微信数据分析和微信传播模型

什么是微信数据分析呢?

试想一下,如果是你,会怎么向你的领导、向你的下属,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?大多数人所为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,进行开源 节流。

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。数据分析还能够帮助我们认清现状,通过计划明天,逐渐向我们预想的未来靠近。

微信数据分析的内容(举栗子而已)

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

微信分析模型

模型来源,巧贝科技CEO Hata

2、循环公式(来源,巧贝科技CEO Hata)

NU – New Users(新用户数)

AU – ActiveUsers(活跃用户数)

R% – RetentionRates(留存率)

S% – ShareRates(分享率)

F – Friends(好友数)

C% – ConversionRates(转化率)

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

3、根据模型改进产品和运营

几种可能的数值

理想中的是黄色部分中的两个,R%、S%、C%在这个基础上持续的增长,才能够给传播带来积极地效果和回报。产品和运营需要基于这三个点作调整,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?

又如何提高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。

这个是我通过整理文章的方式消化掉工作中的知识点。

来源:中国统计网

原文发布于微信公众号 - 数据的力量(shujudeliliang)

原文发表时间:2014-11-20

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。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏华章科技

10 本大数据高分书籍,收好给头脑充充电吧~

导语:机器学习和数据分析密不可分,除了网课,我相信一些优质图书肯定能帮到你的忙,今天推荐10本技术图书,都是非常实用且有帮助的,多读读多看看,肯定获益匪浅。

852
来自专栏CDA数据分析师

数据分析师的自我修养丨如何进阶为数据科学家

关于如何进入数据科学领域的文章有很多,但是关于从数据分析师转变为数据科学家的文章却很少。

1473
来自专栏灯塔大数据

当HR遇上大数据,我们看看腾讯是如何做的?

? 搜索一下“HR+大数据”,可以轻松得到几百万条记录,可见大数据在HR领域并不是一个陌生的话题,遗憾的是,热度有余而深度不足。北大光华的穆胜博士在其写的《大...

3435
来自专栏人工智能快报

麻省理工提出快速设计与制造机器人的新方法

尽管机器人在世界各地变得越来越常见,但要制造它们仍然很难。从设计建模到制造测试,整个过程缓慢且昂贵:即使是一个小的改动也可能意味着需要几天或几周的时间来重新思考...

3046
来自专栏数据的力量

被“妖魔化”的数据分析

1808
来自专栏大数据挖掘DT机器学习

写给刚入门的数据分析师的几点建议

1.数据是有立场的,立场决定解读 数据对于业务来讲,是KPI的衡量标杆,也是行动指南。但一旦涉及到立场和方向性的东西,必然有利益触发点的问题。比如同样的一次活动...

3076
来自专栏新智元

【重磅】微软开源深度学习认知工具包:增加 Python 绑定,支持增强学习

【新智元导读】微软今天开源微软认知工具包(Microsoft Cognitive Toolkit)的升级版本,CNTK 升级版。本次升级最大的亮点在于增加了 P...

3587
来自专栏灯塔大数据

数据思维丨关于数据驱动设计的6个误区

不少人喜欢谈做设计要让数据说话,但对于什么才是数据驱动的设计,往往莫衷一是。甚至在同一个团队中,由于收集的数据质量不一,理解上有差异或缺乏共同语言,单就是关于...

3645
来自专栏互联网数据官iCDO

【探秘】如何使用视频核心指标洞察潜在用户行为数据

译者 黄文博,iCDO翻译志愿者 审校 朱玉雪,iCDO翻译志愿者 本文长度为2048字,建议阅读10分钟,请细嚼慢咽噢! 今天来自伦敦的资深行业专家Anish...

3017
来自专栏数据的力量

【干货】腾讯10年用户体验设计的核心方法

1283

扫码关注云+社区