【业务数据分析】——如何搭建数据指标体系

简介: 【业务数据分析】——如何搭建数据指标体系

一、数据埋点


数据埋点我们可以分成两类,其一是页面统计,其二是行为统计。


页面统计可以帮我们知晓某个页面被多少人访问了多少次。行为统计是指用户在界面上的操作行为,应用最为广泛的便是按钮的点击次数。


还有一个用户属性埋点,主要是记录用户相关的信息。


埋点就是在关键页面,路径中收集用户的行为,做统计分析使用。前台在代码中提前写好了。


埋点指在需要采集数据的“操作节点”将数据采集的程序代码附加在功能程序代码中;


操作节点:一般是触发具有重要意义的事件:按钮的点击、页面的打开、页面的分享等。


埋点的方式:


第一种:自己公司的研发人员在产品中注入代码来统计,通常有客户端埋点和后台埋点。


第二种:第三方统计工具,如友盟、神策、Talkingdata、GrowingIO等。


二、数据埋点的作用


埋点是为了对产品进行全方位的持续追踪,通过数据分析不断指导优化产品。数据埋点的质量直接影响数据、产品、运营等的质量。


C端做埋点主要还是关注用户的行为路径,不断优化找出问题,提高留存,转化;


B端的埋点关注功能使用情况,判断某个功能在某个时间段的使用场景,使用次数逐渐下降的就可以考虑考虑给他干掉了。


c159fc40a72bb8235da3847674111590.png


三、设计埋点方案


简单概括下就是:


1、明确埋点目标 2、确认上报变量 3、明确上报时机 4、明确优先级。


1.明确埋点目标

每一个埋点的需求都是为了解决某个业务的需求,所以在写埋点方案时,需要明确这次方案是为了上报什么具体的数据。这个数据是为了解决业务方的什么具体需求,这些数据的上报大概可以带来哪些业务收益。


2.确认上报变量

上报变量主要是由事件和其他参数变量组成的,其中事件是必须的,用于标识这一次具体的操作。事件的上报主要用于捕捉用户的行为,知道用户具体操作了哪一个按钮、访问了哪一个页面、滑动了哪一个页面等。


3.明确上报时机

事件的触发时机,往往是影响数据准确性的重要因素。以用户的点击行为为例,如要统计用户点赞行为,我们是在用户点击点赞按钮时上报还是在用户成功点赞后上报,其结果是有偏差的。


4.明确优先级

一般情况下,我们会同时提出多个埋点需求,这时就需要规划好这些埋点需求的优先级。提交给开发人员后,他们可以根据优先级来调整。埋点的优先级主要是根据上报数据的重要性及紧急性确定的。比如,版本功能的需求埋点,埋点优先级较高的是基础指标的统计,用户的操作行为明细略微低一点。因为每次发版的新功能,业务侧最先关注的是基础指标,例如多少人用了这个功能、用的频次等,我们需要保证基础的数据指标齐全,其次才是深入分析所需要的数据。


四、搭建方法:OSM模型、UJM模型、AARRR模型


简单的概括下就是:


1.分析需求,2.根据需求拆分指标,3.根据指标确定埋点,4.设计数据需求文档;5.指标开发。


下面是不同的步骤,不同的公司步骤不一定相同。比如产品、运营、数据分析师、开发测试团队各个分工不同。


8c0ecd6b8c0a4779bb22550bb46b3127.png


数据指标体系的搭建是数据驱动的第一步。


1、OSM模型

OSM模型可以把业务的目标和对应的衡量评估的指标对应起来。


ee5d5786615d420497c12fa2bfb76d90.png


在制订业务目标时,除了要与业务方达成一致,还要保证业务目标符合以下4个原则,即DUMB原则:(1)切实可行(Doable)(2)易于理解(Understandable)(3)可干预、可管理(Manageable)(4)正向的、有益的(Beneficial)。


OSM模型的数据指标框架可以把目标和最终评估的数据体系连接起来,做到每一个指标的设定都知道是为了评估哪一个具体业务的策略效果,每一个业务的策略效果是怎么为总体目标服务的。


2、UJM模型

UJM模型是为了梳理用户的行为旅程地图,因为数据指标体系是与用户行为直接相关的,完整科学地梳理好用户的整个行为旅程,才可以在每一个环节设计相对应的指标。


UJM(User Journey Map,用户旅程地图)指的是用户在APP中的操作路径。以电商平台为例,用户购买一个商品的完整的UJM。


b60946198f1d79d2d40fd052624ba14e.png


我们以跨境独立站电商为例,首要先梳理清楚用户旅途:了解商品→在平台逛→心仪商品→注册登录→付费下单→复购。然后根据用户旅途去分析每个旅途节点的用户行为是什么,业务目标是什么,有什么和用户的接触点,在旅途中有什么问题,并针对这些问题找出机会点,最后根据机会点寻求合适的衡量指标。最终结果如上图所示。


3、AARRR模型

AARRR模型 主要从5个方面完整刻画一个APP,包括用户获取、用户活跃、用户留存、用户变现、用户推荐。任何APP的用户都会经历这5个阶段,同时这5个阶段也是业务方关注的。


