如何對(duì)應(yīng)用程序的用戶數(shù)據(jù)進(jìn)行定量分析

數(shù)據(jù)科學(xué)關(guān)注查找噪聲中隱藏的信號(hào)。這一點(diǎn)說(shuō)起來(lái)容易做起來(lái)難，但無(wú)需依靠眾多數(shù)據(jù)專家即可實(shí)現(xiàn)。本文介紹的定量分析技術(shù)是非常實(shí)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(jì)技術(shù)的人員。從本質(zhì)上來(lái)講，其流程可以總結(jié)為以下四步：

1.觀察：移動(dòng)用戶數(shù)據(jù)趨勢(shì)可能會(huì)帶來(lái)一些不可預(yù)料的見(jiàn)解，幫助更好地理解用戶使用應(yīng)用程序的方式、時(shí)間、地點(diǎn)和原因。這些見(jiàn)解具有潛在價(jià)值，可以據(jù)此制定后續(xù)決策，優(yōu)化用戶體驗(yàn)。

2.形成假設(shè)框架：無(wú)法獲取全部信息時(shí)，需要進(jìn)行歸納推理。對(duì)于移動(dòng)應(yīng)用程序來(lái)說(shuō)，這一點(diǎn)顯然正確，因?yàn)槟繕?biāo)用戶不可能聚在一起等著你去采訪。

3.數(shù)據(jù)采集：對(duì)假設(shè)進(jìn)行判斷需要面對(duì)的挑戰(zhàn)是確定對(duì)相關(guān)任務(wù)有幫助的可用證據(jù)。在我看來(lái)，這得先做好才考慮機(jī)器學(xué)習(xí)算法的細(xì)節(jié)。

4.評(píng)估假設(shè)：生成模型的出發(fā)點(diǎn)是希望進(jìn)一步解釋數(shù)據(jù)。接下來(lái)，根據(jù)模型對(duì)目前所觀察到數(shù)據(jù)的解釋情況，對(duì)模型可信度進(jìn)行評(píng)估。

制定高質(zhì)量并且切實(shí)可行的決策

數(shù)據(jù)科學(xué)可以描述為業(yè)務(wù)假設(shè)實(shí)際運(yùn)行情況之間的競(jìng)爭(zhēng)。與 Countly 合作將獲取完整的移動(dòng)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(dòng)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(huì)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(xì)信息。例如，可以使用 Countly 在多種語(yǔ)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(qǐng)參見(jiàn)下方屏幕截圖)。此方法比 Excel 更加形象生動(dòng)，無(wú)需額外導(dǎo)出原始數(shù)據(jù)進(jìn)行日常數(shù)據(jù)分析，為團(tuán)隊(duì)節(jié)省時(shí)間。

此外，Countly 可以靈活整合其他來(lái)源的移動(dòng)數(shù)據(jù)和人口統(tǒng)計(jì)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(jì)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(guò)特定推送通知促進(jìn)微目標(biāo)定位。這樣數(shù)據(jù)分析就能夠更具有針對(duì)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(dòng)領(lǐng)域中不斷發(fā)展，您需要擴(kuò)展成功的定義：對(duì)您來(lái)說(shuō)，“成功”意味著什么?這個(gè)問(wèn)題其實(shí)并不像看起來(lái)那樣簡(jiǎn)單。您優(yōu)先考慮什么問(wèn)題?如果您重點(diǎn)關(guān)注應(yīng)用程序內(nèi)購(gòu)買，那么您的目標(biāo)是收入和用戶生命周期價(jià)值 (LTV)。對(duì)于其他大部分不以貨幣化為中心的應(yīng)用程序來(lái)說(shuō)，主要關(guān)注點(diǎn)可能在于留存用戶。

那么，現(xiàn)在我們開(kāi)始觀察數(shù)據(jù)。利用 Countly 您能夠訪問(wèn) 100% 應(yīng)用程序用戶數(shù)據(jù)，還可以詳細(xì)查看高參與度用戶(假設(shè)您運(yùn)營(yíng)一款健身應(yīng)用程序，并選擇留存率作為成功標(biāo)準(zhǔn))以及這些用戶注冊(cè)時(shí)執(zhí)行的操作。觀察高參與度用戶行為模式，然后進(jìn)行定量訪問(wèn)確定應(yīng)用程序最令人興奮的特點(diǎn)。隨后，您的團(tuán)隊(duì)可以獲取下載應(yīng)用的初 10 天內(nèi)完成對(duì)提高留存率有幫助操作的主要假設(shè)：

1.完成 3 項(xiàng)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?xiàng)操作定義隊(duì)列，然后在采樣數(shù)據(jù)上使用二分類測(cè)試比較注冊(cè) 2 個(gè)月后每組用戶留存表現(xiàn)。之后我們可以觀察每項(xiàng)測(cè)試的正負(fù)預(yù)測(cè)值(定義如下)，確定我們正在尋找的關(guān)鍵閾值。

測(cè)試 1：用戶在初 10 天內(nèi)是否完成 ≥ 3項(xiàng)推薦鍛煉?

