- 综合排序
- 最热优先
- 最新优先
- 来自专栏腾讯云大数据
用户增长分析——用户分群分析
| 导语在产品的增长分析当中，想关注符合某些条件的一部分用户，不仅想知道这些人的整体行为（访问次数，访问时长等），还希望知道其中差异较大的细分群体。 用户分群方法，能帮助我们对差异较大的群体分别进行深入分析，从而探究指标数字背后的原因，探索实现用户增长的途径。 用户分群，就是用来满足这类需求的工具方法，它能帮助我们对差异较大的群体分别进行深入分析，从而探究指标数字背后的原因，探索实现用户增长的途径。 聚类分析的特征： 简单、直观； 主要应用于探索性的研究，其分析的结果可以提供多个可能的解，选择最终的解需要研究者 的主观判断和后续的分析； 不管实际数据中是否真正存在不同的类别，利用聚类分析都能得到若干类别的解 识别合适的聚类变量的方法：1.对变量做聚类分析，从聚得的各类中挑选出一个有代表性的变量；2.做主成份分析或因子分析，产生新的变量作为聚类变量。
3.4K123发布于 2018-06-19 - 来自专栏Spark学习技巧
用户增长常见分析模型
用户增长，即以提升用户LTV为目的（含获取、激活、留存、变现、推荐等环节）所进行的一切增长活动。受互联网红利退潮影响，越来越多的企业感到获客不易，所以用户增长是确保产品健康发展下去的永恒话题。 AARRR模型因其掠夺式的增长方式也被称为海盗模型、海盗指标，也叫增长黑客理论模型、增长模型、2A3R模型、决策模型。 最大的价值是可以带来更迅猛的复合增长，复合增长相对于线性增长，最大的区别是每一份投入是否可以换来成倍回报。 社交传播，受众涟漪扩散 Retargeting（回）：沉默唤醒，智慧化再营销 Retention（忆）：精细运营，促进端内活跃 Revenue（收）：精准投放，商业化变现 Reservation（留）：留存分析 基于对实时数据的研判和归因分析，将各个环节的运营场景串联打通，真正形成了贯穿用户全生命周期的运营闭环。
2K10编辑于 2023-10-07 - 来自专栏腾讯云大数据
用户增长分析——用户流失预警
1前言 针对用户增长分析这个课题，本文主要从用户防流失的角度，阐述如何基于QQ社交网络数据构建用户流失预警模型，找出高潜流失用户，用于定向开展运营激活，从而有效控制用户流失风险，提升大盘用户的留存率和活跃度 2分析背景 “根据美国贝恩公司的调查，在商业社会中5％的客户留存率增长意味着公司利润30％的增长，而把产品卖给老客户的概率是卖给新客户的3倍。 所以在‘增长黑客’圈内有一句名言：留住已有的用户胜过拓展新的客户，也就是俗称的‘一鸟在手，胜过双鸟在林’。” ——《增长黑客》 用户留存和用户流失是一组相对的概念。 不同业务场景下流失分析可能需要综合考虑多个维度，以制定最为合理的分析目标。 顾名思义，这个数字能给业务增长带来魔力般的神奇促进效果。通过对关键影响指标的量化分析，可以帮助业务有效制定运营目标。 ?
