实用的定量分析技术的应用方法

数据科学注重在噪声中找到隐藏的信号。说起来容易做起来难，但不需要依靠很多数据专家来实现。定量分析技术是一种非常实用的入门方法(链接中提供额外信息)，适用于想要亲自使用基本统计技术的人。本质上，流程可以概括为以下四个步骤：1。观察：移动用户数据趋势可能会带来一些意见，帮助更好地理解用户使用应用程序的方式、时间、地点和原因。这些观点具有潜在价值，可以相应地做出后续决策，优化用户体验。2.形成假设框架：当无法获得所有信息时，需要进行总结和推理。对移动应用程序而言，这显然是正确的，因为目标用户无法聚集在一起等待您的采访。3.数据采集：判断假设所面临的挑战是确定有助于相关任务的可用证据。在我看来，在考虑机器学习算法的细节之前，必须先做好。4.评估假设：生成模型的出发点是进一步解释数据。接下来，根据模型对当前观察到的数据的解释，评估模型的可信度。科学地制定高质量、实用的决策数据可以描述为业务假设实际运行情况之间的竞争。与Countly合作，将获得完整的移动用户行为数据集和数据可视化所需的完整工具。定量分析需要使用完整的移动用户行为数据集，而不是抽样技术分析收集的数据，这可能会导致分析中的不确定性偏差。单击几次，就可以可视化地查看关于用户的各种详细信息。例如，Countly可以在各种语言环境下快速可视化应用程序用户的原始数据和百分比数据(见下屏截图)。该方法比Excel更生动，不需要导出日常数据分析的原始数据，为团队节省时间。此外，countly可以灵活整合其他来源的移动数据和人口统计数据。例如，银行可能需要从后端整合数据（年龄、估计收入、婚姻状况、最近的大宗交易记录和最近的地址变更），以便countly能够更好地了解用户在应用程序中的行为，并通过特定的推送通知促进微目标定位。这样，数据分析就可以更有针对性，更适应业务需求。为了帮助你在令人兴奋的数据驱动领域继续发展，你需要扩展成功的定义：“成功”对你来说并不像看起来那么简单。如果你专注于在应用程序中购买，你的目标是收入和用户生命周期的价值(LTV)。对于大多数其他不以货币化为中心的应用程序来说，主要的焦点可能是留住用户。现在我们开始观察数据。使用Countly，您可以访问100%的应用程序用户数据，并详细查看高参与度用户（假设您操作健身应用程序，并选择保留率作为成功标准）以及这些用户在注册时执行的操作。观察高参与度用户的行为模式，然后进行定量访问，以确定应用程序中最令人兴奋的特征。然后，您的团队可以在下载应用程序的前10天内完成有助于提高保留率的主要假设：1。完成3项推荐练习；2.在社区发布5条信息；3.*5种健康饮食。我们为每个操作定义了一个队列，然后在采样数据上使用两个分类测试来比较注册两个月后每组用户的保留性能。之后，我们可以观察每个测试的正负预测值(定义如下)，以确定我们正在寻找的关键阈值。测试1：用户是否在第10天内完成？≥3项推荐运动测试2：用户在第10天内在社区发布≥5件信息测试3：用户在第10天*≥五种健康饮食显然完成了三种推荐的锻炼。因此，该操作具有较高的2个月保留正预测值；相反，完成少于3项运动的负预测值较高。这个测试可以很好的预测2个月的保留:达到标准，保留应用程序的概率为99%；如果不符合标准，95%的概率会失去用户。发布5条信息与*5条健康饮食与保留有很大关系（因此具有较高的正预测值），但不符合关键条件标准。未执行这些操作的用户在两个月后仍有很高的机会保留应用程序。到目前为止，完成推荐锻炼似乎是一个关键阈值。另一个评估点是让用户完成行动的价值。换句话说，让用户完成三项推荐练习，然后提高2个月后保留应用程序的成本。在分析数字时，完成三项推荐的锻炼可以使2个月后的保留率增加20倍左右，而发布5次更新和注意5次健康饮食甚至可以使保留率翻倍(分别增加1.3倍和1.1倍)。这个结论可以通过回归分析得出，但需要太长时间。如果您想了解更多信息，我建议您阅读URL。数据分析结果表明，鼓励用户完成三项推荐锻炼值得投入时间和精力。发布5条信息与*5条健康饮食与保留有很大关系（因此具有较高的正预测值），但不符合关键条件标准。未执行这些操作的用户在两个月后仍有很高的机会保留应用程序。如果您对机器学习和更复杂的模型感兴趣，我建议使用K均值聚类进行非结构化数据(K-MeansClustering)，实现使用R语言。该技术提供了另一种方法来识别与业务目标相关的特定聚类，如3个月后的保留率。观察结果按指定标准分为K组，重新分组，形成最密切相关的聚类(请参见以下示例)。K均值聚类可以处理更大规模的数据集，而不是分层聚类。此外，观察结果不会总是固定在一个聚类中。在分析过程中，观察结果会移动，从而改善整体结果。要了解更多关于K均值聚类的信息，我建议阅读R语言实战作者Robkabacoff发表的文章。保持简单误差最小的一般模型最有可能准确预测未来的观察结果——奥卡姆剃刀原理。确定关键阈值时的两个重要注意事项：保持稳定和简洁。如果涉及到太多不同的行动，很难衡量，可能会随着时间的推移而改变。同时，团队的注意力也会分散——这导致了我们的下一步。由于关键指标已经确定，即必须克服提高用户满意度和参与度的阈值，因此应采取相应的行动。Sokrati，印度领先的在线广告业绩管理公司在节日期间成功推出了为期2-3天的Facebook活动，为珠宝品牌赢得了300%以上的销售增长。他们的策略包括三个步骤：关键是鼓励更多的用户在节日期间尽快采取行动。深入挖掘不同的受众群体，扩大受众群体，你会看到参与度和保留度的上升。希望这些概念和结构能对你有所帮助。欢迎您联系countly继续讨论和分享您的故事！