1人贊同了該回答
? 數(shù)據(jù)運營 作用&意義 知錯能改，善莫大焉 —錯在哪里，數(shù)據(jù)分析告訴你 運籌帷幄，決勝千里 —怎么做好“運籌”，數(shù)據(jù)分析告訴你 以往鑒來，未卜先知 —怎么發(fā)現(xiàn)歷史的規(guī)律以預(yù)測未來，數(shù)據(jù)分析告訴你 工作思維 對業(yè)務(wù)的透徹理解是數(shù)據(jù)分析的前提 數(shù)據(jù)分析是精細化運營，要建立起體系化思維（金字塔思維） 自上而下 目標(biāo)—維度拆解—數(shù)據(jù)分析模型—發(fā)現(xiàn)問題—優(yōu)化策略 自下而上 異常數(shù)據(jù) 影響因素 影響因素與問題數(shù)據(jù)之間的相關(guān)關(guān)系 原因 優(yōu)化策略 數(shù)據(jù)化運營7大經(jīng)典思路 以目標(biāo)為導(dǎo)向，學(xué)會數(shù)據(jù)拆分 細分到極致 追蹤思路 運營的問題，是追蹤出來的，不是一次就看出來的 所有的數(shù)據(jù)都是靠積累和沉淀才能發(fā)現(xiàn)問題，單一的數(shù)字沒有任何 意義，只能稱為 “數(shù)值” 結(jié)合/拆分思路 追蹤數(shù)據(jù)，多個維度結(jié)合分析。 從多個維度拆分?jǐn)?shù)據(jù) 對比思路 大的營銷事件作為節(jié)點單獨標(biāo)記，數(shù)據(jù)剔除出來單獨進行分析 節(jié)點思路 如運營活動等 行為標(biāo)記思路 將大動作的優(yōu)化，大的項目上線及時標(biāo)注在數(shù)據(jù)報表中 培養(yǎng)數(shù)據(jù)的敏感度 培養(yǎng)數(shù)據(jù)思維，從每天的各種數(shù)據(jù)報表開始 數(shù)據(jù)來源 數(shù)據(jù)埋點 初級 追蹤每次用戶的行為，統(tǒng)計關(guān)鍵流程的使用程度 中級 在產(chǎn)品中植入多段代碼追蹤用戶連續(xù)行為，建立用戶模型來具體化用戶在使用產(chǎn)品中的操作行為 高級 研發(fā)團隊合作，通過數(shù)據(jù)埋點還原出用戶畫像及用戶行為 常用數(shù)據(jù)分析工具 友盟、Talkingdata 友盟的頁面訪問分析，對幫助分析用戶流失有重要指導(dǎo)意義 網(wǎng)站Alexa排名查詢、愛站網(wǎng)、中國網(wǎng)站排名、網(wǎng)絡(luò)媒體排名 禪大師、ASO100 各種指數(shù) 百度指數(shù)、搜狗指數(shù)、騰訊瀏覽指數(shù)、360指數(shù)、某視頻網(wǎng)站指數(shù) 數(shù)據(jù)庫、運營后臺等 工作內(nèi)容 數(shù)據(jù)監(jiān)控 檢測異常指標(biāo)，發(fā)現(xiàn)用戶對您產(chǎn)品的”怒點“ 如：多次獲取手機驗證碼，次數(shù)劇增 這里需要考慮有一個監(jiān)控指標(biāo) 新功能數(shù)據(jù)分析 通過留存曲線檢驗新功能的效果 通過留存看新功能用戶的接受程度 通過用戶反饋或調(diào)研，了解新功能接受度 數(shù)據(jù)指標(biāo) 標(biāo)記: 紅色 整體概況 1、[大盤數(shù)據(jù)]用戶及收入表格+折線圖 注冊用戶（今天、昨日、近3天、近7日、近30天、全部） 新增用戶、付費用戶、充值總額 2、同時在線趨勢折線圖 在線人數(shù)一向是游戲火熱程度的最好衡量 需要有同期對比功能，有參照物才能更好的比較 3、付費滲透 日付費率變化折線圖 日付費率通常不穩(wěn)定，一般情況下看周付費率或月付費率 付費率=充值人數(shù)/活躍人數(shù)*100% ARPU值變化折線圖 