트래픽 데이터란 무엇입니까? 왜 트래픽 데이터 분석 시스템을 만들어야 합니까? 어떻게 트래픽 데이터 분석 시스템을 만들 수 있을까요? 이 문장 다 보면 충분하다. 1. 트래픽 데이터란 무엇입니까? 트래픽 데이터는 주로 사용자가 제품/페이지에 액세스할 때 사용되며, 제품 개시부터 사용에 이르는 일련의 프로세스에서 대량의 트래픽 데이터를 생성합니다. 트래픽 데이터는 사용자가 제품/페이지에 액세스할 때 생성되는 데이터로 정의되며 기업은 데이터 수집을 통해 데이터를 얻어야 합니다. 2. 왜 트래픽 데이터 분석 시스템을 만들어야 합니까? 현재 시장에서 높은 고객 유치 비용은 신규 사용자에게 앱을 한 번만 열면 손실될 수 있다. 트래픽 데이터를 모니터링하고, 비정상적인 데이터를 진단하고, 비즈니스 논리를 개선하고, 제품 수익을 촉진합니다. 3. 트래픽 데이터 분석 시스템을 만드는 방법 사용자가 제품/페이지에 액세스할 때 제품이 시작에서 사용에 이르는 일련의 프로세스에서 대량의 트래픽 데이터를 생성합니다. 트래픽 데이터는 데이터 처리를 통해 품질, 분석이 용이한 데이터 자산을 형성하고 데이터 분석을 통해 의사 결정에 대한 데이터 지원 및 통찰력을 제공하는 보고서 매설 지점에서 주로 생성됩니다. 3. 1 데이터 제작 3. 1. 1 비즈니스 요구 사항-데이터 요구 그룹 DA 학생들이 받는 비즈니스 요구 사항은 종종' 이 기능 사용 기대' 등이다. 이때 uv 와 PV 를 사용하는 기능이 하나뿐이라면 충분하지 않습니다. 각 방면의 업무 요구를 이해하고 매장점으로 추상화할 필요가 있다. "이 기능의 예상 사용" 이라는 비즈니스 요구 사항에 직면하여, 우리는 비즈니스의 단기 중장기 전략, E.G. 의 중장기 전략이 사용자 침몰을 지향한다는 것을 이해해야 합니다. 왜 이 기능을 온라인에 접속해야합니까? 이 기능은 다른 기능에 영향을 줄 수 있습니다. 이해한 후에는 비즈니스 배경, 요구 사항 및 목적에 따라 "매장 요구 사항" 으로 추상화됩니다. 업무의 단기, 중, 장기 전략 (예: 중장기 정책) 은 사용자 침몰, 사용자 침몰은 도시 수준과 소득 금액으로 나뉜다. 이 기능이 온라인인 이유는 무엇입니까? 사용자의 점도를 높이기 위해 이 기능을 사용하는 사용자의 일 수를 모니터링해야 하는 것으로 알려져 있습니다. 비교 분석을 통해 다른 함수와의 차이를 알 수 있습니다. 이 함수는 다른 함수에 영향을 줄 수 있습니다. 즉, 함수와 상호 배타적일 수 있는 함수 포인트를 가져오고, 데이터 성능을 모니터링하며, "예기치 않은" 침식을 방지합니다. 예상되는 보완 기능 지점을 확보하고 데이터 성능을 모니터링하여 "사고" 를 방지합니다. 3. 1.2 매장 요구 사항을 설계하기 전에 이벤트 모델 (사람, 시기, 장소, 방법, 무엇) 을 이해하고 이벤트 모델의 모든 측면을 기반으로 매장 지점을 설명해야 합니다. 3. 1.2. 1 매장 요소 세계보건기구: 누가 이 사건에 참여했는지, 고유 식별 (장치/사용자 id) 은 익명 장치 id (IDFA \ IDFV \; 점을 묻을 때 이 매개 변수는 일반적으로 서비스에서 사용하는 고유 id 를 사용합니다. 매장점 설계 문서에서는 특별한 처리가 없으면 특별한 선언이 필요하지 않습니다. 시간: 이벤트가 발생한 실제 시간입니다. 이 시점은 가능한 정확하여 행동 경로 분석과 행동 정렬에 유리하다. 마치 신책처럼 밀리초까지 정확할 것이다. 회사에 이미 데이터 통계 SDK 가 있고 포함된 점을 사용하는 경우 지정할 필요가 없습니다. 위치: 이벤트가 발생한 위치입니다. Ip 주소를 통해 국가, 주, 도시를 확인할 수 있습니다. 만약 당신이 더 자세한 데이터를 기대한다면, 만약 당신이 집, 상업구 등에 살고 있다면. , 일치를 위해 추가 지리 정보 데이터베이스가 필요합니다. 