数极客首页

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模型、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。

用户细分

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。

逐步细分分析
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。

维度交叉分析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。

RFM模型
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。

数极客对细分分析的应用
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。

事件分析
2、漏斗分析融合逐步细分和维度交叉分析

数极客漏斗分析,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。

漏斗分析
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。

 

推荐使用国内新一代大数据用户行为分析平台:数极客,国内首款支持无埋点、前端埋点、后端埋点、API导入四种混合数据采集方式;自动监测网站、APP、小程序等多种渠道推广效果分析,是增长黑客必备的互联网数据分析工具。数极客支持实时多维分析、漏斗分析、留存分析、路径分析等十大数据分析方法以及APP数据分析网站统计网站分析小程序数据统计用户画像等应用场景,国内首创6大提升转化率的数据分析模型,是用户行为分析领域首款应用定量分析与定性分析方法的数据分析产品。基于用户行为的大数据分析智能系统,提供了会员营销AB测试两大数据智能产品,使得企业可以快速的提升用户转化率和留存率,实现数据驱动增长。

发表评论

评论已关闭。

相关文章