>您现在的位置:诗歌鉴赏 > 西方文学

数据分析模型:会话分析 人人都是产品经理 传统文化类

2019-06-10 08:25作者:admin

数据分析模型:会话分析  人人都是产品经理 传统文化类

二、为什么要做会话分析做数据分析绝对不是单纯的分析数据做数据的可视化展示。

我们搭建各种分析模型,采用不同的分析策略,最根本的目的就是——发现并解决我们遇到的问题。

首先,在数据分析行业刚兴起的时候,人们分析数据的视角站在事件发生的本身,比如:关注支付订单的金额,订单的数量。 在我们进行分析时,也很自然地将事件和人关联到一起,然后得到「人→事件」的关系。 后来,我们发现每个人在用我们的产品的时候,使用的路径、时间长短、浏览的深度甚至启动App的方式,都会对用户最后的转化带来影响。

所以,只有真正地还原事件发生的场景,才可以更好进行数据的分析。 由于我们的产品形态大部分都是流程化的引导,即逐步引导客户(搜索)、逐步拆解客户需求(列表),然后给出解决方案(商品购买)。 那么,用户的一次完整的体验,就是「用户产生需求→使用产品→解决需求」这样一个流程。 于是,我们就依照上述的思想,设计了「会话分析」的数据模型。 三、会话分析的推演我们的目标,是把用户「有始有终」的行为序列还原出来,作为一个整体参与分析。

思路当我们发现我们需要分析的数据,不是一个点,而是一条线的时候,最简单粗暴的方式,就是把这些数据连在一起,变成一条线来记录就好了。

于是我们可以在App启动的时候,记录一些启动来源(sessionid),然后后续的所有事件都使用该来源作为属性一直携带。

这样,我们在分析每个事件发生的时候,就知道了这个事件是在哪个场景(启动来源)下发生的了。 实现记录启动的来源和参数,可能需要服务端辅助记录一些信息,并同步给我们的App或直接在数据层进行加工,最后我们需要实现:启动的方式(桌面、push、其他应用唤起..)和启动的来源(广告渠道、活动id、用户主动)的信息记录。 应用接下来,我们把有相同启动来源的事件按照时间排序,放在一起,这一步实际上我们就还原了用户的一次会话。

我们有了用户一次访问的开始和结束,我们就可以做以下分析:沉浸式体验的相关分析:会话时长:一个会话的持续时间会话深度:会话的层级数使用:有了用户的使用时长和深度,我们就可以分析出用户对我们的产品投入程度。 结合每个会话中的事件顺序,我们可以得到一个局部的最优价:用户按照哪个路径走,使用效果最好。 当然了,这个肯定要结合自己的分析和业务,如果客户每次都是直接进入,然后立刻购买后就离开,我觉得不做沉浸式的体验似乎也没什么问题。 跳出率:用户做了某个事件后退出的占比使用:我们把跳出率高的事件找出来,并且排除我们的目标事件,做个排序,就不难发现,用户的退出大都发生在哪些步骤,如何改进这些非正常的跳出,就是我们需要解决的事情。

事件时长:用户在某个页面或某个事件花费的事件。 使用:通过事件时长,我们可以分析出用户对哪个页面感兴趣,在哪个页面耗时比较久,从而发现问题。 同时在线人数的相关分析:同时在线人数:同一时间有效的会话数量。 使用:由于我们将数据由点变成了线,那么理论上我们就可以统计某个时间点存在的会话数量,即业内常用的同时在线人数。 与传统方式相比,使用会话计算的好处是:他的计算是灵活的,而且对数据的采集要求不高;但是缺点也很明显,会损失部分精度。 改进建模后,在我们的会话分析过程中,逐渐暴露了几个问题,如下所示:1.如何更灵活地定义一个会话?我们使用的是实体参数记录的方法,这种方式会引入切割不灵活的问题。 但是实际上,我们可以通过定义切割事件和切割时间,加上逻辑运算来实现这种会话的拼装。 比如,我们定义「App启动」作为起始条件,「App退出」和「超过5min进行切割」两个条件作为退出条件,我们便可以将排好序的用户行为序列切割为一个又一个会话了;同时我们使用起始事件「App启动」的一些指定属性,虚拟的为会话中事件进行赋值。 所以我们的要做的改进是:实体记录→逻辑还原。

2.如何评估会话质量?我们采集了会话后,可以得到「时长」「深度」「包含事件」「跳出」等等一系列的会话级别的指标。

首先我们可以简单将会话分为三类:「常规型会话」「无用型会话」和「贡献型会话」如果一个用户仅进行了开始和结束,那么就可以理解为本次会话是无用的(看起来有点残酷);做了很多事情但是却没有形成转化,这种会话应该是最普遍并占比很高,是我们分析的重心;产生会话并且发生了转化,这种属于标杆型的会话。 所以我们要做的改进是:做会话切割,并且进行类型的标记。 3.如何解释会话深度?目前使用会话中的事件数量来表示会话的深度,可能很多人都会觉得这个不是深度的概念,而是会话的内容数量。 因为浏览的页面内容和会话的质量之间有很大的关系,针对这种通过时序还原的行为序列,解决深度层级的计算有两个比较通用的方法:。

随机推荐

图文聚集

热门排行

最新文章