ARPU值=總收入/活躍人數(shù) ARPU值影響因素 活躍人數(shù)DAU發(fā)生較大變化 運營活動影響 金字塔 大R 是否有大R用戶異常波動（大R用戶流失或大R用戶進入） 中、小R 大量中R、小R用戶出現(xiàn)或消失 ARPPU值變化折線圖 ARPPU值=總收入/付費人數(shù) 可以用來監(jiān)控大R用戶異常變化情況 如果該值異常波動，請進一步看鯨魚用戶數(shù)據(jù) 4、用戶留存 新用戶留存 次日、3日、7日、14日、30日留存 次日留存是對玩家“第一游戲體驗”的最佳印證 與游戲的類型、題材、玩法、美術(shù)風(fēng)格、游戲前期內(nèi)容吸引度、新手引導(dǎo)有效性有直接的相關(guān)性 如果導(dǎo)入的新增玩家群體對游戲題材、玩法、美術(shù)風(fēng)格不予認(rèn)可，留存將會很差，且可優(yōu)化的空間較小 優(yōu)化新手引導(dǎo)和前期的游戲內(nèi)容則可以有效幫助提升次日留存 7日、30日留存則與游戲難度、持續(xù)的活動運營、游戲內(nèi)獎勵機制有密不可分的關(guān)系 活躍用戶留存 一般不分析活躍用戶留存，而是通過DAU觀察活躍用戶流失數(shù)據(jù) 留存是評定游戲綜合質(zhì)量的最佳指標(biāo) 5、平均使用時長和平均使用次數(shù) 可以使用柱狀圖來展現(xiàn) 兩項宏觀行為指標(biāo)可反映出用戶對app的依賴程度 如果留存較好，但時長和次數(shù)均不高，則可能是因過于強調(diào)每日登錄獎勵，但持續(xù)的app內(nèi)容用戶家缺乏吸引力所致 用戶分析 用戶規(guī)模 下載數(shù)量 新增用戶 定義：每日注冊并登錄游戲的用戶數(shù)量 ——解決問題 渠道貢獻新用戶份額分布，監(jiān)控重點渠道 宏觀走勢，是否需要進行市場投放 判斷是否存在渠道作弊行為、渠道包被下架等問題 日一次會話用戶數(shù) 即新登用戶中只有一次會話，且會話時長低于門閥值 ——解決問題 推廣渠道是否有刷量作弊行為 渠道推廣質(zhì)量是否合格 用戶導(dǎo)入是否存在障礙點，如網(wǎng)絡(luò)狀況和加載時間等 用戶獲取成本 解決問題 獲取有效新登用戶成本 如何選擇正確的渠道優(yōu)化投放 需要根據(jù)渠道來細分不同渠道的獲取用戶成本 了解用戶成本 活躍用戶 DAU（日活躍用戶） 定義 每日登錄過游戲的用戶 解決問題 了解游戲的核心用戶規(guī)模 了解游戲產(chǎn)品生命周期變化趨勢、渠道活躍用戶生命周期 了解游戲產(chǎn)品老用戶流失和活躍情況 注意事項 日活躍=新增用戶+回流用戶+老用戶 如果日活躍依靠新增為維持，留存肯定有問題 健康比例3:7，當(dāng)然不同產(chǎn)品會有一定差異 WAU（周活躍用戶） 定義 截止當(dāng)日，最近一周含當(dāng)日的7天內(nèi)，登錄過游戲的用戶，一般按照自然周計算 解決問題 游戲的周期用戶規(guī)模 游戲產(chǎn)品的周期性/每周變化趨勢衡量 注意事項 利于在不同活躍用戶規(guī)模的維度上發(fā)現(xiàn)和掌握游戲用戶規(guī)模的變動 數(shù)據(jù)去重 MAU（月活躍用戶） 定義 截止到當(dāng)天，最近30天（含30天）登錄過游戲的用戶 解決問題 游戲總體用戶規(guī)模并評估用戶規(guī)模穩(wěn)定性 推廣效果評估 了解產(chǎn)品的粘性 注意事項 MAU層級的用戶規(guī)模更加具有穩(wěn)定性、相對變化很小 某個時期或版本更新對其可能也產(chǎn)生較大影響 數(shù)據(jù)去重 一定程度上可以觀察游戲的生命周期 DAU/MAU（日活躍用戶和月活躍用戶的比例值） 一般極低值為0.2 保證產(chǎn)品能夠達臨界規(guī)模的病毒式傳播和用戶粘度 忠實用戶 連續(xù)3周登錄的用戶 