseni. Lisaks kiirusele tuleb tähelepanu pöörata põhietappide vahelisele konversiooni efektiivsusele, eelkõige registreerimisele, kaardi linkimisele ja muudele linkidele.
Intervallanalüüsi abil saame jälgida kahte etteantud sündmust teostavate kasutajate jaotuse ajavahemikku. Koos teiste analüüsimudelitega saame ülevaate kasutajate käitumise taga olevatest seadustest, et uurida ja parandada kasutajakogemust, aktiivsust, toote konversioonimäära ja toote väärtust.
Teekonna analüüs
Teed on käitumistrajektoorid, mida kasutajad rakenduses kasutavad. Tootega töötamise protsessis, olgu see siis toode, operatiivmeeskond või turundusmeeskond, loodetakse, et kasutaja käitumise teest saab selgelt aru, et katsetada toimimisideed, suunata toote iteratiivset optimeerimist, ning saavutada lõppeesmärk – kasutajate kasv ja konversioon.
Kui konversioonitee on selge, on konversioonimäärasid lihtsam jälgida, kui loote lehtri enne tähtaega. Paljudel juhtudel on kasutajatel selle eesmärgi saavutamiseks siiski mitu teed, vaatamata sellele, et neil on konversioonide lõppeesmärk. Sel juhul on vaja intelligentset teeanalüüsi mudelit.
Analysys Ark Path Mining Modeliga saate avada kasutaja käitumise musta kasti, uurida konversioonieesmärgi allikateed ning visualiseerida kõiki kasutajateid ja proportsioone.
Teekaevandamise mudel võib lahendada järgmised probleemid:
- Millise tee kaudu kasutajad peamiselt maksekonversiooni moodustavad?
- Mis on tegelik suund pärast seda, kui kasutaja eeldatavalt teelt lahkub?
- Millised on erinevate omaduste kasutajate käitumisviiside erinevused?
Lehtri analüüs
Lehtrianalüüs on meetod, mille abil analüüsitakse kasutajate konversiooniefekti mitme sammu kaudu, kui nad ettevõtet kasutavad. Analysys Arki lehtrianalüüsi mudel saab paindlikult kohandada konversiooniprotsessi mitme etapi jooksul, leida peamisi kaotuse seoseid ja mõjutegureid ning seejärel analüüsida kasutaja käitumist sihitud optimeerimistoimingute jaoks.
Mida siis täpselt saab lehtrianalüüs lahendada? Näiteks:
- Ametlikul saidil on palju liiklust, kuid registreeritud kasutajaid on vähe. Milline osa protsessist läks valesti?
- Milline on kasutajate üldine konversioon „registreeru – linki kaart – esita tellimus – tasu tellimuse eest”?
- Millised on kohandatud maksete konversioonimäärade erinevused piirkondades?
- Kaks reklaamikanalit toovad erinevaid kasutajaid, millisel kanalil on suurim registreerimiskonversioon?
- Eelmisel nädalal optimeeriti registreerimislinki, kas konversioonidünaamika paranes?
Ideaalis peaksid kasutajad järgima toote kujundamise teed lõpp-eesmärgi sündmuseni, kuid tegelikkuses on kasutajate käitumisteed erinevad. Varjatud sündmuste kaudu võtmetähtsusega äriteed seadistades saame analüüsida olukorda konversioonide ja kahjumitega erinevates äristsenaariumides. Me mitte ainult ei leia võimalikke tooteprobleeme, vaid leiame ka igalt lingilt kadunud kasutajad ja seejärel sihime nad konversiooni suurendamiseks.
Seda artiklit lugedes:
Täname lugemise eest: SEO HELPER | NICOLA.TOP