Каковы общие модели анализа больших данных?

Прослушать эту статью

Например, какие модели данных в анализе данных можно использовать напрямую, особенно для некоторых продуктов интернет-платформ. Существует 11 общих моделей анализа данных, которые можно использовать напрямую, включая анализ событий, анализ атрибутов, анализ каналов, анализ сеансов, анализ удержания, анализ атрибуции, анализ тепловой карты, анализ распределения, анализ интервалов, анализ пути и анализ воронки.

Анализ событий

События относятся к поведению пользователей в приложениях, веб-сайтах и ​​других приложениях, то есть кто, когда, где, каким образом и что они делали. Модель анализа событий в основном используется для анализа поведения пользователя в приложении, такого как открытие приложения, регистрация, вход в систему и оплата заказа. Поведение пользователя измеряется базовыми показателями, такими как количество активированных пользователей, количество триггеров и продолжительность доступа, а также поддерживает расчет показателей для построения комплексных показателей для измерения бизнес-процесса.

Итак, какие проблемы может решить модель анализа событий? Например:

1. Отслеживайте ежедневное количество пользователей, посещений и время использования продукта, изменилась ли тенденция? Какие факторы вызвали изменения?
2. Чем отличается распределение количества покупаемой пользователями бытовой техники в Санкт-Петербурге и Москве?
3. Сегодня в продукте запустили тему, как проходит участие пользователя в каждом периоде?
4. Каково количество платящих пользователей и ARPU за последние шесть месяцев?

Модель анализа событий может отслеживать поведение пользователей на разных платформах в режиме реального времени, атрибутировать изменения индикаторов в различных измерениях и объединять пользовательские индикаторы в новые индикаторы для достижения более мощных возможностей анализа. Интеллектуальные аналитические продукты Analysys Ark поддерживают фильтрацию измерений и условий подразделения, а также поддерживают сравнение групп путем анализа групп пользователей.

Анализ атрибутов

Анализ атрибутов основан на анализе пропорций определенных пользователем атрибутов или предустановленных атрибутов. Он может подсчитывать пропорции атрибутов показателей, таких как количество пользователей, по различным атрибутам, а затем получать предварительные выводы анализа. Например, анализируя долю пользователей с гендерными признаками, мы можем быстро получить статистические результаты о количестве пользователей разного пола.

С помощью атрибутивного анализа можно быстро просмотреть распределение количества пользователей по разным атрибутам, что удобно для подсчета общего количества пользователей с разными характеристиками. В процессе использования атрибутивного анализа необходимо выбрать разумный метод измерения. Обычно используемые методы измерения включают в себя: количество пользователей, множественность, сумму, максимум, минимум, среднее и т. д.

Например: индикатор, который мы выбираем, — это «средний совокупный объем потребления», измерение — «уровень членства», и пользователь выбирает «все пользователи», тогда результат, который мы получаем, — это «каково среднее количество потребления всех пользователей с разными уровни членства».

Подобно модели анализа событий, модель анализа атрибутов может выполнять многомерные и многопользовательские сравнения и отображать статистические результаты в различных диаграммах. В сценарии с функцией тега также может выполняться статистический сравнительный анализ тегов разных версий.

Анализ канала

Каналы, то есть различные точки контакта между предприятиями (продуктами) и пользователями, такие как поисковые системы, социальные сети, рекламные платформы, офлайн-встречи и т. д.

Модель анализа канала используется для анализа источников посещений пользователей (включая посетителей) и оценки качества канала с помощью основных показателей, таких как количество посещающих пользователей, количество посещений, продолжительность посещения и показатель отказов. Она также поддерживает настраиваемые цели конверсии для измерения конверсионного эффекта каналов.

Итак, какие проблемы может решить анализ каналов? Например:

1. Как насчет количества посетителей и просмотров страниц каждого канала в реальном времени?
2. Как насчет количества регистраций пользователей, привлеченных каждым каналом?
3. Социальные сети, поисковые системы, внешние ссылки… Какой канал имеет более высокий коэффициент удержания?
4. Пользователи источника Wechat больше сосредоточены в официальном аккаунте или в кругу друзей?
5. Какие поисковые запросы привлекают больше всего трафика и хорошо конвертируются?

