Quais são os modelos comuns de análise de big data?

Ouça este artigo

Por exemplo, quais modelos de dados na análise de dados podem ser usados diretamente, especialmente para alguns produtos de plataforma da Internet. Existem 11 modelos gerais de análise de dados que podem ser usados diretamente, incluindo análise de evento, análise de atributo, análise de canal, análise de sessão, análise de retenção, análise de atribuição, análise de mapa de calor, análise de distribuição, análise de intervalo, análise de caminho e análise de funil.

O conteúdo do artigo:

• Análise de eventos
• Análise de atributos
• Análise de Canal
• Análise da Sessão
• Análise de Retenção
• Análise de atribuição
• Análise do mapa de calor
• Análise de Distribuição
• Análise de intervalo
• Análise de caminho
• Análise de funil

Análise de eventos

Os eventos referem-se ao comportamento dos usuários em aplicativos, sites e outros aplicativos, ou seja, quem, quando, onde, como e o que eles fizeram. O modelo de análise de eventos é usado principalmente para analisar o comportamento do usuário no aplicativo, como abrir o aplicativo, registrar-se, efetuar login e pagar pelo pedido. O comportamento do usuário é medido por métricas básicas, como número de usuários ativados, número de gatilhos e duração do acesso, e oferece suporte ao cálculo de métricas para criar métricas complexas para medir o processo de negócios.

Então, quais problemas o modelo de análise de eventos pode resolver? Por exemplo:

1. Acompanhe o número diário de usuários, visitas e tempo de uso do produto, a tendência mudou? Que fatores causaram a mudança?
2. Qual é a diferença entre a distribuição de eletrodomésticos adquiridos por usuários em São Petersburgo e Moscou?
3. Hoje, o produto lançou um tópico, como é a participação do usuário em cada período?
4. Qual é o número de usuários pagantes e ARPU nos últimos seis meses?

O modelo de análise de eventos pode rastrear o comportamento do usuário nas plataformas em tempo real, atribuir alterações de indicadores nas dimensões e combinar indicadores personalizados em novos indicadores para obter análises mais poderosas. Os produtos de análise inteligente Analysys Ark suportam filtragem de dimensão e condições de departamento e suportam comparação de grupos analisando grupos de usuários.

Análise de atributos

A análise de atributo é baseada em uma análise das proporções de atributos definidos pelo usuário ou atributos predefinidos. Ele pode calcular as proporções de atributos métricos, como o número de usuários em vários atributos e, em seguida, obter as conclusões preliminares da análise. Por exemplo, analisando a proporção de usuários com características de gênero, podemos obter rapidamente resultados estatísticos sobre o número de usuários de diferentes gêneros.

Usando a análise de atributos, você pode ver rapidamente a distribuição de usuários em diferentes atributos, o que é útil para calcular o número total de usuários com diferentes características. No processo de usar a análise atributiva, é necessário escolher um método de medição razoável. Os métodos de medição comumente usados incluem: número de usuários, multiplicidade, soma, máximo, mínimo, média, etc.

Por exemplo: o indicador que selecionamos é "Consumo Acumulado Médio", a dimensão é "Nível de Associação" e o usuário seleciona "Todos os Usuários", então o resultado que obtemos é "Qual é o Consumo Médio de Todos os Usuários com diferentes níveis de associação .

Semelhante ao Modelo de Análise de Eventos, o Modelo de Análise de Atributos pode executar comparações multidimensionais e multiusuários e exibir resultados estatísticos em vários gráficos. O cenário de recurso de tag também pode realizar comparação estatística de tags entre versões.

Análise de Canal

Canais, ou seja, vários pontos de contato entre empresas (produtos) e usuários, como mecanismos de busca, redes sociais, plataformas de publicidade, reuniões off-line, etc.

O modelo de análise de canal é usado para analisar as origens das visitas do usuário (incluindo visitantes) e avaliar a qualidade do canal usando métricas importantes, como o número de usuários visitantes, o número de visitas, a duração da visita e a taxa de rejeição . Ele também oferece suporte a metas de conversão personalizadas para medir o efeito de conversão dos canais.

