빅 데이터 분석에서 흔히 볼 수 있는 빅 데이터 분석 모델은 무엇입니까

인터넷 플랫폼의 경우 상품과 서비스의 두 가지 주요 범주로 나눌 수 있습니다. 데이터 분석을 통해 제품 판매량을 높이려면 먼저 어떤 데이터를 분석해야 하는지 알아야 합니다.

분석이 필요한 데이터는 무엇입니까? 1, 운영 모듈 사용자의 소비 프로세스로 볼 때 배수, 전환, 소비, 존존존이라는 네 부분으로 나눌 수 있습니다. 트래픽 트래픽은 주로 배수 링크에 반영되며, 트래픽 구조에 따라 채널 구조, 비즈니스 구조 및 지역 구조 등으로 나눌 수 있습니다. 채널 구조는 각 채널의 트래픽 상태를 추적하고 채널 트래픽 비율을 통해 각 채널의 품질을 분석합니다. 업무 구조, 지정된 업무에 따라 활동의 흐름을 추적하고, 활동 전, 중, 후류의 변화를 관찰하여 활동 효과를 평가합니다.

전환율

전환율 = 예상 행위자 수/총 역할 수. 전환율을 높이는 것은 더 낮은 비용, 더 높은 이익, 가장 고전적인 분석 모델이 깔때기 모델이라는 것을 의미한다. 유실률과 유지율 은 각 채널이나 활동을 통해 사용자를 유입했지만, 시간이 지나면 사용자가 유실되고, 이 부분은 사용자가 유실되고, 남아 있는 사용자가 유보사용자다. 손실은 강성 유실, 체험 유실, 경쟁 유실로 나눌 수 있다. 유실은 불가피하지만 유실 분석에 따라 그에 상응하는 대책을 세워 사용자를 만류할 수 있다. 보유와 관련해 존존존존법 관찰, 존존속 단계, 캠페인, 시장 전략 포지셔닝 등을 보조할 수 있을 뿐만 아니라, 서로 다른 사용자, 제품의 기능 존속 상황을 비교하고, 제품 가치를 분석하고, 제때에 제품을 조정할 수 있다.

회수율

회수율은' 사용자 회수율' 과' 주문 회수율' 으로 나눌 수 있으며, 회수율 분석을 통해 사용자 점도를 더 자세히 분석하고, 회수율 문제를 찾아내고, 운영 전략을 수립하며, 동료는 수평 (상품, 사용자, 채널) 을 진행할 수 있다

2, 영업 모듈

영업 모듈에는 동환비, 완료율, 판매 순위, 중점 상품 비율, 플랫폼 비율 등 다양한 지표가 있습니다. 3, 상품 모듈 주요 지표 분석: 상품 가치 평가, 상품 전략 조정 지원 4, 사용자 모듈 사용자 초상화: 고유 속성, 행동 속성, 거래 속성, 취미 등을 기준으로 사용자에게 레이블과 가중치를 부여하고 사용자 초상화를 디자인하며 정확한 마케팅 참조 기준을 제공합니다. 필요에 따라 분석할 데이터 선택 분석 모델 1, 사용자 모델 사용자 모델은 마케팅 계획 또는 비즈니스 설계에서 대상 사용자를 묘사하는 방법으로, 플래너가 여러 사용자에 대한 전략을 분석하고 설정하는 데 사용할 수 있는 여러 가지 조합이 자주 있습니다. 기존 사용자 모델 구축 방법에는 인터뷰와 관찰을 기반으로 사용자 모델 구축 (엄격하지만 시간이 많이 소요됨), 임시 사용자 모델 (업계 전문가 또는 시장 조사 데이터를 기반으로 구축됨, 빠르지만 신뢰할 수 없음) 의 두 가지가 있습니다. 향상된 사용자 모델 구축 방법: 사용자 동작 데이터를 기반으로 한 사용자 모델 이점: 기존 방식을 단순화하고 데이터 분석의 문턱을 낮춥니다. 데이터 분석을보다 과학적이고 효율적이며 포괄적이며 비즈니스 성장에 직접 적용하고 운영 전략을 안내 할 수 있습니다.

방법:

1. 사용자에 대한 초기 인식 정리 및 수집

2. 사용자 그룹화

3. 사용자의 행동 데이터 분석

4. 목표 동기 추정

5. 사용자 실시간으로 자신의 데이터 변동을 주시하고, 제때에 전략적 조정을 하다. 2, 이벤트 모델 이벤트 모델은 사용자 행동 데이터 분석의 첫 번째 단계이자 분석의 핵심이며, 그 뒤의 데이터 구조, 수집 시기 및 이벤트 관리는 이벤트 모델의 세 가지 주요 요소입니다.

이벤트란 무엇입니까? 이벤트는 제품에 대한 사용자의 동작이며, 사용자 동작에 대한 전문적인 설명이며, 제품에 대한 모든 프로그램 피드백을 이벤트로 추상화하여 개발자가 매장점을 통해 수집할 수 있습니다. 예를 들어, 사용자가 페이지에서 버튼을 클릭하는 것은 이벤트입니다.

이벤트 수집

이벤트-속성-값 구조: 이벤트 (제품에 대한 사용자 동작), 속성 (이벤트를 설명하는 차원), 값 (속성 내용)

이벤트 수집 중 이벤트-속성 활용 유연성 수집 시기: 사용자 클릭, 웹 페이지 로드 완료, 서버 판단 반환 매장 지점 요구 사항 문서를 설계할 때 수집 시기에 대한 설명은 특히 중요하며 데이터 정확성을 보장하는 핵심이다. 예를 들어 전자상거래 판매 웹 페이지의 이벤트 수집 이벤트 분석 이벤트 분석에는 일반적으로 이벤트 트리거 수, 횟수, 1 인당 수, 활동비 4 차원 계산이 있습니다.

