大合集!互联网行业常用数据分析指标

共 2418字,需浏览 5分钟

 ·

2021-08-15 18:22

说在前面


大家好,我是爱学习的xiong熊妹


上一篇讲到,数据分析的8大步骤里,找指标是非常重要的一步。通过这一步,把一个具体业务描述,转化为一个可以通过数据量化分析的问题。


理论上,分析指标要根据具体业务场景来设计。但这样操作起来太复杂,很多小伙伴会问:有没有常用的指标,能直接拿来套用?今天就跟大家盘点下,互联网行业的常用指标。


用户行为类指标

用户行为指标是互联网行业和传统行业最大区别。传统行业,用户行为发生在门店里,极难用数字化手段记录,因此只有在发生交易时,才能记录数据


传统企业的大部分数据都是交易数据。而互联网行业依托小程序/H5/APP,能记录用户在每个页面的点击,相当于在网上店铺的每一步动作都有记录,因此能分析很多东西。


具体到指标上,可以套用AARRR模型,分模块展开:


拉新:主要用于分析拉新的转化效率与质量。拉新是很多互联网公司最重要的任务,拉新成本是很多互联网公司最大的成本支出,因此拉新关注度极高。



用户活跃类指标:用户活跃类指标是日常关注的重点。活跃用户是一切业务的基础,且活跃行为是可以每日记录的,因此运营/产品部门日常都盯得很紧。



用户留存类指标:留存指标一般和拉新/活跃指标结合起来看。由于留存统计相对滞后(要等XX天才能统计),因此一般是月度复盘/事后分析的时候看的多。



用户转化类指标:用户转化一般指付费行为,这是互联网商业模式变现的重要渠道。看的指标主要围绕有多少人买,买了多少,是否连续购买等展开。这里和传统企业的会员消费分析很像,能衍生出很多子指标。



用户转介绍类指标:用户转介绍行为类型很多,转发内容/转发商品/介绍新用户加入等,都是转介绍行为。因此转介绍行为的定义常常会结合具体的转介绍形态而变化。很少有统一的指标。如果一定要概括的话,可以概括为:


  • 有转介绍行为人数:发生转发内容/转发商品/介绍新用户的用户人数
  • 转介绍行为带来的效果:新注册用户/商品购买/内容阅读等等

除了AARRR以外,还有一类特殊的行为:风险类行为,用于识别用户的危险动作。在不同业务场景,风险定义不同。比如电商场景下刷单、薅羊毛,游戏场景下外挂使用,金融场景下欺诈交易等等。


产品类指标

产品类指标是互联网行业特色。用户在互联网APP/H5/小程序内会使用不同的功能,好用的话会一直用,不好用会中途放弃,这些都能记录数据,从而通过产品分析,不断淘汰没人用的功能,优化有人用的功能,提升效率。


产品分析的常见指标如下:



注意:产品分析是有级别的,最高级的是对整个APP/H5/小程序的页面/功能做盘点。其次是对某一个具体页面(比如首页、商品详情页、购物车页)或者某一个具体路径(比如从首页的banner位点广告进入商品详情,再选择商品进行交易这样一条路径)进行分析。


最细的则是分析某一次改版的,某一个按钮/页面布局调整等等。上边举例的指标更多是对页面/路径分析的指标,其他情况,有空再详细分享。


内容类指标

内容类指标也是互联网行业的特色。互联网上发布的视频/图文,能记录阅读情况。一般内容运营/营销推广/新媒体运营等与内容打交道密切的部门,会很关注这一类指标。


常见的内容指标如下:



通过这些指标的分析,创作内容的部门,比如:内容运营/新媒体运营,能找到哪些内容阅读高,哪些转发多,从而总结出写文章的套路,提升内容传播范围。利用内容的部门,比如营销推广,能关注哪些内容带来的转化好,从而提高推广效率。


活动类指标

活动类指标,在互联网和传统行业都很常见。相比之传统行业,互联网行业的营销活动密度更高、力度更大,经常是烧钱换增长。因此活动相关指标关注度很高。


常见的活动指标如下:



通过这些指标的分析,能让负责活动的同事直观看到活动效果,并且在不同类型/不同力度活动进行比较,找到更高效开展活动的方式。


有些活动会包含多个角色,比如拼团活动,会同时有团长/团员两个角色;裂变类活动,有裂变发起人/参与者两个角色。


不同角色的参与条件、达标动作、达标奖励不太一样,因此可以拆分两类群体,分别看活动目标人数/参与人数/达标人数等指标。


商品类指标

商品类指标,在互联网和传统行业都很常见。区别是传统企业大部分是实物商品,互联网则有一堆虚拟商品,比如虚拟货币、会员特权、游戏装备、直播打赏等等等。


因此互联网行业的商品管理,有可能比传统行业简单一点,不需要那么焦虑的盯着库存周转指标,生怕在仓库里待久了,货都过期了。


常见的商品指标如下:



通过这些指标的分析,能让负责商品运营的同事直观看到商品畅销/滞销情况,从而调整商品进销存计划,避免商品积压/缺货。


注意,虚拟商品原则上是没有库存的(或者说库存想设多少设多少)。但是滥发虚拟商品,又会引发互联网中通货膨胀与商品贬值。比如游戏里稀有皮肤卖的贵,是因为稀有才贵,为了短期收入搞大优惠,一但烂大街,反而大家都不稀罕了。


所以控虚拟商品的库存,不是看商品动销率或者在库时间,而是看GMV整体目标。在达成GMV整体目标情况下,高中低端商品保持一个稳定的库存结构,避免烂大街。


以上就是今天的分享,喜欢的话,可以转发+点赞+在看三连,支持下小熊妹哦。下次遇到领导说:“分析一下活跃情况”。小伙伴们可以转发保存此篇,有需要的时候随时抽出来复习一下哦。


往期精彩回顾
只需八步,做一个完整的数据分析
从0到1,掌握数据可视化的基本技巧
从0到1,搭建数据监控体系
够清楚!用户分层与RFM模型可以这么做
数据分析复盘报告,用Excel轻松搞掂!
从0到1,轻松写出数据分析报告


Python

高清大图领取!


本篇文章内容,已整理成图片,关注【码工小熊】公众号,在该公众号会话栏回复“指标”即可领取完整高清大图噢!

浏览 72
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报