위치 정보는 시간 정보와 마찬가지로 각 동작 이벤트에 대해 보고해야 하는 정보입니다. 기본적으로 statistics SDK 의 사전 설정 필드이며 특별한 설명이 필요하지 않습니다. HOW: 즉, 사용자가 어떤 식으로든 이 이벤트를 했고, 이벤트가 발생했을 때의 상태로 이해할 수 있습니다. 여기에는 액세스 채널, 점프하는 상위 페이지, 네트워크 상태 (wifi\4g\3g), 카메라 정보, 화면 정보 (길이 x 폭) 등 많은 것들이 포함되어 있습니다. 예를 들어 사용 중인 브라우저 /App, 버전, 운영 체제 유형, 운영 체제 버전, 액세스 채널 등이 있습니다. 특별한 지침이 없는 경우 "사전 설정 필드" 로 설정되는 경우가 많습니다. 뭐: 즉, 사용자가 무엇을 했는지, 사용자의 행동/운영 및 비즈니스 요구 사항을 결합한 데이터 세분성은 포함된 지점을 통해 가능한 한 동작을 상세히 설명해야 합니다. 이는 포함된 점 설계 문서에서 가장 중요한 부분입니다. 검색 (키워드 검색, 검색 유형), 시청 (시청 유형, 시청 시간/진행, 시청 대상 (비디오 id)), 구매 (제품명, 제품 유형, 구매 수량, 구매 금액, 지불 방법) 등이 있습니다. 3.2.2.2 매장 예 시작 및 재생 이벤트를 예로 들어 매장 지점을 설계합니다. 3. 1.3 매장 개발 매장은 코드 매장점, 시각화 매장점 및 전체 매장점을 형식적으로 지원합니다. 코드가 묻혔을 때 클라이언트 또는 서버측에 묻힐 수 있습니다. 통계 SDK, APPSDK, 웹 SDK, 애플릿 SDK, H5SDK 등. 시각화 매장지와 전체 매장점 뒤에는 통계 SDK 의' 특정 사건' 에 대한 자동 에스컬레이션이 있으며, 매장점 개발에 관한 지식점은 역사적 문장 에서 볼 수 있다. 통계 SDK 는 매설 지점 개발의 효율성을 높이는 도구이며 에스컬레이션이 필요한 매개변수만 기입하면 됩니다. 통계 SDK 의 형식은 대부분 이벤트 모델을 기반으로 하며, 보다 일반적인 이벤트 모델은 화장실 신 분석을 참조할 수 있습니다. 3. 1.4 매장 지점 테스트 검수 지점 테스트 검수는 논리와 데이터 모두에서 테스트와 검수를 수행하여 매점의 정확성, 순서 및 무결성을 보장해야 합니다. 정확성: 데이터 업로드 여부를 확인하고 위의 데이터 내용의 형식이 요구 사항 문서와 일치하는지 확인합니다. 순서: 데이터 에스컬레이션 순서가 정확하고 포함된 점 코드의 정확성을 간접적으로 검증합니다. 무결성: 데이터가 다른 소스 및 다른 장면에서 보고되는지 확인하기 위해 각 장면을 테스트해야 합니다. 매장 지점 플랫폼에는 일반적으로 목표 테스트 모듈이 있습니다. 예를 들어, 우먼은 테스트 장비를 등록한 후 매장점의 테스트 데이터를 보고, 매장점이 온라인 상태가 된 후 데이터가 비정상인지 더 자세히 관찰할 수 있습니다. 3.2 트래픽 데이터 처리 3.2. 1 데이터 품질 보증 데이터 처리 후 매설 포인트 데이터는 무결성, 정확성, 일관성 및 적시성을 보장해야 합니다. 무결성: 무결성이란 데이터 기록과 정보가 완전한지, 데이터 누락이 있는지, 데이터 품질의 가장 기본적인 보증입니다. 정확성: 데이터에 기록된 정보와 데이터가 정확한지, 비정상적이거나 잘못된 정보가 있는지 여부를 나타냅니다. 일관성: 여러 데이터 레코드의 데이터 일관성을 나타냅니다. 적시성: 데이터의 적시 출력을 보장해야만 데이터의 가치를 반영할 수 있습니다. 3.2.2 데이터 모델에는 데이터 처리를 통해 프로세스를 자세히 설명하지 않는 매설 데이터가 있습니다. 데이터가 표준화되면 일반적으로 이벤트 테이블이라는 세 개의 테이블로 존재합니다. 사용자 속성 시트 대상 객체 테이블 (세 개의 테이블은 테이블 사용을 위한 것일 뿐, 쿼리 효율성을 높이기 위한 것 등). 