Então, quais problemas a análise de canal pode resolver? Por exemplo:

1. E quanto ao número de visitantes e visualizações de página de cada canal em tempo real?
2. E quanto ao número de cadastros de usuários atraídos por cada canal?
3. Redes sociais, buscadores, links externos… Qual canal tem maior taxa de retenção?
4. Os usuários de origem do Wechat estão mais concentrados na conta oficial ou no círculo de amigos?
5. Quais termos de pesquisa geram mais tráfego e convertem bem?

O modelo de análise de canal pode representar claramente o desempenho de cada canal, identificando as principais métricas e taxas de conversão, selecionando a plataforma de análise e os parâmetros do canal para avaliar o efeito de saída real de vários canais e, finalmente, selecionando uma combinação de canais de alta qualidade para melhorar o ROI geral.

Análise da Sessão

Uma sessão, ou seja, uma sessão, refere-se a um conjunto de sequências de ações do usuário que ocorrem em um site/H5/widget/aplicativo durante um período de tempo. Por exemplo, uma sessão pode conter várias exibições de página, eventos de interação e assim por diante.As sessões têm atributos temporais. Sessões de diferentes durações podem ser criadas de acordo com diferentes regras de corte.

O modelo de análise de sessão contém muitas métricas para medir a qualidade do acesso à sessão, incluindo número de visitas, número de visitas per capita, duração total da visita, duração por visita, profundidade por visita, taxa de rejeição, taxa de rejeição, número de saídas, taxa de saída e duração da visita por visita, per capita, tempo total na página, tempo médio na página.

Ao contrário da análise de eventos, a análise de sessão também oferece suporte a subdivisões de algumas dimensões para atender às necessidades de análise de sessão em determinados cenários, incluindo:

1. Agrupamento de Fontes de Canais: utilizado para distinguir as fontes de canais de cada visita, aplicável apenas a Web/H5/Mini;
2. Número de páginas visualizadas: com um passo de 5 como intervalo, calcula-se a distribuição do número de páginas visualizadas a cada vez;
3. Landing page: serve para distinguir a landing page de cada visita, podendo ser avaliada a qualidade da visita às diferentes landing pages;
4. Página de saída: usada para diferenciar a página de saída em cada visita, avaliar a situação de saída em diferentes páginas e encontrar uma página com alta taxa de saída para otimização;
5. Duração do acesso: 0-3 segundos, 3-10 segundos, 10-30 segundos, 30-60 segundos, 1-3 minutos, 3-10 minutos, 10-30 minutos, 30-60 minutos, 1 hora ou mais. Divida e calcule a distribuição do tempo de cada visita.

Semelhante à análise de eventos, a análise de sessão também suporta vários indicadores, várias dimensões e várias condições de filtro, bem como comparação horizontal entre vários grupos de usuários. Ao mesmo tempo, ao analisar uma sessão, também oferece suporte à análise estatística de acordo com três níveis diferentes de detalhamento: dia, semana e mês. Os usuários podem selecionar a granularidade apropriada para análise de acordo com o intervalo de tempo dos dados da consulta.

Análise de Retenção

Retenção significa que os usuários usaram aplicativos, sites e outros aplicativos e continuam a usá-los depois de algum tempo.

O Modelo de Análise de Retenção é um método para medir o status/engajamento do usuário além de downloads, DAUs e outras métricas para obter uma compreensão profunda da retenção e rotatividade de usuários, identificar os principais fatores que influenciam o crescimento sustentável do produto e tomar decisões de mercado, melhorar o produto, aumentar a contagem de usuários. custo, etc

Então, quais problemas um modelo de análise de retenção pode resolver? Por exemplo:

1. Houve uma iteração do produto no mês passado, como avaliar seu efeito? O comportamento é esperado pelo gerente de produto?
2. Como um aplicativo social, há diferença entre os usuários que não adicionam amigos depois de se inscrever e aqueles que adicionam 10 amigos?
3. A retenção de curto prazo é baixa, a retenção de longo prazo deve ser ruim?
4. Dois canais de promoção atraem usuários diferentes. Quais usuários de canal têm maior probabilidade de serem usuários valiosos?
5. Qual é a proporção de usuários que se inscreveram nos últimos 30 dias e não retornaram em meio mês?

