海淘科技小編給大家分析一個淘寶SEO的數據分析，無論你做什么樣的優化，最終的目的是達到一個成交，如何達到成交，我們要對自己的優化或者其他事項進行數據的分析，得到更多的客戶。
數據分析是指用適當的統計方法對收集來的數據進行分析，以求最大化的發揮數據的價值。數據如同金錢一樣，本身并沒有太多的價值，而正是由于使用分析方法的存在，利用分析方法來得出一定的結論與發現問題，從而挖掘其巨大的價值。
很多時候，VC投資需要看數據，做投資決策;公司產品/運營需要做迭代的依據… 數據需求的可能會來自多個方面，總體而言，數據分析的原因主要有以下四種：
1.驅動產品迭代： 用戶使用產品的真實軌跡是怎樣的?為什么他們會這么做，有沒有更簡便的流程，以幫助我們作出優化決策?也可以分析產品過往的數據，來洞悉問題，驅動有目標的產品迭代。
2.深度需求分析 對用戶所處馬斯諾幾個層面的需求，用數據來支撐;對交互需求，用數據佐證;對公司層面的需求，通過數據驗證合理性。
3.驅動運營決策： 產品新功能上線后效果怎么樣?新功能的用戶活躍度、用戶留存率的變化?A方案和B方案哪個更好?諸如此類的問題，評判一個問題的好壞，比較可靠的恐怕就是數據了。感性的定義很多時候往往會產生大量的不必要的爭執。
4.決策商業機會： 針對商業機會的評估，必要的需求調研及市場調研顯得尤為關鍵。一個新市場是否值得介入?一個新項目是否值得投資?是否可以收購某公司等等?
viri.png
1、數據采集：
原則1：全量而非抽樣
采集多種數據來源，前端與后端、業務數據庫的全面采集。前端有網頁端與APP客戶端等，后端采集用來補充前端行為事件所無法采集到的數據。
原則2：多維細分
針對客戶行為事件實現5W1H的全面細化，將行為中的什么人、什么時候、從哪里、什么原因、什么事情、如何做的行為軌跡全面記錄下來，并進行細化，人(who)可以從注冊賬號、性別、年齡、個人成長階段等細分;時間(when)可以從起始時間、結束時間等細分;從哪里(where)可以從IP、位置信息、運營商、OS、機型、IMEI、網絡接入方式(2G/3G/4G/WIFI)等細分;原因(why)可以從愛好、需求層級等細分;事情(what)可以從主題、步驟等細分。行為事件與維度的結合，就能得出需要的指標，比如用戶在什么地域下的訂單……
目前數據采集(埋點)方式主要有三種：
第一種：使用第三方統計分析標準SDK接入到應用中
第二種：使用無埋點方式
第三種：自己開發，精細化運營與產品決策
2、數據建模：
搭建數據指標模型大致要考慮以下三大要素：
a.打通行為數據與業務數據; b.回歸關鍵數據指標 c.多維度考慮數據可行性
第一關鍵指標方法
找出第一關鍵重要指標，然后衍生于子指標，比如：電商銷售額 如果你想提升銷售額，要么提升買家數，要么提升客單價。 銷售額=買家數x客單價 銷售額=流量x轉化率x客單價 在到達商品詳情頁中，這個還可以衍生為： 銷售量=商詳uv x 下單率 x 付款率x客單價 銷售量= 活動展現 x 活動轉化率x 下單率x付款率x客單價
各階段指標側重：
各階段.png
MVP階段(驗證)：驗證可行性與以用戶留存率為目標，定性分析，這個階段本身并沒有多少數據可言(數據型產品)除外。
增長階段(跨越鴻溝)：大多數公司都沒能到這個階段，增長階段的數據分析需要適當的去對應相應的數據產品分析師，或者使用更深度的數據工具來做相應的決策。可以分為兩個層面 1.留存階段，主要以留存率為指標(次日留存、7日留存、15日留存、30日留存率等); 2.引薦階段，主要考慮病毒系數與病毒周期：平均一個用戶能帶來多少個新用戶。所以當病毒系數大于1時，信息將會不斷擴散，而總傳播人數是發散的。相反，當病毒系數小于1時，總傳播人數是收斂的，以及NPS(凈推薦值)。
平臺期(激活轉化)：有專門的數據分析師、工程師，團隊對數據分析更加深入。主要關注的是平臺用戶的活躍度、轉化率，使得度過平臺期迎來下一個增長期。
變現期:營收成本、用戶激活召回、LTV、CAC、渠道分析等指標
3、數據分析： 分析方法：有效的數據分析方法能夠深度挖掘數據的價值，常見的數據分析法與模型有用戶分群、A/B測試、多維事件分析、漏斗分析、AARRR分析等等
這里主要以漏斗分析法、AARRR分析模型、A/B測試、多維事件分析為例展開：
● 漏斗分析法
分析從潛在用戶到最終轉化用戶這個過程中用戶數量的變化趨勢，從而尋找到最佳的優化空間，這個方法被普遍用于產品運營的各個關鍵流程分析中。
何為用戶轉化漏斗，就是你的業務是如何一步步將一個用戶轉化過來。比如：
活動：活動展示—>點擊詳情—>轉化 約妹子：搭訕—>約會—>牽手->……
經過的每個階段，都可以拆為好幾個子階段。而每一個階段都會有用戶流失、用戶留存下來。對漏斗的每一個環節準確地記錄數據，以便分析和優化各個環節的轉化率，是數據化運營的基礎設施。
比如一個電商的活動頁，它的漏斗模型應該是這樣的：
下單率.png
從瀏覽活動頁面到詳情頁的轉化率是50%，在詳情頁下單的下單率是10%，最終下單到付款的轉化率是40%。
有這么個漏斗，我們就可以分析每個環節代表了什么，該如何去改善：
活動頁—>詳情頁uv：頁面上的內容是否醒目，商品是否是用戶喜歡的，需根據頁面點擊情況及時替換點擊效果差的商品。 詳情頁uv—>下單人數：詳情頁是否吸引人，頁面加載速度是否有影響，是否需要將商品重新排序。 下單人數—>付款人數：是否支付引導差，支付工具是否有故障，是否低于業內平均指標。
另外，在同一個系統內部，也需要做轉化率進行對比，比如本月與上月，本周與上周，增加了還是減少了，這樣才能得出更為準確的結論與發現問題。
● AARRR模型
AARRR(Acquisition、Activation、Retention、Revenue、Refer)是硅谷的一個風險投資人戴維 · 麥克魯爾在2008年時創建的，分別是指獲取、激活、留存、收入和推薦。
AARRR.png
以下例子中渠道A與渠道B哪一個更優?
