如何對應(yīng)用程序的用戶數(shù)據(jù)進行定量分析

數(shù)據(jù)科學關(guān)注查找噪聲中隱藏的信號。這一點說起來容易做起來難，但無需依靠眾多數(shù)據(jù)專家即可實現(xiàn)。本文介紹的定量分析技術(shù)是非常實用的入門方法(鏈接中提供額外信息)，適用于想親自使用基礎(chǔ)統(tǒng)計技術(shù)的人員。從本質(zhì)上來講，其流程可以總結(jié)為以下四步：

1.觀察：移動用戶數(shù)據(jù)趨勢可能會帶來一些不可預(yù)料的見解，幫助更好地理解用戶使用應(yīng)用程序的方式、時間、地點和原因。這些見解具有潛在價值，可以據(jù)此制定后續(xù)決策，優(yōu)化用戶體驗。

2.形成假設(shè)框架：無法獲取全部信息時，需要進行歸納推理。對于移動應(yīng)用程序來說，這一點顯然正確，因為目標用戶不可能聚在一起等著你去采訪。

3.數(shù)據(jù)采集：對假設(shè)進行判斷需要面對的挑戰(zhàn)是確定對相關(guān)任務(wù)有幫助的可用證據(jù)。在我看來，這得先做好才考慮機器學習算法的細節(jié)。

4.評估假設(shè)：生成模型的出發(fā)點是希望進一步解釋數(shù)據(jù)。接下來，根據(jù)模型對目前所觀察到數(shù)據(jù)的解釋情況，對模型可信度進行評估。

制定高質(zhì)量并且切實可行的決策

數(shù)據(jù)科學可以描述為業(yè)務(wù)假設(shè)實際運行情況之間的競爭。與 Countly 合作將獲取完整的移動用戶行為數(shù)據(jù)集以及數(shù)據(jù)可視化所需的整套工具。定量分析需要使用完整的移動用戶行為數(shù)據(jù)集，而非抽樣技術(shù)分析所采集的數(shù)據(jù)，后者可能會在分析中引入不確定性的偏差。只需單擊幾次，就能夠以可視化方式查看關(guān)于用戶的各種詳細信息。例如，可以使用 Countly 在多種語言環(huán)境下快速可視化應(yīng)用程序用戶的原始數(shù)據(jù)和百分比數(shù)據(jù)(請參見下方屏幕截圖)。此方法比 Excel 更加形象生動，無需額外導(dǎo)出原始數(shù)據(jù)進行日常數(shù)據(jù)分析，為團隊節(jié)省時間。

此外，Countly 可以靈活整合其他來源的移動數(shù)據(jù)和人口統(tǒng)計數(shù)據(jù)，例如銀行可能需要從后端整合數(shù)據(jù)(年齡、估計收入、婚姻狀況、最近大宗交易記錄和近期地址變更)，以便 Countly 更好地了解用戶在應(yīng)用程序內(nèi)的行為并通過特定推送通知促進微目標定位。這樣數(shù)據(jù)分析就能夠更具有針對性，更加適應(yīng)業(yè)務(wù)需要。

為了幫助您在令人興奮的數(shù)據(jù)驅(qū)動領(lǐng)域中不斷發(fā)展，您需要擴展成功的定義：對您來說，“成功”意味著什么?這個問題其實并不像看起來那樣簡單。您優(yōu)先考慮什么問題?如果您重點關(guān)注應(yīng)用程序內(nèi)購買，那么您的目標是收入和用戶生命周期價值 (LTV)。對于其他大部分不以貨幣化為中心的應(yīng)用程序來說，主要關(guān)注點可能在于留存用戶。

那么，現(xiàn)在我們開始觀察數(shù)據(jù)。利用 Countly 您能夠訪問 100% 應(yīng)用程序用戶數(shù)據(jù)，還可以詳細查看高參與度用戶(假設(shè)您運營一款健身應(yīng)用程序，并選擇留存率作為成功標準)以及這些用戶注冊時執(zhí)行的操作。觀察高參與度用戶行為模式，然后進行定量訪問確定應(yīng)用程序最令人興奮的特點。隨后，您的團隊可以獲取下載應(yīng)用的初 10 天內(nèi)完成對提高留存率有幫助操作的主要假設(shè)：

1.完成 3 項推薦鍛煉

2.在社區(qū)發(fā)布 5 件信息

3.關(guān)注5 份健康飲食

我們?yōu)槊宽棽僮鞫x隊列，然后在采樣數(shù)據(jù)上使用二分類測試比較注冊 2 個月后每組用戶留存表現(xiàn)。之后我們可以觀察每項測試的正負預(yù)測值(定義如下)，確定我們正在尋找的關(guān)鍵閾值。

測試 1：用戶在初 10 天內(nèi)是否完成 ≥ 3項推薦鍛煉?