16.3K67发布于 2018-10-09 - 来自专栏云计算D1net
SaaS领域如何分析收入增长？
本文编译自Social Capital关于在SaaS领域如何分析用户增长，创业公司在自己的运营过程中可以借鉴这些分析方法，以密切关注自身成长和不断提升收入增长。分享给大家，希望你会觉得有用！ 在上一篇中，我们通过对月活跃用户增长以及挖掘不同潜在用户群的分析，探讨了如何分析用户增长，更好地理解增长动力。今天我们试着将其模式运用到收入增长上进行分析。 对这样的公司而言，月活跃用户（MAU）增长和月常规收入（MRR）增长都是关注点。别忘了我们仍然关注月活跃用户（MAU）分析。如果当月流失用户，那么很可能对应的当月收入也会相应减少。 上图模拟了月均16%的常规收入增长率 就像分析月活跃用户那样，我们拆分月常规收入的组成部分看看，其中会有些细微差别。对于月活跃用户的分析，区别在于用户是流失还是留存。 这就得到了日活跃用户的月度增长分析。 如果不想分析活跃用户或收入，可以尝试分析链接分享（如分享至Twitter）。
1.5K60发布于 2018-03-23 - 来自专栏接地气学堂
用户增长分析模型，该如何搭建
数据驱动增长，是很多公司对数据分析师的要求，可具体到操作上，大家就开始纠结了。虽然增长黑客上白纸黑字写了AARRR五个大字，可真到分析的时候，就总被吐槽： “新客户数10000人，所以呢？” 要怎么分析才能成体系的输出结论？今天系统分享一下。 00 用户增长的本质 先忘记模型、数据、方法论。就问一个最简单的问题：“如果让你自己做生意，你会思考啥？” 05 第五：投入产出核算 投入产出核算，是评估增长的最重要尺子。这一步，常规的投放分析/获客分析也会做，但经常陷入细节，过分纠结每个渠道的ROI，形成“瘸子里边挑将军”的局面（如下图）。 06 小结 这一套增长模型的做法，主要是为了避免增长分析只盯着眼前的一亩三分地，而导致的短视问题。 这样对于数据分析师的工作是有很大挑战的，但是对增长来说非常有帮助。肯定有同学会问：具体的测试分析该怎么做，才能得出靠谱结论。大家感兴趣的话，本篇集齐60在看，我们下一篇分享哦，敬请期待。
1.3K20发布于 2021-11-23 - 来自专栏接地气学堂
数据分析，如何驱动业务增长
“数据分析要助力增长！”是很多公司的要求。然而实际执行的时候，很多同学都犯了难。看起来每天的工作就是在计算数据，这还能咋增长？ 今天详细给大家解答一下，到底怎么做能实现增长。 增长的底层逻辑 问一个灵魂拷问：业务为什么会增长？想要增长，首先业务本身不能做得太烂，其次，业务得有足够的发展空间。 在这两个前提下，产生了四种增长的底层逻辑： 1、不需要对现在做改变，只要单纯的增加投入，就能有更大产出 2、需要对现在做改变，要把现在某个最弱的环节补齐 3、需要对现在做改变，要把现在某个最强的做法铺开 九大数据分析方法：矩阵分析法 九大数据分析方法：漏斗分析法 问题是：区分出好坏以后，又该怎么操作？ 小结 综上可见，真的想驱动业绩提升，需要数据分析围绕“增长”这件事，鞍前马后做大量辅助工作，结合行业数据，历史数据，当前表现，测试结果，真正解读出增长的关键，积累经验/教训，才能实现。
1.7K20编辑于 2022-06-13 - 来自专栏数据D江湖
数据分析，如何驱动业务增长
以下文章来源于接地气的陈老师 ，作者接地气的陈老师 “数据分析要助力增长！”是很多公司的要求。然而实际执行的时候，很多同学都犯了难。看起来每天的工作就是在计算数据，这还能咋增长？ 今天详细给大家解答一下，到底怎么做能实现增长。 增长的底层逻辑 问一个灵魂拷问：业务为什么会增长？想要增长，首先业务本身不能做得太烂，其次，业务得有足够的发展空间。 在这两个前提下，产生了四种增长的底层逻辑： 1、不需要对现在做改变，只要单纯的增加投入，就能有更大产出 2、需要对现在做改变，要把现在某个最弱的环节补齐 3、需要对现在做改变，要把现在某个最强的做法铺开 九大数据分析方法：矩阵分析法 九大数据分析方法：漏斗分析法 问题是：区分出好坏以后，又该怎么操作？ 小结 综上可见，真的想驱动业绩提升，需要数据分析围绕“增长”这件事，鞍前马后做大量辅助工作，结合行业数据，历史数据，当前表现，测试结果，真正解读出增长的关键，积累经验/教训，才能实现。
1.4K30编辑于 2022-12-08 - 来自专栏数据的力量
用户增长分析系列：用户流失预警
1 前言 针对用户增长分析这个课题，本文主要从用户防流失的角度，阐述如何基于QQ社交网络数据构建用户流失预警模型，找出高潜流失用户，用于定向开展运营激活，从而有效控制用户流失风险，提升大盘用户的留存率和活跃度 2 分析背景 “根据美国贝恩公司的调查，在商业社会中5％的客户留存率增长意味着公司利润30％的增长，而把产品卖给老客户的概率是卖给新客户的3倍。 所以在‘增长黑客’圈内有一句名言：留住已有的用户胜过拓展新的客户，也就是俗称的‘一鸟在手，胜过双鸟在林’。” ——《增长黑客》 用户留存和用户流失是一组相对的概念。 不同业务场景下流失分析可能需要综合考虑多个维度，以制定最为合理的分析目标。 顾名思义，这个数字能给业务增长带来魔力般的神奇促进效果。通过对关键影响指标的量化分析，可以帮助业务有效制定运营目标。 ?