O modelo de análise de retenção suporta filtragem condicional e benchmarking em várias populações, bem como amostragem aleatória e cálculo de dados completos. Ao mesmo tempo, também podemos usar a análise de retenção para determinar se novos usuários estão prontos para voltar a usar seu recurso em alguns dias, semanas e meses, e também podemos personalizar o comportamento inicial e final da análise de retenção de recurso.

A retenção é calculada com base no horário de início do comportamento de um grupo de usuários e descreve se o comportamento desejado ocorre após um determinado período de tempo na coorte em que ocorreu o comportamento específico. Tanto o comportamento inicial quanto o comportamento subsequente podem ser qualquer evento ou um evento específico.

Diferentes condições de armazenamento podem ser definidas para análise em diferentes cenários de análise:

1. O comportamento inicial e o comportamento subsequente são definidos como iguais, e as ocorrências repetidas de diferentes recursos são comparadas para verificar o comprometimento do usuário em usar os diferentes recursos;
2. O comportamento inicial é o mesmo e diferentes comportamentos subsequentes são fornecidos para comparar se a mesma otimização afeta outros recursos de maneira diferente;
3. As etapas subsequentes são as mesmas, especificando diferentes comportamentos iniciais, comparando e encontrando o impacto de diferentes práticas e recursos de produtos nas principais metas de negócios.

Análise de atribuição

Ao realizar atividades operacionais, podemos colocar o conteúdo do evento em várias posições operacionais dentro do produto na tentativa de capturar a atenção do usuário, direcionar o fluxo de tráfego e o comportamento do usuário e facilitar a interação entre usuários e produtos, resultando em conversão. Além disso, os próprios usuários também podem receber informações por meio de pontos de contato, como pesquisas e recomendações de conteúdo. Esses pontos de contato também desempenham um papel importante na obtenção de conversões pelos usuários.

Ou seja, na jornada de conversão do usuário, muitos pontos de contato do site estão envolvidos em persuadir e orientar os usuários, influenciando sua decisão final. Em seguida, comparando diferentes pontos de contato do usuário para ver como eles contribuíram para as principais métricas, todos eles têm as grandes oportunidades de conversão que os operadores esperam ou são subestimados? Na operação subsequente, como ajustar a distribuição de peso de entrada de recursos de cada item de trabalho?

Para os problemas acima, a análise de atribuição fornece uma medida intuitiva, Conversion Contribution, que é usada principalmente para medir e avaliar a contribuição dos pontos de contato do usuário em um site para a meta geral de conversão (por exemplo, valor total do pedido), que pode ser extremamente direta. Meça o efeito de conversão e a contribuição de valor de cada local de trabalho e ponto de contato. Existem cinco modelos comuns de análise de atribuição:

1. Atribuição do primeiro toque: 100% é atribuído um valor de conversão a um evento que deve ser atribuído à primeira interação;
2. Atribuição do último toque: 100 % valor de conversão refere-se ao último evento de interação a ser atribuído;
3. Atribuição linear: distribui uniformemente o valor da conversão para todos os eventos de atributo ao longo do caminho de conversão;
4. Atribuição de local: alocar o valor da conversão de acordo com a posição do evento que precisa ser atribuído ao longo do caminho de conversão. Como regra, os eventos da primeira e da última interação são 40 % cada, e os eventos dos pontos de interação intermediários são divididos igualmente nos 20% restantes;
5. Atribuição de Decaimento Temporal: Distribua o valor da conversão em ordem cronológica dos eventos que deseja atribuir. Quanto mais próximo do evento alvo, maior a contribuição e mais será atribuído ao evento atribuído.

Com o Analysys Ark Attribution Analysis Model, você só precisa configurar cinco etapas simples (definir eventos de destino, eventos de ponto de contato, escolher um modelo de atribuição, definir um período de janela e escolher um intervalo de tempo de consulta), você pode ver intuitivamente como cada ponto de contato contribui para a conversão métrica geral.

Análise do mapa de calor

O modelo de análise de mapa de calor pode usar o mapa de calor para exibir visualmente o comportamento de clique e rolagem do usuário no site, página H5 e aplicativo, para ajudar o produto e a equipe de operação a entender as preferências de clique do usuário, ajudar na otimização do design da página, personalização de conteúdo, etc. d.