比如游戲AARRR各階段指標 1.A(How do users find us?) DNU(日新注冊且登陸用戶數)、推廣渠道監測(成本、流量) 2.A(Do users have a great first experience?) DAU(每日登陸過游戲用戶數)、日均使用時長、道具關聯分析模型 3.R(Do users come back?) 留存率(次日留存、7日留存、21日留存、30留存)、流失率、流失預警分析模型 4.R(How do you make money?) PR(付費率)、 ARPU(平均每用戶收入)、ARPPU(平均每付費用戶收入))、LTV(生命周期價值) 5.R(Do users tell others?) K-factor、NPS等
● A/B測試
A/B測試就是通過數據支撐，不同渠道、不同人群、最終選定方案。
A/B測試需要有一定的數據支撐，建立準確性與效率高的框架，比如針對不同渠道、用戶分群發布、灰度發布等來得出合適方案,這里不加以展開.
AB測.png
● 多維事件分析法
多維事件分析，從多個角度細分數據，從中發現數據變化的具體原因。行為事件與維度的結合可以得到數據指標，比如在電商應用中： 行為事件(1H)：搜索商品、點擊商品詳情、提交訂單、支付訂單、售后服務等等都是一系列事件 維度(5W)：人(who)可以從姓名、性別、年齡;時間(when)可以從停留時間、下單事件、付款事件、到貨時間等細分;從哪里(where)可以從IP、城市、運營商、OS、機型、IMEI、網絡接入方式(2G/3G/4G/WIFI)等細分;原因(why)可原因(why)可以從愛好、需求層級等細分;事情(what)可以從主題、步驟等細分。 兩者結合就可以得出多維度指標，比如用戶在哪個區域下訂單，從什么渠道過來的，過去一段事件支付訂單款項多少等等……
數據雖然不可或缺，但也不是萬能的，比如在產品創新方向上很難獲得驅動，在長期的用戶反饋上很難獲得數據的足夠判斷，那么真正能驅動一款產品的用戶快速增長，靠的都是什么方法呢?
驗證.png
– 做真正有意義的產品
市場上很大一部分產品都是意義不大的，尤其在這個存量過于飽和的市場下，要獲得用戶的快速增長，還是應該回到產品的核心上來，創造真正有價值的東西，輔以數據驅動，這樣的結合可能能獲得更大的增長。
– 塑造品牌價值 對核心用戶尤其要重點塑造品牌觀念，在傳統行業中，眾多企業做品牌的重視度高于互聯網行業的企業，而在互聯網確是常常不被重視的，與本身的燥熱有很大關系，也許我們可以看看健身應用Keep的slogan與品牌塑造案例里面學習到更多的東西。
– 利用增長黑客技術 在《增長黑客》這本書里面，談到了很多增長黑客技術增長的案例，如何低成本的獲得用戶增長等等。
8款國內數據分析工具
國內的數據分析工具大多由小部分免費功能+高級的收費功能服務相結合。
1、友盟
2、Growing IO
3、神策數據分析
4、TalkingData
5、 諸葛iO
6、 百度移動統計
7、 ASO100
8、 蟬大師
8款國外數據分析工具
1、Google Analytics 2、Flurry Analytics (免費)-更好的了解用戶群體 3、Crashlytics-Crash分析工具 4、亞馬遜移動分析 (免費) 5、Tap stream (免費)-生命周期的分析 6、Followapps – App精細化分析平臺 7、App Annie 8、Claritics – App BI數據分析
以上就是上海網站建設公司——海淘科技小編為大家分享的《淘寶SEO |數據分析方法》。找網站優化服務，可直接在線聯系海淘科技客服。