이벤트 관리

이벤트가 많을 때 이벤트를 그룹화하고 중요한 이벤트를 표시하여 범주별로 관리합니다. 또한 제품 비즈니스 관점에서 중요한 사용자 동작을 표시하여 분석 시 자주 사용되는 중요한 이벤트를 쉽고 빠르게 찾을 수 있습니다. 3, 퍼널 모델 퍼널 모델의 초기 기원은 기존 업계의 마케팅 캠페인에서 진화한 것으로, 프로세스 데이터 분석 방법입니다.

주 모형 프레임: 대상 프로세스의 시작 지점 (사용자 입력) 을 탐지하여 대상 작업을 완료합니다. 이 중 경험한 노드당 사용자 수와 보유량을 통해 각 노드의 좋고 나쁨을 평가하여 최적화가 가장 필요한 노드를 찾을 수 있습니다. 깔때기 모델은 사용자 동작 상태 및 시작점에서 끝점까지 각 단계의 사용자 전환율에 대한 중요한 분석 모델입니다. 4, 열도분석-사용자 행동 열도를 그리는 것은 사용자가 제품 인터페이스와 상호 작용하는 것을 기록하는 가장 직관적인 도구입니다. 히트 맵 분석은 사용자의 마우스 동작을 기록하고 직관적인 효과로 렌더링하여 사용자가 웹 사이트 레이아웃을 최적화하는 데 도움이 됩니다. 웹이든 앱이든, 열도분석은 매우 중요한 모델이다. 실제 사용 과정에서 여러 열 차트를 비교하는 여러 가지 방법을 사용하여 여러 열 차트를 비교 분석하고 문제를 해결하는 경우가 많습니다. 다양한 열 그래프의 비교 분석, 특히 히트 맵 클릭 (터치 히트 맵), 히트 맵 읽기, 정지 스크린 히트 맵의 비교 분석 다른 채널, 신규 및 기존 사용자, 다른 기간, AB 테스트의 히트 맵 분석과 같은 군중의 히트 맵 비교 분석을 세분화합니다. 깊이가 다르면 반영된 열도도 다릅니다. 예를 들어 히트 맵과 변환 히트 맵의 비교 분석을 클릭합니다. 5, 맞춤형 보유 분석 유지율에 대한 개념은 앞부분에서 이미 설명했습니다. 제품의 경우 유지율이 높을수록 제품의 활성 사용자가 많을수록 충실한 사용자로 전환되는 비율이 커질수록 제품 실현 능력 향상에 도움이 됩니다.

맞춤형 보유: 자신의 업무 시나리오에 따른 사용자 보유, 즉 보유 동작을 사용자 정의합니다. 초기 및 재방문 동작을 설정하여 보존 동작을 사용자 정의할 수 있습니다. 예를 들어: 권을 빼앗은 사용자가 할로 * * * 자전거를 이용하는 5 일 보유율 초기 행위: 권권 재방문 행위: 할로 * * * 자전거 이용권 6, 점성 분석 ; 점도 분석은 제갈io 의 특징적인 기능 중 하나로 제품의 전체 점도, 기능 점도, 점도 추세 및 사용자 기반 비교를 포함합니다. /advanced/stickiness.html

7, 전체 동작 경로 분석 전체를 참조할 수 있습니다. App 또는 웹 사이트의 각 모듈에 대한 사용자 흐름 규칙 및 특성을 분석하고 사용자의 액세스 또는 탐색 패턴을 마이닝하여 App 핵심 모듈의 도착 속도 향상, 특정 사용자 커뮤니티의 메인스트림 경로 추출 및 탐색 기능 특성화, App 제품 설계 최적화 등의 특정 비즈니스 용도를 달성합니다.

시각화 과정에서 일반적으로 사용되는 전체 동작 경로 모델은 두 가지가 있습니다.

트리: 사용자의 동작 경로를 트리 구조로 표시

태양: 사용자의 동작 경로를 원형 차트로 표시

위 그림에서 각 링은 사용자의 한 단계를 나타내고 색상은 다른 동작을 나타내며 동일한 링 색상 비율은 같습니다 8, 사용자 그룹 모델 사용자 그룹, 즉 사용자 정보 태그 지정, 사용자의 과거 동작 경로, 동작 특성, 선호도 등의 속성을 통해 동일한 속성을 가진 사용자를 하나의 그룹으로 나누고 후속 분석을 수행합니다. 사용자 행동 데이터를 기반으로 한 그룹 모델: 행동 데이터 자체로 돌아가면 사용자에 대한 통찰력이 더욱 세밀하고 소급할 수 있으며, 기록 행동 기록으로 원하는 군중을 더 빨리 찾을 수 있습니다.

네 명의 사용자 그룹 차원:

사용자 속성: 연령, 성별, 시, 브라우저 버전, 시스템 버전, 운영 버전, 채널 소스 등 활성: 활성 시간을 설정하여 지정된 기간 동안 활성 사용자를 찾습니다. 완료/완료 안 함: 사용자가 어떤 행동을 하는지 여부를 통해 사용자가 제품과 상호 작용하는 "친밀도" 를 분석합니다. 신규 위치: 기간을 설정하여 신규 사용자의 시간 범위를 정확하게 필터링합니다. 제품 판매량을 늘리는 방법은 포괄적인 문제이며, 다양한 모델과 함께 데이터 분석을 수행해야 합니다. 이 내용은 일부 지식을 요약한 것으로, 도움이 되기를 바랍니다.