Модель анализа канала может четко представить производительность каждого канала путем определения основных показателей и показателей конверсии, выбора платформы анализа и параметров канала, чтобы оценить фактический выходной эффект различных каналов и, наконец, выбрать комбинацию высококачественных каналы для повышения общей рентабельности инвестиций.

Анализ сеанса

Сеанс, то есть сеанс, относится к набору последовательности действий пользователя, которые происходят на веб-сайте/H5/мини-программе/приложении в течение определенного периода времени. Например, сеанс может содержать несколько просмотров страниц, событий взаимодействия и т. д. Сеансы имеют временные атрибуты. В соответствии с различными правилами резки могут быть созданы сеансы различной продолжительности.

Модель анализа сеанса содержит множество показателей для измерения качества доступа к сеансу, включая количество посещений, количество посещений на душу населения, общую продолжительность посещения, продолжительность одного посещения, глубину одного посещения, количество отказов, показатель отказов, количество выходов, показатель выходов и продолжительность посещения на душу населения, общее время пребывания на странице, среднее время пребывания на странице.

В отличие от анализа событий, анализ сеанса дополнительно поддерживает подразделения некоторых измерений для удовлетворения потребностей анализа сеанса в определенных сценариях, в том числе:

1. Группировка источников каналов: используется для различения источников каналов каждого посещения, применимо только к программе Web/H5/Mini;
2. Количество просмотренных страниц: с шагом 5 в качестве интервала подсчитывается распределение количества просмотренных страниц каждый раз;
3. Целевая страница : используется для различения целевой страницы каждого посещения, и можно оценить качество посещения различных целевых страниц;
4. Страница выхода: используется для различения страницы выхода при каждом посещении, оценки ситуации выхода на разных страницах и поиска страницы с высоким коэффициентом выхода для оптимизации;
5. Продолжительность доступа: 0-3 секунды, 3-10 секунд, 10-30 секунд, 30-60 секунд, 1-3 минуты, 3-10 минут, 10-30 минут, 30-60 минут, 1 час или больше. Раздели и посчитай распределение времени каждого визита.

Подобно анализу событий, анализ сеанса также поддерживает несколько индикаторов, несколько измерений и несколько условий фильтрации, а также горизонтальное сравнение между несколькими группами пользователей. В то же время при анализе сеанса он также поддерживает статистический анализ в соответствии с тремя различными уровнями детализации: день, неделя и месяц. Пользователи могут выбрать подходящую степень детализации для анализа в соответствии с временным интервалом данных запроса.

Анализ удержания

Удержание означает, что пользователи использовали приложения, веб-сайты и другие приложения и продолжают использовать их по прошествии некоторого времени.

Модель анализа удержания — это метод измерения состояния/вовлеченности пользователей, помимо загрузок, DAU и других показателей, для получения глубокого понимания удержания и оттока пользователей, выявления ключевых факторов, влияющих на устойчивый рост продукта, и принятия рыночных решений, улучшения продукта, увеличения количества пользователей. стоимость и т.д.

Итак, какие проблемы может решить модель анализа удержания? Например:

1. Была ли итерация продукта в прошлом месяце, как оценить ее эффект? Является ли поведение, которого ожидает менеджер по продукту?
2. Как социальное приложение, есть ли разница между пользователями, которые не добавляют друзей после регистрации, и теми, кто добавляет 10 друзей?
3. Краткосрочное удержание низкое, долгосрочное удержание должно быть плохим?
4. Два канала продвижения привлекают разных пользователей. Пользователи какого канала с большей вероятностью окажутся ценными пользователями?
5. Какова доля пользователей, зарегистрировавшихся за последние 30 дней, которые не возвращались в течение полумесяца?

