Quels sont les modèles d'analyse de données volumineuses courants ?

Écoutez cet article

Par exemple, quels modèles de données dans l'analyse de données peuvent être utilisés directement, en particulier pour certains produits de plate-forme Internet. Il existe 11 modèles généraux d'analyse de données pouvant être utilisés directement, notamment l'analyse d'événements, l'analyse d'attributs, l'analyse de canaux, l'analyse de sessions, l'analyse de rétention, l'analyse d'attribution, l'analyse de cartes thermiques, l'analyse de distribution, l'analyse d'intervalles, l'analyse de chemin et l'analyse d'entonnoir.

Le contenu de l'article :

• Analyse des événements
• Analyse des attributs
• Analyse des canaux
• Analyse de session
• Analyse de rétention
• Analyse d'attribution
• Analyse de la carte thermique
• Analyse de distribution
• Analyse d'intervalle
• Analyse de chemin
• Analyse en entonnoir

Analyse des événements

Les événements font référence au comportement des utilisateurs dans les applications, les sites Web et d'autres applications, c'est-à-dire qui, quand, où, comment et ce qu'ils ont fait. Le modèle d'analyse d'événements est principalement utilisé pour analyser le comportement de l'utilisateur dans l'application, comme l'ouverture de l'application, l'enregistrement, la connexion et le paiement de la commande. Le comportement des utilisateurs est mesuré par des métriques de base telles que le nombre d'utilisateurs activés, le nombre de déclencheurs et la durée d'accès, et prend en charge le calcul des métriques pour créer des métriques complexes pour mesurer les processus métier.

Alors, quels problèmes le modèle d'analyse d'événements peut-il résoudre ? Par exemple:

1. Suivez le nombre quotidien d'utilisateurs, de visites et de temps d'utilisation des produits, la tendance a-t-elle changé ? Quels facteurs ont causé le changement?
2. Quelle est la différence entre la distribution des appareils électroménagers achetés par les utilisateurs à Saint-Pétersbourg et à Moscou ?
3. Aujourd'hui, le produit a lancé un sujet, comment est la participation des utilisateurs à chaque période ?
4. Quel est le nombre d'utilisateurs payants et l'ARPU au cours des six derniers mois ?

Le modèle d'analyse d'événements peut suivre le comportement des utilisateurs sur les plates-formes en temps réel, attribuer des changements d'indicateurs à travers les dimensions et combiner des indicateurs personnalisés dans de nouveaux indicateurs pour obtenir des analyses plus puissantes. Les produits d'analyse intelligente Analysys Ark prennent en charge le filtrage des dimensions et les conditions des services, et prennent en charge la comparaison des groupes en analysant les groupes d'utilisateurs.

Analyse des attributs

L'analyse des attributs est basée sur une analyse des proportions d'attributs définis par l'utilisateur ou d'attributs prédéfinis. Il peut calculer les proportions d'attributs métriques tels que le nombre d'utilisateurs sur divers attributs, puis obtenir les conclusions préliminaires de l'analyse. Par exemple, en analysant la proportion d'utilisateurs ayant des caractéristiques de genre, nous pouvons rapidement obtenir des résultats statistiques sur le nombre d'utilisateurs de genres différents.

Grâce à l'analyse des attributs, vous pouvez voir rapidement la répartition des utilisateurs sur différents attributs, ce qui est utile pour calculer le nombre total d'utilisateurs avec différentes caractéristiques. Dans le processus d'utilisation de l'analyse attributive, il est nécessaire de choisir une méthode de mesure raisonnable. Les méthodes de mesure couramment utilisées comprennent : le nombre d'utilisateurs, la multiplicité, la somme, le maximum, le minimum, la moyenne, etc.

Par exemple : l'indicateur que nous sélectionnons est « Consommation cumulée moyenne », la dimension est « Niveau d'adhésion », et l'utilisateur sélectionne « Tous les utilisateurs », alors le résultat que nous obtenons est « Quelle est la consommation moyenne de tous les utilisateurs avec différents niveaux d'adhésion ? .

