标签：常见 信息 技术 价值 自己 趋势 img 区间 同比
①比什么
绝对值 VS 比例值
②怎么比
环比 VS 同比
③和谁比
和自己比 VS 和行业比
运作原理：指标/业务流程需要按照多维度拆分，来观察变动
适用场景：
①分析单一指标的构成
如：分栏目的播放量，新老用户比例
②针对流程进行拆解
如：不同渠道的浏览，购买转化率；不同省份的活动参与漏斗
③还原行为发生的场景
如：打赏主播的等级、性别、频道；是否在wifi/4G情况下
分布情况：一个事件不仅只有累计值这么一个可以观察的指标，还可以从事件在不同的维度中分布来观察
常见的群体划分：
事件频率
一天内的时间分布
消费金额的区间
运作原理：从事件在不同维度中的分布来观察，以便理解该事件除了累计数量和频次外更多维度的信息
适用场景：
①已知一群用户完成了指定事件，但需要对用户群体进行细分，按不同维度和价值将他们分为不同群体，分布进行后续的维护和分析
②已知单个事件的完成次数，希望知道这些次数拆分到不同维度上后的分布情况，以便更清晰地了解该事件的完成情况
留存：
一般的计算方法：将某一时间段的用户ID与另一时间段的用户ID做交叉去重，产品、运营、技术、市场每个环节都会对留存造成影响
精准留存：过滤进行过指定行为的用户ID再计算，将用户分为不同群体后，观察其之间留存的区别
适用场景：评估产品功能粘性，验证产品长期价值
漏斗=一连串的向后影响的用户行为
建立漏斗时容易掉的坑：
a. 漏斗一定是有时间窗口的
根据业务实际情况，选择对应的时间窗口
按天：对用户心智的影响只在短期内有效（如短期活动）
按周：业务本身复杂/决策成本高/多日才能完成（如理财/美股开户）
按月：决策周期更长（如装修买房）
……否则，太长，包进了太多无关的信息，
太短，扔掉了很多有用的信息
b. 漏斗一定具有严格的顺序
c. 漏斗的计数单位可以基于用户，也可以基于事件
何时基于用户，何时基于事件呢？
基于用户：关心整个业务流程的推动
基于事件：关心某一步具体转化率；无法获知事件流转的真实情况
d. 结果指标的时间不符合预期
自查：是否只有一个漏斗能够到达最终目标
适用场景：有明确的业务流程和业务目标 -- 适用
没有明确的业务流程，跳转关系纷繁复杂的业务 -- 不适用
运作原理：通过对用户各类特征进行标识，给用户贴上各类标签，通过这些标签将用户分为不同的群体，以便对不同群体分别进行产品/运营动作
a.标签都有啥？
基础属性：年龄、性别、生日、星座、教育、身高、收入、职业……
社会关系：婚姻、有无小孩、家有老人、性取向……
行为特征：基本行为，如注册时间，来源渠道……；业务行为：买过特惠商品、曾获优秀学员
业务相关：胖瘦高矮、体脂率、日均8000步，收藏了100+健身计划……（运动类app)
b.标签从哪儿来？
直接填写：用户自己填写的信息，有的app首次使用让用户自己选择标签，用户填写的用户调查
推断：通过用户自己的已有特征/通过用户身边的人推断
适用场景：市场营销、个性化运营、业务分析、用户研究……
运作原理：将事件拆解，根据业务性质，确定完成事件的关键部分
适用场景：对业务中明确的业务目标（购买，留资料，充值等）归因，便可……
①末次归因：转化路径短，且事件间关联性强的场景把贡献度全部给最后一个行为
②递减归因：转换路径长，非目标事件差异不大，没有完全主导的事件，从最后一步开始逐渐把影响因子向前递减
③首次归因：强流量依赖的业务，拉人比后续所有事都重要，关键在第一步
运作原理：逐级展开某一事件的前一级（后一级）事件，观察其流向
适用场景：
局限：反映一群人的整体行为趋势，对个体不适用
运作原理：将单一用户的所有行为以时间线的形式进行排列
适用场景：
标签：常见 信息 技术 价值 自己 趋势 img 区间 同比
原文地址：https://www.cnblogs.com/jaigejiayou/p/12654532.html
