数据分析

一、数据类型

互联网数据运营 根据运营的流程可以分为四大类，可以说无论是什么运营所要关注的数据都可以从这四个阶段思考。

1、拉新阶段：关注用户来源的类型：纯新用户（第一次注册）还是老用户（再注册）；贴片广告的用户来源有多少，弹窗广告的用户来源有多少等等。

2、转化阶段：关注转化率：200个用户浏览了你的宣传页面，注册的有100人，这100人就是实现了转化，转化率为50%（=100/200）；同样的除了注册转化率还有付费转化率等等。

3、活跃阶段：关注用户在产品内的活跃量，不同的产品表现形式不同。例如，贴吧：发帖量、回帖量等等；视频网站：点击量，观看量等等。

4、留存阶段：关注留存或流失的用户量。例如，第一天新增的用户有300人，300人中第二天还在活跃的有100人，第三天还在活跃的呢？第四天呢？一直类推。

用户运营只是运营的职能之一，贯穿在各种产品的运营中。用户运营所关注的数据指标，不同行业、不同平台等等都有不同的侧重点。

根据运营的平台来划分：

网站运营：

（1）流量方面需要关注：

PV（page view）访问页面产生的数据。 一个用户访问了5个页面，那么就产生了5个  PV。

UV（user view）某个特定页面的访客数。一个页面一个账号无论点进去几次，UV都是1，因为只有一个访客。

VV（visit view）针对于全站的访客数。一个账号进入一个网站，无论这个账号浏览了这个网站多少个网页，VV都是1 ，因为这个网站只有一个访客。

IP：针对于全站的网络IP数。你在家用电脑登录了这个网站，之后你表哥也用同一台电脑登陆了他的账号，访问了同一个网站，但这个时候IP还是只有1，因为你和表哥用的同一台电脑，网络的IP地址也是一个。

（2）访问方面需要关注：

跳出率：页面停留访客有300人，但是有150人不喜欢这个页面，选择离开，那么跳出率就是50%（=150/300）

二跳率：首页页面停留访客有300人，有150人觉得这个网站很喜欢，于是点击浏览下一个页面，那么二跳率就是50%（=150/300）。以此类推还有三跳率，四跳率等等。

转化率：转化到最终产品目的页面的比率。如果是电商的话，最终目的就是下单，那么就是新增用户和转化到下单页面的用户 的比率。以此类推，还有付费转率，注册转化率等等。

（3）活跃方面需要关注：

DAU(daily active user)即 日活跃用户量。

MAU(monthly active user)即 月活跃用户量。

相关的，还可以有周活跃用户量、年活跃用户量等等。

（4）转化方面需要关注：（这里的转化，单指电商运营方面。与上文转化率做区分）

成单量：用户共成了多少单

付费金额：用户共付费多少元

客单价：付费金额/成单量=客单价。这里需要的是，每单平均多少钱的数据

付费率：走到付费这一步的转化率

APP运营：

（1）新增：新增的设备数（按手机型号分）；新注册的设备数（注册新用户。）

（2）活跃：活跃的设备数；活跃的用户数

（3）留存：

次日留存率：例如，第一天新增300人，第二天还登录的有150.那么次日的留存率就是50%（=150/300）。以此类推，还有三日留存率（第三日登录数/第一天新增数）……n日留存率等等。

TAD：比如，7日TAD=第一天留存量+第二天仍在留存的数量……+第七天仍在留存的数量

用于计算七天内，一台设备活跃过几天。

（4）转化：这里也特指电商，同上文网站运营里的转化。

根据运营的行业来划分：

内容型行业：关注PV,UV,V V，帖子数，页面停留时间，分享数等等

社交类行业：关注发帖量，发言数，PV,UV，活跃占比等等

电商类行业：关注销售收入，成单量，客单价等等

游戏类行业：关注活跃用户量，付费率，收入，ARPU（每用户平均收入）等等

除了运营平台和运营行业两个划分角度外，还有很多划分角度，其中用户运营所要关注的数据指标都是有不同侧重的。

二、数据分析概论

1、先了解指标跟维度的概念

城市是维度，后面的列是指标，维度永远是站着的，指标是躺着的。维度就是那一列，指标是具体值。

维度：版本，渠道，地域，终端，操作系统，时间

基础指标：注册用户数，订单量，pv，新增用户，用户启动，uv（简单的数据）

复合指标：退出率，平均停留时长，留存率，支付转化率，跳出率，平均访问深度。（数据的简单叠加分析）

举例：页面或全站跳出率=跳出访问量/全部落地访问量。

跳出：投放h5活动页面，用户点进去然后什么都没做，又退出去了，这个就是跳出。

放一张经典营销表举例

direct：直接的流量/other：不好归类的其他/referral：其他合作渠道跳转的/organic search：seo搜索词/social：社交类流量的豆瓣/display：品牌广告

拿到表应该看什么？

一、趋势：趋势发现异常点，从而发现原因。

二、对比，跟上周，甚至是上个月的同一周，去年的同一时间段去做对比。帮助确定数据是不是存在问题。

三、细分

总结：数据分析并不仅仅是看数字，分析的过程更多的是从不同维度中分析指标的潜在含义。所有的指标都是有基础指标各种加减乘除算出来的，基础指标指导埋点，复合指标更具有指导意义

数据分析师应该看什么？

从趋势观察数据

从对比中发现问题

多维度细分找出问题原因

三、数据采集概述

1、数据采集是根基，需要做到以下四点：

完备性：有点公司只有业务数据，而没有用户行为

多维度：维度多了才能满足统计的需求

及时性：不能这周的h5下周才收集数据。

准确性：最好精准统计，分析结果才更精确。

互联网数据统计发展演变史

2、数据采集的主要对象

（1）前段操作：

可视化埋点，全埋点：某事，某刻某人提交了已给订单

毛病：采集数据非常有限。

全埋点：好多代码先把数据都采集起来，全埋点只要嵌入一段代码就可以非常快速的看到效果，比较容易实现。一般采集两种，一种是pv，还有一种是点击交互。

两者都有的毛病是不能提供多维度的丰富数据

代码埋点：订单金额，商品名称，用户级别

自定义的采集属性等。

（2）后端日志

代码埋点：商品库存，商品成本

导入工具：用户风险级别

重要的数据尽量还是后端去采集。更准确，完整，灵活度更高

（3）业务数据

导入工具：进，销，存订单配送状态，售后服务信息。

做正确的事，而不是容易的事

全：多端采集，全量而非抽样

细：尽可能采集足够全面的属性和维度

准：准确的业务数据

针对不同业务需求选择不同的数据采集方案。