첫째, 공식 해체
공식 분해법이란 하나의 지표의 영향 요인을 공식으로 층별로 분해하는 것이다.
예를 들어 어떤 제품의 판매량이 낮은 원인을 분석하고 공식법으로 분해한다.
둘째, 비교 분석
대비법은 두 개 이상의 데이터 세트를 비교하는 가장 일반적인 방법입니다.
우리는 고립된 데이터가 무의미하다는 것을 알고 있으며, 대비만이 차이를 만들 수 있다. 예를 들어 전년 대비 환비 대비, 성장, 정기비, 경쟁 업체와의 비교, 범주 간 비교, 특징 및 속성 비교 등이 있습니다. 대비법은 데이터 변화의 법칙을 발견할 수 있으며, 사용 빈도가 높고, 종종 다른 방법과 함께 사용된다.
아래 그림에서 AB 의 매출을 비교해 보면 A 사의 매출이 전반적으로 증가해 B 회사보다 높지만 B 사의 성장률은 빠르고 A 회사보다 높았으며, 후기 성장률이 낮아져도 최종 매출은 따라잡았다.
셋. A/b 테스트
A/Btest 는 웹 또는 App 인터페이스 또는 프로세스의 두 개 이상의 버전을 말하며, 같은 시간에 비슷한 방문자 커뮤니티에 의해 액세스되고, 각 그룹에 대한 사용자 경험 데이터와 비즈니스 데이터를 수집하고, 최종 분석을 통해 최적의 버전이 공식적으로 채택되었음을 평가합니다. A/b 테스트 프로세스는 다음과 같습니다.
(1) 상태 분석 및 가정 설정: 비즈니스 데이터 분석, 현재 가장 중요한 개선 사항 파악, 최적화 개선 가정 제시, 최적화 권장 사항 제시 예를 들어, 사용자 전환율이 높지 않다는 것을 알게 되었습니다. 우리는 보급된 착지페이지의 전환률이 너무 낮다고 가정하고, 방법을 강구하여 높여야 한다.
(2) 목표 설정, 계획 수립: 주요 목표 설정, 각 최적화 버전의 장단점 측정 보조 목표를 설정하고 최적화된 버전이 다른 측면에 미치는 영향을 평가합니다.
(3) 설계 개발: 두 개 이상의 최적화된 버전의 설계 원형을 만들고 기술 구현을 완료합니다.
(4) 트래픽 할당: 각 온라인 테스트 버전의 할당 비율을 결정합니다. 초기 단계에서 최적화 시나리오의 흐름 설정은 매우 작을 수 있으며 상황에 따라 점진적으로 트래픽을 늘릴 수 있습니다.
(5) 데이터 수집 및 분석: 실험 데이터 수집, 유효성 및 효과 판단: 통계 중요도가 95% 이상인 경우 일정 기간 동안 유지되면 실험을 종료할 수 있습니다. 95% 미만이면 테스트 시간을 연장해야 할 수 있습니다. 통계적 중요도가 장기적으로 95% 또는 90% 에 미치지 못한다면 실험을 중지할지 여부를 결정해야 한다.
(6) 마지막으로 테스트 결과에 따라 새 버전 출시, 션트 비율 조정, 테스트 효과가 미달될 경우 반복 시나리오 최적화, 온라인 테스트 재개를 계속합니다.
순서도는 다음과 같습니다.
넷째, 사분면 분석
두 개 이상의 차원 분할을 통해 예상 값을 좌표로 표현합니다. 가치에서 전략으로 직접 전환하여 일부 착지 보급을 진행하다. 사분면법은 제품 분석, 시장 분석, 고객 관리, 상품 관리 등과 자주 연결되는 전략적 사고입니다. 예를 들어, 다음 그림은 광고 클릭의 4 사분면 분포를 보여 줍니다. 왼쪽에서 오른쪽으로 X 축은 낮음에서 높음까지, 아래에서 위로 Y 축은 낮음에서 높음을 나타냅니다.
