热搜:
编辑导语:在互联网时代,大数据与各行各业的结合给人类带来如此广泛而深刻的变革,就像“巧妇难为无米之炊”一样,没有数据就没有了一切。本文作者从互联网行业特性、互联网行业常见的数据指标、数据分析概述、数据分析入门、数据分析基本流程、数据分析进阶、数据分析存在的挑战以及发展前景等7个方面进行梳理总结,为我们分享了基于互联网行业背景下的数据分析通识。

在互联网行业中,用户在互联网上的行为“数据”都会被记录。

此时,就需要进行“数据分析”并利用技术手段从海量用户行为数据中挖掘出有价值的信息,分析用户的生命周期以及用户行为路径,建立数据指标体系以及监控体系和用户模型,进行用户分层,针对性提供产品和个性化的服务,实现精准营销,以此来提高业务增长,提升用户体验,打造引流的闭环等。

因此,“数据分析”在互联网行业具有重要意义。但“数据分析”更多在互联网行业却是属于通用技能,也可以说更像是一个底层的能力,不管你是做产品、运营、商务、市场、人力,还是技术开发、项目、管理,基本上都要掌握“数据分析”技能。

因为绝大多数的数据分析相对来说都是比较常见的业务分析的工作,同时因为成本管控的原因,一般的业务线就不会再设立专门的数据分析岗位,这都需要自己做分析的工作了。

因此,我们将从互联网行业特性、互联网行业常见的数据指标、数据分析概述、数据分析入门、数据分析基本流程、数据分析进阶、数据分析存在的挑战以及发展前景等7个方面进行梳理总结,来全面了解一下基于互联网行业背景下的数据分析通识。

一、互联网行业特性

与传统行业相比,互联网行业有几个不一样的特点:

  1. 由于网络效应,用户持续增长,网络规模进一步扩大,对于用户,更有可能出现爆炸性增长的局面。如2021年上半年,中国网民规模将突破10亿大关, 互联网普及率达70.4%。
  2. 互联网媒体性增强,产生了多样化的需求,更成为文化传播的重要渠道。如目前的抖音、微博等新媒体热点事件等。
  3. 互联网行业会出现前期大量烧钱抢占市场和用户的局面,因为在行业发展的爆发期一旦有一个好的产品领先,后来者就很难翻盘了,比如 Uber 是一个特别典型的例子。
  4. 互联网行业比较容易出现赢者通吃的局面,比如优酷和土豆的合并,携程和去哪的合并,立马形成行业垄断。
  5. 互联网已成为我们生活中不可或缺的重要组成部分。5g时代的到来,未来会实现万物互联的局面,如社区团购、外卖等,无不例外,互联网参透我们生活的点点滴滴,使我们生活便捷、畅通、实时、高效的桥梁。

总之,互联网行业让整个人类社会的发展都进入了一种飞速的进化状态,公司的生命周期变得很急促,优势竞争地位会迅速放大,树立牢不可破的门槛;行业颠覆也变得很快。

然而,在如此快速的互联网发展的道路上,以及在5G和大数据的背景下,为了更好地应对不断的变化,数据分析技能无疑是未来职场人的必备技能 ,通过数据分析做到组织精细化,增加竞争优势等!

二、互联网行业常见数据指标

不同的互联网行业关注不同的运营数据,细化来看,复杂的互联网产品关注的运营指标成百上千。但是有一些指标是我们最常用的,这些指标基本反映了业务线的运营的核心状态!

我们以App的指标为例,来看一下梳理一下互联网行业常见的数据指标。

1. 活跃用户指标

  • 日活(DAU):一天内日均活跃设备数(去重,每个公司活跃的定义不一样);
  • 周活跃数(WAU):一周内活跃设备数(去重,每个公司活跃的定义不一样);
  • 日新增DNU:一周内的日均新增人数,计算方式:一周新增设备数(不去重)/自然周天数;
  • 最高活跃(PCU):一周内的最高活跃设备数;
  • 月活(MAU):一个月内的活跃设备数(去重);
  • 活跃度(DAU/MAU):体现用户的总体粘度,衡量期间内每日活跃用户的交叉重合情况。
  • ········

活跃用户指标有的公司定义启动过APP的用户就算活跃,有的定义必须登录账户才算活跃。活跃用户指标可以按照时间跨度不同分为、周、月来统计,是衡量APP用户规模的指标。

一个产品是否成功,如果只看一个指标,那么这个指标一定是活跃用户数。如新闻APP、音乐APP、社交APP等大多数希望用户每天都打开的应用,其产品的北极星指标均为日活跃用户数。