Existem quatro tipos comuns de mapas de calor:

1. O mapa de localização de cliques é usado para exibir a localização de todos os cliques no site do usuário. Quanto mais cliques agregados, mais brilhante a cor. Frequentemente usado para análise da página de destino: o conteúdo do CTA está sendo clicado? Existem botões ou elementos importantes que são clicados com frequência e colocados em locais que apenas alguns usuários podem acessar? Há alguma imagem ou texto em que os usuários clicam, mas na verdade não tem um link?
2. Mapa de cliques de elemento para mostrar cliques em elementos interativos. Para análise: quais elementos específicos geram quantos cliques? Qual é a porcentagem do total de cliques na página? Existem bugs que não atendem às nossas expectativas?
3. Visualize uma linha de profundidade mostrando a taxa de retenção de usuários que chegam a uma área específica. Quanto menor a porcentagem, menos usuários poderão ver o local. Frequentemente usado para encontrar o melhor posicionamento de CTA e monitorar conversões de marketing de conteúdo.
4. Um mapa de calor de atenção mostrando quanto tempo os usuários permanecem em uma determinada área, quanto mais tempo de permanência, mais brilhante a cor da área. Geralmente usado para análise: para entender qual conteúdo da página atrai visitantes e qual conteúdo é considerado importante, mas ignorado pelos usuários? Existe algum conteúdo que foi lido com atenção pelos usuários e colocado muito abaixo?

Diferentes tipos de mapas de calor têm suas próprias vantagens e desvantagens, como o mapa de calor de localização de clique. A desvantagem é que a quantidade de dados relatados aumentará, mas pode ser muito intuitivo analisar qualitativamente as necessidades de pesquisa dos usuários e encontrar um grande número de cliques inesperados em elementos não interativos. Clicar no mapa de calor de um elemento filtra parte do conteúdo que não pode ser clicado. Elementos clicáveis podem ser analisados quantitativamente, mas isso não é intuitivo o suficiente.

Podemos escolher diferentes tipos adequados em diferentes cenários. Atualmente, o Analysys Ark já suporta mapa de calor de posição de clique, mapa de calor de elemento de clique, linha de profundidade de visualização lateral da web, mapa de calor de posição de clique e mapa de calor de elemento de clique lateral do aplicativo.

Análise de Distribuição

A análise de distribuição pode basicamente permitir a decomposição de dados após a “indexação de dimensão”, dividir a dimensão original de acordo com um determinado intervalo numérico e, em seguida, analisar a distribuição de cada intervalo de medição, o que é muito comum nos seguintes cenários de análise: distribuição de soma, análise do distribuição de um determinado tipo de evento especial de período de tempo, análise do número de ocorrências de um determinado tipo de evento especial e análise da distribuição etária dos usuários que iniciaram um determinado tipo de evento.

A análise de distribuição é focada principalmente em dois tipos de atributos, tipo numérico e tipo de data, como contagem, idade, hora e frequência. Portanto, quando os dados carregados pelo usuário incluem esses dois tipos de atributos, na análise diária, a distribuição análise pode ser usada para resolver algumas tarefas específicas. Os indicadores comuns incluem: distribuição de frequência de eventos X, distribuição de períodos ativos de eventos X, distribuição de dias ativos de eventos X e distribuição de valores de soma/média/capita de eventos X e atributos Y.

Análise de intervalo

A análise de intervalo é usada principalmente para calcular a quantidade de tempo entre o momento em que um usuário dispara um evento de início especificado e conclui um evento de destino especificado. Ou seja, basicamente fornece estatísticas sobre métricas relacionadas em termos de tempo e duração do passo desde o evento inicial até a meta de conversão, para que as pessoas que prestam atenção à conversão possam observar a situação do processo de conversão nessas métricas.

Existem muitos casos de uso para a análise de intervalo: ela pode ser usada para calcular o intervalo de tempo de login e o ciclo de recompra do produto, como uma ferramenta de análise para medir a atividade e a permanência do usuário e como um complemento para a análise do funil de conversão. O indicador Duração é usado para medir o desempenho de conversão de um caminho de conversão específico ao longo do tempo.