조회수가 높고 전환율이 높은 광고는 군중이 상대적으로 정확하고 효율적인 광고임을 보여준다. 조회수가 높은 전환율이 낮은 광고는 대부분 들어오는 사람들이 광고에 끌린다는 것을 보여주며, 전환율이 낮으면 광고 내용이 겨냥한 사람과 제품의 실제 관객이 다소 맞지 않는다는 것을 보여준다. 낮은 클릭의 광고를 고전환함으로써 광고 콘텐츠의 대상 청중이 제품의 실제 청중과 잘 맞는다는 것을 알 수 있지만, 광고 콘텐츠를 최적화해야 더 많은 사람들이 클릭하도록 유도할 수 있다. 조회수가 낮고 전환율이 낮은 광고는 포기할 수 있다. 또한 고객을 3 차원 (Neogene, frequency, currency) 에 따라 8 개의 사분면으로 나누는 고전적인 RFM 모델도 있습니다.
사분면법의 장점:
(1) 문제의 원인을 파악합니다 * * *.
사분점 분석을 통해 같은 특징을 가진 이벤트에 대한 귀인 분석을 수행하여 * * * * 의 원인을 요약합니다. 예를 들어, 위의 광고 사례에서 첫 번째 사분면의 이벤트는 효과적인 홍보 채널과 전략을 추출할 수 있고, 세 번째와 네 번째 사분면은 일부 유효하지 않은 프로모션 채널을 제외할 수 있습니다.
(2) 그룹 최적화 전략 수립
제공 사분면 분석은 서로 다른 사분면에 대한 최적화 전략을 설정할 수 있습니다. 예를 들어 RFM 고객 관리 모델에서는 쿼드런트에 따라 고객을 중점 개발 고객, 중점 보존 고객, 일반 개발 고객, 일반 예약 고객 등 여러 유형으로 나눕니다. VIP 서비스, 맞춤형 서비스, 상향 판매 등 고객의 발전에 더 많은 리소스를 제공합니다. 더 높은 가치의 제품을 잠재 고객에게 팔거나, 일부 우대 조치를 취하여 그들을 끌어들이다.
동사 (verb 의 약어) 파레토 분석
파레토의 법칙은 고전적인 이팔법칙에서 유래했다. 예를 들어, 개인의 부의 경우, 세계 인구의 20% 가 80% 의 부를 장악하고 있다고 할 수 있다. 데이터 분석에서는 20% 의 데이터가 80% 의 효과를 발생시킨다는 것을 알 수 있으며, 이 20% 의 데이터를 중심으로 발굴해야 한다. 28 법칙을 사용할 때는 종종 순위와 관련이 있으며, 상위 20% 는 유효한 데이터로 간주됩니다. "28" 방법은 분석에 중점을 두고 있으며 모든 산업에 적용됩니다. 초점을 찾고, 특성을 찾은 다음, 나머지 80% 를 20% 로 변환하여 효과를 높이는 방법에 대해 생각해 보십시오.
일반적으로 제품 분류에 사용되어 ABC 를 측정하고 모델링합니다. 예를 들어 소매업체에 500 개의 SKU 와 해당 SKU 의 매출이 있다면 어떤 SKU 가 더 중요할까요? 이것이 바로 기업 경영에서 경중완급을 가리는 문제이다.
일반적인 관행은 제품 SKU 를 차원으로, 해당 판매를 기준으로 이러한 판매 지표를 큰 것부터 작은 것까지 배열하여 현재 제품 SKU 의 누적 총 판매를 총 매출에 대한 퍼센트로 계산하는 것입니다.
백분율이 70% (포함) 이내인 경우 클래스 a .. 백분율이 70~90% (포함) 이내인 경우 클래스 b 로, 백분율이 90~ 100% (포함) 이내인 경우
ABC 분석 모델은 제품과 판매뿐만 아니라 고객과 고객 거래도 나누는 데 사용할 수 있습니다. 예를 들어, 기업에 80% 의 이윤을 기여한 고객은 어떤 사람들이며, 비율은 얼마입니까? 20% 가 있다고 가정하면, 자원이 제한된 상황에서 우리는 이 20% 의 고객을 중점적으로 유지해야 한다는 것을 알고 있습니다.
여섯째, 깔때기 분석
깔때기 방법은 깔때기 다이어그램으로 거꾸로 된 피라미드와 비슷합니다. 새로운 사용자 개발, 쇼핑 전환율 등의 변화와 일부 프로세스의 분석에 자주 사용되는 능률적인 사고 방식입니다.
