运营分析常用的经典的方法有哪些？

简介：眼花缭乱的东西很多，真正派上用场的，却不一定是那些看起来很酷的人。很多方法都很简单，但解决了很多问题。以下十种方法是我在做互联网运营分析这么多年时会用到的最经典的方法。如果你熟悉这些方法，事实上，互联网运营分析的核心部分几乎是掌握的。真的没那么复杂。从第十种方法来看，重要性没有优缺点，但最终的往往是最重要的。方法10:Linktag的流量标记Linktag标记流量源，绝对是所有方法中最基本、最重要的一种。该方法不仅适用于网站的流量来源，也适用于应用程序下载来源的监控（但后者需要满足某些条件）。Linktag的意思是将尾部参数添加到流量源的链出链接上(链出URL)。这些参数不仅不会影响链接的跳转，还可以标明链接所属的流量源(理论上可以标明流量源的属性数是无限的)。Linktag不能单独工作，必须在网站分析工具或app分析工具的配合下工作。Linktag是流量分析的基础，不仅是常规分析，还有归因分析（attributionanalysis），linktag的方法都需要使用。方法九：转换漏斗分析转换的基本模型是转换漏斗（conversionfunnel），每个人都应该熟悉这一点。最常见的转换漏斗是将最终转换设置为实现某种目的，最典型的是实现销售，所以我们经常混淆转换和销售。然而，转换漏斗的最终转换也可以实现任何其他目的，例如一次使用应用程序超过10分钟（sessionduration>10minutes)。对成长型黑客而言，建造漏斗是最常见的工作。漏斗有助于我们解决两个问题。首先，在一个过程中是否有泄漏。如果有泄漏，我们可以在漏斗中看到，并通过进一步分析堵塞泄漏点；第二，在一个过程中是否有其他不应该发生的过程，导致主要转换过程的损坏。无论是web还是app，漏斗的构造都很简单，是最好的使用方法之一。但是漏斗使用的奥秘非常丰富。而且漏斗法会和其他方法混合使用，乐趣无穷。我还将在互联网数据操作课程中详细解释。方法八:每个人都知道微转换漏斗，但不是每个人都关注微转换。但是很难指望一个转化漏斗不断提高转化率，但是微转化是可以做到的。转换漏斗解决了转换过程中的大问题，但大问题总是有限的。这些问题解决后，您仍然需要不断优化您的转换，此时必须使用微转换。微转化是指在转化过程之外，也会对转化产生影响的各种元素。这些元素与用户的互动影响了用户的感受，直接或间接影响了用户的决策。例如，一些商品的图片显示在转换过程中不必看到，但它们的存在会影响用户的购买决策吗？这些图片是微转换元素。就我个人而言，研究微转化比研究转化更有趣。课堂上有一些案例可以告诉你。方法七：合并同类项合并同类项是一种常用的方法，很容易被忽视。我们往往非常重视细分，但有时我们需要了解更宏观的表现。这就是合并同类项的方法。举个例子，我问你，一个电子商务网站，所有商品页面的整体表现如何？你能回答他们作为一个整体的bouncerate、停留时间、用户满意度等吗？如果我们检查每个商品页面的性能，然后加上所有页面的数据进行分析，那就太麻烦了（根本无法实现分析）。此时，我们必须合并类似的项目。如何合并？使用分析工具的过滤工具或搜索替换功能。你可以考虑扔掉不支持这种功能的工具，因为它根本不应该放在增长黑客的专业装备箱里。合并类似项目有很多用途。例如，您必须了解web或应用程序部分（频道）的整体性能，或者您必须了解整个导航系统的使用情况。方法六:AB测试增长黑客不谈AB测试是耻辱。通过数据优化操作和产品逻辑非常简单——看到问题，想出主意，做出原型，测试定型。例如，你发现转换漏斗中间有一个漏洞，所以你认为一定是商品价格不对，所以每个人都不想买。你看到了问题——漏斗，你也想出了改变定价的想法。但这个想法是否可靠并不是你想出来的。真正的用户必须使用它。所以你使用AB测试，一些用户仍然看到旧价格，另一些用户看到新价格。如果你的想法真的有效，新价格应该会有更好的转化。如果是这样的话，新的价格会被确定(定型)，开始在新的转型高度运行，直到你发现新的需要改进的问题。增长黑客的主要思想之一是不要做大而全的事情，而是不断做能快速验证的小而精的事情。快速验证，如何验证？AB测试是主要方法。由于流量红利时代的结束，当今互联网世界对快速迭代的要求大大提高，这也使我们更加关注测试的力量。AB测试在web上很简单，在app上难度要大得多，但是解决方案还是很多的。那些经典的国外app，那些卖钱的游戏，几乎每天都在AB测试。方法五:热图和对比热图是大家都喜欢的功能，是记录用户与产品界面交互最直观的工具。但是真的用了，也许大家很少真正去深究吧！热图，对于web、app的分析非常重要！与过去的热图相比，今天的热图功能有了很大的提升。在web端，过去有一些解决不好的问题，比如只看链接的点击情况，点击位置错位，点击浮层部分的标记，链接的标记等等。现在有很多新的解决方案的好工具。app端有两种情况，内容类app对热图的需求较弱；但是工具类app对热图的需求非常明显。前者的scren主要是并列内容，内容动态变换，热图应用价值不高；后者特别需要通过热图反映用户的使用习惯，并结合app中其他engagement的分析（in-appengagement）热图对于优化功能和布局设计非常重要。