互联网时代信息爆炸,眼花缭乱的东西很多,真正派上用场的,却不见得是那些看起来炫酷的。很多方法朴实无华,却解决大量的问题。
下面十个方法都是做互联网运营分析时一定会用到的最经典的方法。这些方法如果烂熟于心,其实互联网运营分析的最核心部分也就掌握差不多了。真没那么复杂。
我们从第十个方法倒着讲,重要性并无优劣之分,但压轴的,往往是最重要的。
方法十:Link Tag的流量标记
Link tag标记流量源头 ,绝对是所有方法中最为基本重要的一种。这种方法不仅仅适用于网站的流量来源,也同样适用于app下载来源的监测(但后者需要满足一定的条件)。
Link tag的意思,是在流量源头的链出链接上(即访问URL上)加上尾部参数。这些参数不仅不会影响链接的跳转,而且能够标明这个链接所属的流量源是什么(理论上能够标明流量源的属性数是无限的)。
Link tag不能单独起作用,必须要在网站分析工具或者app分析工具的配合下工作。
Link tag 是流量分析的基础,要严肃的分析流量,不仅仅是常规分析,还包括归因分析(attribution analysis),都需要使用link tag的方法。
方法九:转化漏斗
分析转化的基本模型是转化漏斗(conversion funnel),这个大家都应该很熟悉了。
转化漏斗最常见的是把最终的转化设置为某种目的的实现,最典型的就是实现销售,所以大家很多时候把转化和销售是混为一谈。
但转化漏斗的最终转化也可以是其他任何目的的实现,比如一次使用app的时间超过10分钟(session duration >10minutes)。对于增长黑客而言,构建漏斗是最为常见的工作。
漏斗帮助我们解决两方面的问题,第一,在一个过程中是否发生泄漏(即流失),如果有泄漏,我们能在漏斗中看到,并且能够通过进一步的分析堵住这个泄漏点;第二,在一个过程中是否出现了其他不应该出现的过程,造成转化主进程受到损害。
漏斗的构建很简单,无论web还是app,都是最好用的方法之一。但漏斗使用的奥秘则很丰富。而且漏斗方法还会和其他方法混合使用,乐趣无穷。
方法八:微转化
人人都懂转化漏斗,但不是所有人都关注微转化。但是你想指望一个转化漏斗不断提升转化率太困难了,而微转化却可以做到。
转化漏斗解决的是转化过程中的大问题,但大问题总是有限的,这些问题搞定后,你还是需要对你的转化进行持续优化,这个时候必须要用到微转化。
微转化是指在转化必经过程之外,但同样会对转化产生影响的各种元素。这些元素与用户的互动,左右了用户的感受,也直接或者间接的影响了用户的决定。
比如,商品的一些图片展示,并不是转化过程中必须要看的,但是它们的存在,是否会对用户的购买决定产生影响?这些图片就是微转化元素。
个人认为,研究微转化比研究转化更好玩。
方法七:合并同类项
合并同类项是大家容易忽视的常用方法。我们往往非常重视细分,但有的时候我们却需要了解更宏观的表现。
合并同类项就是这样的方法。举一个例子,我问你,一个电子商务网站,所有商品页的整体表现如何?它们作为一个整体的bounce rate怎么样,停留时间怎么样,用户满意度怎么样等等,你能够回答吗?
如果我们查看每一个商品页的表现,然后再把所有一个一个页面的数据加总起来作分析,就太麻烦了(根本无法实现分析)。这个时候,我们必须要合并同类项。
如何合并?利用分析工具的过滤工具或者查找替换功能。
(PS:不支持这样功能的工具你可以不考虑了,因为这根本不应放在增长黑客的专业装备箱中)
合并同类项还有很多用途,比如你要了解web或者app一个版块(频道)的整体表现,或者你要了解整个导航体系的使用情况,这都是必须使用的方法。
方法六:A/B测试
通过数据优化运营和产品的逻辑很简单——看到问题,想个主意,做出原型,测试定型。
比如,你发现转化漏斗中间有一个漏洞,于是你想,一定是商品价格不对头,让大家不想买了。你看到了问题——漏斗,而且你也想出了主意——改变定价。
但是这个主意靠不靠谱,可不是你想出来的,必须得让真实的用户用。于是你用AB测试,一部分的用户还是看到老价格,另外一部分用户看到新价格。
若是你的主意真的管用,新价格就应该有更好的转化。若真如此,新的价格就被确定下来(定型),开始在新的转化高度上运行,直到你又发现一个新的需要改进的问题。
增长黑客的一个主要思想之一,是不要做一个大而全的东西,而是不断做出能够快速验证的小而精的东西。快速验证,如何验证的?主要方法就是A/B测试。
今天的互联网世界,由于流量红利时代的结束,对于快速迭代的要求大大提升了,这也使我们更加在意测试的力量。
在web上进行A/B测试很简单,在app上难度要高很多,但解决方法还是很多的。国外的经典app,还有那些卖钱的游戏,几乎天天都在A/B测试。
方法五:热图及对比热图
热图是一个大家都喜欢的功能,它是最直观的记录用户与产品界面交互的工具。不过真用起来,可能大家很少真正去深究吧!