위 그림은 사용자 획득에서 최종 구매로의 전환에 이르는 전 과정의 하위 부분을 시각적으로 보여주는 고전적인 마케팅 깔때기입니다. 인접한 체인 전환율은 데이터 지표로 각 단계를 수량화하는 것을 말합니다. 따라서 전체 깔때기 모델은 전체 구매 프로세스를 단계로 나눈 다음 전환율로 각 단계의 성과를 측정하고, 마지막으로 비정상적인 데이터 지표를 통해 문제가 있는 부분을 찾아 문제를 해결하고, 단계를 최적화하고, 결국 전체 구매 전환율을 높이는 목적을 달성하는 것입니다.
전체 깔때기 모델의 핵심 사상은 사실 분해와 수량화로 분류할 수 있다. 예를 들어, 전자 상거래의 변화를 분석하기 위해 우리가해야 할 일은 각 계층의 사용자 변환을 모니터링하고 각 계층의 최적화 가능한 지점을 찾는 것입니다. 프로세스를 따르지 않는 사용자의 경우 변환 모델을 전문적으로 그려 경로를 단축하고 사용자 경험을 향상시킵니다.
또한 고전적인 해커 성장 모델인 AARRR 모델은 획득, 활성화, 이익 보유, 이익 및 추천, 즉 사용자 획득, 사용자 활성화, 사용자 보존, 사용자 이익 및 사용자 전파를 의미합니다. 이것은 제품 운영에서 흔히 볼 수 있는 모델이다. 제품 자체의 특성과 제품의 수명 주기 위치를 결합하고, 다양한 데이터 지표에 초점을 맞추고, 결국 서로 다른 운영 전략을 수립합니다.
아래의 AARRR 모델 다이어그램에서 볼 수 있듯이 전체 사용자의 수명 주기는 점차 감소하고 있습니다. 전체 사용자 수명 주기의 모든 측면을 분해하고 수량화하여 가로 및 세로 방향의 데이터 비교를 수행함으로써 문제를 찾아내고 지속적인 최적화 반복을 수행합니다.
일곱째, 경로 분석
사용자 경로 분석은 시작 이벤트부터 종료 이벤트까지의 사용자 행동 경로, 즉 사용자 흐름을 모니터링하여 웹 사이트 최적화 또는 마케팅 효과를 측정하고 사용자의 행동 선호도를 파악하는 데 사용할 수 있습니다. 궁극적인 목표는 비즈니스 목표를 달성하고, 사용자에게 제품의 최적 경로를 보다 효율적으로 완성하도록 유도하고, 궁극적으로 사용자에게 비용을 지불하도록 유도하는 것입니다. 사용자 동작 경로 분석은 어떻게 수행합니까?
(1) 사용자가 웹 사이트 또는 app 를 사용할 때 각 첫 번째 단계를 계산한 다음 각 단계의 흐름 방향과 변환을 차례로 계산하여 app 를 여는 것부터 사용자를 떠나는 것까지의 전체 프로세스를 사실적으로 재현합니다.
(2) 사용자가 제품을 사용할 때의 경로 분포를 봅니다. 예를 들어, 전자 상거래 제품의 첫 페이지를 방문한 후, 얼마나 많은 사용자가 검색을 했는지, 얼마나 많은 사용자가 분류 페이지를 방문했는지, 얼마나 많은 사용자가 제품 상세 페이지를 직접 액세스했는지 등을 알 수 있습니다.
(3) 분석 경로 최적화. 예를 들어, 사용자가 가장 많이 방문하는 경로는 무엇입니까? 어느 단계까지 가면 사용자가 가장 쉽게 빠져나갈 수 있다.
(4) 경로를 통해 사용자 행동 특성을 식별합니다. 예를 들어, 사용자가 목표 지향적인지 목적 없는 탐색인지 분석합니다.
(5) 사용자를 세분화합니다. 사용자는 일반적으로 APP 사용 목적에 따라 분류됩니다. 예를 들어 자동차 APP 사용자는 관심, 의도 및 구매형 사용자로 세분화되어 각 유형의 사용자에 대해 서로 다른 액세스 작업에 대한 경로 분석을 수행할 수 있습니다. 예를 들어, 의도 지향 사용자의 경우, 그는 다른 차종을 비교할 때 어떤 경로를 가지고 있으며, 어떤 문제가 있습니까? 또 다른 방법은 알고리즘을 사용하여 사용자의 모든 액세스 경로를 기반으로 클러스터 분석을 수행하고 액세스 경로의 유사성에 따라 사용자를 분류한 다음 각 유형의 사용자를 분석하는 것입니다.
