- 相關(guān)推薦
最經(jīng)典的網(wǎng)運營(yíng)數據分析方法
導讀：網(wǎng)站數據分析是通過(guò)觀(guān)察、調查、實(shí)驗、測量等結果，通過(guò)數據的顯示形式把網(wǎng)站各方面情況反映出來(lái)，使運營(yíng)者更加了解網(wǎng)站的運營(yíng)情況，便于調整網(wǎng)站的運營(yíng)策略。
方法一：細分
嚴格說(shuō)，細分不是一種方法，它是一切分析的本源。所以它當之無(wú)愧要排名第一。
我經(jīng)常的口頭禪是，無(wú)細分、毋寧死。沒(méi)有細分你做什么分析呀。
細分有兩類(lèi)，一類(lèi)是一定條件下的區隔。如：在頁(yè)面中停留30秒以上的visit(session);或者只要北京地區的訪(fǎng)客等。其實(shí)就是過(guò)濾。另一類(lèi)是維度(dimension)之間的交叉。如：北京地區的新訪(fǎng)問(wèn)者。即分群(segmentation)。
細分幾乎幫助我們解決所有問(wèn)題。比如，我們前面講的構建轉化漏斗，實(shí)際上就是把轉化過(guò)程按照步驟進(jìn)行細分。流量渠道的分析和評估也需要大量用到細分的方法。
維度之間的交叉是比較體現一個(gè)人分析水平的細分方法。比如，我的朋友孫維(卡車(chē)之家的數據負責人)，他將用戶(hù)的反饋作為event tracking的屬性(放在了event action屬性中)，提交給GA，然后在自定義的報告中，將用戶(hù)反饋和用戶(hù)的其他行為交叉起來(lái)，從而看到有某一類(lèi)反饋的用戶(hù)，他們的行為軌跡是什么，從而推測發(fā)生了什么問(wèn)題。
分析跳出率時(shí)，我們也會(huì )把landing page和它的traffic source(流量源)進(jìn)行交叉，以檢查高跳出率的表現是由著(zhù)陸頁(yè)造成，還是由流量造成。這也是典型的維度交叉細分的應用。
方法二：Attribution(歸因)
歸因不是人人都聽(tīng)說(shuō)過(guò)，用好的更是寥寥無(wú)幾。 不過(guò)，考慮到人們購買(mǎi)某一樣東西的決策，可能受到多種因素(數字營(yíng)銷(xiāo)媒體)的影響，比如看到廣告了解到這個(gè)商品的存在，利用搜索，進(jìn)一步了解這個(gè)商品，然后在social渠道上看到這個(gè)商品的公眾號等等。這些因素的綜合，讓一個(gè)人下定了決心購買(mǎi)。
因此，很多時(shí)候，單一的廣告渠道并不是你打開(kāi)客戶(hù)閘門(mén)的閥門(mén)，而是多種渠道共同作用的結果。
如何了解數字營(yíng)銷(xiāo)渠道之間的這種先后關(guān)系或者相互作用?如何設置合理的數字營(yíng)銷(xiāo)渠道的策略以促進(jìn)這種關(guān)系?在評價(jià)一個(gè)渠道的時(shí)候，如何將歸因考慮在內從而能夠更客觀(guān)的衡量?這些都需要用到歸因。
如果你是互聯(lián)網(wǎng)營(yíng)銷(xiāo)的負責人，歸因分析是必不可少的分析方法。在我的課堂上，會(huì )特別多的篇幅講解這個(gè)方法。
方法三：Cohort分析
Cohort分析還沒(méi)有一個(gè)所有人都統一使用的翻譯。有的說(shuō)是隊列分析，有的說(shuō)是世代分析，有的說(shuō)是隊列時(shí)間序列分析。大家可以參考維基百科：
找找自己覺(jué)得合適的譯名。
無(wú)論哪種叫法，cohort分析在有數據運營(yíng)領(lǐng)域都變得十分重要。原因在于，隨著(zhù)流量經(jīng)濟的退卻，精耕細作的互聯(lián)網(wǎng)運營(yíng)特別需要仔細洞察留存情況。Cohort分析最大的價(jià)值也正在于此。Cohort分析通過(guò)對性質(zhì)完全一樣的可對比群體的留存情況的比較，來(lái)發(fā)現哪些因素影響短、中、長(cháng)期的留存。
Cohort分析受到歡迎的另一個(gè)原因是它用起來(lái)十分簡(jiǎn)單，但卻十分直觀(guān)。相較于比較繁瑣的流失(churn)分析，RFM或者用戶(hù)聚類(lèi)等，Cohort只用簡(jiǎn)單的一個(gè)圖表，甚至連四則運算都不用，就直接描述了用戶(hù)在一段時(shí)間周期(甚至是整個(gè)LTV)的留存(或流失)變化情況。甚至，Cohort還能幫你做預測。
