論數據分(fēn)析在APP開發中的(de)重要性

 

 

所有好的(de)APP開發案例，除了(le)外觀設計精美(měi)，功能解決了(le)人(rén)們的(de)需求，但溯其根源，都是脫離不了(le)底層的(de)數據支撐的(de)。所以，在APP開發中，懂(dǒng)點數據分(fēn)析很有必要。下(xià)面樂(yuè)信科技就跟大(dà)家分(fēn)享一下(xià)如何做(zuò)數據分(fēn)析。

我們在做(zuò)數據分(fēn)析時(shí)，會把數據分(fēn)析拆分(fēn)爲5個(gè)步驟來(lái)進行（收集、清洗、對(duì)比、細分(fēn)、溯源）。下(xià)面一一展開來(lái)講。

 

一、數據收集

 

當我們在做(zuò)數據分(fēn)析時(shí)，第一步要解決的(de)問題肯定就是數據源的(de)問題。我們把數據分(fēn)爲二大(dà)類：

直接能獲取的(de)數據，通(tōng)常都是内部數據。無非就是從網站後台或者是自己家的(de)數據庫裏面導。

外部數據，需要經過加工整理(lǐ)後得(de)到的(de)數據。

典型的(de)數據來(lái)源有：

百度指數：http://index.baidu.com/ （分(fēn)析市場(chǎng)容量）

阿裏指數：https://alizs.taobao.com/（分(fēn)析銷量、份額）

梅花網：http://adm.meihua.info/ （分(fēn)析廣告投放）

CNZZ、微博指數等等……

當然還(hái)有很多(duō)很多(duō)有價值的(de)數據源（根據行業、需要找到最合适自己的(de)數據源），上面列舉的(de)三個(gè)典型的(de)數據源隻爲舉例子之用(yòng)。

在這(zhè)裏要著(zhe)重提一點：第三方數據來(lái)源往往需要考慮數據源真實度。

 

 

二、數據清洗

 

清洗數據（篩選、清除、補充、糾正）的(de)目的(de)無非是從大(dà)量的(de)、雜(zá)亂無章(zhāng)、難以理(lǐ)解的(de)數據中抽取并推導出對(duì)解決問題有價值、有意義的(de)數據。

清洗後、保存下(xià)來(lái)真正有價值、有條理(lǐ)的(de)數據，爲後面做(zuò)數據分(fēn)析減少分(fēn)析障礙。

這(zhè)裏不詳述。

 

 

三、數據對(duì)比

 

對(duì)比，是數據分(fēn)析的(de)切入點。因爲如果沒參照(zhào)物(wù)，數據就沒有一個(gè)定量的(de)評估标準。

通(tōng)常情況下(xià)我們從二個(gè)點去切入進行數據對(duì)比分(fēn)析：1.橫向對(duì)比 2.縱向對(duì)比

橫向對(duì)比，與行業平均數據，與競争對(duì)手的(de)數據進行比對(duì)。舉個(gè)粟子，比如你家的(de)APP用(yòng)戶留存率是60%，而行業平均留存是70%或競争對(duì)手的(de)用(yòng)戶留存率是70%，那就說明(míng)你家的(de)産品在留存率方面有待加強！

縱向對(duì)比，與自家産品的(de)曆史數據進行對(duì)比，圍繞著(zhe)時(shí)間軸來(lái)對(duì)比。

還(hái)是用(yòng)用(yòng)戶留存率來(lái)進行舉例子吧：

比如，APP改版前30天，新用(yòng)戶留存率是70%的(de)，而新版APP發布後，新用(yòng)戶留存率降了(le)10%或者升了(le)5%，這(zhè)就産生了(le)問題，到底是那些因素導緻數據産生了(le)異常呢(ne)？

要知道數據比對(duì)是發現問題的(de)第一步，發現了(le)問題才需要我去找出問題，并解決它。

如果沒有參考的(de)對(duì)象，單獨的(de)數據放在那裏，是沒意義的(de)。

 

