导图社区 APP指标思维导图
本图梳理了APP各类指标的内容,包括为什么要做APP数据分析、常用指标、数据分析常用策略等方面,适用于产品经理、数据分析、数据建模,自己预览吧!
编辑于2021-07-22 06:42:50APP指标
为什么要做APP数据分析
1.搭建数据运营分析框架
一个APP的构建与运营工作通常由多个角色分工实现,由于大家的工作重点不同,仅关注一个方面的数据就如同管中窥豹,无法全面了解产品运营情况,不能提出行之有效的分析建议。因此,只有搭建完善的数据运营分析框架,才能全面的衡量移动应用产品运营情况。除此之外,完整的数据运营分析框架还可以让产品经理和开发者不仅知道产品运营的基本状况和使用状况,更了解用户到底是谁,深入发现用户的需求。
2.用数据推动产品迭代和市场推广
App更好的管理
3.产品盈利推手
发现产品盈利的关键路径
优化现有的盈利模式
3.给投资人讲好故事
1 用户规模
2 用户质量
3 App的发展前景
4 商业变现/转化
核心指标
上帝指标
既然知道了投资人最看重的指标,老板自然会努力将每一点的故事都讲好。站在老板的角度,为了保证以上列举的每一方面都达到投资人满意的程度,老板会从更加细节的角度去审查,监督,推动App的发展。老板通过会推动产品和运营去保证这些细节指标。衡量一个产品好坏状态的指标如下:
1 新增用户
2 活跃用户
3 留存用户
4 流失用户
5 转化用户
6 用户传播
解决问题的指标
当发现产品问题或者找到产品可优化点之后,数据统计可以帮助我们寻找原因,衡量解决策略的效果。 发现问题的原因有很多方法。首先可以根据对用户的认知,猜测问题的原因。“没有对比就没有发现“。通过将用户分为不同的群体(同期群,不同时间段群体,活跃/沉默群体等),对比各个群体的行为特点或者属性特点,提取出群体特征,根据特征总结出原因。根据原因对症下药,产品和运营改变一些策略。对于新策略的效果,是必须通过事实和数据来验证的。 下面是用来发现问题原因常用的一些数字指标分类,通常这些指标会进行多维度交叉,细化用户群体,来获得最终原因。
二*常用指标(精华帖)
1.用户规模和质量
1. 活跃用户
2. 新增用户
2. 衡量营销推广渠道效果的最基础指标
指标定义
指标作用
注册方向
3. 用户构成指标
指标定义
用户构成是对周活跃用户或者月活跃用户的构成进行分析,有助于通过新老用户结构了解活跃用户健康度。以周活跃用户为例,包括以下几类用户:
本周回流用户:上周未启动过应用,本周启动应用的用户;
连续活跃n周用户:连续n周,每周至少启动过一次应用的活跃用户
忠诚用户:连续活跃5周及以上的用户;
连续活跃用户:连续活跃2周及以上的用户
近期流失用户:连续n周(大等于1周,但小于等于4周)没有启动过应用的用户。
转化用户
用户传播
4. 用户留存率指标
指标定义
用户留存率是指在某一统计时段内的新增用户数中再经过一段时间后仍启动该应用的用户比例。用户留存率可重点关注次日、7日、14日以及30日留存率。次日留存率即某一统计时段新增用户在第二天再次启动应用的比例;7日留存率即某一统计时段新增用户数在第7天再次启动该应用的比例;14日和30日留存率以此类推。
指标作用
用户留存率是验证产品用户吸引力很重要的指标。通常可以利用用户留存率与竞品进行对比,衡量应用对用户的吸引力。对于某一个相对成熟版本的应用,如果用户留存率有明显变化,则说明用户质量有明显变化,很可能是因为推广渠道质量的变化所引起的。
使用留存
日/周/月留存
购买留存
日/周/月留存
5. 每个用户总活跃天数指标
指标定义
每个用户的总活跃天数指标(TAD,Total Active Days per User)是在统计周期内,平均每个用户在应用的活跃天数。如果统计周期比较长,如统计周期一年以上,那么每个用户的总活跃天数基本可以反映用户在流失之前在APP上耗费的天数,这是反映用户质量或黏性,尤其是用户活跃度很重要的指标。
2.参与度分析
1. 启动次数指标
指标定义
启动次数是指在某一统计周期内用户启动应用的次数。在进行数据分析时,一方面要关注启动次数的总量走势,另一方面,则需要关注人均启动次数,即同一统计周期的启动次数与活跃用户数的比值,通常人均启动次数和人均使用时长可以一起分析。
2. 使用时长
指标定义
使用总时长是指在某一统计统计周期内所有从APP启动到结束使用的总计时长。使用时长还可以从人均使用时长、单次使用时长等角度进行分析。
指标作用
使用时长相关指标也是衡量产品活跃度、产品质量的重要指标。用户每天的时间是有限的且宝贵的,如果用户愿意在你的产品投入更多的时间,证明你的应用对用户很重要,比如现在很流行的微信等社交应用。
指标算法
人均使用时长=同一统计周期内的使用总时长/活跃用户数
单次使用时长=同一统计周期内使用总时长/启动次数
3. 访问页面
指标定义
