当前位置:首页  >  数据分析专题  > 

对互联网运营的数据分析应当怎么做

作者:Jenny.Zhang

浏览:2,254

发布时间:2023.8.2

很多第一次做电商互联网运营的人都不知道要怎么做对互联网运营的数据分析,我之前也做过互联网运营,一开始无非就是看看PV、UV,也许做对流量的分析就完事了,但是很快老板就会发现我的分析结果根本没有任何价值,因为分析这些东西根本毛用都没有,对互联网运营的数据分析,真正要做的是下面的这几点!

一、首先,要明白自己企业的商业模式

客户看中了你的产品或者服务,你把产品和服务卖给客户,一个订单完成!

电商公司和o2o类公司都是这种模式,公司的收入是由一个个订单堆积出来,订单是由用户购买了相关的商品或服务产生,可以说用户和商品或服务为订单的两大基本元素,公司收入下降、增长、异常最终都可以追踪到用户与商品这两大元素上。这样我们将公司收入相关数据拆解为三大模块:用户、商品或服务、订单。作为运营人,我们最主要要关注的就是两个字——用户

公司收入、订单都是由用户消费所产生,用户的消费流程可以划分为以下四个阶段:引流、转化、消费、存留

当然我们希望最理想的情况就是吸引和转化最多的用户、让他们买我们的产品,并且留住他们好让他们一直买。然而现实是残酷的,我们能做的,就是对这些数据进行分析,根据数据情况进行策略对调整,让现实与理想情况之间的距离越来越近。

我们一般将用户分为新用户和老用户,如下图所示:

对互联网运营的数据分析,对流量的分析,各环节的转化率

无论新老用户,我们都会关心两块内容,一个是引流(拉新),一个是转化,最终以数据的形式体现出来,就是流量与转化率。

二、引流

一个购物中心,建在荒郊野外,没人进来,装饰再奢华也没什么卵用。用户是有限的,我们需要对流量的分析,精打细算,实现对每种渠道每种类型的流量来源的最大价值利用。

分析目标:通过对流量的分析,保证流量的稳定性,并通过调整,尝试提高流量。

分析内容:基本数据指标有访客数(uv)、浏览量(pv)、访问次数(visits),是常用的衡量流量多少的数据指标;平均访问深度(浏览量/访问次数)、平均停留时间(总停留时间/总浏览量)、跳失率(跳出次数/访问次数)是用来衡量流量质量优劣的指标。

分析角度:

1.观察流量规律,便于活动安排、服务调整

对互联网运营的数据分析,对流量的分析,各环节的转化率

上面这个图使用FineReport做的UV分析,可以发现以下规律:一天当中,访问集中在9点到11点和14点到17点这段工作时间,一年中则在春节前后的访问量比较大,每周中也是访问集中在工作日。

一般来说,流量都是以每天中的时段、季节、节假日、星期这样的规律来分布的。所以可以将以上几面统一放到同一页面中进行观测,可以全面的了解应用的访问规律。并且通过对渠道、业务的选择,可以观测具体的渠道、业务的访问规律。

2.发现流量异常,分析异常原因并及时调整

对互联网运营的数据分析,对流量的分析,各环节的转化率

通过对上图的观察,可以发现异常现象:

3月21日到4月17日到流量图中,工作日到流量一般都维持在2400左右,而观察4月18日到5月15日到图,发现流量从4月19日下滑开始,很少突破2000,也就是流量在近一个月有明显下滑。原因可能是对手购买了竞价排名、自己的seo做的不好等等。

一般来说,流量以周为单位,周期性分布的情况是比较多的,将视角拉长,一次性多看几个周的数据,便于发现问题。将一段时间内的数据与历史数据进行对比,也有助于问题的发现。

除上图中对流量异常的简单监控外,可以对流量进行进一步分解,如下图所示,通过图表联动,观察具体渠道或者业务的流量情况,从而完成对问题的追踪定位,例如通过进一步分析发现,4月中旬开始的流量下降主要出现在pc端,那么可以进一步缩小问题的范围。

对互联网运营的数据分析,对流量的分析,各环节的转化率

3.观察流量结构,分析其合理性,并作出调整

流量结构一般可分为渠道结构、业务结构、地区结构。通过查询一段时间内的各结构占比,了解流量组成。

对互联网运营的数据分析,对流量的分析,各环节的转化率

如上图所示,在渠道中,pc占比相对过大,而app占比不高,app对于用户具有更大的黏度,所以应分析app占比过低原因,并想办法提高app流量占比。下面的折线图可以对各渠道的流量情况进行追踪,分析占比不合理是短期内出现的,还是长期存在的、辅助问题的分析。