2K40发布于 2018-11-23 - 来自专栏数据的力量
增长分析必杀技：用户分群
---- | 导语在产品的增长分析当中，想关注符合某些条件的一部分用户，不仅想知道这些人的整体行为（访问次数，访问时长等），还希望知道其中差异较大的细分群体。 用户分群方法，能帮助我们对差异较大的群体分别进行深入分析，从而探究指标数字背后的原因，探索实现用户增长的途径。 用户分群，就是用来满足这类需求的工具方法，它能帮助我们对差异较大的群体分别进行深入分析，从而探究指标数字背后的原因，探索实现用户增长的途径。 聚类分析的特征： 简单、直观； 主要应用于探索性的研究，其分析的结果可以提供多个可能的解，选择最终的解需要研究者 的主观判断和后续的分析； 不管实际数据中是否真正存在不同的类别，利用聚类分析都能得到若干类别的解 识别合适的聚类变量的方法：1.对变量做聚类分析，从聚得的各类中挑选出一个有代表性的变量；2.做主成份分析或因子分析，产生新的变量作为聚类变量。
1.7K31发布于 2018-08-13 - 来自专栏素质云笔记
用户增长——Cohort Analysis 留存分析（三）
但是事实上，数据并不会说谎，只是分析数据的人没有做到精准分析而导致对数据呈现的错误解读！因此，Cohort Analysis的分析方法应运而生。 目前该系列的几篇： 用户增长——CLV用户生命周期价值CLTV 笔记（一） 用户增长 - BG/NBD概率模型预测用户生命周期LTV（二） 用户增长——Cohort Analysis 留存分析（三 Cohort其实是一个组群的意思， Cohort Analysis就是分组分析，也可以叫做同期分析。 如果只看当月的总用户情况，那么上述这些问题都会被掩盖，尤其是新增用户数量大的时候，表面看起来公司用户是在增长，但很可能全都是靠新增用户拉动的。 四、一个案例总结 数据分析——Cohort Analysis（群组分析） Cohort Analysis又叫队列分析，群组分析，是数据分析中常用的一种方法。
5.6K32编辑于 2021-12-07 - 来自专栏腾讯大讲堂的专栏
【用户增长】渠道增长SOP：轻松实现内渠提效复盘分析
导语｜微信是内渠分发的重要渠道，增长中心与微信深度合作，通过成熟游戏节点活动等多种方式提升IEG游戏在微信的分发效率，增长数据组围绕内渠提效增长沉淀了一套分析SOP，方便快速定位投放中出现的问题，接下来为大家分享下 ，我们的内渠提效增长SOP建设遇到的问题和我们的拆解方法。 三、分析case 接下来，我们用上面的SOP流程分析一个实际投放的案例，这个case的背景是某游戏的虚拟金投放中指标的波动，观察到3月投放的曝光注册率大幅下降的趋势，而4月的EVR有显著的提升，需要分析 四、写在最后 V1.0版增长SOP重点关注出包后投放，目的是复盘单次投放效果，并对异常问题进行快速定位，是发现出问题的某次具体投放后，进行的下钻分析。 方便根据检查结果，适时做一些尾部用户的替换，提高出包的转化效率，即投前分析SOP，和投后分析一起，不断提升投放效率。
87711编辑于 2023-08-05 - 来自专栏咸鱼学Python
用户活跃、留存、增长分析
增长黑客，是以增长为唯一目标的一群人，他们所做的每一件事情，都会力求会给产品带来持续增长的可能性 ? 第二部分主要内容是PMF（产品与市场相匹配) ? 第三部分主要内容是获客增长 ? 第六部分是数据分析 ? 结语 作者简介：目前就职于上海大智慧，主要负责大数据中台、金融数据中心、推荐搜索、知识图谱等方向 。擅长产品架构和模块化设计，主攻python数据分析。
79222发布于 2020-10-26 - 来自专栏产品笔记
增长分析模型哪个更好？AARRR与RARRA
