消费界app数据分析（消费行业数据）
本文目录一览：
App数据分析目的及日常运营该关注哪些数据
一、行业数据有助于分析APP优劣
行业数据对于消费界app数据分析了解自己消费界app数据分析的APP来说至关重要，因为有了行业数据的对照，就能知道自己的APP在整个行业的水平，从中分析出自家APP在行业中的优势和劣势，发现其中的问题以及在未来的APP运营和推广当中作出有针对性的调整。
二、了解用户指标是基础也是重点
1、新增用户
①按照时间维度来分，新增用户分为日新增用户、周新增用户、月新增用户等。
②按渠道来源，新增用户还可以分为渠道新增用户、运营商新增用户、地域新增用户。
2、活跃用户
活跃用户是指那些在一定的统计周期内打开APP，并且为APP带来一些价值的用户，一般用于衡量APP的运营现状——真正意义上的用户规模。很多产品说到用户规模和质量不会看用户总量，而是看它的活跃用户数。
活跃用户根据不同的统计周期分为日活跃用户数（DAU），周活跃用户数（WAU），月活跃用户数（MAU）。
在活跃用户指标里，有个很重要的指标消费界app数据分析：单个用户总活跃天数，是指在一定的统计周期内，平均每个用户在APP的活跃天数，反映了用户在流失之前TA花费在APP上的天数。
3、流失用户
流失用户是相对于活跃用户的概念，是指那些下载了APP之后，曾经启动过APP并且注册过，但是对该APP逐渐失去了兴趣，进而彻底脱离这款产品的用户。如果说活跃用户是用来衡量APP的运营现状，那么流失用户则是用以分析该APP是否存在被淘汰的风险，以及你的APP是否有能力留住新用户。
4、用户构成
用户构成是指对某周期内的活跃用户的构成，一般是对周活跃用户或者月活跃用户构成进行分析。拿月活跃用户来说，其用户构成包括：
①忠诚用户：也叫做超级活跃用户，长期持续地使用APP，例如连续活跃4周，或者1个月内15天。
②近期流失用户：连续1个月内没有打开过APP的用户。
③本月回流用户：上个月没有打开过APP，但是这个月重新打开了APP的用户。
④连续活跃用户
5、用户留存率
用户留存率是指在某一个统计时段的新增用户数中经过了一段时间后仍打开这个APP的用户比例，包括次日留存、7日留存（如今天新增用户数在第7日再次打开APP的比例，14日和30日留存以此类推）、14日留存、30日留存。这个指标是验证你的APP对用户是否具有吸引力。
app数据分析的五大维度是什么?
①对app产品用户规模及质量有个清楚的了解
比如，当下用户活跃程度，新增用户指标，用户组成的指标，用户存留率多少，每一位用户总活跃天数的统计等等，都是要有一个详细的了解才是。只有这样才能更好的检验app经营推广的效果，尤其是新增用户数占据的比例多少可以展现出app运营的健康状况，一旦出现新增用户降低，说明app推广上出现了问题，作为运营者得想办法解决了。
②对参与度的合理分析
如何对参与度进行分析其实并不难，它主要是指app在线启动次数指标，在线使用时长，访问页面，使用时间间隔等等。其中app在线使用时长加上启动次数和活跃数可以多维度的展示用户对产品的参与程度。
③渠道分析也必不可少
其实对app推广渠道的分析，真正的用意是研究推广所引入的客户是否是真人在使用，如果是机器刷出来的只能算作是刷量的，没有实际意义。
④app自身功能分析
app功能分析也是五大app数据分析维度中必不可少的一部分，所谓的功能分析主要从app功能活跃程度，新功能上线测试效果，页面访问路径、客户属性、成功交易等路径进行分析。
⑤客户属性分析
所谓的客户属性的分析，是针对性最强大的一个类型。如app设备终端分析，网络和运营商分析，客户所在地域分析，用户画像分析，自然属性和商业属性分析等方面，都能够测试出目标客户对app产品的关心力度。
一步一步教你分析消费者大数据
一步一步教你分析消费者大数据
做过面向消费者产品解决方案的人都知道，每个项目开始前，客户都会提一些要求或者对现在营销状况的顾虑，比如我们想了解一下我们潜在消费者是谁；怎么发优惠券效果最好；或者，我们应该推出什么样子的新产品，能够赢得消费者口碑和青睐。在量化决策分析法中，这一系列的前期需求，我们把他称作为：客户需求或未来期望。
接下来，你需要了解该问题的现状，比如现有产品或服务的消费者是怎么样的，以前发的优惠券效果怎么样，现在市场的销量趋势如何等等。
当了解了客户需求和现在的现状后，我们需要慢慢抽丝剥茧，找出解决方案，填补这个空档。
一般来说，没有任何方法论或者经验的咨询员或者分析师听到客户的这些期望后，他们会开始不知所措，无从下手。他们完全不知道该从哪个角度切入，收集哪些数据，做哪些假设，用什么方法分析。
其实像这类问题是有方法论的，我们可以用四步循序渐进的方法来搭建现状与未来的桥梁。
第一步：描述性分析－What
发现问题。我们可以用看病的场景来类比下，病人去看病，说最近不舒服。于是医生让病人进一步描述一下怎么不舒服。这里也是一样，拿优惠促销的案例来说，我们会先了解客户以往有没有做过类似的促销案例，什么时候做的，效果怎么样。经由这些的问题产生一系列的KPI。
KPI产生的方法有以下几种：
