
你是这样获得数据的吗?
所有人都在说,用数据说话。运营有运营数据,营销有营销数据,产品肯定也有产品数据,各自的出发点不同,关注的数据和指标还是有些不同的,你关注的又是哪些数据?你的数据又是从何而来的?
说到数据就想到统计了,数据的统计一般分为自建统计平台和第三方统计平台。从性价比的角度来说,还是使用第三方统计平台,嵌入一个SDK,添加上统计代码即可。第三方统计平台也是非常多的,比如:友盟、talkingdata、腾讯云分析等等,孰优孰劣,各有分说。下面以友盟平台的定义来作说明。
产品经理比较关心的数据有以下这些:
其实远不够,还要进行数据的分析和解读。字段之间的串联和解读,才能真正了解产品、了解用户。
其中,了解用户在应用中的使用情况及使用路径,我觉得是至关重要的,也是我倒腾比较多的东西。获得此信息的途径有三个:应用商店评价、应用反馈、页面访问路径。应用商店评价和应用反馈,是用户的主动行为,主动主观不全面;页面访问路径是被动收集的,被动客观相对全面。
用户的页面访问,其实是有路径可循的。比如:注册流程、购买流程等等。以我们可以感知得到的流程,把相关的页面串联起来看,用户会遵循设定好的流程浏览,哪一环出了问题,一目了然。友盟也提供了类似页面沙漏的功能,查看用户浏览过程。
并不是所有东西有路径可循的。比如用户浏览路径,这个应该就是无章可循了。此时只能针对重点页面和表现比较差的页面进行逐一分析了。对于什么是重点页面,这个不言而喻,就是核心业务所在的页面。表现比较差的页面,就是平均访问时长比较短和跳出率比较高的页面,加入页面特性和访问次数来进行权重考量,会更客观一些。
顺便说一下,在做页面分析前,要先了解友盟中提供的页面是不是和应用中的页面一一对应,这是最基础的。还会有一种情况就是程序共用了一个页面,此页面在应用中多处使用,要做好区分和标记,这样才能区别出相同页面的不同数据的情况。
还是不够的。首先用户行为,只是针对页面来说的,一个页面的用户点击行为又是如何?问题页面的情况也是一样,用户为什么会在这个页面离开?用户在这个页面做了什么?这个问题其实友盟有给出解决方案,就是使用自定义事件。
定义好页面,定义好对应页面的行为,配置好友盟事件管理,程序进行埋点,这样就等着接收数据吧。注意,前后台命名统一才会接收到数据哦。没有数据,去创建数据;有了数据,去分析数据。现在有了页面的访问量,用户在页面中的行为数据,对于分析页面的问题,就跟进了一步。
这两个功能是什么呢?一个是漏斗管理,另一个是用户群。这两个功能是要建立在已经设置了自定义事件的基础上才能用,也算是友盟的新功能吧,这两个功能让我联想到了Google Analytics的目标设置和群体细分,有点类似吧。
首先说一下漏斗管理,可以这样理解,把我们想要追踪的用户行为,以事件的形式进行串联查看。比如:注册流程、产品引导流程等等。这个功能比页面访问路径更进一步,两个功能辅助地看,能更清晰地知道用户的浏览路径的情况。
再说用户群,友盟给的用户群的细分纬度只有两个:一个是活跃用户,另一个是事件触发情况。能够倒腾的,就是这个事件触发情况了。基于产品的用户模型,通过事件触发把我们的用户细分出来,数据细分后就更精确了,数据的雾霾就是在你面前消散。顺便说一下,Google Analytics群体细分是我最经常使用的,Google提供的分析纬度之多,让人惊叹。
没有数据,去创建数据;利用好平台的功能,结合自身需要,去创造更多的数据和细分数据;有了数据,就去分析数据吧。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10