“移动应用产品的永恒不变的目标就是增长，而增长背后一定有数据的支撑。而什么样的增长分析模型可以让数据分析更加科学决策？” 01 什么是AARRR？ AARRR框架是一个首字母的缩写，由风险投资人戴夫·麦克卢尔在2007年提出的一种业务增长模型，以产品主导增长企业应该追踪的五个用户行为指标。 Acquisition. 通过各种付费或免费的手段进行用户增长。 增长真正的关键是用户保留，而不是获取。 5、优化获取渠道 利用漏斗分析哪些渠道对产品的效果最好，某一些渠道在获取新用户方面表现良好，但是用户的留存比较差，进一步分析用户留存率较高的渠道来自哪里。
1.3K20编辑于 2022-06-02 - 来自专栏阁下 HE
增长分析-在缓慢变化中的跳变
增长中的用户分群，如何动态圈选用户，分析其中的增长机会呢？聊一聊一种基于缓慢变化维度的分群方式。 在数据分析中，常常有下面几种分群方式 基础属性类：年龄、性别、城市、学历等等 - 特点：基本不变化，虽然年龄、城市等等标签也会发生变化，但本质上是作为用户固定属性分析 - 优势：用户属性稳定，分群较少发生变化 - 劣势：维度有限，很多需要分析的标签，较难找到固定属性 ? 例：今天领红包的用户留存率降低，我们要分析到底是红包产品出了问题，还是今天有一大批留存低的用户领了红包？因果关系不容易分析。 ? 图：腾讯灯塔关于缓慢变化维度的适配 目前团队中，已经将较多长周期用户行为数据进行分层分群，作为用户基础画像的一部分，引入到数据分析之中，在日常的运营分析和异动监控中广泛应用。
1.1K50发布于 2021-08-13 - 来自专栏小晨讲Flink
基于 Apache Doris 的小米增长分析平台实践
image.png 1、背景 随着小米互联网业务的发展，各个产品线利用用户行为数据对业务进行增长分析的需求越来越迫切。 2、增长分析场景介绍 24264162-be4a33da995fe293960×540 36.9 KB 如上图所示，分析、决策、执行是一个循环迭代的过程，因此，增长分析查询非常灵活，涉及分析的维度有几十上百个 在我们的业务中，增长分析最常用的三个功能是事件分析（占绝大多数）、留存分析和漏斗分析；这三个功能业务都要求针对实时入库（只有append）的明细数据，能够即席选择维度和条件（通常还要join业务画像表或者圈选的人群包 4、Doris实践与优化 4.1 Doris在增长分析平台的使用情况 24264162-2a96ac54f6206b68923×281 57.5 KB 随着接入业务的增多，目前，我们的增长分析集群单集群最大规模已经扩展到了近百台 在增长分析场景中，留存分析、漏斗分析等都使用到了UDAF。以留存分析为例，它是一种用来分析用户参与情况/活跃程度的分析模型，考查进行初始行为后的用户中有多少人会进行后续行为。
2.5K30发布于 2020-09-09 - 来自专栏人人都是数据分析师
数分面试实战分析|腾讯互娱-游戏增长体系商业分析面经
1背景介绍 在看到之前对ZZ之前关于数据分析面试的实战分析之后，一个最近在找实习的同学找我想帮他的面试分析一下，于是有了这篇文章。 由于止步于二面，想总结一下经验，所以只包含二面的过程，岗位是腾讯互娱的戏增长体系商业分析师。 ，主要工作包括日常的数据支持工作、AB 实验跟进工作和业务分析工作，现在正在小红书做增长方面的数据分析实习生，主要负责广告投放的业务，工作也包括一些数据支持和业务分析工作。 IN：聊聊你遇到的挫折，并之后怎么克服的 CA：主要是发生在我的创业经历上吧，我先聊一下背景吧，balabala，然后描述了一个发现订单少，最后通过调查问卷和肯德基实现订单增长的事。 IN：你了解商业分析这个岗位么 CA：其实也还是在探索中，按我的理解来看，分析分为三种，数据分析、战略分析、商业分析，那数据分析可能比较细，更多的去看分析业务，而战略分析比较大，更多的去看行业。
1.9K20发布于 2021-05-13 - 来自专栏腾讯大讲堂的专栏
增长产品中，量化数据分析的几个方法