1）我们提问，客户解答
2）从客户公司数据库获得信息（SQL）
3）从外部数据获得信息（第三方数据加强）
4）竞争伙伴信息
5）政策信息
6）语义分析
7）其他
获得KPI的工具：
1）问答（座谈，电话，Email，短信，问卷）
2）数据库（SQL）
3）Excel
4）R，Python等软件
5）网站搜索资料
6）自然语言学习
7）其他
分析这些KPI变量：
这些KPI可以是绝对数，百分数，也可以是指数。可以是过去不同时期的对比数据，也可以是不同分组（如：人群分组，模式分组）的对比数据，或者和竞争对手的对比数据等。
通常 KPI分析的方法有：
1）单变量分析（univariate）
2）双变量分析（bivariate）
3）多变量分析（multivariate）
4）假设验证（hypothesis）
5）简单建模（clustering分组）
经过对这些KPI的分析，可以帮助我们形成：
1）已有消费者人物画像
2）潜在消费者人物画像
3）忠诚客户画像
4）消费者价值分组
5）其他
第二步：诊断性分析（why）
回答问题。我们同样用医生看病的例子来类比一下，当医生问完病人问题，通过问诊，X光等等，医生开始利用自己掌握的知识来对病人的病情做出诊断。
放到分析法中，这一步通常我们需要：
1）了解因果关系
2）了解各因素间敏感性如何
我们需要了解是由哪个原因，或者哪些原因造成了现在的市场现状。比如在前一个阶段，我们得到了50个非常有用的KPI，通过因果关系分析，我们确定了，其中有10个KPI起着重要的作用。结下来，我们会问，这10个因素中，每个因素单独的贡献是多少，有些可能非常高，有些可能相对较低。
那这个问题，我们可以通过建模来得到每个因素的贡献大小，同时模型还能起到剔除高相关变量的作用。还有一种用到模型的原因是，当因素达到上百，上千个的时候，很难用传统方法在如此多的因素中，甄别出最有用的事那些，这种情况下，也需要用到模型来帮助选变量，最后一个原因是我们可以甄别这个因素是正向促进因素，还是反向促进因素。
通过建模的结果，我们可以得到以下以下关于消费者的模型：
1）忠诚度模型
2）满意度模型
3）价格敏感度模型
4）归因模型
5）客户流失模型
产生这些模型背后的算法有：
1）线性回归
2）逻辑回归
3）决策树
4）时间序列
5）Random forest，boosting，SVM，PCA等等
第三步：预测分析
预测正确的时机，得到先发制人的营销效果。有了第一步和第二步的准备，我们需要预测一下，如果我做一些调整，将会有什么变化和影响。
用到的模型有：
1）意向打分模型
2）品牌忠诚度打分
3）购买渠道偏好模型
4）触媒使用习惯
6）销量预测
5）生存分析模型
比如： 意向打分模型 。我们发现，如果用现有的因素，消费者会转换的倾向可能是60%，但是如果我对一些因素做了一些调整，如：我给现有客户多发2个广告，客户会购买的可能性上升到65%；如果，给客户多发5个广告，客户会购买的可能性上升到85%。通过这样的调整，我能够预估，将来的广告成本，或者转化带来的收入等。
又比如： 通过时间序列模型，我们可以预测到明年购买某品牌车型的消费者有10万人，这样对明年的生产计划和营销计划就能有一个前期的应对准备。
第四步：决策分析应用
1）提供战略推荐
2）优化
3）市场模拟
4）A／B测试
第三步的例子提到多发2个广告，转化率为65%；多发5个广告转化率为85%。那么如果多发3个？多发4个广告，结果又会如何呢？学术界一直在寻找最优化完美的答案来解决这个问题：我到底发几个广告，才能让我的利润达到最大化呢？
我们都知道在做回归模型的时候，有以下几个假设条件：
1、随机误差项是一个期望值或平均值为0的随机变量；
2、对于解释变量的所有观测值，随机误差项有相同的方差；
3、随机误差项彼此不相关；
4、解释变量是确定性变量，不是随机变量，与随机误差项彼此之间互相独立
5、解释变量之间不存在精确的线性关系，即解释变量的样本观测值矩阵是满秩矩阵
6、随机误差项服从正态分布
实际上，现实生活中很难达到这种理想的状态，而且最大化这个概念，从数学角度讲，会涉及到优化求极值的问题，很多情况下，我们实际上求到是局部优化（localoptimization）的解，而不是全局优化（globaloptimization）的解。
所以在这种情况下，管理学中衍生出了市场模拟方法来决定最后方案，最有名的一个方法是沙盘模拟，但是这些模拟往往到了真正落地的时候，又会和之前的结果有差距。
所以近些年来，越来越多的公司选择做A/B测试。当你对几个方案没有很大的把握，或者对预测结果不是特别自信的时候，A／B测试的出现，解决了这些顾虑。最近的一个成功的案例是Amazon通过A/B测试的方法，把“order”从账户栏，放入了主页的菜单栏，为公司带来的非常可观的营收增长。
A/B测试需要注意的是：
1）样本的数量
2）人群的选择
3）时间的跨度
4）显著性统计
整个决策分析法即是阶梯又是一个闭环，根据实际的市场反应，再进行进一步的分析与迭代优化。
读完整个量化决策分析法后，你应该对以消费者为核心的大数据解决方案有了一定的思路框架。