Semblable au modèle d'analyse d'événements, le modèle d'analyse d'attributs peut effectuer des comparaisons multidimensionnelles et multi-utilisateurs et afficher des résultats statistiques dans divers graphiques. Le scénario de fonctionnalité de balise peut également effectuer une comparaison statistique des balises entre les versions.

Analyse des canaux

Canaux, c'est-à-dire divers points de contact entre les entreprises (produits) et les utilisateurs, tels que les moteurs de recherche, les réseaux sociaux, les plateformes publicitaires, les réunions hors ligne, etc.

Le modèle d'analyse de canal est utilisé pour analyser les sources de visites des utilisateurs (y compris les visiteurs) et évaluer la qualité du canal à l'aide de mesures clés telles que le nombre d'utilisateurs visiteurs, le nombre de visites, la durée de la visite et le taux de rebond. . Il prend également en charge les objectifs de conversion personnalisés pour mesurer l'effet de conversion des canaux.

Alors, quels problèmes l'analyse des canaux peut-elle résoudre ? Par exemple:

1. Qu'en est-il du nombre de visiteurs et de pages vues de chaque chaîne en temps réel ?
2. Qu'en est-il du nombre d'inscriptions d'utilisateurs attirées par chaque canal ?
3. Réseaux sociaux, moteurs de recherche, liens externes… Quel canal a le taux de rétention le plus élevé ?
4. Les utilisateurs de Wechat source sont plus concentrés dans le compte officiel ou dans le cercle d'amis ?
5. Quels termes de recherche génèrent le plus de trafic et convertissent bien ?

Le modèle d'analyse de canal peut clairement représenter les performances de chaque canal en identifiant les mesures clés et les taux de conversion, en sélectionnant la plate-forme d'analyse et les paramètres de canal pour évaluer l'effet de sortie réel de divers canaux, et enfin en sélectionnant une combinaison de canaux de haute qualité pour améliorer le retour sur investissement global.

Analyse de session

Une session, c'est-à-dire une session, fait référence à un ensemble de séquences d'actions de l'utilisateur qui se produisent sur un site Web/H5/widget/application sur une période de temps. Par exemple, une session peut contenir plusieurs pages vues, des événements d'interaction, etc.. Les sessions ont des attributs temporels. Des sessions de durées différentes peuvent être créées selon différentes règles de découpage.

Le modèle d'analyse de session contient de nombreuses mesures pour mesurer la qualité de l'accès à la session, y compris le nombre de visites, le nombre de visites par habitant, la durée totale de la visite, la durée par visite, la profondeur par visite, le taux de rebond, le taux de rebond, le nombre de sorties, le taux de sortie , et durée de la visite par visite, par habitant, temps total passé sur la page, temps moyen passé sur la page.

Contrairement à l'analyse d'événements, l'analyse de session prend également en charge les subdivisions de certaines dimensions pour répondre aux besoins de l'analyse de session dans certains scénarios, notamment :

1. Groupement de sources de canaux : utilisé pour distinguer les sources de canaux de chaque visite, applicable uniquement à Web/H5/Mini ;
2. Nombre de pages vues : avec un pas de 5 comme intervalle, la répartition du nombre de pages vues à chaque fois est calculée ;
3. Page de destination : utilisée pour distinguer la page de destination de chaque visite, et la qualité de la visite sur différentes pages de destination peut être évaluée ;
4. Page de sortie : utilisée pour différencier la page de sortie à chaque visite, évaluer la situation de sortie sur différentes pages et trouver une page avec un taux de sortie élevé pour l'optimisation ;
5. Durée d'accès : 0-3 secondes, 3-10 secondes, 10-30 secondes, 30-60 secondes, 1-3 minutes, 3-10 minutes, 10-30 minutes, 30-60 minutes, 1 heure ou plus. Divisez et calculez la répartition temporelle de chaque visite.

