转化率是衡量网站或应用程序用户采取所需操作的百分比的指标,例如购买产品、注册帐户或下载文件。提高转化率可以对企业的收入和增长产生重大影响。
收集数据
要确定哪些更改导致转化率最高,需要收集有关网站或应用程序使用情况的数据。这可以通过以下方法实现:
- 分析工具: Google Analytics 等分析工具可以跟踪网站流量、用户行为和转化情况。
- A/B 测试: A/B 测试涉及向不同的受众组展示网站或应用程序的不同版本,以测试哪种版本性能最佳。
- 优化页面: 优化登陆页面、产品页面和结账流程以改善用户体验。
- 增强号召性用语: 创建引人注目的号召性用语,鼓励用户采取所需操作。
- 移除障碍: 消除用户完成转化路径中的任何障碍,例如复杂的表格或缓慢的加载时间。
- 持续监控: 持续监控网站或应用程序的性能以确保更改有效,并根据需要进行进一步的优化。
一旦确定了导致转化率提高的更改,就可以将其实施到网站或应用程序中。这可能包括以下操作:
结论
通过收集和分析数据,企业可以确定哪些更改导致转化率最高。通过实施这些更改,他们可以改善网站或应用程序的性能,增加收入并推动增长。定期监控和持续优化对于持续提高转化率和实现业务目标至关重要。
数据分析方法有哪些
常用的列了九种供参考:
一、公式拆解
所谓公式拆解法就是针对某个指标,用公式层层分解该指标的影响因素。举例:分析某产品的销售额较低的原因,用公式法分解
二、对比分析
对比法就是用两组或两组以上的数据进行比较,是最通用的方法。
我们知道孤立的数据没有意义,有对比才有差异。 比如在时间维度上的同比和环比、增长率、定基比,与竞争对手的对比、类别之间的对比、特征和属性对比等。 对比法可以发现数据变化规律,使用频繁,经常和其他方法搭配使用。
下图的AB公司销售额对比,虽然A公司销售额总体上涨且高于B公司,但是B公司的增速迅猛,高于A公司,即使后期增速下降了,最后的销售额还是赶超。
三、A/Btest
A/Btest,是将Web或App界面或流程的两个或多个版本,在同一时间维度,分别让类似访客群组来访问,收集各群组的用户体验数据和业务数据,最后分析评估出最好版本正式采用。A/Btest的流程如下:
(1)现状分析并建立假设:分析业务数据,确定当前最关键的改进点,作出优化改进的假设,提出优化建议;比如说我们发现用户的转化率不高,我们假设是因为推广的着陆页面带来的转化率太低,下面就要想办法来进行改进了
(2)设定目标,制定方案:设置主要目标,用来衡量各优化版本的优劣;设置辅助目标,用来评估优化版本对其他方面的影响。
(3)设计与开发:制作2个或多个优化版本的设计原型并完成技术实现。
(4)分配流量:确定每个线上测试版本的分流比例,初始阶段,优化方案的流量设置可以较小,根据情况逐渐增加流量。
(5)采集并分析数据:收集实验数据,进行有效性和效果判断:统计显著性达到95%或以上并且维持一段时间,实验可以结束;如果在95%以下,则可能需要延长测试时间;如果很长时间统计显著性不能达到95%甚至90%,则需要决定是否中止试验。
(6)最后:根据试验结果确定发布新版本、调整分流比例继续测试或者在试验效果未达成的情况下继续优化迭代方案重新开发上线试验。流程图如下:
四、象限分析
通过对两种及以上维度的划分,运用坐标的方式表达出想要的价值。 由价值直接转变为策略,从而进行一些落地的推动。 象限法是一种策略驱动的思维,常与产品分析、市场分析、客户管理、商品管理等。 比如,下图是一个广告点击的四象限分布,X轴从左到右表示从低到高,Y轴从下到上表示从低到高。
高点击率高转化的广告,说明人群相对精准,是一个高效率的广告。 高点击率低转化的广告,说明点击进来的人大多被广告吸引了,转化低说明广告内容针对的人群和产品实际受众有些不符。 高转化低点击的广告,说明广告内容针对的人群和产品实际受众符合程度较高,但需要优化广告内容,吸引更多人点击。 低点击率低转化的广告,可以放弃了。 还有经典的RFM模型,把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个象限。
象限法的优势:(1)找到问题的共性原因
通过象限分析法,将有相同特征的事件进行归因分析,总结其中的共性原因。例如上面广告的案例中,第一象限的事件可以提炼出有效的推广渠道与推广策略,第三和第四象限可以排除一些无效的推广渠道;