访问页面数指用户一次启动访问的页面数。我们通常要分析访问页面数分布,即统计一定周期内(如1天、7天或30天)应用的访问页面数的活跃用户数分布,如访问1-2页的活跃用户数、3-5页的活跃用户数、6-9页的活跃用户数…同时,我们可以通过不同统计周期(但统计跨度相同,如多为7天)的访问页面分布的差异,以便于发现用户体验的问题
4. 使用时间间隔
指标定义
使用时间间隔是指同一用户相邻两次启动的时间间隔。一般统计一个月内应用的用户使用时间间隔的活跃用户数分布,如使用时间间隔在1天内、1天、2天……同时,我们可以通过不同统计周期(但统计跨度相同,如都为30天)的使用时间间隔分布的差异,以便于发现用户体验的问题。
5. 互动方向
每日评论用户数量
交互反馈次数(投诉建议,点赞,喜欢,收藏)
6. 功能方向
核心功能活跃指标
页面访问路径
漏斗模型
3.渠道分析
指标定义
渠道分析主要是分析各渠道在相同的投入情况下,用户数量的变化和趋势,以科学评估渠道质量,优化渠道推广策略。渠道分析包括新增用户、活跃用户、启动次数、单次使用时长和留存率等指标。APP的推广渠道主要为安卓和iOS。
指标说明
安卓的渠道:①第三方应用市场,如华为、oppon、小米、91助手等;②广告联盟,如网盟、友盟等;③厂商预装,像华为、小米、vivo等;④水货刷机,如刷机精灵等;⑤社会化推广,如在社群做分享,在社区形成二次甚至多次传播,也可以做推广,但是这种的数据的分析就不太好获取。
对于安卓来说,用户来源就分以上几种,每一种可以分别去定义。不同类型的推广方式,可从不同的维度做数据的分析。比如说像第三方应用市场,很多用户都是通过这个渠道来下载APP,所以这方面的数据更多的是看活跃和留存;像广告联盟这种,是通过积分墙来分析,更多的是用户完成任务通过量级来做分析。
iOS的渠道主要是AppStore,原则上我们所有的数据和激活都是通过这个渠道来获取,但是在实际推广的过程中,我们更多的是想分析用户是通过什么渠道跳转到AppStore上进行下载,激活产品。这就需要我们直接和技术做最底层的对接——API接口对接。具体的分析方法与安卓是类似的,主要是分析活跃和留存数据。
以上提到的只是渠道质量评估的初步维度,如果还需要进一步研究渠道,尤其是研究到渠道防作弊层面,指标还需要更多,包括:判断用户使用行为是否正常的指标,如关键操作活跃量占总活跃的占比,用户激活APP的时间是否正常;判断用户设备是否真实,如机型、操作系统等集中度的分析。
4.功能分析
1. 功能活跃指标
指标定义
主要关注某功能的活跃人数、新增用户数、用户构成、用户留存。这些指标的定义与前文提到的“用户规模与质量”的指标类似。只是,本部分只关注某一功能模块,而不是APP整体。
2. 页面访问路径分析
指标定义
主要是统计用户从打开应用到离开应用整个过程中每一步的页面访问和跳转情况。目的是达成App的商业目标,即引导用户更高效的完成App的不同模块的任务,最终促进用户付费。
指标作用
APP页面访问路径分析需要考虑APP用户以下三方面问题:①身份:用户可能是你的会员或者潜在会员,也有可能是你的同事或者竞争对手等;②目标:不同用户使用APP的目的有所不同;③访问路径:即使身份类似、使用目的类似,但访问路径也很可能不同。因此,我们在做APP页面访问路径分析的时候,需要对APP用户做细分,然后再进行APP页面访问路径分析。
最常用的细分方法是按照APP的使用目的来进行用户分类。如汽车APP的用户便可以细分为关注型、意向型、购买型用户,并对每类用户进行不同访问任务的路径分析,比如意向型的用户,他进行不同车型的比较都有哪些路径,存在什么问题;还有一种方法是利用算法,基于用户所有访问路径进行聚类分析,依据访问路径的相似性对用户进行分类,再对每类用户进行分析。
3. 转化率
指标定义
转化率是指进入下一页面的人数(或页面浏览量)与当前页面的人数(或页面浏览量)的比值。通常使用漏斗模型来,它可以分析产品中关键路径的转化率,以确定产品流程的设计、用户体验问题。
指标作用
比如用户从进入某电商网站—浏览商品—把商品放入购物车—支付完成,每一个环节都有很多的用户流失。通过分析转化率,我们可以比较快定位用户使用产品的不同路径中,分析是否存在问题,并提出如何进行优化的改进意见,通常我们只需要对每天的转化率进行连续性的监控即可。
点击率
注册率
转发率
付费率
5.用户属性和画像分析
有单独的链接提供指导
6.收入分析
指标定义
盈利是产品的最终目的,所以总收入、付费用户数、付费率、ARPU这四个指标经常用到。总收入、付费用户数反映的是收入和付费用户的规模;付费率、ARPU代表的是用户付费质量,反映的是用户付费的广度与深度。主要关注转化漏斗最后环节的订单数量和金额
日均流水
订单转化率
人均收益
三 埋点
数据分析常用策略
1 用户行为统计
2 漏斗分析
3 留存分析
4 转化分析
5 流失分析
6 用户洞察
7 用户群细分