Semblable à l'analyse d'événements, l'analyse de session prend également en charge plusieurs indicateurs, plusieurs dimensions et plusieurs conditions de filtre, ainsi que la comparaison horizontale entre plusieurs groupes d'utilisateurs. Dans le même temps, lors de l'analyse d'une session, il prend également en charge l'analyse statistique selon trois niveaux de détail différents : jour, semaine et mois. Les utilisateurs peuvent sélectionner la granularité appropriée pour l'analyse en fonction de l'intervalle de temps des données de la requête.

Analyse de rétention

La rétention signifie que les utilisateurs ont utilisé des applications, des sites Web et d'autres applications et continuent de les utiliser après un certain temps.

Le modèle d'analyse de la rétention est une méthode pour mesurer le statut/l'engagement des utilisateurs au-delà des téléchargements, des DAU et d'autres mesures pour acquérir une compréhension approfondie de la rétention et de l'attrition des utilisateurs, identifier les facteurs clés influençant la croissance durable des produits et prendre des décisions de marché, améliorer le produit, augmenter le nombre d'utilisateurs. coût, etc...

Alors, quels problèmes un modèle d'analyse de la rétention peut-il résoudre ? Par exemple:

1. Y a-t-il eu une itération du produit le mois dernier, comment évaluer son effet ? Le comportement est-il attendu par le chef de produit ?
2. En tant qu'application sociale, y a-t-il une différence entre les utilisateurs qui n'ajoutent pas d'amis après s'être inscrits et ceux qui en ajoutent 10 ?
3. La rétention à court terme est faible, la rétention à long terme doit être mauvaise ?
4. Deux canaux de promotion attirent des utilisateurs différents. Quels utilisateurs du canal sont les plus susceptibles d'être des utilisateurs intéressants ?
5. Quelle est la proportion d'utilisateurs qui se sont inscrits au cours des 30 derniers jours et qui ne sont pas revenus dans un délai d'un demi-mois ?

Le modèle d'analyse de la rétention prend en charge le filtrage conditionnel et l'analyse comparative sur plusieurs populations, ainsi que l'échantillonnage aléatoire et le calcul complet des données. Dans le même temps, nous pouvons également utiliser l'analyse de la rétention pour déterminer si de nouveaux utilisateurs sont prêts à revenir pour utiliser votre fonctionnalité dans quelques jours, semaines et mois, et nous pouvons également personnaliser le comportement de début et de fin pour l'analyse de la rétention des fonctionnalités.

La rétention est calculée sur la base de l'heure de début du comportement d'un groupe d'utilisateurs et décrit si le comportement souhaité se produit après une certaine période de temps dans la cohorte où le comportement particulier s'est produit. Le comportement initial et le comportement ultérieur peuvent être n'importe quel événement ou un événement spécifique.

Différentes conditions de stockage peuvent être définies pour l'analyse dans différents scénarios d'analyse :

1. Le comportement initial et le comportement ultérieur sont définis pour être identiques, et les occurrences répétées de différentes fonctionnalités sont comparées pour déterminer l'engagement de l'utilisateur à utiliser les différentes fonctionnalités ;
2. Le comportement initial est le même et différents comportements ultérieurs sont donnés pour comparer si la même optimisation affecte différemment les autres fonctionnalités ;
3. Les étapes suivantes sont les mêmes, spécifiez différents comportements initiaux, comparez et trouvez l'impact des différentes pratiques et fonctionnalités du produit sur les objectifs commerciaux clés.

Analyse d'attribution

Lors de l'exécution d'activités opérationnelles, nous pouvons placer le contenu de l'événement à plusieurs positions opérationnelles au sein du produit dans le but de capter l'attention de l'utilisateur, de diriger le flux de trafic et le comportement de l'utilisateur, et de faciliter l'interaction entre les utilisateurs et les produits, entraînant une conversion. De plus, les utilisateurs eux-mêmes peuvent également recevoir des informations via des points de contact tels que des recommandations de recherche et de contenu. Ces points de contact jouent également un rôle important dans la capacité des utilisateurs à réaliser des conversions.