4520351346db4d2781a04f41781ddd7f.png


用户获取:指利用外部投放广告,通过用户社交转发裂变、用户推荐、大V转发等进行用户获取。用户获取是一个用户到达一个APP,开始使用一个APP最开始的步骤。以拼多多为例,用户获取就是拼多多发布很多广告或者活动让用户来下载APP。


用户活跃:当获取到一个新的用户后要使用户在APP中活跃起来。


用户留存:留存就是用户可以持续地留在我们的APP中。当用户在APP上活跃以后,下一步就是让用户能够持续活跃,这也就是留存的定义。


用户变现:指的是利用用户来产生收入。当用户对APP产生一定的黏性后,我们最终的目的是希望在用户保持增长的同时提高收入,例如在电商类APP购买商品。


用户推荐:用户转发传播APP。用户的转发行为表示用户对APP有极高的认可,同时转发行为可以带来更多新用户的增长。


参考内容:


规划数据指标体系方法


数据埋点-什么是埋点? - 简书


《数据分析方法和业务实战》


更多博客:

【数据分析】————面试总结

【业务数据分析】——数据指标和数据指标体系

目录
相关文章
|
1月前
|
数据采集 数据可视化 数据挖掘
多维数据分析:使用Pandas进行复杂的数据操作和聚合
【4月更文挑战第12天】Pandas是Python的强大数据分析库,提供DataFrame数据结构进行多维数据处理。本文介绍了使用Pandas进行多维数据分析的流程:1) 导入数据(如CSV、Excel);2) 数据预处理,包括缺失值处理和类型转换;3) 数据探索,利用describe()、hist()、plot()等进行统计和可视化;4) 数据操作,如筛选、排序和分组;5) 数据聚合,通过groupby()和agg()进行计算。文中还给出了电商数据分析的案例,展示Pandas在实际应用中的价值。
|
1月前
|
人工智能 监控 数据可视化
【Python】Python商业公司贸易业务数据分析可视化(数据+源码)【独一无二】
【Python】Python商业公司贸易业务数据分析可视化(数据+源码)【独一无二】
|
1月前
|
存储 分布式计算 搜索推荐
【专栏】数据之海,分布式计算、数据存储与管理、数据分析与挖掘成为关键技术
【4月更文挑战第27天】在大数据时代,数据量爆炸性增长、类型多样及处理速度需求提升带来挑战。分布式计算、数据存储与管理、数据分析与挖掘成为关键技术,如Hadoop、Spark、HDFS、NoSQL等。实际应用包括互联网搜索、推荐系统、金融科技、智能城市等领域,大规模数据处理发挥关键作用,持续推动创新与奇迹。
|
1月前
|
数据可视化 前端开发 数据挖掘
R语言对综合社会调查GSS数据进行自举法bootstrap统计推断、假设检验、探索性数据分析可视化|数据分享(上)
R语言对综合社会调查GSS数据进行自举法bootstrap统计推断、假设检验、探索性数据分析可视化|数据分享
|
1月前
|
SQL 数据采集 存储
Hive实战 —— 电商数据分析(全流程详解 真实数据)
关于基于小型数据的Hive数仓构建实战,目的是通过分析某零售企业的门店数据来进行业务洞察。内容涵盖了数据清洗、数据分析和Hive表的创建。项目需求包括客户画像、消费统计、资源利用率、特征人群定位和数据可视化。数据源包括Customer、Transaction、Store和Review四张表,涉及多个维度的聚合和分析,如按性别、国家统计客户、按时间段计算总收入等。项目执行需先下载数据和配置Zeppelin环境,然后通过Hive进行数据清洗、建表和分析。在建表过程中,涉及ODS、DWD、DWT、DWS和DM五层,每层都有其特定的任务和粒度。最后,通过Hive SQL进行各种业务指标的计算和分析。
284 1
Hive实战 —— 电商数据分析(全流程详解 真实数据)
|
1月前
|
数据采集 数据可视化 数据挖掘
Python 与 PySpark数据分析实战指南:解锁数据洞见
Python 与 PySpark数据分析实战指南:解锁数据洞见
|
1月前
|
机器学习/深度学习 数据采集 数据挖掘
Python 的科学计算和数据分析: 解释什么是数据规整(Data Wrangling)?
【4月更文挑战第15天】数据规整是将原始数据转化为适合分析和建模的格式的关键步骤,涉及缺失值处理(删除、填充、插值)、异常值检测与处理、数据类型转换、重采样、数据合并、特征选择和特征变换等任务。这些预处理步骤确保数据质量和准确性,为后续的数据分析和机器学习模型构建奠定基础。
35 4
|
1月前
|
存储 机器学习/深度学习 数据采集
数据分析师如何处理数据以进行分析?
【4月更文挑战第4天】数据分析师如何处理数据以进行分析?
26 9
|
1月前
|
机器学习/深度学习 数据可视化 算法
数据分析师如何处理缺失值和错误数据?
【4月更文挑战第4天】数据分析师如何处理缺失值和错误数据?
20 6
|
1月前
|
前端开发 数据可视化 数据挖掘
R语言对综合社会调查GSS数据进行自举法bootstrap统计推断、假设检验、探索性数据分析可视化|数据分享(下)
R语言对综合社会调查GSS数据进行自举法bootstrap统计推断、假设检验、探索性数据分析可视化|数据分享

热门文章

最新文章