Модель анализа удержания поддерживает условную фильтрацию и сравнительный анализ нескольких совокупностей, а также случайную выборку и расчет полных данных. В то же время мы также можем использовать анализ удержания, чтобы определить, готовы ли новые пользователи вернуться, чтобы использовать вашу функцию через несколько дней, недель и месяцев, а также можем настроить начальное и конечное поведение для анализа удержания функции.

Удержание рассчитывается на основе начального времени поведения группы пользователей и описывает, происходит ли желаемое поведение через определенный период времени в когорте, где произошло определенное поведение. Как начальное поведение, так и последующее поведение могут быть любым событием или конкретным событием.

Различные условия хранения могут быть установлены для анализа в различных сценариях анализа:

1. Начальное поведение и последующее поведение устанавливаются одинаковыми, а повторяющиеся вхождения различных функций сравниваются, чтобы выяснить приверженность пользователя к использованию различных функций;
2. Начальное поведение такое же, и разные последующие поведения задаются для сравнения того, влияет ли одна и та же оптимизация на другие функции по-разному;
3. Последующие действия одинаковы, задают разные начальные варианты поведения, сравнивают и находят влияние различных методов работы и функций продукта на основные бизнес-цели.

Анализ атрибуции

При выполнении операционных действий мы можем размещать материалы событий на нескольких операционных позициях внутри продукта, пытаясь привлечь внимание пользователей, направить поток трафика и поведение пользователей, а также способствовать взаимодействию между пользователями и продуктами, конечную конверсию. Кроме того, сами пользователи также могут получать информацию через точки взаимодействия, такие как поиск и рекомендации по контенту. Эти точки взаимодействия также играют важную роль в том, могут ли пользователи достичь конверсий.

Другими словами, на пути конверсии пользователя многие точки соприкосновения на сайте участвуют в убеждении и руководстве пользователей, влияя на принятие ими окончательного решения. Затем, сравнивая различные точки взаимодействия с пользователем, насколько они способствовали достижению ключевых показателей, все ли они обладают отличными возможностями конверсии, как ожидают операторы, или они недооценены? В последующей операции, как отрегулировать распределение веса ввода ресурса каждой рабочей позиции?

Для вышеуказанных проблем анализ атрибуции предоставляет интуитивно понятную меру — вклад в конверсию, которая в основном используется для измерения и оценки вклада точек взаимодействия с пользователем на сайте в достижение общей цели конверсии (например, общей суммы заказа), которая может быть предельно прямолинейной. Оценивайте конверсионный эффект и ценностный вклад каждого рабочего места и точки соприкосновения. Существует пять распространенных моделей анализа атрибуции:

1. Атрибуция первого касания: 100% ценности конверсии присваивается событию, которое должно быть атрибутировано для первого взаимодействия;
2. Атрибуция последнего касания: 100 % ценности конверсии относится к последнему событию взаимодействия, которое должно быть атрибутировано;
3. Линейная атрибуция: равномерно распределяет ценность конверсии на все атрибутивные события на пути конверсии;
4. Атрибуция местоположения: распределяйте ценность конверсии в соответствии с позицией события, которое должно быть атрибутировано на пути конверсии. Как правило, события первого и последнего взаимодействия составляют по 40 %, а события промежуточных точек взаимодействия поровну делятся на остальные 20%;
5. Атрибуция временного распада: распределяйте ценность конверсий в хронологическом порядке событий, которые нужно атрибутировать. Чем ближе к целевому событию, тем больший вклад и тем больше будет присваиваться атрибутируемому событию.

С моделью анализа атрибуции Analysys Ark вам нужно настроить всего пять простых шагов (определение целевых событий, событий точки взаимодействия, выбор модели атрибуции, определение периода окна и выбор диапазона времени запроса), вы можете интуитивно увидеть, как каждая точка взаимодействия способствует общей конверсии показателя.