我總覺(jué)得cohort分析是最能體現簡(jiǎn)單即美的一個(gè)典型方法。
方法四：Event Tracking(事件追蹤)
互聯(lián)網(wǎng)運營(yíng)數據分析的一個(gè)很重要的基礎是網(wǎng)站分析。今天的app分析、流量分析、渠道分析，還有后面要講到的歸因分析等等，都是在網(wǎng)站分析的基礎之上發(fā)展起來(lái)的。
但是，早期的網(wǎng)站分析有一個(gè)特點(diǎn)，就是對于用戶(hù)在頁(yè)面上互動(dòng)行為的記錄，只能記錄下來(lái)一種，就是點(diǎn)擊http鏈接(點(diǎn)擊URL)。不過(guò)隨著(zhù)技術(shù)的發(fā)展，頁(yè)面上不僅僅只有http鏈接，頁(yè)面上還有很多flash(現在flash都要被淘汰了)、JavaScript的互動(dòng)鏈接、視頻播放、鏈接到其他的web或者app的鏈接等等，用戶(hù)點(diǎn)擊這些東西就都無(wú)法被老方法記錄下來(lái)了。
不過(guò)，有問(wèn)題就一定有方法，人們發(fā)明了event tracking來(lái)解決上面的問(wèn)題。event tracking本質(zhì)上是對這些特殊互動(dòng)的定制化監測，而由于是定制化，所以反而有了更多附加的好處，即可以額外添加對于這個(gè)活動(dòng)的更多的說(shuō)明(以event tracking這個(gè)方法的附件屬性的方式)。結果，這個(gè)方法甚至有些反客為主，即使是一些http鏈接，很多分析老手也喜歡把它們加上event tracking(技術(shù)上完全可行)，以獲得更多的額外監測屬性說(shuō)明。
隨著(zhù)app的出現，由于app的特殊性(屏幕小，更強調在一個(gè)屏幕中完成互動(dòng))，分析app的page(實(shí)際上應該是app的screen)間跳轉的重要性完全不如web上的page之間的跳轉，但分析app上的點(diǎn)擊行為的重要性則十分巨大，這就使我們分析in-app engagement的時(shí)候，必須大量依賴(lài)event，而相對較少使用screen。這就是說(shuō)，在app端，event反而是主，page(更準確應該是screen)反而是輔!
這也是為什么，這個(gè)方法你必須要掌握的原因。
方法五：熱圖及對比熱圖
熱圖是一個(gè)大家都喜歡的功能，它是最直觀(guān)的記錄用戶(hù)與產(chǎn)品界面交互的工具。不過(guò)真用起來(lái)，可能大家很少真正去深究吧!
熱圖，對于web、app的分析，都非常重要!今天的熱圖相對于過(guò)去的熱圖，功能得到了極大的提升。
在web端，過(guò)去一些解決不好的問(wèn)題，比如只能看鏈接的被點(diǎn)擊情況，點(diǎn)擊位置錯位，對浮層部分點(diǎn)擊的標記，對鏈出鏈接的標記等等，現在已經(jīng)有好的工具能夠提供很多新的辦法去解決。在app端則分為兩種情況，內容類(lèi)的app，對于熱圖的需求較弱;但工具類(lèi)的app對于熱圖的需求則很顯著(zhù)。前者的screen中以并列內容為主，且內容動(dòng)態(tài)變換，熱圖應用價(jià)值不高;后者則特別需要通過(guò)熱圖反映用戶(hù)的使用習慣，并結合app內其他的engagement的分析(in-app engagement)來(lái)優(yōu)化功能和布局設計，所以熱圖對它們很重要。
要想熱圖用的好，一個(gè)很重要的點(diǎn)在于你幾乎不能單獨使用一個(gè)熱圖就想解決問(wèn)題。我常常用集中對比熱圖的方法。
其一，多種熱圖的對比分析，尤其是點(diǎn)擊熱圖(觸摸熱圖)、閱讀線(xiàn)熱圖、停屏熱圖的對比分析;
其二，細分人群的熱圖對比分析，例如不同渠道、新老用戶(hù)、不同時(shí)段、AB測試的熱圖對比等等。
其三，深度不同的互動(dòng)，所反映的熱圖也是不同的。這種情況也值得利用熱圖對比功能。例如點(diǎn)擊熱圖與轉化熱圖的對比分析等。
總之，分析很多用戶(hù)交互的時(shí)候，熱圖簡(jiǎn)直是神器，只不過(guò)，熱圖真的比你看到的要更強大!