4.追踪流量情况,衡量活动或者调整效果

对互联网运营的数据分析,对流量的分析,各环节的转化率

对流量的追踪,一般就是对流量的监控,观察活动前、活动中、活动后的变化情况,评估活动效果。一般来讲,活动期间流量会大幅提升,活动后有一定回落,是一个成功的活动。如果活动期间流量上升幅度不大,或者活动结束后流量大幅度跌落,甚至流量低于活动前的正常流量很多,都不能说是一个成功的活动。

三、转化

在完成引流的工作后,下一步需要考虑的就是转化了,一个崭新的用户一路走来到完成交易,中间需要经历:

浏览页面(下载app)->注册成为用户->登陆->添加购物车->下单->付款->完成交易

每一环节中都会有用户流失,提高各环节的转化率,一直是互联网公司运营的最核心的工作。转化率的提升,意味着更低的成本,更高的利润。

分析目标:了解各环节转化情况,分析其异常或不合理情况,进行调整,以提升各环节的转化率。

分析角度:关于转化率的各种名词也特别多,有静默转化率、登陆转化率、咨询转化率、付款转化率等等,然而并不需要考虑这些词,只要关注用户从接触应用到成交中的几个环节就好。

我们依然使用FineReport中图表的形式来从各个角度对转化数据进行展示分析。

1.观察各环节的转化率,分析其合理性,针对转化率异常环节进行调整

对互联网运营的数据分析,对流量的分析,各环节的转化率

上图所示,传统漏斗图只能显示一条路径的转化率情况,稍加修改后,可实现对比功能,例如上图所示的新老用户的转化率的对比。可以根据实际情况中在该图中加入更多环节,例如注册、收藏、开工、竣工等。

从上图中,我们可以发现这样一个问题,下单到付款中的转化率过低,正常来说,用户只要下单,付款的比例是比较大的。对于这个异常,我们来做下猜测:

又看了下其他家的商品或服务,发现了更好的,就取消了付款;

付款前习惯性的问下相关的人进行确认,然后发现计划有变,所以取消付款;

到了付款的时候发现居然不支持支付宝,无奈取消付款;

下单后被告知没货;

页面好卡,怒而弃之;

余额不足

总体上可以分为两类:用户本身原因,系统设计原因。上图中这么出现付款率这么低的情况,基本上可以确定是系统原因。然而具体是哪块的设计出了问题,可以进一步细化追踪。

对互联网运营的数据分析,对流量的分析,各环节的转化率

如上图所示,点击相应阶段,联动出下面各渠道与各业务的转化率明细,可以看出,各渠道的转化率差别较大,其中pc端转化率明显偏低,而各业务之间的转化率差别不大,基本可以确定,是pc端存在问题,导致转化率偏低。

上图中的付款转化率低的太明显,只要不瞎都能看出这转化率出了问题,但是往往转化率的问题并没有这样的明显,那怎样定位自己的转化率是否合理,哪个阶段的转化率有提升空间呢?继续看下面这张图:

对互联网运营的数据分析,对流量的分析,各环节的转化率

上图是通过多角度对比来分析业务转化率的健康状况,包括与自己同期对比、行业中与自己相似产品对比、行业中优秀的产品对比。对比各环节转化率的不同,产生数据上的冲击,所有落后的节点,都是可以提升的空间。

  1. 追踪转化率变化,用于异常定位和策略调整效果验证

除流量外,转化率也是需要追踪的,将时间的维度拉开,分析各阶段转化率随着时间的波动,也是很有看点的。

对互联网运营的数据分析,对流量的分析,各环节的转化率

如上图所示,在4月17日到21日中间,转化率出现下滑趋势,通过渠道转化率与业务转化率两个图表的联动,可以追踪定位导致转化率下滑的渠道或业务。常见的原因,公司运营部门投入了某个渠道进行推广,新的渠道带来了新的流量,而该渠道所引入的用户质量却偏低,拉低了整体的转化率。

3.观察各渠道转化情况,定义渠道价值,并依此适当调整运营策略

对互联网运营的数据分析,对流量的分析,各环节的转化率

气泡图在传统图表中信息量涵盖相对是比较大的,上面这张图x轴和y轴分别表示流量和转化率,y轴可以根据分析内容不同切换成点击率、注册率、架构率、下单率等等,气泡大小表示的为渠道ROI。从上图中可以看出,在右上象限中的渠道价值是比较大的,再综合考虑ROI,还可以看出渠道性价比情况。

4.分析各环节转化周期,分析用户习惯,为制定运营策略提供依据

这种场景通用性并不是很强,会和公司业务相关联,有些业务的交易是分成多个阶段来完成,这种情况可以对转化周期进行分析。

对互联网运营的数据分析,对流量的分析,各环节的转化率

上图中可以看出,该业务的付款与成交一般在前四周完成,而第五周开始趋于稳定。知道以上信息后,可针对第五周未付款或完成交易的用户进行询问,提高转化率。另外可制定四周内完成交易有奖励等活动来缩短成交周期,因为图中可以看出,绝大部分用户四周时间足够完成服务检查、订单确认等工作。