En d'autres termes, dans le parcours de conversion de l'utilisateur, de nombreux points de contact sur le site sont impliqués pour persuader et guider les utilisateurs, influençant leur décision finale. Ensuite, en comparant les différents points de contact des utilisateurs pour voir dans quelle mesure ils ont contribué aux indicateurs clés, ont-ils tous les grandes opportunités de conversion attendues par les opérateurs, ou sont-ils sous-évalués ? Dans l'opération suivante, comment ajuster la répartition du poids d'entrée des ressources de chaque élément de travail ?

Pour les problèmes ci-dessus, l'analyse d'attribution fournit une mesure intuitive, Conversion Contribution, qui est principalement utilisée pour mesurer et évaluer la contribution des points de contact des utilisateurs sur un site à l'objectif de conversion global (par exemple, la valeur totale de la commande), ce qui peut être extrêmement simple. Mesurez l'effet de conversion et la contribution de valeur de chaque lieu de travail et point de contact. Il existe cinq modèles d'analyse d'attribution courants :

1. Attribution au premier contact : 100% une valeur de conversion est attribuée à un événement qui doit être attribué pour la première interaction ;
2. Attribution du dernier contact : 100 La valeur de conversion % fait référence au dernier événement d'interaction à attribuer ;
3. Attribution linéaire : distribue uniformément la valeur de la conversion à tous les événements d'attribut le long du chemin de conversion ;
4. Attribution d'emplacement : attribuez la valeur de conversion en fonction de la position de l'événement qui doit être attribué le long du chemin de conversion. En règle générale, les événements de la première et de la dernière interaction sont de 40 % chacun, et les événements des points d'interaction intermédiaires sont également divisés en 20% restants ;
5. Temporal Decay Attribution : Distribuez la valeur de conversion dans l'ordre chronologique des événements que vous souhaitez attribuer. Plus l'événement cible est proche, plus la contribution est importante et plus sera attribué à l'événement attribué.

Avec le modèle d'analyse d'attribution Analysys Ark, il vous suffit de configurer cinq étapes simples (définir les événements cibles, les événements de point de contact, choisir un modèle d'attribution, définir une période de fenêtre et choisir une plage de temps de requête), vous pouvez voir intuitivement comment chaque point de contact contribue à la conversion métrique globale.

Analyse de la carte thermique

Le modèle d'analyse de la carte thermique peut utiliser la carte thermique pour afficher visuellement le comportement de clic et de défilement de l'utilisateur sur le site Web, la page H5 et l'application, pour aider le personnel du produit et de l'exploitation à comprendre les préférences de clic de l'utilisateur, aider à l'optimisation de la conception de la page, personnalisation du contenu, etc. d.

Il existe quatre types courants de cartes thermiques :

1. La carte thermique de l'emplacement des clics est utilisée pour afficher l'emplacement de tous les clics sur le site Web des utilisateurs. Plus il y a de clics agrégés, plus la couleur est brillante. Souvent utilisé pour l'analyse des pages de destination : le contenu du CTA est-il cliqué ? Y a-t-il des boutons ou des éléments importants qui sont fréquemment cliqués et placés à des endroits auxquels seuls quelques utilisateurs peuvent accéder ? Y a-t-il des images ou du texte sur lesquels les utilisateurs cliquent mais qui n'ont pas de lien ?
2. Carte des clics sur les éléments pour afficher les clics sur les éléments en interaction. Pour analyse : quels éléments spécifiques génèrent combien de clics ? Quel pourcentage du nombre total de clics sur la page sont enregistrés ? Y a-t-il des bugs qui ne répondent pas à nos attentes ?
3. Affichez une ligne de profondeur indiquant le taux de rétention des utilisateurs arrivant dans une zone spécifique. Plus le pourcentage est faible, moins les utilisateurs pourront voir l'emplacement. Souvent utilisé pour trouver le meilleur placement CTA et surveiller les conversions de marketing de contenu.
4. Une carte thermique d'attention montrant combien de temps les utilisateurs restent dans une certaine zone, plus le temps de séjour est long, plus la couleur de la zone est claire. Généralement utilisé pour l'analyse : pour comprendre quel contenu de la page attire les visiteurs, et quel contenu est considéré comme important, mais ignoré par les utilisateurs ? Y a-t-il du contenu qui a été lu attentivement par les utilisateurs et placé trop bas ?