전자 상거래를 예로 들다. 로그인 사이트 //APP 에서 지불에 이르기까지 구매자는 홈페이지 찾아보기, 상품 검색, 장바구니 가입, 주문 제출, 주문 지불 등의 절차를 거칩니다. 그러나, 사용자의 진정한 쇼핑 과정은 반복되는 과정이다. 예를 들어 주문을 제출한 후 사용자는 홈페이지로 돌아가 상품 검색을 계속하거나 주문을 취소할 수 있습니다. 각 도로 뒤에는 서로 다른 동기가 있다. 다른 해석 모델을 사용하여 심층적으로 분석한 후 빠른 사용자 동기를 찾아 최적의 경로 또는 원하는 경로로 사용자를 안내할 수 있습니다.
사용자 행동 경로 맵의 예:
여덟, 보존 분석
사용자 보유란 신규 회원/사용자가 일정 기간 후에도 여전히 액세스, 로그인, 사용 또는 변환과 같은 속성과 행동을 가지고 있으며, 이때 신규 사용자에 대한 보유 사용자의 비율은 보유율입니다. 보유율은 서로 다른 주기에 따라 세 가지 범주로 나뉘며, 로그인 행위로 식별된 보유를 예로 들 수 있습니다.
첫 번째 일일 예약은 다음 범주로 나눌 수 있습니다.
(1) 다음 날 보유율: (당일 신규 사용자 중 다음 날 로그인한 사용자 수)/첫날 신규 사용자 수.
(2) 셋째 날 보유율: (첫날 늘어난 사용자 중 셋째 날 로그인한 사용자도 있음)/첫날 늘어난 총 사용자 수.
(3) 근무일 7 유지율: (첫날 늘어난 사용자 중 근무일 7 에 로그인한 사용자도 있음)/첫날에 늘어난 총 사용자 수.
(4) 14 일 유지율: (첫날 신규 사용자 중 14 일 로그인한 사용자도 있음)/첫날 신규 사용자 수.
(5) 근무일 30 유지율: (첫날 늘어난 사용자 중 30 일에 로그인한 사용자도 있음)/첫날에 늘어난 총 사용자 수.
두 번째 주 보유, 주 보유 비율은 첫 주에 비해 매주 로그인하는 신규 사용자 수를 나타냅니다.
세 번째 월간 보유, 즉 월간 보유율은 매월 첫 주와 비교하여 여전히 로그인한 사용자 수입니다. 보유율 신규 사용자에 대한 결과는 매트릭스 반면 보고서 (데이터의 절반만 있음) 입니다. 각 데이터 로그 행은 날짜이고, 열은 서로 다른 기간의 보존율입니다. 일반적으로 유지율은 시간이 지날수록 점차 낮아진다. 다음 월별 사용자 보유 곡선은 월별 보유를 예로 들어 생성됩니다.
아홉, 클러스터 분석
클러스터 분석은 탐색 가능한 데이터 분석 방법입니다. 일반적으로 클러스터 분석을 사용하여 정렬되지 않은 것처럼 보이는 객체를 그룹화하고 분류하여 연구 대상을 더 잘 이해할 수 있도록 합니다. 클러스터 결과를 사용하려면 그룹 내의 오브젝트 간에 높은 유사성이 필요하고 그룹 내의 오브젝트 간에는 낮은 유사성이 필요합니다. 사용자 연구에서 클러스터 분석은 웹 사이트의 정보 분류, 웹 클릭 동작의 관련성, 사용자의 분류 등 많은 문제를 해결할 수 있습니다. 이 중 사용자 분류가 가장 일반적인 경우입니다.
일반적인 클러스터 방법에는 K-Means, 스펙트럼 클러스터 및 계층 클러스터링과 같은 여러 가지가 있습니다. 다음 그림과 같이 가장 일반적인 k 평균을 예로 들어 보겠습니다.
데이터는 빨강, 파랑, 녹색의 세 가지 다른 클러스터로 나눌 수 있으며 각 클러스터마다 고유한 속성이 있어야 합니다. 분명히 클러스터 분석은 감독되지 않은 학습이며 레이블이 없는 분류 모델입니다. 데이터를 클러스터링하고 클러스터링하면 일반적으로 각 클러스터를 개별적으로 분석하여 보다 자세한 결과를 얻을 수 있습니다.
더 많은 데이터 분석과 학습 정보 자료를 받으시니 운해동명 위챗 공식 계정에 주목해 주시기 바랍니다 ~