从多个角度进行灵活拆分，分析出活跃度下降的真正原因

在互联网时代，用户行为数据是帮助我们理解和认识用户的基础；首先，我们以用户为中心，但从用户分析的角度来看，主要有两个模型：第一个是我们知道的更多「页面分析模型」，国内主要以友盟和百度统计为代表；围绕页面跳转，然后进行数据采集，帮助我们分析；会有新的问题——我们不知道用户停留在这个页面上是什么原因，也不能非常准确地恢复用户的所见所得；因此，这种页面分析模型不够详细和灵活。第二种是基于用户认知的行为事件分析模型。与页面分析相比，用户行为分析模型更全面、更灵活。第二种是基于用户认知的行为事件分析模型。与页面分析相比，用户行为分析模型对数据采集更加全面和灵活。我们通常做很多事情：做活动，做内容，围绕这些业务目标设计文案，有针对性地为用户设计一些活动；我们还需要注意许多操作模式，从人性的角度设计不同的操作策略。简而言之，我们所做的是希望用户能够识别产品和我们操作的价值；但我想问的是，你知道我们所做的和我们的期望是否一样。为了解决这个问题，让我们来看看评估操作效果所需的数据。通常，我们会看到累计用户数量、活动、保留和停留时间是我们的一些常见指标。然后你可能会问，是的，我们通常做这么多事情不是为了让这些数据变得更好吗？这些数据的改进证明了我们的业务正在蓬勃发展，所以我说这些指标是正确的和有价值的；但问题是，用户是否真的认识到你所做的事情来显示你所期望的数据特征？再举一个简单的例子，一个应用程序的推送可能会带来一波活跃用户。活跃用户认为推送特别及时和合适。进入产品后，我得到了我想要的；或者看到后我感到非常不安和骚扰。点击后，我看了看产品，卸载了应用程序。因此，我们的重点是在操作过程中至少花费大量的精力来实现目标。我们需要以正确的路径实现数据指标，无论是OKR还是目标，我们的关键是以正确的路径实现。如何知道我们所做的是否走在正确的道路上？我们需要通过用户在页面上的一些行为来评估我们的路径是否正确，是否符合预期，如大拇指、关闭、投诉或离开应用程序。让我谈谈一个案例，这是一个真实的案例，背景是一个内容产品：有一天，他们的内容操作非常迫切地来找我说，他们一直有一个监控指标，称为主页标题阅读转化率，最近转化率下降，他们做了很多计划，很多事情没有改善；但从整体产品健康的角度来看，也有用户增长，保留率小。从这个角度来看，用户应该更健康；所以他们现在特别矛盾，这些数据不理解在一起，用户很活跃，那么为什么阅读转化率继续下降。作为一种内容产品，如果用户不在这里阅读内容，用户会做什么？在这个时候，我们会有一些猜测：例如，它是否被一些彩票活动排水到交流区；或者标题不够有吸引力；或者社区群体中有一些争吵，所以我们没有时间看标题等等；至少我不知道哪个是真正的原因，所以我不能做出有针对性的调整。问题是，我们需要什么样的数据和分析能力？我在客户现场用他们的电脑做了一个半小时的分析，可能会告诉你逻辑。首先，我们定位问题的核心在哪里？通过刚才的描述，我们可以知道核心问题是主页头条的阅读率下降了；好吧，在这个时候，我将首先查看阅读文章事件的基本统计数据，首先检查头条的质量是否真的有问题；然而，我发现人均阅读量并没有减少，根据之前调整内容的时间节点，仍然存在起伏，这证明了内容制作方法和内容质量没有问题，得到了用户的回应。那些没有阅读头条的用户发生了什么？那些没有阅读头条新闻的用户发生了什么？这里可能有一件事我想详细说，为什么我得出结论，没有阅读头条新闻的用户发生了什么？人均阅读量是多少？人均阅读量是指阅读过文章的用户，即用户的阅读量除以阅读过文章的用户；如果人均阅读量没有减少，证明阅读文章，这些人仍然在仔细阅读文章，他可以被你吸引。既然阅读的转化率降低了，唯一可能的来源是什么？这表明可能有更多的用户没有阅读标题，这降低了整个转化率；因此，我将问题定位为没有阅读标题的用户。此时，我可以将触发标题事件作为一个条件，通过用户群功能将其分成两组。我可以为阅读标题次数大于或等于1的用户建立一个叫做阅读标题的用户群；然后在触发阅读标题次数等于零的条件下建立一个没有阅读标题的用户群，然后将这两个用户群放在一起进行比较。通过用户肖像，我比较了这两个用户的新时间、区域、渠道来源、版本等，包括产品中的一些关键行为，如拇指、评论、私人信息等。最后，我发现这些没有阅读头条新闻的用户在整体行为上并不活跃，他们在文章的拇指和私人信件上也不够活跃；最后，我把问题锁定在一个新的渠道上，我叫他A渠道。这个渠道似乎有问题。大多数没有阅读头条新闻的用户在过去七天里都来自这个渠道a。根据这些，我做出了一个猜测：A渠道的用户质量是否存在问题，我将近七天的A渠道用户进行分组，或者根据刚才的分组规则进行分组；然后与所有用户的平均情况进行比较，比较标题转换率，发现A渠道的平均水平要低得多；然后我现在可以确定一个假设，即A渠道的流量质量确实相对较低。这个时候可能有人会问，他们很活跃啊，他们保留还是活跃，为什么你还说他们的质量很低？我们有目标制造任何产品，否则不是我们制造产品的初衷；每个公司或多或少都遇到过这种事情，每个人都非常被动；所以当我们看到这个结果时，我们也感到非常沮丧。出乎意料的是，经过长时间的辗转反侧，我们认为内容有问题，但事实上，它最终出现在这个渠道上。让我们回顾一下。用这种保留和停留时间来评估一个渠道有点不可靠。今后，我们还需要添加这些由关键行为引发的条件；事实上，你可以看到我在整个过程中使用了很多分组。分组代表了一种非常基本的分析方法——比较。根据比较，分析是非常底层的，但绝对有效的分析手段。综上所述，数据的本质是场景恢复，这是数据背后最大的价值；毕竟，我们永远不能真正陪伴用户，很难一点一点地观察用户的行为；说实话，即使你陪伴用户看他的使用场景，所反映的行为也不一定是真实的行为。数据实际上相当于帮助我们打开上帝的视角，我可以记录所有用户的情况，也可以通过统计方法呈现数据的趋势；数据需求，我们需要以用户为中心，最重要的是灵活分割和分析数据；如果运营商能够获得满足这些需求的数据，我相信它将提高每个运营同事的效率，我们的精力也集中在最有价值的事情上。

以上就是关于从多个角度进行灵活拆分，分析出活跃度下降的真正原因的相关介绍，更多从多个角度进行灵活拆分，分析出活跃度下降的真正原因相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对从多个角度进行灵活拆分，分析出活跃度下降的真正原因有更深的了解和认识。