十大互联网数据分析方法之—细分分析

一、原理

“细分是一切分析的本源!不细分无分析!” 这是我们学习细分分析时常见的一句话,对细分分析冠于如此高的评价,不只是因为它在分析方法上的强大,更重要的是在当前流量红利逐步消逝的时代,笼统的网站统计和网站分析已不能满足需求,我们更迫切需要以数据驱动精细化运营,需要对用户行为的每个点进行细分,才能挖掘到隐藏在其行为背后的真正影响因素,我们常见的RFM模、漏斗分析最基础的原理就是细分分析。就像绘画大师在作图时对每个像素都需要仔细斟酌一样,优秀的用户运营官,会对用户行为的每个步骤每个维度透彻细分分析。

数极客-细分分析.png

二、分析方法

细分分析在分析方法上一般有两种,一是逐步细分细分,二是维度交叉分析。

1、 逐步细分分析

逐步细分,顾名思义,是根据分析要求由粗到细、由浅入深,逐步进行细分的过程。当然,这里的步骤我们有多种解释,可以理解为用户行为分析中的漏斗分析步骤,比如第一步是什么,第二步是什么;也可以理解为包含分解上的步骤,比如按地区逐步细分,中国可以细分为广东省、北京市、河北省等省市,广东省又可以细分为广州市、深圳市等,广州市还可以继续往下细分到各区、县等。

数极客-逐步细分.png

2****、维度交叉分析

维度交叉分析,是一种立体分析方法,是比较体现一个人分析水平的细分方法。它是在纵向分析法和横向分析法的基础上,从交叉、立体的角度出发,由浅入深、由低级到高级的一种分析方法。常见的综合交叉分析应用有四象限分析法、RFM模型等。

四象限分析法,按照两个维度交叉分析,在四个象限中对所有内容进行拆分,一般斜对的两个象限(如第一象限和第四象限、第二象限和第三象限)是相对立的,而且是壁垒分明的。如我们常见的获客渠道分析,需要按照质量和数量两个维度综合交叉分析,将所有渠道按照高质量低数量、高质量高数量、低质量低数量、低质量高数量这四个象限进行分析归类,自然就能选出roi最高的推广渠道。

数极客-四象限分析.png

RFM模型比四象限分析法包含的维度更多,拆分更细,它按照交易频率、最近交易时间、交易金额,将用户划分为重要挽留客户、重要发展客户、重要保持客户、重要价值客户、一般挽留客户、一般发展客户、一般保持客户、一般价值客户等8种类型。按照用户在不同维度上的行为展现进行归类,有针对性运营。

数极客-RFM模型.png

三、数极客对细分分析的应用

数极客用户行为分析系统对细分分析可谓应用到了极致,不仅对逐步细分进行了多模块应用,而且对维度交叉分析也进行了灵活的融合。

数极客-多维分析.png

1、 事件分析、转化分析、用户分析等众多模块应用了维度细分

很多用过数极客分析系统的人都说,数极客对维度拆分的细致程度是我们最为欣赏的。它按用户个体属性,按照性别、年龄、用户角色、用户等级、所属城市等十几各维度对用户属性进行了细分;对每次访问的会话,按照应用版本、设备类型、设备厂商品牌、设备名称、操作系统名称等十几个维度进行了分析;对访问渠道,按照访问渠道类型、访问渠道名称、搜索关键词等维度进行了细分;对推广分析,按照投放媒体、广告名称、广告媒介、广告内容、关键词、着陆页等维度进行了细分。这几十项维度细分指标,对网站用户行为分析APP用户行为分析均适用。

数极客-事件分析.png

2****、漏斗分析融合逐步细分和维度交叉分析

数极客的漏斗分析,把转化过程按照步骤进行纵向细分,通过对用户行为每一步细致流入流出分析,找到影响用户转化的关键因素。同时又能按照访客类型、访客性别、年龄、来访地区、来访渠道等几十个用户属性维度、会话属性维度、推广渠道维度对漏斗横向细分。横纵交叉综合分析,让影响转化的每个环节、每个因素都展现的清楚明白,一目了然,摸清关键点,自然能快速提升转化率。以下为漏斗分析按照用户类型拆分的对比图。

数极客-漏斗分析.png

四、客户案例

某互金企业想要了解哪些渠道带来的注册用户较多,按照访问渠道名称进行细分分析,发现SEM依然是比较高效的获客渠道,而通过今日头条带来的用户量相对就比较少了。然后按照推广维度进一步细分,通过广告名称、广告内容、投放媒介、关键词、着陆页等维度细分分析和转化漏斗分析发现,投放的四个不同内容广告,只有一个访问量较高,其余三个几乎没有访问,后期对访问量较低的广告进行了优化跳转,提升了今日头条的获客量。

数极客-推广分析.png
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 204,293评论 6 478
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,604评论 2 381
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 150,958评论 0 337
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,729评论 1 277
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,719评论 5 366
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,630评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,000评论 3 397
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,665评论 0 258
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,909评论 1 299
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,646评论 2 321
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,726评论 1 330
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,400评论 4 321
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,986评论 3 307
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,959评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,197评论 1 260
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 44,996评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,481评论 2 342