目前分析價值不大 用戶活躍 啟動次數(shù)（時、日、周、月） 每日啟動1次計算為1次啟動 需要有一個間隔時間，30秒內(nèi)多次啟動只能計算為1次 解決問題 衡量用戶粘度，數(shù)值越大越好 識別優(yōu)質(zhì)渠道，渠道是否存在刷量 什么渠道/用戶啟動次數(shù)多 日均使用時長 定義 活躍用戶每日平均在線時長 解決問題 游戲的參與度怎么樣 產(chǎn)品質(zhì)量把控指標(biāo)，游戲粘度如何 渠道質(zhì)量如何 與單次使用時長結(jié)合分析留存和流失問題 用戶活躍度 DAU/MAU，理論上不低于0.2，0.2*30=6天 解決問題 游戲的人氣是增長、衰退還是穩(wěn)定？ 看趨勢 一個月中，用戶的活躍天數(shù)是多少 用戶的游戲參與度如何 用戶活躍率 活躍率=活躍用戶/總用戶 了解你的用戶的整體活躍度，但隨著時間周期的加長，用戶活躍率總是在逐漸下降的 用戶層次（輕度、中、重） 輕度用戶：每周登錄1~2次的用戶 中度用戶：每周登錄3~5次的用戶 重度用戶：每周登錄6~7次的用戶 解決問題 了解用戶忠實度，能否走得動”口碑傳播“ 在線統(tǒng)計 實時在線曲線（每5分鐘統(tǒng)計一次當(dāng)時的用戶同時在線人數(shù)） 上周同期對比 平均同時在線人數(shù)、最高同時在線人數(shù)和時間 每小時注冊用戶數(shù) 用戶在什么節(jié)點來的多，需要重點監(jiān)控該時間段app運行 用戶畫像 概述 是什么，有什么用，怎么做 構(gòu)建用戶畫像的核心工作即是給用戶貼“標(biāo)簽”，而標(biāo)簽是通過對用戶信息分析而來的高度精煉的特征標(biāo)識 作用 精準(zhǔn)營銷 分析產(chǎn)品潛在用戶，針對特定群體利用短信、郵件等方式進行營銷 用戶統(tǒng)計 如購買某類書籍人數(shù) TOP10 數(shù)據(jù)挖掘 定義 把散亂數(shù)據(jù)轉(zhuǎn)換成有價值信息的過程 效果評估 完善產(chǎn)品運營，提升服務(wù)質(zhì)量 其實這也就相當(dāng)于市場調(diào)研、用戶調(diào)研，定位服務(wù)群體，提高服務(wù) 個性化服務(wù) 對服務(wù)或產(chǎn)品進行私人定制，精準(zhǔn)到某一類甚至每一位客戶提供個性化服務(wù) 基本構(gòu)成 用戶靜態(tài)屬性 基本指標(biāo) 年齡、性別、地域、學(xué)歷、角色、收入、婚姻狀態(tài)、職業(yè) 每個指標(biāo)均需要從多個角度來分析，以區(qū)域為例 各區(qū)域充值總金額、充值人數(shù)、充值次數(shù)、付費率、arpu值分布 交叉分析 以區(qū)域和性別為例 不同性別+不同地域環(huán)境下，付費率數(shù)據(jù)…… 渠道分布 品牌、機型、操作系統(tǒng)、分辨率、聯(lián)網(wǎng)、版本、設(shè)備均價、運營商 單設(shè)備注冊賬號數(shù)分析 可以分析小號分布情況 用戶動態(tài)屬性 動態(tài)屬性指具有可變性 基本指標(biāo) 用戶的興趣愛好、興趣標(biāo)簽 在互聯(lián)網(wǎng)上的活動行為特征 用戶行為分析環(huán)節(jié)深入分析 用戶消費屬性 消費屬性指用戶的消費意向、消費意識、消費心理、消費嗜好等，對用戶的消費有個全面的數(shù)據(jù)記錄，對用戶的消費能力、消費意向、消費等級進行很好的管理 用戶心理屬性 心理屬性指用戶在環(huán)境、社會或者交際、感情過程中的心理反應(yīng)，或者心理活動 目前，用戶心理相對會有難度，不用過多考慮 怎么做 數(shù)據(jù)收集 數(shù)據(jù)太多可以采用抽樣的方法 數(shù)據(jù)建模 根據(jù)所獲取到的數(shù)據(jù)建立模型，注入數(shù)據(jù)調(diào)整模型參數(shù) 數(shù)據(jù)分析及預(yù)測 數(shù)據(jù)可視化、輸出報表、趨勢預(yù)測 留存分析 留存（次~7日、14日、30日） 解決問題 用戶對游戲的適應(yīng)性 用戶對于游戲的粘性 評估渠道用戶的質(zhì)量、投放渠道效果評估 新增用戶什么時候流失在加??？ 