2. 新增用户指标

  • 日新增注册用户量:统计一天内,即指安装应用后,注册APP的用户数;
  • 周新增注册用户量:统计一周内,即指安装应用后,注册APP的用户数;
  • 月新增注册用户量:统计一月内,即指安装应用后,注册APP的用户数;
  • 注册转化率:从激活到注册的转化;
  • DNU占比:新增用户占活跃用户的比例,可以用来衡量产品健康度;
  • ········

新增用户指标也可以按照时间跨度不同分为、周、月来统计,且主要是衡量营销推广渠道效果的最基础指标;转化率则是反映渠道推广落地页或者注册流程的流畅度;而新用户占比活跃用户过高,那说明该APP的活跃是靠推广得来。

这种情况非常值得关注,尤其是关注用户的留存率情况。

3. 留存指标

  • 次日留存率:某一统计时段新增用户在第二天再次启动应用的比例;
  • 7日留存率:某一统计时段新增用户数在第7天再次启动该应用的比例;
  • 14日和30日留存率以此类推;
  • ········

留存指标也是验证APP对用户吸引力很重要的指标。

通常可以利用用户留存率与竞品进行对比,衡量APP对用户的吸引力。对于某一个相对成熟版本的应用,如果用户留存率有明显变化,则说明用户质量有明显变化,很可能是因为推广渠道质量的变化所引起的。

4. 使用时长指标

  • 使用总时长:在某一统计周期内所有从APP启动到结束使用的总计时长(不去重);
  • 人均使用时长(分):同一统计周期内的使用总时长/活跃用户数;
  • 单次使用时长(分):同一统计周期内使用总时长/启动次数;
  • 新用户时长(分):某一统计周期新用户app时长某一统计周期的新用户数(不去重);
  • 老用户时长(分):某一统计周期老用户app时长/某一统计周期的老用户数(不去重);
  • 使用时间间隔:指同一用户相邻两次启动的时间间隔;
  • ········

使用时长相关指标也是衡量产品活跃度、产品质量的重要指标。目前APP种类翻多,用户精力分散,每天的时间是有限,比如现在很流行的短视频APP,主要指标就要看时长指标了。

5.用户构成指标

  • 回流用户:上周未启动过APP,本周启动APP的用户;
  • 连续活跃n周用户:连续n周,每周至少启动过一次APP的活跃用户;
  • 重要用户:连续活跃4周及以上的用户;
  • 连续活跃用户:连续活跃1周及以上的用户;
  • 流失用户:连续n周(大等于1周,但小于等于2周)没有启动过APP的用户,流失率、回流率等;
  • ········

用户构成指标是对已注册用户的构成进行分析,有助于通过新老用户结构了解活跃用户健康度。每个公司对重要、回流、流失用户的定义不一样的,我们可以根据产品业务需要,制定回流、流失预警,来对用户健康度进行监控。

6. 渠道指标(不包括SEO)

  • 投放消耗:统计时间内花费的金额;
  • 投放成本(roi):统计时间内花费的金额/买量新增人数;
  • 曝光量:通过应用市场投放广告曝光的次数;
  • 点击量:广告被点击的次数,是APP被下载并激活的前提;
  • 下载量:通过应用市场等渠道,下载APP应用的用户数量;
  • 激活量:安装应用后,首次打开APP应用的用户数量;
  • 激活转化率:从下载到激活的用户转化;
  • 日均自然量占比:自然量新增/新增人数;
  • 各个渠道留存率:每个推广渠道来源,x日留存率为x日前的新用户在今天还启动应用的比例;
  • ········

渠道指标是评估渠道投放的质量,再结合产品自身特点、产品受众群体以及渠道自身特点做出全面细致的评估,并根据数据情况筛选优质渠道进行投放。

7. 收入数据

  • 付费金额
  • 付费人数
  • 付费率
  • 首充人数
  • 首充金额
  • ARPU
  • LTV(生命周期价值)
  • ········

收入指标是用来衡量整体app收入状况,以及盈利情况,为后续业务目标制定起到参考的作用。

8. 活动数据

日常秒杀、双十一、618等大促活动:新增访客、新增注册、总UV、成交订单数、转化率、ROI········

以上是一些具有普适性的互联网运营数据指标,虽然不同的业务关注的指标不一样。总之, 数据指标很多,但是在互联网中这些数据指标基本上都是大同小异的,对于新增、活跃、留存、复购、用户分层、活动复盘、渠道优化等等的分析也基本上各个互联网业务线中都会有。