A análise de intervalo é uma adição ao funil de conversão quando usada para medir o desempenho da conversão. No entanto, ambos têm suas próprias idiossincrasias: a análise de intervalo se concentra na eficácia do tempo dos usuários para concluir uma conversão, enquanto os funis de conversão se concentram nas métricas de resultado da conversão, bem como nas conversões e na perda de cada link no processo de conversão.

Ao prestar atenção aos resultados da conversão e aos parâmetros que afetam os resultados, também precisamos prestar atenção aos indicadores de desempenho no processo de conversão. Por exemplo, para aplicativos financeiros e de gestão de patrimônio, da página de destino ao primeiro depósito, muitos links de conversão estão envolvidos, além da conversão final. Além da velocidade, é preciso ficar atento à eficiência de conversão entre as principais etapas, principalmente cadastro, vinculação de cartões e demais links.

Com a análise de intervalo, podemos observar o intervalo de tempo da distribuição de usuários executando dois eventos determinados. Combinado com outros modelos de análise, podemos obter informações sobre as leis por trás do comportamento do usuário para estudar e melhorar a experiência do usuário, atividade, taxa de conversão do produto e valor do produto.

Análise de caminho

Os caminhos são as trajetórias comportamentais que os usuários usam em um aplicativo. No processo de trabalho com um produto, seja um produto, uma equipe de operações ou uma equipe de marketing, espera-se que o caminho do comportamento do usuário possa ser claramente compreendido para testar a ideia da operação, orientar a otimização iterativa do produto, e atingir o objetivo final de crescimento e conversão de usuários.

Quando há um caminho de conversão claro, é mais fácil rastrear as taxas de conversão construindo um funil com antecedência. No entanto, em muitos casos, apesar de ter um objetivo final de conversão, os usuários têm vários caminhos para atingir esse objetivo. Nesse caso, é necessário um modelo de análise de caminho inteligente.

Com o Analysys Ark Path Mining Model, você pode abrir a caixa preta do comportamento do usuário, explorar o caminho de origem da meta de conversão e visualizar todos os caminhos e proporções do usuário.

O modelo de mineração de caminho pode resolver os seguintes problemas:

1. A partir de qual caminho os usuários formam principalmente uma conversão de pagamento?
2. Qual é a direção real depois que o usuário deixa o caminho esperado?
3. Quais são as diferenças nos caminhos de comportamento do usuário para diferentes características?

Análise de funil

A análise de funil é um método de análise do efeito de conversão dos usuários por meio de uma série de etapas quando eles usam uma empresa. O modelo de análise de funil Analysys Ark pode personalizar de forma flexível o processo de conversão em várias etapas, encontrar relações de perda importantes e fatores de influência e, em seguida, analisar o comportamento do usuário para ações de otimização direcionadas.

Então, o que exatamente a análise de funil pode resolver? Por exemplo:

1. O site oficial tem muito tráfego, mas poucos usuários registrados. Que parte do processo deu errado?
2. Qual é a conversão geral de usuários de "registrar - vincular um cartão - fazer um pedido - pagar pelo pedido"?
3. Quais são as diferenças nas taxas de conversão de pagamento personalizado entre as regiões?
4. Dois canais de promoção trazem usuários diferentes, qual canal tem a maior conversão de cadastro?
5. Na semana passada, o link de cadastro foi otimizado, a dinâmica de conversão melhorou?

Idealmente, os usuários devem seguir o caminho do design do produto até o evento do objetivo final, mas a realidade é que os caminhos do comportamento do usuário são diversos. Ao configurar os principais caminhos de negócios por meio de eventos ocultos, podemos analisar a situação com conversões e perdas em vários cenários de negócios. Não apenas localizamos possíveis problemas do produto, mas também encontramos os usuários perdidos em cada link e os direcionamos para gerar a conversão.

Lendo este artigo:

• Qual é a diferença entre seme seo?
• Fatores comportamentais de ranqueamento de sites - como aumentar?

Obrigado por ler: AJUDANTE DE SEO | NICOLA.TOP