注意事項 次日留存一定程度上代表了用戶對游戲的滿意度 主要反映了游戲初期新手對游戲引導(dǎo)和玩法的適應(yīng)性 關(guān)注用戶流失率的同時，需要關(guān)注用戶流失節(jié)點 實際運用 常見的7日連續(xù)登錄禮包 第七天送大卡就是為了次日和7日留存的漂亮 次留很低，可能原因 新手階段不友好、開場不吸引人、游戲上手難度大 程序bug太多，閃退，卡死，無法登陸等 功能引導(dǎo)太繁瑣 次留不低，但是第3-4天大量流失，可能引起的原因 游戲內(nèi)容重復(fù)，單調(diào)、游戲挫敗感太強；新手無對應(yīng)保護等 如果只是某個渠道存在這個問題，可能存在渠道作弊 [略]僵尸用戶（回歸、留存） 流失用戶（日周月、自然流失、回歸流失） 周流失用戶 上周登錄過游戲，本周未登錄過游戲的用戶占上周周活躍用戶比例 解決問題 活躍用戶的生命周期是多少 哪個渠道的流失率比較高 版本更新對于用戶的流失影響是多大 什么時期用戶的流失率比較高 當(dāng)游戲進入穩(wěn)定期尤其值得關(guān)注該指標(biāo) (活躍用戶的生命周期是多少, 哪個渠道的流失率比較高, 版本更新對于用戶的流失影響是多大, 什么時期用戶的流失率比較高) 穩(wěn)定期一般來講收入和活躍都相對比較穩(wěn)定，是產(chǎn)品穩(wěn)定的風(fēng)向標(biāo) 付費用戶流失監(jiān)控 用戶運營需要高度重視的數(shù)據(jù) 找到付費用戶流失模型（多少天未登錄有多少概率流失） 流失原因分析指標(biāo) 流失用戶行為分析 流失前等級分布 是否存在卡點 流失用戶生命周期 流失用戶付費金額、流失用戶付費次數(shù)、人數(shù) 流失原因分析——流失用戶時間節(jié)點 流失前運營手段 運營活動、服務(wù)器問題、版本更新（bug、新版本用戶不接受） app生態(tài) 用戶成長體系是否健康 用戶調(diào)研 用戶留存分析流程 第一步：分組 按照不同的（時間/渠道/行為等）維度進行用戶分組 時間分組 通常用于看整體數(shù)據(jù)，看整體留存是否出現(xiàn)異常情況 渠道分組 對比不同渠道留存數(shù)據(jù) 通過不同渠道數(shù)據(jù)對比，找到異常渠道數(shù)據(jù)或排出渠道因素 行為分組 按照功能點使用/未使用分組 第二步：對比 根據(jù)用戶行為進行分組 例子 看貼功能內(nèi)瀏覽了3篇貼子的新用戶和僅瀏覽1篇貼子的新用戶進行分析 來自A渠道的新用戶進行（有使用看貼/未使用看貼）行為分組比較 渠道對比 是不是某些渠道的量出現(xiàn)問題 用戶行為 功能使用及參與度 頁面訪問路徑 衍生指標(biāo) 人均瀏覽頁面數(shù)和時長、啟動次數(shù)、收藏、點贊、關(guān)注、評論等 最好形成漏斗模型，規(guī)劃合理訪問路徑 關(guān)鍵路徑上面各個頁面的瀏覽量 頁面轉(zhuǎn)化&用戶進入后一步步的轉(zhuǎn)化情況 是否可以簡化流程，減少用戶操作步驟 (最好形成漏斗模型，規(guī)劃合理訪問路徑) 用戶習(xí)慣分析 平均使用時長 單次使用時長、日使用時長、周使用時長 可以進一步做渠道細分 平均啟動次數(shù) 日、周、月啟動次數(shù) 啟動天數(shù) 周、月游戲天數(shù) 使用間隔 平均多長時間啟動/使用一次app 用戶對app的依賴程度 各個時間段啟動app人數(shù)分布 用戶行為 短期點擊行為、搜索行為、收藏行為 等級分析 各個等級平均耗時 用戶成長速度 需要嚴(yán)格控制高端用戶成長速度 各個等級用戶流失 各個等級次日、3日、7日、14日、30日未登錄用戶數(shù)分布 到底在哪個等級階段用戶流失嚴(yán)重？ 