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

測(cè)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(xiàng)推薦鍛煉勝出。因此，這項(xiàng)操作有較高的 2 個(gè)月留存正預(yù)測(cè)值；相反地，完成少于 3 項(xiàng)鍛煉有較高的負(fù)預(yù)測(cè)值。這項(xiàng)測(cè)試可以很好地預(yù)測(cè) 2 個(gè)月留存情況：達(dá)到標(biāo)準(zhǔn)，有 99% 機(jī)率留存應(yīng)用程序；未達(dá)到標(biāo)準(zhǔn)，有 95% 機(jī)率會(huì)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(cè)值)，但未達(dá)到關(guān)鍵條件標(biāo)準(zhǔn)。未執(zhí)行這些操作的用戶仍有很高機(jī)率在 2 個(gè)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(xiàng)評(píng)估要點(diǎn)在于讓用戶完成行動(dòng)的價(jià)值。換言之，讓用戶完成 3 項(xiàng)推薦鍛煉進(jìn)而提高 2 個(gè)月后留存應(yīng)用程序所需付出的代價(jià)。分析數(shù)字時(shí)，完成 3 項(xiàng)推薦鍛煉可使 2 個(gè)月后留存機(jī)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(wú)法讓留存率翻倍(分別提高 1.3 倍和 1.1 倍)。你可以通過(guò)回歸分析得出這一結(jié)論，但所需時(shí)間過(guò)長(zhǎng)。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(shí)間和精力鼓勵(lì)用戶完成 3 項(xiàng)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(cè)值)，但未達(dá)到關(guān)鍵條件標(biāo)準(zhǔn)。未執(zhí)行這些操作的用戶仍有很高機(jī)率在 2 個(gè)月后仍留存應(yīng)用程序。

如果對(duì)機(jī)器學(xué)習(xí)和更復(fù)雜的模型感興趣，我建議針對(duì)非結(jié)構(gòu)化數(shù)據(jù)使用 K 均值聚類(K-Means Clustering)，使用 R 語(yǔ)言實(shí)現(xiàn)。該技術(shù)提供另一種識(shí)別與 3 個(gè)月后留存率等業(yè)務(wù)目標(biāo)相關(guān)特定聚類的方法。觀察結(jié)果按指定標(biāo)準(zhǔn)分為 K 組并重新分組，形成關(guān)聯(lián)最為緊密的聚類(請(qǐng)參見(jiàn)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(huì)永遠(yuǎn)固定在一個(gè)聚類中。分析時(shí)，觀察結(jié)果會(huì)移動(dòng)，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(yǔ)言實(shí)戰(zhàn)》作者 Rob Kabacoff 發(fā)表的文章。

保持簡(jiǎn)潔

誤差最小的通用模型最有可能準(zhǔn)確預(yù)測(cè)未來(lái)觀察結(jié)果——奧卡姆剃刀原理。確定關(guān)鍵性閾值時(shí)的兩個(gè)重要注意事項(xiàng)：保持穩(wěn)定簡(jiǎn)潔。如果涉及過(guò)多不同行動(dòng)，將難以衡量并且可能會(huì)隨時(shí)間發(fā)生變化。同時(shí)也會(huì)分散團(tuán)隊(duì)的注意力 — 這引出我們的下一步驟。

采取行動(dòng)

既然已經(jīng)確定關(guān)鍵指標(biāo)，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(dòng)。Sokrati，印度領(lǐng)先的網(wǎng)絡(luò)廣告績(jī)效管理公司，已成功在開(kāi)節(jié)日期間展開(kāi)2-3天的Facebook 活動(dòng)為珠寶品牌贏了超過(guò)300%的銷售增長(zhǎng)。他們的策略包括三個(gè)步驟：

關(guān)鍵在于利用節(jié)日期間有針對(duì)性地鼓勵(lì)更多用戶盡快行動(dòng)。深入挖掘不同的受眾群以擴(kuò)大受眾群體，你會(huì)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！