測試 2：用戶在初 10 天內(nèi)在社區(qū)發(fā)布 ≥ 5 件信息?

測試 3：用戶在初 10 天內(nèi)關(guān)注 ≥ 5 份健康飲食?

顯然完成 3 項推薦鍛煉勝出。因此，這項操作有較高的 2 個月留存正預(yù)測值；相反地，完成少于 3 項鍛煉有較高的負預(yù)測值。這項測試可以很好地預(yù)測 2 個月留存情況：達到標準，有 99% 機率留存應(yīng)用程序；未達到標準，有 95% 機率會丟失用戶。

發(fā)布 5 件信息和關(guān)注 5 份健康飲食與留存情況有很大關(guān)聯(lián)(因此有較高的正預(yù)測值)，但未達到關(guān)鍵條件標準。未執(zhí)行這些操作的用戶仍有很高機率在 2 個月后仍留存應(yīng)用程序。

到目前為止，完成推薦鍛煉似乎成為關(guān)鍵性閾值。另一項評估要點在于讓用戶完成行動的價值。換言之，讓用戶完成 3 項推薦鍛煉進而提高 2 個月后留存應(yīng)用程序所需付出的代價。分析數(shù)字時，完成 3 項推薦鍛煉可使 2 個月后留存機率提高大約 20 倍，而發(fā)布 5 次更新和關(guān)注 5 份健康飲食甚至無法讓留存率翻倍(分別提高 1.3 倍和 1.1 倍)。你可以通過回歸分析得出這一結(jié)論，但所需時間過長。如要了解更多信息，我建議閱讀該URL。數(shù)據(jù)分析結(jié)果表明，值得投入時間和精力鼓勵用戶完成 3 項推薦鍛煉。發(fā)布 5 件信息和關(guān)注 5 份健康飲食與留存情況有很大關(guān)聯(lián)(因此有較高的正預(yù)測值)，但未達到關(guān)鍵條件標準。未執(zhí)行這些操作的用戶仍有很高機率在 2 個月后仍留存應(yīng)用程序。

如果對機器學習和更復(fù)雜的模型感興趣，我建議針對非結(jié)構(gòu)化數(shù)據(jù)使用 K 均值聚類(K-Means Clustering)，使用 R 語言實現(xiàn)。該技術(shù)提供另一種識別與 3 個月后留存率等業(yè)務(wù)目標相關(guān)特定聚類的方法。觀察結(jié)果按指定標準分為 K 組并重新分組，形成關(guān)聯(lián)最為緊密的聚類(請參見以下示例)。

與分層聚類相比，K 均值聚類可以處理更大規(guī)模的數(shù)據(jù)集。此外，觀察結(jié)果不會永遠固定在一個聚類中。分析時，觀察結(jié)果會移動，從而改善整體結(jié)果。要了解更多關(guān)于 K 均值聚類的信息，我建議閱讀《R 語言實戰(zhàn)》作者 Rob Kabacoff 發(fā)表的文章。

保持簡潔

誤差最小的通用模型最有可能準確預(yù)測未來觀察結(jié)果——奧卡姆剃刀原理。確定關(guān)鍵性閾值時的兩個重要注意事項：保持穩(wěn)定簡潔。如果涉及過多不同行動，將難以衡量并且可能會隨時間發(fā)生變化。同時也會分散團隊的注意力 — 這引出我們的下一步驟。

采取行動

既然已經(jīng)確定關(guān)鍵指標，即必須加以克服以便提高用戶滿意度和參與度的閾值，那么就應(yīng)該采取相應(yīng)行動。Sokrati，印度領(lǐng)先的網(wǎng)絡(luò)廣告績效管理公司，已成功在開節(jié)日期間展開2-3天的Facebook 活動為珠寶品牌贏了超過300%的銷售增長。他們的策略包括三個步驟：

關(guān)鍵在于利用節(jié)日期間有針對性地鼓勵更多用戶盡快行動。深入挖掘不同的受眾群以擴大受眾群體，你會看到參與和保留度上升。我希望這些概念與結(jié)構(gòu)可以幫你。歡迎你聯(lián)系Countly繼續(xù)討論與分享自己的故事！