各個等級用戶分布數(shù)量 各個等級游戲次數(shù) 各個等級充值數(shù)據(jù) 累計充值總金額、充值人數(shù)、充值次數(shù) 哪個階段是付費高峰期？ 各個等級首次充值 各個等級首次充值人數(shù)、充值次數(shù)、各個等級首次充值金額選擇 哪個等級段容易拉動首次充值行為？ [輔助]各個等級消耗游戲幣數(shù)據(jù) 新用戶等級分析 首日等級 所選期間的新增玩家，在其新增當(dāng)日中最終玩到的等級分布情況 首周等級 所選期間的新增玩家，在其新增7日后玩到的等級分布情況 14日等級 所選期間的新增玩家，在其新增14日后玩到的等級分布情況 近7日等級變化 堆疊圖顯示每日各個等級人數(shù)變化情況 分析新用戶成長 (首日等級, 首周等級, 14日等級) 關(guān)卡/任務(wù)系統(tǒng) 新手引導(dǎo)轉(zhuǎn)化率 任務(wù)參與人數(shù)及完成情況 支付轉(zhuǎn)化率 漏斗模型的合理使用 用戶傳播 分享、互動、邀請等 付費分析 整體數(shù)據(jù) 付費總額 時間段內(nèi)付費用戶消費總額 收入下降，原因？ 付費率下降？ 付費用戶流失比活躍用戶流失嚴(yán)重 流失的是大R用戶還是中小R用戶？流失了多少個 付費用戶停止付費但未流失 大R還是中小R停止付費？ 哪些消費點的消費在下降或停止？ arpu下降？ 付費人數(shù)增加了？ 付費人數(shù)無變化、付費金額下降了 哪些消費點的消費在下降？付費點已經(jīng)飽和？ 付費用戶 時間段內(nèi)進行過付費行為的用戶數(shù) 其次還有一個付費次數(shù)、不去重 新增付費用戶（日、周、月） 活躍付費用戶數(shù) 定義 統(tǒng)計時間段內(nèi)，成功付費的用戶數(shù)，一般以月為單位統(tǒng)計 活躍付費用戶數(shù)=月活躍用戶數(shù)*月付費率 解決問題 了解產(chǎn)品的付費用戶規(guī)模 付費用戶整體的穩(wěn)定性 了解付費用戶構(gòu)成 鯨魚用戶、海豚用戶、小魚用戶各自數(shù)量和比例 注意事項 數(shù)據(jù)是去重的 ARPU 名詞定義 平均每活躍用戶收入 統(tǒng)計時間段內(nèi)，總收入/活躍用戶數(shù)，一般情況下以月為單位 衡量每個用戶帶來的平均收益 解決問題 評估不同渠道用戶的質(zhì)量 游戲收益貢獻、人均收入 用于產(chǎn)品初期不同規(guī)模下的收入預(yù)估 (評估不同渠道用戶的質(zhì)量, 游戲收益貢獻、人均收入) 注意事項 arpu值很高 ——大R付費能力很強，需要重點關(guān)注大R用戶 付費率高，arpu值低 ——小R用戶較多，要多關(guān)注小R用戶 ARPPU 名詞定義 平均每付費用戶收入 統(tǒng)計時間段內(nèi)，付費用戶平均所創(chuàng)造的收入，一般以月為單位統(tǒng)計，因為月的數(shù)據(jù)相對比較穩(wěn)定 解決問題 了解游戲付費用戶平均的付費情況 付費用戶整體的付費趨勢 加強對鯨魚用戶的分析和監(jiān)控 注意事項 容易受到鯨魚和小魚用戶的影響 付費率（一般看月付費率） 名詞定義 時間段內(nèi)，付費用戶數(shù)/活躍用戶數(shù) 首充大禮包就是為了拉付費率 月付費率 名詞定義 統(tǒng)計時間段類，付費用戶/活躍用戶比例，一般以月為單位計算 解決問題 游戲產(chǎn)品的付費引導(dǎo)是否合理、付費轉(zhuǎn)化是否達到預(yù)期 用戶付費傾向和意愿 