热图,对于web、app的分析,都非常重要!今天的热图相对于过去的热图,功能得到了极大的提升。
在web端,过去一些解决不好的问题,比如只能看链接的被点击情况,点击位置错位,对浮层部分点击的标记,对链出链接的标记等等,现在已经有好的工具能够提供很多新的办法去解决。
在app端则分为两种情况,内容类的app,对于热图的需求较弱;但工具类的app对于热图的需求则很显著。
前者的screen中以并列内容为主,且内容动态变换,热图应用价值不高;后者则特别需要通过热图反映用户的使用习惯,并结合app内其他的engagement的分析(in-app engagement)来优化功能和布局设计,所以热图对它们很重要。
要想热图用的好,一个很重要的点在于你几乎不能单独使用一个热图就想解决问题。我常常用 集中对比热图 的方法。
其一,多种热图的对比分析,尤其是点击热图(触摸热图)、阅读线热图、停屏热图的对比分析;
其二,细分人群的热图对比分析,例如不同渠道、新老用户、不同时段、AB测试的热图对比等等。
其三,深度不同的互动,所反映的热图也是不同的。这种情况也值得利用 热图对比功能。例如点击热图与转化热图的对比分析等。
总之,分析很多用户交互的时候,热图简直是神器,只不过,热图真的比你看到的要更强大!
方法四:Event Tracking(事件追踪)
互联网运营数据分析的一个很重要的基础是 网站分析。今天的app分析、流量分析、渠道分析,还有后面要讲到的归因分析等等,都是在网站分析的基础之上发展起来的。
但是,早期的网站分析有一个特点,就是对于用户在页面上互动行为的记录,只能记录下来一种,就是点击http链接(点击URL)。
随着技术的发展,页面上不仅仅只有http链接,页面上还有很多flash(现在flash都要被淘汰了)、JavaScript的互动链接、视频播放、链接到其他的web或者app的链接等等,用户点击这些东西就都无法被老方法记录下来了。
不过,有问题就一定有方法,人们发明了事件追踪来解决上面的问题。事件追踪本质上是对这些特殊互动的定制化监测,而由于是 定制化,所以反而有了更多附加的好处,即可以额外添加对于这个活动的更多的说明(以事件追踪这个方法的附件属性的方式)。
结果,这个方法甚至有些反客为主,即使是一些http链接,很多分析老手也喜欢把它们加上事件追踪(技术上完全可行),以获得更多的额外监测属性说明。
随着app的出现,由于app的特殊性(屏幕小,更强调在一个屏幕中完成互动),分析app的page(实际上应该是app的screen)间跳转的重要性完全不如web上的page之间的跳转,但分析app上的点击行为的重要性则十分巨大,这就使我们分析in-app engagement的时候,必须大量依赖event,而相对较少使用screen。这就是说,在app端,event反而是主,page(更准确应该是screen)反而是辅!
这也是为什么,这个方法你必须要掌握的原因。
方法三:Cohort分析
Cohort分析还没有一个所有人都统一使用的翻译。有的说是队列分析,有的说是世代分析,有的说是队列时间序列分析。大家可以参考维基百科:
https://zh.wikipedia.org/wiki/%E9%98%9F%E5%88%97%E7%A0%94%E7%A9%B6,找找自己觉得合适的译名。
无论哪种叫法,cohort分析在有数据运营领域都变得十分重要。原因在于,随着流量经济的退却,精耕细作的互联网运营特别需要仔细洞察留存情况。Cohort分析最大的价值也正在于此。
Cohort分析通过对性质完全一样的可对比群体的留存情况的比较,来发现哪些因素影响短、中、长期的留存。
Cohort分析受到欢迎的另一个原因是它 用起来十分简单,但却十分直观。Cohort只用简单的一个图表,甚至连四则运算都不用,就直接描述了用户在一段时间周期的留存(或流失)变化情况。甚至,Cohort还能帮你做预测。
我总觉得cohort分析是最能体现简单即美的一个典型方法。
方法二:Attribution(归因)
归因不是人人都听说过,用好的更是寥寥无几。不过,考虑到人们购买某一样东西的决策,可能受到多种因素(数字营销媒体)的影响,比如看到广告了解到这个商品的存在,利用搜索,进一步了解这个商品,然后在社交渠道上看到这个商品的公众号等等。这些因素的综合,让一个人下定了决心购买。
如何了解数字营销渠道之间的这种先后关系或者相互作用?如何设置合理的数字营销渠道的策略以促进这种关系?在评价一个渠道的时候,如何将归因考虑在内从而能够更客观的衡量?这些都需要用到归因。
方法一:细分
严格说,细分不是一种方法,它是 一切分析的本源。所以它当之无愧要排名第一。
我经常的口头禅是,无细分、毋宁死。没有细分你做什么分析呀。
细分有两类,一类是一定条件下的区隔。如:在页面中停留30秒以上的visit(session);或者只要北京地区的访客等。其实就是过滤。另一类是维度(dimension)之间的交叉。如:北京地区的新访问者。即分群(segmentation)。
细分几乎帮助我们解决所有问题。比如,我们前面讲的构建转化漏斗,实际上就是把转化过程按照步骤进行细分。流量渠道的分析和评估 也需要大量用到细分的方法。
维度之间的交叉是比较体现一个人分析水平的细分方法。比如,一个朋友是这样做的:他将用户的反馈作为event tracking的属性(放在了event action属性中),提交给GA,然后在自定义的报告中,将用户反馈和用户的其他行为交叉起来,从而看到有某一类反馈的用户,他们的行为轨迹是什么,从而推测发生了什么问题。
分析跳出率时,我们也会把landing page(落地页)和它的traffic source(流量源)进行交叉,以检查高跳出率的表现是由着陆页造成,还是由流量造成。这也是典型的维度交叉细分的应用。
无细分,毋宁死。
以上就是数据分析的十个方法,你掌握了吗?
关注公众号 获取更多干货资讯