增长为什么要做量化 做增长产品的数据分析，和其他的数据分析，个人认为最大的特色在于量化，为什么要做量化？ 因为，做增长，是个强数据驱动的方法，要把有限的资源发挥出最大的价值，所以必须准确计算出每个Driver的ROI，才能更有效分配资源，做到效率最大化，把好钢用在刀刃上。 可以看出，我把增长产品的量化规为2大类，外部拉量（拉新、拉活）和促进活跃： 外部拉量：拉新方面，业界有比较成熟的LTV模型，难点在于对LTV模型的预估，拉活方面，一般我们只计算当次（当然不严谨，拉活的后续持续贡献非常复杂 （本文重点讲述AB实验，对于1+1≠2话题，详细请看本人的文章《数据分析中，为什么1+1不等于2？》） 上线后，数据分析师依然有职责量化出贡献，以我负责业务为例，2020的微视集令牌活动，如何量化贡献？ 我们思考过程如下： 首先，采用对比法，对比参与活动与未参与活动的活跃天差别。
2.4K21发布于 2020-09-16 - 来自专栏科技云报道
野蛮增长时代远去，增强分析开启大数据未来
随着野蛮增长的时代远去，精细化和效率将是未来企业竞争的胜负手。 作为一座隐形的“金矿”，日益增长的数据规模为企业发展带来了崭新机遇。 以数据为驱动的模式正备受企业重视，并且逐步从基本的可视化分析，向更高的智能化分析阶段持续进化。这个过程中，人工智能将全面落地在数据分析决策之中。 另一方面能兼顾专业数据分析和业务洞察的人才少之又少，增强分析正是解决这一矛盾，让数据分析普惠所有业务用户的良药。 简单地说，增强分析可以理解为借助AI技术进行智能化、自动化的数据分析，挖掘数据价值，降低分析门槛，提高分析深度。 分析偏差降低。增强型分析支持计算机执行通常用于数据分析工具的分析，通过对更大范围的数据执行操作并仅专注于统计意义因素，可以降低潜在的偏差。 信任度提高。
64620编辑于 2022-08-31 - 来自专栏SaaS加速器
SaaS销售：增长引擎 or 增长杀手？
将增长押注于销售的ToB公司，试图使用销售员的人海战术，通过冲高销售额实现增长。不幸的是，这种方法本身就是一个增长的销售陷阱；这非但不能增长，还为未来的增长挖了一个个大坑。 对于ToB来说，销售是增长的引擎，也可能变为增长的杀手。 从财务角度看，它们推高了营销与销售（S&M）费用率，既没有实现增长、还产生了亏损。而从营销管理角度看，这些低水平的业务累积起来，公司能活下来都难，更不要提增长了。 大部分互联网公司解决营销问题的方法，无非是分析数据和统计转化率之类；然而，这几乎起不到什么改进作用，只是撇清业务责任而已。 我个人更愿意用业务质量，而不是用转化率来考量。 好合同能带来盈利和增长，而差合同带来的只能是“负债”。
1.1K20发布于 2020-06-09 - 来自专栏PowerBI战友联盟
PowerBI 实现价格数量混合模型分析企业增长原因
价格销量混合模型（Price-Volume-Mix），是分析企业营收差异变化原因的高级分析模型，其标准实现以及扩展变化可能形成多种实际形态。 从业务上来说，2020 年由于上新品带来了客观的增长，说明新品比较切合市场，同时销量也进一步加大，价格并未带来显著增长。 如果利用商业智能的全动态性，以及小多图，将整套业务拆到更细粒度，则有： ? 可以看出，销售经理们的业绩改变也主要依赖新老产品的交替，能够更好的把握新品的推广，显著促进增长；而对原有销售规模比较大的经理，由于暂时无法全面替换，导致新品对比老品下架的增长是有限的。 在此前，我们有一篇文章谈到 MECE 分解，讲的是去理解或分析一个系统，如何将其有效分解，满足：互斥的完全穷举。 Price-Volume-Mix 分析，下简称 PVM 分析，也是一种对营收变化分析的神奇的 MECE 分解。
2.6K31发布于 2021-03-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号