如果你想很好地使用热图，一个非常重要的一点是，你几乎不能单独使用热图来解决问题。我经常使用集中对比热图的方法。首先，对各种热图进行比较分析，特别是点击热图（触摸热图）、阅读线热图和停屏热图的对比分析；其次，细分人群的热图对比分析，如不同渠道、新老用户、不同时间段、AB测试的热图对比等。第三，不同深度的互动反映了不同的热图。这种情况也值得使用热图比较功能。例如，点击热图与转换热图的对比分析。总之，在分析很多用户交互的时候，热图简直就是神器，但是热图真的比你看到的更强大！方法四：EventTracking网站分析是互联网运营数据分析的一个非常重要的基础。今天的app分析、流量分析、渠道分析、归因分析等都是在网站分析的基础上发展起来的。然而，早期网站分析的一个特点是，用户只能记录页面上的互动行为，即点击http链接（点击URL）。然而，随着技术的发展，页面上不仅有http链接，页面上还有很多flash(flash现在将被淘汰)、JavaScript的互动链接、视频播放、链接到其他web或应用程序的链接等，用户无法通过旧方法记录点击这些东西。但是，如果有问题，一定有办法，人们发明了eventracking来解决上述问题。本质上，eventracking是对这些特殊互动的定制监控，但由于它们是定制的，它们有更多的额外好处，即可以添加更多关于此活动的说明（以eventracking方法的附件属性）。因此，这种方法甚至主要是反客户。即使是一些http链接，许多分析老手也喜欢添加eventracking（技术上完全可行），以获得更多的额外监控属性描述。随着app的出现，由于app的特殊性(屏幕小，更强调在一个屏幕上完成互动)，分析app的page(其实应该是app的screen)之间跳转的重要性不如web上的page之间跳转，但是分析app上的点击行为的重要性非常大，这使得我们在分析in-appengagement的时候，screent必须大量依赖event，而scren相对较少使用。也就是说，在app端，event是主，page(screen应该更准确)反而是辅！也就是说，在app端，event是主，page(screen应该更准确)反而是辅！这就是你必须掌握这种方法的原因。方法三：Cohort分析Cohort分析还没有大家统一使用的翻译。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。可以参考维基百科:队列研究，找到自己认为合适的译名。Cohort分析在数据操作领域变得非常重要，无论它叫什么名字。原因是，随着流量经济的退化，精耕细作的互联网运营尤其需要仔细洞察保留情况。这就是Cohort分析最大的价值所在。Cohort分析通过比较性质完全相同的可比群体的保留情况，找出哪些因素影响短期、中期和长期保留。Cohort分析流行的另一个原因是它使用起来非常简单，但非常直观。与繁琐的损失相比，更繁琐的损失（churn）分析、RFM或用户聚类等。，Cohort只使用一个简单的图表，甚至不使用四个操作，直接描述了用户在一段时间内(甚至整个LTV)的保留(或损失)变化。甚至，Cohort也能帮你做预测。我一直认为Cohort分析是最能体现简单即美的典型方法。方法二：Attribution(归因)归因不是每个人都听说过的，用得好的也很少。然而，考虑到人们购买某件东西的决定可能会受到各种因素（数字营销媒体）的影响，比如看到广告来了解商品的存在，使用搜索，进一步了解商品，然后看到商品的公共账户在social渠道等等。综合这些因素，让一个人下定决心购买。所以很多时候，单一的广告渠道不是你打开客户闸门的阀门，而是各种渠道共同作用的结果。如何理解数字营销渠道之间的先后关系或相互作用？如何建立合理的数字营销渠道策略来促进这种关系？在评估一个渠道时，如何考虑归因，以便更客观地衡量它？所有这些都需要归因。如果你是网络营销的负责人，归因分析是必不可少的分析方法。在我的课堂上，会有很多空间来解释这种方法。方法1：严格地说，细分不是一种方法，它是所有分析的起源。因此，它当之无愧地排名第一。我经常的口头禅是，没有细分，不宁死。没有细分，你做什么分析？有两种类型的细分，一种是在一定条件下的分离。例如：在页面上停留超过30秒的visit（session）；或者只要北京的访客等等。实际上是过滤。另一种是维度（dimension）交叉。例如：北京地区的新访客。即分群（segmentation）。细分几乎帮助我们解决了所有的问题。例如，我们前面提到的构建转换漏斗实际上是按照步骤细分转换过程。流量渠道的分析和评价也需要大量的细分方法。维度之间的交叉是反映一个人分析水平的细分方法。例如，我的朋友将用户反馈作为eventracking属性（放在eventraction属性中）提交给GA，然后在定制报告中交叉用户反馈和其他行为，以便看到用户有某种反馈，他们的行为轨迹是什么，从而推测出了什么问题。在分析跳出率时，我们还将landingpage与其traficsource(流量源)交叉，以检查高跳出率的性能是由登陆页面还是流量引起的。这也是交叉细分维度的典型应用。没有细分，不宁死。