세 개의 테이블은 일반적으로 이벤트 프로세스에 따라 분할됩니다.) 이 세 테이블을 기반으로 하는 쿼리 모델은 일반 데이터 레벨의 다양한 분석 모델을 지원할 수 있으며 데이터가 너무 크면 쿼리 속도가 느려집니다. 쿼리 속도를 높이려면 쿼리를 저장해야 합니다 (예: 고주파 쿼리 결과 캐시, 데이터 가속 설정 등). 이벤트 테이블: 각 레코드는 사용자가 특정 시간, 장소, 어떤 방식으로 완료한 특정 이벤트를 설명합니다. 사용자 속성 시트: 주체는 사용자이며 각 사용자마다 하나의 레코드가 있습니다. 속성에는 사용자 속성 (플랫폼, 네트워크, 서비스 업체, 휴대폰 모델, 지역 등 자연 속성 포함) 이 포함됩니다. 사용자 수준, 큰 v 인지 여부 등 부자연스러운 속성도 포함되어 있습니다. ), 사용자 연결 이벤트 테이블을 통해 분석 할 수 있습니다. 대상 개체 테이블: 주체는 대상 개체이며, 일반적으로 짧은 비디오 APP 와 같은 비즈니스의 주요 전달자이며 대상 개체는 비디오 (id) 입니다. 대상 객체는 이벤트 테이블 분석과 연관될 수 있습니다. 3.3 트래픽 데이터의 응용 프로그램 3.3. 1 공통 트래픽 분석 3.3. 1 이벤트 분석 이벤트 분석 공통 표현식은 특정 동작 이벤트가 제품 가치에 미치는 영향과 영향 정도를 연구하고 해당 이벤트와 관련된 모든 요소를 연구하여 사용자 동작 이벤트 변화의 원인을 분석하는 데 사용됩니다. 일상 업무에서 운영, 시장, 제품, 데이터 분석가 등 다양한 역할을 하는 상과생들은 실제 업무 상황에 따라 각기 다른 사건과 사건에 해당하는 지표에 초점을 맞추는 경우가 많다. 예를 들어, 지난 주 베이징에서 동영상을 촬영한 사용자 수는 몇 명입니까? 이벤트 분석은 이벤트 테이블을 중심으로 수행됩니다. 사용자가 특정 시점, 장소, 어떤 방식으로 특정 이벤트를 완료했음을 설명합니다. 3.3. 1.2 깔때기 분석 퍼널 분석은 프로세스에 중점을 두고 있으며, 현대 마케팅 이념도 제어 과정이 결과를 통제한다고 생각한다. 깔때기 분석은 시작점에서 끝점으로의 사용자 변환을 반영하는 프로세스 분석입니다. 협의상의 단계는 사용자 단위로 연결되어 있으며, 다음 단계에 들어가는 사용자는 깔때기 예매 단계를 완료해야 합니다. 넓은 의미의 깔때기 분석은 깔때기 형식으로만 묘사됩니다. 즉, 액체가 큰 입에서 도입되어 작은 입에서 새어나옵니다. 예를 들어, 한 게임 제품의 사용자가 활성화에서 피부 구매까지: 앱 활성화, 계좌 등록, 게임 진입, 게임 플레이, 피부 구매. 깔때기 분석 애플리케이션: (1) 전체 모니터링 변환 프로세스: 비즈니스 프로세스의 상대적 사양, 긴 주기, 링크가 많은 프로세스 분석을 위해 문제를 시각적으로 파악할 수 있습니다. 다차원 세분화는 전환률이 낮은 문제를 발견했다. 여기는 광고의 클릭이기 때문에' 광고의 노출' 에 주목하고 있다. 깔때기 분석을 클릭하십시오. (2) 서로 다른 채널의 깔때기 과정을 비교함으로써 최적의 광고 채널을 찾을 수 있다. 아래 그림과 같이 바이두의 전체 전환률이 6 개 점 이상이라는 것을 알 수 있다. 물론 실제 시나리오에서는 더 많은 가치 측정 지표와 결합하여 양질의 채널을 선별해야 합니다. (3) 서로 다른 사용자 집단의 깔때기를 비교 분석하여 차이의 관점에서 최적화 지점을 찾습니다. 여기서는 새 사용자의 주요 동작 변환 프로세스를 예로 들어 깔때기 분석을 통해 사용자 집단의 차이를 발견한 다음 차이에 따라 보다 세밀하게 안내합니다. 주요 동작의 변환 깔때기는 다음과 같습니다. "app 시작->; 로그인-> 생방송으로-> 현장 상호 작용-> 선물' 은 다른 나라를 비교해 최근 두 차례 변신, 특히 생방송으로 중국과 전체의 차이가1%->; 생방송 상호 작용, 물론 차이 뒤에는 이런 차이를 더 잘 활용할 수 있는 통찰력을 가질 수 있다. 3.3. 