留存分析模型:
统计日登陆且统计日前一日也登陆的用户,为新用户
统计日登陆且与前一次登陆时间间隔小于7天,为老活跃用户,反应产品真实的活跃情况
统计日登陆且与前一次登陆时间间隔等于7天, 为回流用户
统计日登陆且与前一次登陆时间间隔大于7天,为沉默用户
统计日与前一次登陆时间间隔大于30天, 为流式用户, 用来衡量老用户召回的功能或渠道推广,重大节日活动是否有效等
周留存:这周新增的用户在下周任然留存的用户
7日留存:日新增用户在第7日依然留存的用户
漏斗分析模型:
反映不同用户群体各环节转化率,各流程步骤差异对比,了解转化率最高的用户群体,分析漏斗的合理性, 并对转化率异常环节进行调整
科学归因:选择在用户购买决策的全流程中对用户影响的功劳最大,权重最大,直接促进用户转化率的渠道,可以大大增大漏斗分析的科学性
属性关联:在进行漏斗分析时,尤其电商行业的数据分析场景中,运营人员在定义转化时,会要求漏斗转化的前后步骤有相同的属性
购买过程总转化率:购买路径从查看商品到付款成功的转化率
转化分析:分析某个漏斗在分析时间段内的转化流式情况
转化趋势分析:分析转化漏斗整体或两个相邻步骤间的转化率随时间的变化趋势
群分析与组对比: 根据需要可以选择某个用户群,去分析这部分细分用户的转化情况, 或者对比多个用户群转化率的差异.比如:不同性别和不同用户等级的用户群的漏斗分析对比
Banner首页推广位的效果监控,通过用户的点击转化率与购买转化率可以判断页面不同推广位置效果, 为站内优化, 页面体验提升做出指导
事件行为分析:
事件的埋点文档: 设备/用户id, 事件发生的时间, 省市区地址,事件发生时的状态,用户做了什么. 事件–属性–值--采集时机 比如点击立即购买–订单确认–地址,商品,优惠卷,付款方式–网页加载成功
触发某一事件的用户数:查看一段时间内,某一行为有多少用户触发了
某一事件被用户触发的次数:查看一段时间内, 某一行为触发了多少次
单事件分析:
触发事件活跃比:活跃比=触发事件的人数/活跃人数