上面列出的各指标,可能不是那么全面,这里就不一一展开了,好的数据指标,更应该为产品业务线所在的发展阶段提供指引。因此,实际工作中要以本身业务目标制定属于自己关注指标的为准。

三、数据分析概述

数据分析,即是基于某个目的对数据进行分析和总结概括的过程。它的意义在于把隐藏在数据中的信息萃取和提炼出来,以便帮助人们找到所研究对象的内在规律,或者事物的发生、发展和未来变化的规律,进而帮助人们做出判断以及正确的决策。

现在领域内有很多数据分析岗。BI(Business Intelligent)、DA(Data Analysis)、数据运营、数据科学家、数据产品经理等,工作内容可以说是大相径同,细分领域的专业度会存在不同程度的差异。

如今,“数据分析”可以说是有关“数据”类岗位的总称了,而数据分析技能基本是互联网里的标配了。从事这些工作的人,通过分析数据发现业务问题,洞察商业机会点,为运营活动、业务增长及企业发展提供合理建议及参考依据。

然而,数据分析具体都做哪些工作呢?这里先简单梳理介绍一下理想中和实际中,数据分析的典型场景!

1. 理想工作场景

业务最近遇到了困难(例如某投放渠道与预计效果相差更多),但今年和往年的投放策略没啥变化呀,为啥效果这么差?这是我们就需要分析一下今年该渠道业绩不达预期的原因。

然后,数据分析人员经过一顿操作猛如虎,做出了精美的PPT报告,在大boss面前一顿指点江山,最终收获了老板的认同。通过数据分析,看趋势,对比,查异常,做用户分群等一系列的操作,同时给出了运营建议,业务按照建议修改了投放策略,果然效果十分明显,业绩飙升。

正所谓:理想很丰满,现实很骨感。然而实际工作中又是如何呢?

2. 实际工作场景

业务最近遇到了困难,我们需要分析一个渠道效果差的原因。我们需要进行数据分析,先是用尽了毕生力气准备好了各种数据。然后进行了各种维度下钻分析原因,然而,也没找到异常。最终给老板做的PPT,也被业务频频吐槽,说没有业务价值。

从上面的例子中,其实比较容易理解,数据分析的主要职责了吧?

其实,数据分析的出发点首先要带着业务的问题或者疑惑,然后凭借较强的数据敏感度,再通过各种理论的分析方法,来描述数据的异常状态、根据数据和指标体系、寻求原因、来评估可能的影响、来探索可能的数据(用户)增长策略。

现在,我们从业务角度出发在来看一下,做数据分析的具体操作场景是怎么样的:

3. 具体操作场景

  1. 我们拿到数据,首先明确数据准确性以及分析目的等,看到了新增注册的用户报表,曲线有点平啊,增长有点乏力哦~~
  2. 进一步进行数据对比,和上周同期对比,和上月对比下,看看趋势是否一致?
  3. 挖掘异常的数据,好像不对哦,之前同期的增长都还不错,这时,预测是不是有重大节日以环境影响,是不是有运营故障或者产品bug,是不是注册业务流程出问题了,需要赶紧和产品、运营同学碰一下。
  4. 产品和运营都没有重大事故啊,真是奇了怪了。那就继续拆解数据指标,再细拆看看注册渠道和应用市场的数据,拆解新用户全链路指标,通过不同渠道数据的影响。
  5. 并通过一些可视化的手段,进行数据可视化,经过层层分析,终于发现了问题,原来xx市场的推广到期了。
  6. ok,发现问题了,明确问题进行验证等操作,注册的增长还是一个很重要的方向,那么系统化的梳理下整个分析和策略去给领导汇报。又是一个PPT。
  7. 结果汇报,提出可行性的落地执行方案。到了领导那儿,说:领导,我们需要申请xxx费用,因为xx市场的推广已到期,导致新增用户增长乏力,其中xxx,特别的xxxx,所以xxxx 。

总结下来,其实就是:利用数据分析技术方法及手段,总结业务现象、分析业务状况,通过一些可视化的手段展示处理,并撰写分析报告或者报表,为业务的增长提供可落地执行的指导以及建议。简单来说就是:所有数据分析,都绕不开是多少、是什么、为什么、会怎样、又如何。

由于篇幅的原因,我们将拆分来梳理,后面继续从数据分析入门、数据分析基本流程、数据分析进阶、数据分析存在的挑战以及发展前景等方面进行详细梳理总结,敬请期待!