需要結(jié)合首次付費功能、道具、等級整體分析 注意事項 付費率的高低并不代表付費用戶的增加和減少 游戲類型不同，付費率有較大的差異 生命周期 定義 一個用戶從首次進入游戲到最后一次參與游戲之間的時間間隔 一般計算平均值 14日LTV（新用戶后續(xù)付費能力指標(biāo)） 名詞定義 用戶在生命周期內(nèi)所創(chuàng)造的收入 14日LTV 14日LTV=今日注冊新用戶在后續(xù)14天內(nèi)付費額/注冊的新用戶數(shù) 這里計算的是一個平均值 解決問題 用戶在游戲中會待多久 用戶對于游戲的貢獻價值是多少 付費用戶流失數(shù)量 本周付費用戶下周未登錄人數(shù) 付費習(xí)慣 付費周期 首次付費周期 用戶注冊到第一次充值的平均時間間隔 付費周期 上一次付費和下一次付費的時間間隔 付費渠道 采用那種支付方式充值？支付寶、微信、公眾號等 付費面額 主要為首次充值面額 首次大額度要納入高端用戶維系中去 用戶問題、多少天未登錄都要及時監(jiān)控和跟進維系 不同時間段首次付費 用戶數(shù)量 付費總金額 充值后首次消費行為分析 充值之后第一件事情是購買什么東西？ 研究觸發(fā)用戶充值行為的原因，便于優(yōu)化首充，提升付費率 需要把各個消費點理解透徹 新增付費用戶 首次付費用戶等級分布 首次付費時間間隔 首次充值面額 結(jié)合首次付費用戶的游戲天數(shù)、累計游戲時長綜合分析 (首次付費用戶等級分布, 首次付費時間間隔, 首次充值面額) 不同性別/年齡階段付費分析 首次付費分析 首次付費等級 首次付費周期 首次付費消費結(jié)構(gòu) 首次付費選擇訂單面額分布 首次付費各個時間節(jié)點用戶數(shù)量及付費總金額 看首次付費正在哪個時間段分布比較多 一周為單位，哪些時間點是付費高峰期？ 首次付費用戶及后續(xù)付費行為 首次付費行為產(chǎn)生原因 充值之后第一件事情是購買什么東西？ 發(fā)現(xiàn)其中的規(guī)律，運營中可以更好利用首次付費 首次付費地域分布 首次付費渠道分布 付費場景 一定程度上可以理解為付費點，在哪些地方會產(chǎn)生付費 消費場景 消費人數(shù)和消費次數(shù) 鯨魚用戶 每日top100付費用戶及累計付費金額數(shù)據(jù) 賬號、id、電話、充值總額、消耗總額、最后登錄時間、當(dāng)前等級 加強對金字塔用戶的運營管理 營銷效果 新增用戶 每小時新增用戶 衡量推廣效果的最基礎(chǔ)指標(biāo) 新增用戶/活躍用戶的比例也是衡量產(chǎn)品健康度的標(biāo)準(zhǔn)之一 比例過高，需要關(guān)注留存 新增用戶渠道分布 活躍用戶 渠道分布 啟動次數(shù) 單次平均使用時長 留存率 檢驗產(chǎn)品用戶吸引力的重要指標(biāo) 若版本穩(wěn)定的情況下，留存出現(xiàn)明顯波動，很可能是渠道的問題 渠道充值數(shù)據(jù) 其他 用戶行為是否正常、機型、設(shè)備分布 其他分析 貨幣產(chǎn)出和消耗數(shù)據(jù) 各等級貨幣消耗 消耗總量 消耗人數(shù) 消耗次數(shù) 不同道具消耗數(shù)據(jù) 用戶調(diào)研 用戶來源 用戶來自哪里 用戶屬性 用戶是誰 用戶在做什么 用戶行為 流失原因 用戶建議 數(shù)據(jù)分析模型/方法論 [思維模型]AARRR分析模型 獲?。ˋcquisition） 用戶如何發(fā)現(xiàn)（并來到）你的產(chǎn)品？ 激活（Activation） 用戶的第一次使用體驗如何？ 留存（Retention） 用戶是否還會回到產(chǎn)品（重復(fù)使用）？ 收入（Retention） 產(chǎn)品怎樣（通過用戶）賺錢？ 傳播（Retention） 用戶是否愿意告訴其他用戶？ 