目录
此内容是否有帮助?

# 最佳实践

在实践中,您可以将各种模型组合起来,从不同的角度来进行分析。

# 次日流失分析

次留是每个项目都会关注的分析指标,只有找到用户流失的真正原因才能针对性地进行调整,提升次日留存率。

首先,您先通过留存分析模型,以注册作为初始事件,登录作为回访事件,观察次留表现、在找到数据下滑的日期后,您可以将当天注册的用户以及当天注册且次日没有登录的用户分别保存为结果分群。

接下来通过漏斗分析,您可以看到这批用户在注册当天的关卡驻留情况,并以是否属于流失用户作为分组项,对比流失用户和留存用户的数据表现。

同时,您还可以通过路径分析查看流失用户从注册开始的行为路径,找到流失用户的末次核心玩法,并分析是否该玩法会导致用户产生挫败感从而不再活跃,如竞技场战斗失败或者对抽卡结果感到失望。

# 付费行为分析

付费行为是数据分析的焦点,您可以从多个角度分析付费行为。

最基本的就是事件分析,以付费行为的总次数、人数、金额总和作为分析指标,您可以看到它们的数据在一段时间内的变化。

再往下,您可以在分布分析选定时间范围,根据用户在该时段内的付费金额总和划分为不同区间,来查看每个区间的人数和占比。

间隔分析可以帮助您分析用户从注册到破冰付费所需时间,并通过箱线图直观看出中位数及上下四分位,从而为首次付费点的调整提供依据。

# 用户特征分析

您可以在属性分析中进行维度交叉组合,看看组合对应的用户数量,探查两个维度是否具有相关性。举例来说,以来源渠道和累计付费金额作为分组项,您可以发现是否某些渠道的大R玩家占比明显高于其他渠道。

如果您找到某些维度组合的用户数存在异常,可以点击进入到用户列表,或者进一步进入到行为序列观察单个用户的全部特征。您还可以将项目内用户根据用户属性划分为不同的人群,对比他们的数据表现。

如果当前的用户属性不能满足需求,您也可以通过用户标签对用户进行分层,用户标签可以和用户属性一样用于筛选和分组项。

当您的项目中存在丰富的特征时,可以将多个属性分析报表放在一张看板上展示,从而构建项目完整的用户画像。