1.3 보유 분석 보유 분석은 사용자 참여도를 분석하는 분석 모델로, 초기 행동을 하는 사용자 수를 조사함으로써 사용자에게 제품의 가치를 효과적으로 측정할 수 있습니다. 보존 분석을 통해 사용자의 수명 주기를 연장하고 각 사용자의 수명 주기 가치를 높입니다. 새 사용자의 경우 문명화되지 않은 사용자부터 활성 사용자, 사용자 안정화, 충성스러운 사용자까지 프로세스를 설명할 수 있습니다. 보유 분석: (1) 지난 주 신규 사용자 동일 기간 신규 버전을 파악하여 신규 사용자 보유를 개선하기 위한 것입니다. 온라인 전 동기조의 보유 성능을 비교한 결과 새 버전은 크게 향상되지 않았다. (2) 대상 사용자가 장기간 보유하고 있는 사용자를 찾는 것은 충성도가 높은 사용자이며, 반대로 사용자 속성 분석과 함께 어떤 사용자를 얻을 수 있는지, 자신의 보유가 더 좋다. (3) 사용자 관점에서 제품의 핵심 가치를 찾으십시오. 같은 그룹의 사용자가 어떤 행동을 취한 후에, 그들의 보유는 향상되었다. 사용자 점도를 측정할 때 보유 분석은 사용자 액세스 횟수 (일정 기간 동안) 와 함께 도구 및 콘텐츠 제품을 그대로 유지해야 합니다. 일반적으로 도구 기반 제품의 사용자 방문은 콘텐츠 기반 제품보다 적습니다. 3.3. 1.4 경로 분석 app 로그는 사용자의 사용 절차 및 사용 빈도를 기준으로' 명확한' 사용자의 기존 경로를 제공합니다. 경로의 지표를 통해 경로 문제를 발견하고 사용자가 제품의 핵심 가치를 최대한 짧게 경험할 수 있도록 합니다. 경로 분석은 다음과 같습니다. (1) 경로 분석에서 사용 경로가 제품/운영 설계, 특히 대형 제품을 초과하는 경우가 많습니다. 제품과 운영 모두 자신이 담당하는 모듈을 잘 알고 있으며, 다른 모듈과의 협력 과정은 모호하거나 불분명하다. 이 시점에서 첫 번째 반응은 "이것이 사용자의 실제 조작입니까? 어떻게 그럴 수가 있어, 내 제품에 대한 나의 현재 이해를 넘어선 거야. "이벤트 기반 순차 데이터 표시는 이 문제를 해결합니다. (2) 주요 경로에서 사용자 기반을 찾는 다차원 세분화: a->; 경로 b 의 사용자는 누구입니까? 그들은 적절한 시간에 제품을 어떻게 사용하는가, 어떤 네트워크 조건 하에서? (3) 또한 경로 분석을 사용하여 사용자의 흐름 방향, 동작 A 를 운영하는 사용자가 얼마나 손실되었는지, 다른 동작을 실행하는 사용자가 몇 명인지, 다른 동작의 비율은 어느 정도인지 표시할 수 있습니다. 3.3.2 보고서 스트림 데이터는 대부분 보고서로 표시됩니다. 주요 데이터를 명확하게 표시하고 데이터 스토리를 완벽하게 설명하려면 일반적으로 더 높은 간판 생산이 필요합니다. 교통 데이터에는 교통 데이터 간판 제작의 효율성을 높이는 데 도움이 되는 표준 데이터 구조가 있습니다. 즉, 공통 데이터 분석 모델의 차트를 침전시켜 신속하게 간판을 형성할 수 있습니다. 3.3.3 동작 레이블 동작 레이블 데이터는 사용자 초상화 및 사용자 그룹화의 기본 데이터이며, 흐름 데이터는 동작 레이블의 기본 데이터 소스입니다. 동작 태그는 처리 방식에 따라 다음과 같은 범주로 나뉩니다. 사실 레이블: 일반적으로 규칙 레이블이라고도 하며 잘못된 사용자-"APP 시작 후 핵심 기능이 사용되지 않음" 과 같은 사용자 동작 데이터 및 규칙을 기반으로 생성됩니다. 새 사용자-"7 일 이내에 추가"; 모델 레이블: 데이터 모델에서 얻은 레이블 (예: 전력 소비량 높음) 예측 탭: 모델 라벨과 마찬가지로 모델을 통해 얻을 수 있지만 예측 라벨이 미래에 대한 예측이라는 점이 다릅니다. 예를 들어 사용자를 잃을 수 있습니다.