Différents types de cartes thermiques ont leurs propres avantages et inconvénients, comme la carte thermique de l'emplacement des clics. L'inconvénient est que la quantité de données rapportées augmentera, mais il peut être très intuitif d'analyser qualitativement les besoins de recherche des utilisateurs et de trouver un grand nombre de clics inattendus sur des éléments non interactifs. Cliquer sur la carte thermique d'un élément filtre une partie du contenu qui ne peut pas être cliqué. Les éléments cliquables peuvent être analysés quantitativement, mais ce n'est pas assez intuitif.

Nous pouvons choisir différents types appropriés dans différents scénarios. Actuellement, Analysys Ark prend déjà en charge la carte thermique de la position du clic, la carte thermique de l'élément de clic, la ligne de profondeur de la vue côté Web, la carte thermique de la position du clic et la carte thermique de l'élément de clic côté application.

Analyse de distribution

L'analyse de distribution peut essentiellement permettre de décomposer les données après « indexation des dimensions », diviser la dimension d'origine selon une certaine plage numérique, puis analyser la distribution de chaque plage de mesure, ce qui est très courant dans les scénarios d'analyse suivants : distribution de la somme, analyse de la distribution d'un type d'événement spécial sur une certaine période, analyse du nombre d'occurrences d'un certain type d'événement spécial et analyse de la répartition par âge des utilisateurs qui ont initié un certain type d'événement.

L'analyse de la distribution se concentre principalement sur deux types d'attributs, le type numérique et le type de date, tels que le nombre, l'âge, l'heure et la fréquence. Par conséquent, lorsque les données téléchargées par l'utilisateur incluent ces deux types d'attributs, alors dans l'analyse quotidienne, la distribution l'analyse peut être utilisée pour résoudre certaines tâches spécifiques. Les indicateurs communs incluent : la distribution de fréquence des événements X, la distribution des périodes actives des événements X, la distribution des jours actifs des événements X et la distribution des valeurs somme/moyenne/habitant des événements X et des attributs Y.

Analyse d'intervalle

L'analyse d'intervalle est principalement utilisée pour calculer la durée entre le moment où un utilisateur déclenche un événement de début spécifié et la fin d'un événement cible spécifié. Autrement dit, il fournit essentiellement des statistiques sur les métriques associées en termes de temps et de longueur d'étape entre l'événement de début et l'objectif de conversion, afin que les personnes qui prêtent attention à la conversion puissent observer la situation du processus de conversion sur ces métriques.

Il existe de nombreux cas d'utilisation de l'analyse d'intervalle : elle peut être utilisée pour calculer l'intervalle de temps de connexion et le cycle de réachat du produit, comme outil d'analyse pour mesurer l'activité et l'adhérence des utilisateurs, et comme complément à l'analyse de l'entonnoir de conversion. L'indicateur de durée est utilisé pour mesurer les performances de conversion d'un chemin de conversion spécifique au fil du temps.

L'analyse d'intervalle est un ajout à l'entonnoir de conversion lorsqu'elle est utilisée pour mesurer les performances de conversion. Cependant, les deux ont leurs propres idiosyncrasies : l'analyse des intervalles se concentre sur l'efficacité du temps des utilisateurs pour effectuer une conversion, tandis que les entonnoirs de conversion se concentrent sur les mesures des résultats de conversion ainsi que sur les conversions et la perte de chaque lien dans le processus de conversion.

Tout en prêtant attention aux résultats de la conversion et aux paramètres qui affectent les résultats, nous devons également prêter attention aux indicateurs de performance dans le processus de conversion. Par exemple, pour les applications financières et de gestion de patrimoine, de la landing page au premier dépôt, de nombreux liens de conversion sont impliqués, en plus de la conversion finale. En plus de la rapidité, vous devez faire attention à l'efficacité de la conversion entre les principales étapes, en particulier l'enregistrement, la liaison des cartes et d'autres liens.

