論數據分析在APP開發中的重要性

 

 

所有好的APP開發案例，除了外觀設計精美，功能解決了人們的需求，但溯其根源，都是脫離不了底層的數據支撐的。所以，在APP開發中，懂點數據分析很有必要。下面樂信科技就跟大家分享一下如何做數據分析。

我們在做數據分析時，會把數據分析拆分為5個步驟來進行（收集、清洗、對比、細分、溯源）。下面一一展開來講。

 

一、數據收集

 

當我們在做數據分析時，第一步要解決的問題肯定就是數據源的問題。我們把數據分為二大類：

直接能獲取的數據，通常都是內部數據。無非就是從網站后臺或者是自己家的數據庫里面導。

外部數據，需要經過加工整理后得到的數據。

典型的數據來源有：

百度指數：http://index.baidu.com/ （分析市場容量）

阿里指數：https://alizs.taobao.com/（分析銷量、份額）

梅花網：http://adm.meihua.info/ （分析廣告投放）

CNZZ、微博指數等等……

當然還有很多很多有價值的數據源（根據行業、需要找到最合適自己的數據源），上面列舉的三個典型的數據源只為舉例子之用。

在這里要著重提一點：第三方數據來源往往需要考慮數據源真實度。

 

 

二、數據清洗

 

清洗數據（篩選、清除、補充、糾正）的目的無非是從大量的、雜亂無章、難以理解的數據中抽取并推導出對解決問題有價值、有意義的數據。

清洗后、保存下來真正有價值、有條理的數據，為后面做數據分析減少分析障礙。

這里不詳述。

 

 

三、數據對比

 

對比，是數據分析的切入點。因為如果沒參照物，數據就沒有一個定量的評估標準。

通常情況下我們從二個點去切入進行數據對比分析：1.橫向對比 2.縱向對比

橫向對比，與行業平均數據，與競爭對手的數據進行比對。舉個粟子，比如你家的APP用戶留存率是60%，而行業平均留存是70%或競爭對手的用戶留存率是70%，那就說明你家的產品在留存率方面有待加強！

縱向對比，與自家產品的歷史數據進行對比，圍繞著時間軸來對比。

還是用用戶留存率來進行舉例子吧：

比如，APP改版前30天，新用戶留存率是70%的，而新版APP發布后，新用戶留存率降了10%或者升了5%，這就產生了問題，到底是那些因素導致數據產生了異常呢？

要知道數據比對是發現問題的第一步，發現了問題才需要我去找出問題，并解決它。

如果沒有參考的對象，單獨的數據放在那里，是沒意義的。

 

四、數據細分

 

數據對比發現了異常，我們當然想知道是什么原因導致的。

這里就要用到數據細分了：數據細分通常情況下先分緯度，再分粒度。

何謂為緯度？按時間分類就是時間緯度，按地區分類就是地域緯度，按來路分類就是來源緯度，按受訪頁面分類就是受訪緯度。

今天APP訪問量漲了5%，咋回事不知道，你細分一看，大部分網頁都沒漲，某個頻道某個活動頁漲了300%，這就清楚了，這就是細分最簡單的范例，其實很多領域都通用。

粒度是什么？你時間緯度，是按照天，還是按照小時？這就是粒度差異；

你來路緯度，是來路的網站，還是來路的url？這就是粒度的差異；

緯度結合粒度進行細分，就可以將對比的差異值逐級鎖定問題區域，就可以更容易地尋找出發生問題的原因了。

 

五、數據溯源

 

通常情況下，通過數據細分就能分析出大多數問題的原因并推導出結論了。

但也有特殊的情況，即使具體到粒度了也得不出有說服力的結論。

這時候我們再進一步，通過數據溯源就能找出問題的原因。依據鎖定的這個緯度和粒度作為搜索條件，查詢所涉及的源日志，源記錄，然后基于此分析和反思用戶的行為，往往會有驚人的發現。

又或者結合用戶使用場景去思考。

比如：國內的社交產品，在上下班的時間段會特別活躍，而該產品經理對比美國地區卻發現在美國地區用戶的上班活躍數據恰恰相反，特別低，到底是什么原因呢？

看數據怎么也看不出來，怎么辦呢？

若果該產品經理結合用戶上班時的使用場景去思考就能一眼看出問題——因為國內的上班一族通常上是通過公交、地鐵等公共交通工具去上班的，所以他們有大把的時間在玩社交，刷朋友圈。

而美國地區的上班一族，大多數都是自駕車去上班（車輪上的國家），他們上班時間都在專心地開車，根本沒有時間去玩手機，玩社交產品。

 

最后，作個簡單的總結：

 

馬云粑粑說阿里管理有三板斧：揪頭發、照鏡子、聞味道。

而同樣，在數據分析這里，則是五板斧：收集、清洗、對比、細分、溯源。