Анализ тепловой карты

Модель анализа тепловой карты может использовать тепловую карту для визуального отображения поведения пользователя при нажатии и прокрутке на веб-сайте, странице H5 и в приложении, чтобы помочь персоналу продукта и эксплуатации понять предпочтения пользователя по щелчку, помочь в оптимизации дизайна страницы, настройке контента и т. д.

Существует четыре распространенных типа тепловых карт:

1. Тепловая карта местоположения кликов используется для отображения местоположения всех кликов на веб-сайте пользователей. Чем больше кликов агрегировано, тем ярче цвет. Часто используется для анализа целевых страниц: кликают ли по контенту CTA? Есть ли важные кнопки или элементы, на которые часто нажимают и которые размещаются в местах, доступных лишь немногим пользователям? Есть ли какие-либо изображения или текст, на который нажимают пользователи, но на самом деле не имеют ссылки?
2. Карта кликов по элементам, чтобы показать клики по взаимодействующим элементам. Для анализа: какие конкретные элементы вызывают сколько кликов? Какой процент полных кликов страницы занят? Есть ли ошибки, которые не соответствуют нашим ожиданиям?
3. Просмотрите линию глубины, показывающую уровень удержания пользователей, прибывающих в определенную область. Чем ниже процент, тем меньше пользователей смогут увидеть местоположение. Часто используется для поиска наилучшего места для CTA и мониторинга конверсии контент-маркетинга.
4. Тепловая карта внимания, показывающая, как долго пользователи остаются в определенной области, чем дольше время пребывания, тем ярче цвет области. Обычно используется для анализа: чтобы понять, какой контент на странице привлекает посетителей, а какой контент считается важным, но игнорируется пользователями? Есть ли какой-либо контент, который был внимательно прочитан пользователями и помещен слишком далеко вниз?

Различные типы тепловых карт имеют свои преимущества и недостатки, например, тепловая карта местоположения щелчка. Недостаток заключается в том, что объем сообщаемых данных будет увеличиваться, но может быть очень интуитивно понятно качественно проанализировать исследовательские потребности пользователей и обнаружить большое количество неожиданных кликов по неинтерактивным элементам. Щелчок по тепловой карте элемента отфильтровывает часть контента, на который нельзя кликнуть. Элементы, на которые можно кликнуть, можно анализировать количественно, но это недостаточно интуитивно понятно.

Мы можем выбрать разные подходящие типы в разных сценариях. В настоящее время Analysys Ark уже поддерживает тепловую карту положения клика, тепловую карту элемента клика, линию глубины просмотра на веб-стороне, тепловую карту положения клика и тепловую карту элемента клика на стороне приложения.

Анализ распределения

Анализ распределения может в основном обеспечивать возможность декомпозиции данных после «индексации измерения», разделять исходное измерение в соответствии с определенным числовым диапазоном, а затем анализировать распределение каждого диапазона измерения, что очень часто встречается в следующих сценариях анализа: распределение суммы, анализ распределения периода времени определенного типа особого события, анализа количества возникновения определенного типа особого события и анализа возрастного распределения пользователей, инициировавших определенный тип события.

Анализ распределения в основном направлен на два типа атрибутов, числовой тип и тип даты, такие как количество, возраст, время и частота, Поэтому, когда данные, загруженные пользователем, включают эти два типа атрибутов, то в повседневном анализе можно использовать распределительный анализ для решения некоторых конкретных задач. К общим показателям относятся: частотное распределение событий X, распределение активных периодов событий X, распределение активных дней событий X и распределение суммы/средних/ душевых значений событий X и атрибутов Y.

Интервальный анализ

Интервальный анализ в основном используется для подсчета интервала времени между тем, когда пользователь запускает указанное начальное событие, и завершает указанное целевое событие. То есть он в основном предоставляет статистику связанных показателей с точки зрения времени и длины шага от начального события до цели конверсии, чтобы люди, которые обращают внимание на конверсию, могли наблюдать ситуацию процесса конверсии по этим индикаторам.