Avec l'analyse d'intervalle, nous pouvons observer l'intervalle de temps de la distribution des utilisateurs exécutant deux événements donnés. Combiné avec d'autres modèles d'analyse, nous pouvons mieux comprendre les lois qui sous-tendent le comportement des utilisateurs afin d'étudier et d'améliorer l'expérience utilisateur, l'activité, le taux de conversion des produits et la valeur des produits.

Analyse de chemin

Les chemins sont les trajectoires comportementales que les utilisateurs utilisent dans une application. Dans le processus de travail avec un produit, qu'il s'agisse d'un produit, d'une équipe d'exploitation ou d'une équipe marketing, on espère que le cheminement du comportement de l'utilisateur pourra être clairement compris afin de tester l'idée d'opération, guider l'optimisation itérative du produit, et atteindre l'objectif ultime de croissance et de conversion des utilisateurs.

Lorsqu'il existe un chemin de conversion clair, il est plus facile de suivre les taux de conversion en créant un entonnoir à l'avance. Cependant, dans de nombreux cas, malgré un objectif de conversion ultime, les utilisateurs ont plusieurs chemins pour atteindre cet objectif. Dans ce cas, un modèle d'analyse de chemin intelligent est nécessaire.

Avec le modèle d'exploration de chemin Analysys Ark, vous pouvez ouvrir la boîte noire du comportement de l'utilisateur, vous pouvez explorer le chemin source de l'objectif de conversion et vous pouvez visualiser tous les chemins et proportions des utilisateurs.

Le modèle de path mining peut résoudre les problèmes suivants :

1. À partir de quel chemin les utilisateurs forment-ils principalement une conversion de paiement ?
2. Quelle est la direction réelle une fois que l'utilisateur a quitté le chemin prévu ?
3. Quelles sont les différences dans les chemins de comportement des utilisateurs pour différentes caractéristiques ?

Analyse en entonnoir

L'analyse de l'entonnoir est une méthode d'analyse de l'effet de conversion des utilisateurs à travers une série d'étapes lorsqu'ils utilisent une entreprise. Le modèle d'analyse de l'entonnoir Analysys Ark peut personnaliser de manière flexible le processus de conversion en plusieurs étapes, trouver les principales relations de perte et les facteurs d'influence, puis analyser le comportement des utilisateurs pour des actions d'optimisation ciblées.

Alors, qu'est-ce que l'analyse en entonnoir peut résoudre exactement ? Par exemple:

1. Le site officiel a beaucoup de trafic, mais peu d'utilisateurs enregistrés. Quelle partie du processus a mal tourné ?
2. Quelle est la conversion globale des utilisateurs de "s'inscrire - lier une carte - passer une commande - payer la commande" ?
3. Quelles sont les différences de taux de conversion des paiements personnalisés d'une région à l'autre ?
4. Deux canaux de promotion amènent des utilisateurs différents, quel canal a le taux de conversion d'inscription le plus élevé ?
5. La semaine dernière, le lien d'inscription a été optimisé, la dynamique de conversion s'est-elle améliorée ?

Idéalement, les utilisateurs devraient suivre le chemin de la conception du produit jusqu'à l'événement de l'objectif final, mais la réalité est que les chemins de comportement des utilisateurs sont divers. En configurant des chemins commerciaux clés par le biais d'événements cachés, nous pouvons analyser la situation avec des conversions et des pertes dans divers scénarios commerciaux. Non seulement nous localisons les problèmes potentiels du produit, mais nous trouvons également les utilisateurs perdus dans chaque lien, puis les ciblons pour générer la conversion.

Lire cet article :

• Quelle est la différence entre sem et seo ?
• Facteurs comportementaux de classement des sites Web - comment augmenter ?

Merci d'avoir lu : SEO HELPER | NICOLA.TOP