百科 | 常用的几个数据使用方式

互联网需要进行数据观察的领域十分广泛,每个细分领域都有不同核心的绩效考核,我们需要根据核心目标拆分背后的影响因素,有针对性地提出数据需求,制定数据报表,通常数据的使用方式分为如下情况:

1. 常规数据报表

 

常规数据报表主要用于需要长期持续观察的核心数据。

 

  • 流量漏斗监控,可分为首页跳失率、商品详情页到达率、加车率、结算率、结算完成率等核心环节漏斗数据。
  • 用户渠道来源情况,如各渠道来源的用户数、新客数、订单占比、转化情况等。
  • 品类转化率波动,如各品类的流量、订单、SKU销售数量等。
  • 流量分发效率,如各频道栏目的CTR、商详页到达、转化、复访率等。
 
当常规监控的核心数据项发生超阈值波动或趋势性波动时,通常会触发专题分析,并根据分析结果采取相应对策,便于推动数据回到常规范围。
 

 

2. 专题分析

 
据分析通常按专题的主要影响因素确定数据项,拆分观察维度,抓取多维度数据,对某个专题目标进行分析,找到影响因素所在的数据维度,得出结论,指导后续动作。
 
3. AB测试
 
产品经理经常纠结于当上线了某一个功能或者频道后,目标数据出现了某种变化。但因为变化背后的影响因素实在太多,例如时间因素导致的差异、竞争对手的动作、季节性因素等等,核心数据的波动很容易被这些综合因素影响。
 
运营也常有类似的诉求,比如引导文案做了一些调整,数据出现了波动,但是很难确定究竟是多大程度为该特定运营动作的效果
 
上述情况下,最好的方法就是做AB测试。
 
(有关于AB测试的注意事项,我们之前也介绍过:百科 | 5个实际使用AB测试中的关键事项
 
 
取两个数据集,在数据集样本的选取中对各种影响因素做均匀的随机分布,如地域、用户群体特性,并对其中一个数据集实施特定产品功能或运营动作,在同一时段中,观测目标数据在两个测试集上的差异,从而精确判定待观测动作的准确效果
为了确保统计效果的准确性,需要有较大的样本量和统计时长。果某一个样本中存在少数对均值影响巨大的样本,例如一个金额巨大的订单,则需要排除,以减少偶然性带来的偏差

 

4. 个性化

 

这是个大数据的时代,差异巨大的用户群体面对海量的商品和选择,“千人一面”带来的糟糕体验已不再适用,每个用户在系统中都会留下自己的线索和足迹,体现自己在商品品类、价格段、品牌偏好等方面的阶段性需求
 
 
系统可以通过数据有效发现当前用户的当前需求,进行有效的推荐,而用户也会感受到系统知道我想要什么,产生良好的购物体验。
数据是千人千面的基础,通过机器学习和算法设计,让系统在各个模块中进行智能化推荐,自动组装匹配当前用户的场景,是数据使用的最重要方式之一。
上一篇
下一篇

相关推荐

Demo体验
联系我们
联系我们
信息填写完毕后,我们会在最短的时间内安排专员给您回电