引导语
数据分析中,我们常常有下面几种分群方式:
基础属性类:年龄、性别、城市、学历、用于首次来源
基本是不变化的,虽然年龄、城市等也会发生变化,但本质上我们是将其作为一个用户固定属性进行分析。
用户属性稳定,分群永远不变化。
是维度有限,很多分析维度很难找到固定属性。
图:某业务用户数分年龄段曲线(来自腾讯灯塔截图)
动态属性类:当天启动方式、当日拉活渠道、新老用户、当日播放视频数、当日是否领取红包。
基本上是基于用户当天的一些行为或状态数据,例如启动方式,每天的启动方式都可能变化,其它也相同。
优点是与业务结合行强相关,分群方式灵活,能够迅速定位问题。例:(1)今天领红包的用户留存降低了,可以快速定位是否是红包产品出现了问题;(2)主动启动用户留存持续上涨,说明产品在朝着正向发展,是个好势头。
用户的属性经常发生变化,很难解释是结构变化还是效果变化,容易引入互为因果的问题。例:今天领红包的用户留存降低了,到底是红包产品出了问题,还是今天有一大批留存低的用户领了红包呢?因果关系不易排清。
图:微视红包业务,按用户当日领取金额分群的有关数据(来自腾讯灯塔截图)
基于运营视角的缓慢变化维度
有没有合适分群方式,可以结合基础属性和动态数据的优势,解决相关问题。例如,希望分析红包业务,有没有对用户留存产生影响,我们设想几种方式。
其实,这里我们更关心的是,比较喜欢领取红包的那批人,他们究竟留存上有什么变化?
我们引入了数据仓库中缓慢变化维的概念,例如,每天均将用户按照过去1个月领取红包的天数做分段,这样,用户的分群是在缓慢变化,解决了分群一致性问题,监控的指标是短期变化,可以很好的监控出业务异动。
图:按最近1个月(每日向前滚动计算1个月)领取红包天数分层,DAU用户留存曲线
如上图,我们清晰的看到,红包敏感群体(「22-28天」)群组的用户留存率在明显下跌,如果按照领取用户的留存,那么这批红包敏感群体会被大量的不敏感但领取用户稀释掉。
其实我们还可以基于业务视角,构造出很多与业务强相关的缓慢变化维(我们后文称呼为「运营视角缓慢变化维」),如:
· 过去1个月活跃天数
· 过去1个月是否有观看直播
· 过去1个月发布视频天数
通过在运营视角缓慢变化维上分析异动数据,还非常容易找到业务的交集影响和变化。
红包敏感群体(缓慢变化维中,过去1个月领取红包22-28天),发布渗透率在逐渐提高,这说明红包模块和发布模块,用户产生了较强的交集,也许可以在产品层面迭代,促进2个模块的相互互动。
运营视角缓慢变化维的构造维需要注意如下几点:
总的来说,运用运营视角缓慢变化维,本质上是,在一个低频变化上发现其中的高频变化。
BI工具的应用
对于BI工具,需要区分维度表和事实表,现在很多BI工具就可以支持「按天变化的维度信息」,可以方便快捷的利用缓慢变化维进行异动分析,以腾讯灯塔为例:
图:腾讯灯塔关于缓慢变化维的适配
目前,团队已经将较多用户行为数据,作为用户基础画像的一部分,引入到数据分析之中,在日常的运营分析和异动监控中广泛应用。
原文作者:刘健阁
原文链接:
https://mp.weixin.qq.com/s/3eLhduKVDiP2igJupFYZPw
腾讯NEXT学院
求职干货 | 前辈blog | 前端课程
↓↓↓点击阅读原文,体验python入门课程
喜欢这样的干货就点个在看吧!