专栏首页数据派THU微信数据分析和微信传播模型

微信数据分析和微信传播模型

什么是微信数据分析

试想一下,如果是你,会怎么向你的领导、你的下属,进行数据分析呢?

是像描述天气一样——昨天阴天,今天天气挺好,风和日丽的,明天预报多云?还是用其他的方式?

大多数人所谓的数据分析就像刚才描述天气一样,那不是分析,而是描述数据。

数据分析需要从来源、行为、流失等方面进行分析。

微信数据分析要根据微信传播的特性而定,微信传播是基于好友分享内容而产生的。这里不考虑单纯的复制粘贴, 那样的传播指向性不明确,这里我们只讨论指向性明确的分享链接和内容。

微信数据分析需要从用户入手——新增、活跃、留存代表着数据分析的三个方面

数据分析的作用,能够帮助我们回顾过去,评估现在,计划明天,预测未来,从而能够展望未来

微信数据分析的内容

(举栗子而已哦)

1、 新增用户数

主要包括:男、女、未知来源、员工推广、活动推广、用户传播、老用户传播、新用户传播、未知来源占比、员工推广占比、活动推广占比、用户传播 占比、老用户传播占比、新用户传播占比、分享员工、分享用户、分享老用户、分享新用户、分享员工占比、分享新用户占比、分享员工人均传播、分享用户人均传 播、分享老用户人均传播、分享新用户人均传播等。

2、好友关系数

主要包括好友数:0、1、2-5、6-10、10-20、20+以及占比情况等。

3、好友关系来源

主要包括:第一关系链ID、第一关系链昵称、关系类型和来源类型等。

4、微信/微信社区行为

如果是游戏,主要有注册(授权登录)、打开、完成、未完成、分享等;如果是电商,主要有注册(授权登录)、打开、下单、付费、删除订单等;如果是普通社区页面,主要有注册、打开、浏览、分享等。

5、交叉分析

留存用户数、新增用户数、留存人均、新增人均,次日用户留存率、7日留存、14天留存、30天留存;用户活跃度,行为完成、未完成用户数以及比例;活跃用户数,行为完成情况分类分析、完成率分析、完成率高低用户分析等。

6、交叉分析形式

图、表、图表。

7、通过交叉分析看产品运营数据的前生今世,了解昨天、评估今天,为前景而计划明天的具体实施。

微信传播模型

1、循环模型

备注:

NU – New Users(新用户数)

AU – Active Users(活跃用户数)

S% – Share Rates(分享率)

F – Friends(好友数)

C% – Conversion Rates(转化率)

R% – Retention Rates(留存率)

模型来源:巧贝科技CEO Hata

2、循环公式

AU 01 = NU X0 × R N1%

NU 01 = AU 01 × S N1% × F × C N1%

= NU 00 × R N1% × S N1% × F × C N1%

= NU X0 × K N1%

NU X1 = NU X0 × K N1%

…………(抱歉中间部分省略下,嘿嘿)

NU X4 ≈ NU X0 × K N1%4

NU n ≈ NU 0 × K %n

备注:

NU – New Users(新用户数)

AU – Active Users(活跃用户数)

S% – Share Rates(分享率)

F – Friends(好友数)

C% – Conversion Rates(转化率)

R% – Retention Rates(留存率)

模型来源:巧贝科技CEO Hata

3、根据模型改进产品和运营

现状的预设值

参数

数值

R% (留存率)

21%

S% (分享率)

20%

F (常量)(好友数)

100

C% (转化率)

25%

计算结果

1.05

其他几种可能的数值计算结果:

其他数值的计算结果

参数

数值

参数

数值

R%

20%

R%

25%

S%

20%

S%

25%

F(常量)

100

F(常量)

100

C%

25%

C%

16%

计算结果

1

计算结果

1

参数

数值

参数

数值

R%

30%

R%

30%

S%

25%

S%

30%

F(常量)

100

F(常量)

100

C%

14%

C%

12%

计算结果

1.0125

计算结果

1.08

参数

数值

参数

数值

R%

35%

R%

35%

S%

30%

S%

35%

F(常量)

100

F(常量)

100

C%

10%

C%

9%

计算结果

1.05

计算结果

1.1025

理想中的是黄色部分中的两个,计算结果1.081.1025,大于预设值的计算结果1.05——这也就是说,R%、S%、C%在这个基础上持续的增长,能够给传播带来积极地效果和回报。

产品和运营需要基于以下三个点作调整,不断的优化、改进,甚至是颠覆式的创新:如何提高R(留存率)?如何提高S(分享率)?如何提高C(转化率)?

当然,这个模型还有不完善的地方。

首先,不适用与电商以及其他社会化媒体,目前只考虑了针对微信的传播模型,其他类型根据平台上用户行为以及传播的特性,会有一定的不同。

其次,这个模型还需要大量的实例来证明和说明。提出不能指导实际工作的模型都是耍流氓。

这是我通过整理文章的方式消化掉工作中的知识点。

来源:数据分析

本文分享自微信公众号 - 数据派THU(DatapiTHU)

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2016-12-06

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 【36页纯干货】大数据与新媒体传播

    本文共4600字,建议阅读时间7分钟 《新媒体指数和传播风暴研究》是RONG系列论坛第一场——大数据与新闻传播专场论坛中的议题,主讲人为清华大学新闻与传播学院沈...

    数据派THU
  • 徐葳:做“跨学科”的点点星火 | 访交叉信息研究院助理教授徐葳

    徐葳,清华大学交叉信息研究院助理教授,助理院长,清华大学数据科学研究院管理委员会委员、兼职RONG教授,清华大学金融科技研究院副院长。专注于交叉学科的分布式系统...

    数据派THU
  • 吴恩达新书《Machine Learning Yearning》中7个实用建议(附论文)

    《Machine Learning Yearning》是人工智能和深度学习界的专家吴恩达写的一本书,这本书致力于讲明白机器学习算法是怎样工作的,以及如何构建一个...

    数据派THU
  • 微信全面调整分享能力:开发者应该注意什么?

    知晓君
  • Swift 5.1 新特性:透明类型关键字 some

    相信大家都对刚发布的 SwiftUI 印象深刻,在看示例代码的时候发现 View 前面有一个关键字 some。我开始以为是 SwiftUI 自带的属性,后来经...

    iOSSir
  • PHPExcel对于Excel中日期和时间类型的处理

    PHPExcel是一款优秀的处理Excel文件读写的开源PHP Library,能够给我们提供强大的Excel读写能力,本文针对Excel处理过程中关于日期和时...

    大江小浪
  • 编码最佳实践——里氏替换原则

    Liskov替换原则(Liskov Substitution Principle)是一组用于创建继承层次结构的指导原则。按照Liskov替换原则创建的继承层次结...

    撸码那些事
  • 陈天奇:深度学习编译技术的现状和未来

    深度学习编译器的部署目标传统的深度学习框架也可以做,一个非常自然的问题是为什么不直接沿用传统的框架。这是一个编译器研究者来往往会忽略的问题。深度学习编译器只有在...

    机器之心
  • eclipse中安装spring Tool自动补全插件,命名空间

    打开eclipse编译器,然后选择help ->elipse Marketplace

    沁溪源
  • 基础知识 | 每日一练(105)

    士人有百折不回之真心,才有万变不穷之妙用。立业建功,事事要从实地着脚,若少慕声闻,便成伪果;讲道修德,念念要从虚处立基,若稍计功效,便落尘情。 ...

    C语言入门到精通

扫码关注云+社区

领取腾讯云代金券