依據(jù)該模型，分出更細分的維度，羅列出影響每一個維度的變量 理解到這里即可，該模型更多的是一個思維模型，也可以叫方法論 (獲?。ˋcquisition）, 激活（Activation）, 留存（Retention）, 收入（Retention）, 傳播（Retention）, 依據(jù)該模型，分出更細分的維度，羅列出影響每一個維度的變量) [思維模型]5W2H 何因（Why）、何事（What）、何人（Who）、何時（When）、何地（Where）、如何就（How）、何價（How much） 提供一種問題/業(yè)務(wù)分析思路 活動運營常用方法論，尤其是編寫活動執(zhí)行案的時候 如何更加全面的思考問題 [思維模型]PEST分析法 用于對宏觀環(huán)境的分析，包括政治（political）、經(jīng)濟（economic）、社會（social）和技術(shù)（technological）四方面 適合做大環(huán)境、行業(yè)分析，一般情況下用途較少 [思維模型]4P營銷理論 分析公司的整體營運情況，包括產(chǎn)品（product）、價格（price）、渠道（place）、促銷（promotion）四大要素 以用于公司整體運營情況分析 [思維模型]用戶行為理論 主要用于用戶行為研究 用戶行為理論步驟 認(rèn)知 網(wǎng)站訪問 主要指標(biāo)有：PV、UV、人均訪問頁面量、訪問來源 熟悉 網(wǎng)站瀏覽 主要指標(biāo)有：頁面停留時長、跳出率、頁面偏好 網(wǎng)站搜索 主要指標(biāo)有：搜索訪問次數(shù)等 試用 用戶注冊 用戶注冊量、注冊轉(zhuǎn)化率 使用 用戶登錄 登錄用戶數(shù)、DAU等 用戶訂購 訂單量、訂購頻數(shù)、內(nèi)容、轉(zhuǎn)化率 忠誠 用戶粘性 回訪者比例、訪問深度 用戶流失 流失數(shù)和流失率 [思維模型]魚骨圖 發(fā)現(xiàn)問題“根本原因”的分析方法 多維度分析 細分問題 趨勢分析/折線圖 數(shù)據(jù)監(jiān)控 [思維模型]極簡數(shù)據(jù)分析方法論 3個步驟 確定目標(biāo)、列出公式、確認(rèn)元素/字段 3個模型 [提升元素量級]漏斗模型 適用范圍：需要多個步驟達成的元素 通過提升轉(zhuǎn)化率，提升單個元素量級 [精細化]多維坐標(biāo) 精細化運營 通過多維坐標(biāo)將用戶分組，對不同組用戶采取對應(yīng)的運營措施 用戶運營也有個經(jīng)典坐標(biāo)，叫RFM坐標(biāo) [監(jiān)測數(shù)據(jù)]分組表格 適用范圍：隨時間變化的用戶屬性元素 留存率分組表格 用戶行為分析模型 行為事件分析 用戶留存分析 魔法數(shù)字法 留存與關(guān)鍵用戶行為關(guān)系組合圖 GrowingIO留存曲線 漏斗模型 AIDMA理論是漏斗模型的理論基礎(chǔ) 漏斗模型用途 漏斗模型適用于應(yīng)用中某些關(guān)鍵路徑的轉(zhuǎn)化率的分析 以確定整個流程的設(shè)計是否合理，各步驟的優(yōu)劣，是否存在優(yōu)化的空間等 了解用戶使用你應(yīng)用的真正目的，為他們提供合理的訪問路徑或操作流程 解決方案思想 擴大漏斗口徑 提升轉(zhuǎn)化率 反向漏斗模型 倒推用法——根據(jù)目標(biāo)倒推所需資源配置 趨勢、對比、分組 趨勢 從時間軸的維度，看某個流程或某個步驟前后優(yōu)化效果及監(jiān)控 比較 比較類似產(chǎn)品或服務(wù)使用流程轉(zhuǎn)化，發(fā)現(xiàn)應(yīng)用中存在的問題 細分 細分來源或不同的客戶類型在轉(zhuǎn)化率上的表現(xiàn) 發(fā)現(xiàn)一些高質(zhì)量的來源或客戶，通常用于分析網(wǎng)站的廣告或推廣的效果及ROI 用戶行為路徑分析 用戶路徑的分析結(jié)果通常以?