四、日活/存留

互联网行业的拉新成本现在都很高,要投入广告、投入时间,这些都是成本。如果用户还没有产生什么价值就流失了,那一定是亏了。相反,拉过来的用户,存留的时间越长,产生的价值也就越大,也才能弥补其他流失用户所产生的损失。因此,提高用户的存留时间,也是提高公司收入,为公司创造更多价值的重要一环。

分析目标:通过分析用户的日活/存留,来帮助运营人员发现问题、监控数据,为调整策略提供数据支持,达到提高日活/存留的效果。

分析角度:

1.日活监控,观察用户活跃数据,分析日活健康度

活跃用户一般可以分为以下三类:

对互联网运营的数据分析,对流量的分析,各环节的转化率

有些公司可能不太关注回流(一定时间内没有登陆的用户再次登陆)这部分用户,我将它列出来,是认为了解回流用户的日活情况在一些场合中是有价值的,例如活动期间、发优惠券测试,是否会对流失用户的回流产生了作用。

对互联网运营的数据分析,对流量的分析,各环节的转化率

上图中是用finereport做的堆积面积图,其面积大小为各类型用户数,堆积总高度为总活跃用户数。对于日活数据来说,相对理想的情况是老用户占比较高,为活跃用户主力,并且呈现逐步上升的趋势,代表产品对新用户的粘性较好,总体拉新存留大于流失用户。否则,要么是新用户的存留率过低,要么是老用户的流失率过高,都需要进行调整。

2.观察存留规律,定位存留阶段,辅助市场活动、市场策略定位等

存留规律分析应该分开对待,一部分高频小额订单(例如外卖)这种互联网公司,其分析模式类似于游戏、知乎、SasS平台,会以日为单位来分析存留。

对互联网运营的数据分析,对流量的分析,各环节的转化率

如上图所示,这种用户登录频率较高的应用,可以通过上图分成三个阶段,过滤期、试探期、平稳期。刚开始接触一个应用的用户中,有大量的用户是质量不高的用户,不可避免的要经历一个存留率大幅下降的阶段,但这一阶段周期一般较短(我认为这一阶段可能更多的是应用筛选用户)。在这一阶段过去之后,用户会对应用进行详细的试探,是否让自己满意,这段期间也会有部分用户流失。最后留下的就是相对稳定的用户了。

对互联网运营的数据分析,对流量的分析,各环节的转化率

上图可称之为手枪图,该图可以看出用户存留的整体情况,存留率有没有越来越高,产品粘性是否做的够好,通过上图可以看出一定的问题来。但要像日存留那样,找出用户存留的三个阶段是比较困难的,因为用户是否存留下来更多的取决于消费体验,并且消费体验周期过长,很难判断用户是否会再次消费。

3.对比不同用户、产品功能的存留情况,分析产品价值、辅助产品调整

对互联网运营的数据分析,对流量的分析,各环节的转化率

如上图所示,通过对比,发现使用了分享功能和收藏功能的用户的存留率相对较高。得到这样一个信息后,可以通过产品上的调整,来鼓励用户使用分享、收藏等功能,以此来提高用户的存留率。

这种对比可以是多种形式的,将功能选择换成用户分类、用户来源,可以从不同的角度来观察问题。例如,如果发现男性用户的存留率比女性用户低,那么一是可以提醒反思造成这种情况的原因是什么,或者是可以调整产品推广渠道,以吸引女用户主。

存留率是互联网公司非常关注的指标之一,而很多公司会对存留率进行非常深入的挖掘。上文提供几种存留率常用的展现形式,为分析存留率提供一定的参考。

注:文中图表均由finereport报表开发

暂时想到的就这么多,当然我这里也只是简单梳理一下。

比如,目前主流的软件——finereport,它小到填报、查询、部署、集成,大到可视化大屏、dashboard驾驶舱,应有尽有,功能很强大。最重要的是,因为这个工具,整个公司的数据架构都可以变得规范,下一步就是构建企业的大数据平台了。而且它是java编写的,支持二次开发,类Excel的设计器,无论是IT还是业务,上手都很简单:编辑sql优化、数据集复用简直都是小case,大大降低了报表开发的门槛。在企业中被关注最多的数据安全方面,FineReport支持多人同时开发同一套报表,并通过模板加锁功能防止编辑冲突;通过数据分析权限控制,保障数据安全。

管理驾驶舱指南,业务指标,数据分析报表需要展现大量的数据和文字,提高信息传递的效率

报表工具产品更多介绍:www.finereport.com