四、數據細分(fēn)

 

數據對(duì)比發現了(le)異常，我們當然想知道是什(shén)麽原因導緻的(de)。

這(zhè)裏就要用(yòng)到數據細分(fēn)了(le)：數據細分(fēn)通(tōng)常情況下(xià)先分(fēn)緯度，再分(fēn)粒度。

何謂爲緯度？按時(shí)間分(fēn)類就是時(shí)間緯度，按地區(qū)分(fēn)類就是地域緯度，按來(lái)路分(fēn)類就是來(lái)源緯度，按受訪頁面分(fēn)類就是受訪緯度。

今天APP訪問量漲了(le)5%，咋回事不知道，你細分(fēn)一看，大(dà)部分(fēn)網頁都沒漲，某個(gè)頻(pín)道某個(gè)活動頁漲了(le)300%，這(zhè)就清楚了(le)，這(zhè)就是細分(fēn)最簡單的(de)範例，其實很多(duō)領域都通(tōng)用(yòng)。

粒度是什(shén)麽？你時(shí)間緯度，是按照(zhào)天，還(hái)是按照(zhào)小時(shí)？這(zhè)就是粒度差異；

你來(lái)路緯度，是來(lái)路的(de)網站，還(hái)是來(lái)路的(de)url？這(zhè)就是粒度的(de)差異；

緯度結合粒度進行細分(fēn)，就可(kě)以将對(duì)比的(de)差異值逐級鎖定問題區(qū)域，就可(kě)以更容易地尋找出發生問題的(de)原因了(le)。

 

五、數據溯源

 

通(tōng)常情況下(xià)，通(tōng)過數據細分(fēn)就能分(fēn)析出大(dà)多(duō)數問題的(de)原因并推導出結論了(le)。

但也(yě)有特殊的(de)情況，即使具體到粒度了(le)也(yě)得(de)不出有說服力的(de)結論。

這(zhè)時(shí)候我們再進一步，通(tōng)過數據溯源就能找出問題的(de)原因。依據鎖定的(de)這(zhè)個(gè)緯度和(hé)粒度作爲搜索條件，查詢所涉及的(de)源日志，源記錄，然後基于此分(fēn)析和(hé)反思用(yòng)戶的(de)行爲，往往會有驚人(rén)的(de)發現。

又或者結合用(yòng)戶使用(yòng)場(chǎng)景去思考。

比如：國内的(de)社交産品，在上下(xià)班的(de)時(shí)間段會特别活躍，而該産品經理(lǐ)對(duì)比美(měi)國地區(qū)卻發現在美(měi)國地區(qū)用(yòng)戶的(de)上班活躍數據恰恰相反，特别低，到底是什(shén)麽原因呢(ne)？

看數據怎麽也(yě)看不出來(lái)，怎麽辦呢(ne)？

若果該産品經理(lǐ)結合用(yòng)戶上班時(shí)的(de)使用(yòng)場(chǎng)景去思考就能一眼看出問題——因爲國内的(de)上班一族通(tōng)常上是通(tōng)過公交、地鐵等公共交通(tōng)工具去上班的(de)，所以他(tā)們有大(dà)把的(de)時(shí)間在玩社交，刷朋友圈。

而美(měi)國地區(qū)的(de)上班一族，大(dà)多(duō)數都是自駕車去上班（車輪上的(de)國家），他(tā)們上班時(shí)間都在專心地開車，根本沒有時(shí)間去玩手機，玩社交産品。

 

最後，作個(gè)簡單的(de)總結：

 

馬雲粑粑說阿裏管理(lǐ)有三闆斧：揪頭發、照(zhào)鏡子、聞味道。

而同樣，在數據分(fēn)析這(zhè)裏，則是五闆斧：收集、清洗、對(duì)比、細分(fēn)、溯源。