；鶊D形式展現(xiàn) 見友盟——功能使用——頁面訪問路徑 主要用途 分析關(guān)鍵路徑上的頁面跳轉(zhuǎn)以及轉(zhuǎn)化率，找到流失用戶的頁面 分析到達關(guān)鍵頁面的頁面來源，分析關(guān)鍵路徑到達的頁面 RFM模型/分析法（客戶關(guān)系管理模型-用戶分類方法） R：表示客戶最近一次購買的時間 時間差 用戶類型（活躍用戶、休眠用戶、流失用戶） 理論上，最近一次消費時間越近的用戶應(yīng)該是比較好的用戶 刻畫用戶的關(guān)注程度 F：表示客戶在最近一段時間內(nèi)購買的次數(shù)/頻數(shù) 購買次數(shù)count 用戶忠誠度 M：表示客戶在最近一段時間內(nèi)購買的平均金額 請注意是平均值 刻畫用戶的購買力 用戶精細化運營常用模型 (R：表示客戶最近一次購買的時間, F：表示客戶在最近一段時間內(nèi)購買的次數(shù)/頻數(shù), M：表示客戶在最近一段時間內(nèi)購買的平均金額) 用戶細查 單個用戶某行為或過程分析——進而上升到用戶群體 如有沒有多次獲取驗證碼的情況 熱力圖 A/B測試（對比測試） 定義 通過對app的兩個不同版本進行比較，來確定一個性能更好的方案 核心思想 提供多種方案，最終根據(jù)數(shù)據(jù)效果選擇最優(yōu)方案 注意事項 目標(biāo)用戶群一定是隨機分配的 運用 不同創(chuàng)意/不同類型banner數(shù)據(jù)效果測試 在了解和分析各個渠道質(zhì)量的時候，也可以運用A/B測試方法論 流失預(yù)警模型 分類模型 邏輯樹分析法 把問題的所有子問題分層羅列 可用于業(yè)務(wù)問題專題分析 預(yù)測模型、分類模型 神經(jīng)網(wǎng)絡(luò) 樸素貝葉斯 支持向量機 K-臨近鄰算法 隨機森林 預(yù)測模型 邏輯回歸 聚合算法 K-Means 關(guān)聯(lián)算法 Apriori算法 可用于游戲道具組合銷售策略 異常檢測 輔助算法等 主成分分析 特征選擇法 降緯算法 數(shù)據(jù)分析報告 http://www.woshipm.com/operate/588326.html 運營日報 Excel 運營周報 一頁簡報——對關(guān)鍵指標(biāo)匯總+總結(jié)，往往是領(lǐng)導(dǎo)要看的數(shù)據(jù) 多頁子頁——對關(guān)鍵指標(biāo)的詳細解讀和說明、可視化 Excel 運營月報 PPT 數(shù)據(jù)分析報告 http://www.woshipm.com/data-analysis/677567.html 市場分析 市場需求 市場現(xiàn)狀 找到突破口、找到目標(biāo)用戶在哪里 明確目標(biāo)用戶群體 年齡 收入 性別 愛好 目標(biāo)用戶體量 期待搶占多少用戶比例 產(chǎn)品定位 基于目標(biāo)用戶需求制定計劃 市場分析報告 競品分析 了解 競品的目標(biāo)群體和推廣策略 了解競品運營需求，需要進行整理 了解競品周邊項目和戰(zhàn)略布局 5w2h、swot分析 產(chǎn)品分析 產(chǎn)品市場定位 產(chǎn)品體驗報告 左右資源 運營資源、技術(shù)資源、渠道資源 swot分析 數(shù)據(jù)運營精髓 通過數(shù)據(jù)指導(dǎo)運營決策 利用數(shù)據(jù)驅(qū)動業(yè)務(wù)增長 進一步深入 新增用戶 新增設(shè)備、新增用戶 活躍用戶 新用戶、老用戶；各自數(shù)量及占比變化 付費用戶 新付費用戶、老付費用戶；增長衰減變化 收入折線圖
發(fā)布于2023-06-09
關(guān)注問題