Сценариев применения интервального анализа множество: он может использоваться для подсчета интервала времени входа в систему и цикла повторной покупки товаров, как инструмент анализа для измерения активности и липкости пользователей, а также как дополнение к анализу конверсионной воронки. Индикатор продолжительности используется для измерения эффективности конверсии определенного пути конверсии во временном измерении.

Интервальный анализ является дополнением к воронке конверсии при использовании для оценки эффективности конверсии. Тем не менее, у обоих есть свои особенности: интервальный анализ фокусируется на эффективности времени пользователей для завершения конверсии, в то время как конверсионные воронки фокусируются на показателях результата конверсии, а также на конверсии и потере каждой ссылки в процессе конверсии.

Обращая внимание на результаты конверсии и параметры, влияющие на результаты, мы также должны обратить внимание на показатели эффективности в процессе конверсии. Например, для финансовых приложений и приложений для управления состоянием от целевой страницы до первого депозита задействовано много конверсионных ссылок, кроме конечной конверсии. Помимо скорости, необходимо обратить внимание на эффективность конверсии между основными этапами, особенно регистрацией, привязкой карты и другими ссылками.

С помощью интервального анализа мы можем наблюдать за временным интервалом распределения пользователей, выполняющих два заданных события. В сочетании с другими моделями анализа мы можем получить представление о законах, лежащих в основе поведения пользователей, чтобы изучить и улучшить пользовательский опыт, активность, коэффициент конверсии продукта, и стоимость продукта.

Анализ пути

Пути — это поведенческие траектории, которые пользователи используют в приложении. В процессе работы с продуктом, будь то продукт, операционная или маркетинговая команда, есть надежда, что путь поведения пользователя можно будет четко понять, чтобы проверить идею операции, направить итеративную оптимизацию продукта и достичь конечной цели рост и конверсия пользователей.

Когда есть четкий путь конверсии, легче отслеживать показатели конверсии, заранее построив воронку. Однако во многих случаях, несмотря на наличие конечной цели конверсии, у пользователей есть несколько путей достижения этой цели. В этом случае требуется интеллектуальная модель анализа пути.

С помощью модели интеллектуального анализа пути Analysys Ark можно открыть черный ящик поведения пользователя, можно исследовать исходный путь цели конверсии, а также можно визуализировать все пути и пропорции пользователей.

Модель интеллектуального анализа пути может решить следующие проблемы:

1. С какого пути пользователи в основном формируют платежную конверсию?
2. Какое фактическое направление после того, как пользователь покидает ожидаемый путь?
3. Какие различия в путях поведения пользователей для разных характеристик?

Воронкообразный анализ

Воронкообразный анализ — это метод анализа конверсионного эффекта пользователей с помощью ряда шагов, когда они используют бизнес. Модель воронкообразного анализа Analysys Ark может гибко настраивать процесс конверсии между несколькими этапами, находить ключевые связи потерь и влияющие факторы, а затем анализировать поведение пользователей для целенаправленных действий по оптимизации.

Итак, что именно может решить воронкообразный анализ? Например:

1. На официальном сайте много трафика, но мало зарегистрированных пользователей. Какая часть процесса пошла не так?
2. Какая общая конверсия пользователей из «зарегистрируйтесь — привяжите карту — оформите заказ — оплатите заказ»?
3. Какие различия в коэффициентах конверсии пользовательских платежей в разных регионах?
4. Два канала продвижения приводят разных пользователей, у какого канала самая высокая конверсия регистрации?
5. На прошлой неделе была проведена оптимизация ссылки на регистрацию, улучшилась ли динамика конверсии?

В идеале пользователи должны следовать пути дизайна продукта к конечному целевому событию, но реальность такова, что пути поведения пользователей разнообразны. Настраивая ключевые бизнес-пути через скрытые события, мы можем анализировать ситуацию с конверсиями и потерями в различных бизнес-сценариях. Мы не только находим местонахождение потенциальных проблем с продуктом, но и находим потерянных пользователей в каждой ссылке, а затем направляем таргетинг на продвижение конверсии.

Спасибо, что читаешь Nicola Top