(2)建立分组优化策略针对投放的象限分析法可以针对不同象限建立优化策略,例如RFM客户管理模型中按照象限将客户分为重点发展客户、重点保持客户、一般发展客户、一般保持客户等不同类型。 给重点发展客户倾斜更多的资源,比如VIP服务、个性化服务、附加销售等。 给潜力客户销售价值更高的产品,或一些优惠措施来吸引他们回归。
五、帕累托分析
帕累托法则,源于经典的二八法则。 比如在个人财富上可以说世界上20%的人掌握着80%的财富。 而在数据分析中,则可以理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘。 往往在使用二八法则的时候和排名有关系,排在前20%的才算是有效数据。 二八法是抓重点分析,适用于任何行业。 找到重点,发现其特征,然后可以思考如何让其余的80%向这20%转化,提高效果。
一般地,会用在产品分类上,去测量并构建ABC模型。 比如某零售企业有500个SKU以及这些SKU对应的销售额,那么哪些SKU是重要的呢,这就是在业务运营中分清主次的问题。
常见的做法是将产品SKU作为维度,并将对应的销售额作为基础度量指标,将这些销售额指标从大到小排列,并计算截止当前产品SKU的销售额累计合计占总销售额的百分比。
百分比在 70%(含)以内,划分为 A 类。 百分比在 70~90%(含)以内,划分为 B 类。 百分比在 90~100%(含)以内,划分为 C 类。 以上百分比也可以根据自己的实际情况调整。
ABC分析模型,不光可以用来划分产品和销售额,还可以划分客户及客户交易额等。 比如给企业贡献80%利润的客户是哪些,占比多少。 假设有20%,那么在资源有限的情况下,就知道要重点维护这20%类客户。
六、漏斗分析
漏斗法即是漏斗图,有点像倒金字塔,是一个流程化的思考方式,常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。
上图是经典的营销漏斗,形象展示了从获取用户到最终转化成购买这整个流程中的一个个子环节。 相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现。 所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤,然后用转化率来衡量每一个步骤的表现,最后通过异常的数据指标找出有问题的环节,从而解决问题,优化该步骤,最终达到提升整体购买转化率的目的。
整体漏斗模型的核心思想其实可以归为分解和量化。 比如分析电商的转化,我们要做的就是监控每个层级上的用户转化,寻找每个层级的可优化点。 对于没有按照流程操作的用户,专门绘制他们的转化模型,缩短路径提升用户体验。
还有经典的黑客增长模型,AARRR模型,指Acquisition、Activation、Retention、Revenue、Referral,即用户获取、用户激活、用户留存、用户收益以及用户传播。 这是产品运营中比较常见的一个模型,结合产品本身的特点以及产品的生命周期位置,来关注不同的数据指标,最终制定不同的运营策略。
从下面这幅AARRR模型图中,能够比较明显的看出来整个用户的生命周期是呈现逐渐递减趋势的。 通过拆解和量化整个用户生命周期各环节,可以进行数据的横向和纵向对比,从而发现对应的问题,最终进行不断的优化迭代。
七、路径分析
用户路径分析追踪用户从某个开始事件直到结束事件的行为路径,即对用户流向进行监测,可以用来衡量网站优化的效果或营销推广的效果,以及了解用户行为偏好,其最终目的是达成业务目标,引导用户更高效地完成产品的最优路径,最终促使用户付费。如何进行用户行为路径分析?
(1)计算用户使用网站或APP时的每个第一步,然后依次计算每一步的流向和转化,通过数据,真实地再现用户从打开APP到离开的整个过程。 (2)查看用户在使用产品时的路径分布情况。 例如:在访问了某个电商产品首页的用户后,有多大比例的用户进行了搜索,有多大比例的用户访问了分类页,有多大比例的用户直接访问的商品详情页。 (3)进行路径优化分析。 例如:哪条路径是用户最多访问的;走到哪一步时,用户最容易流失。 (4)通过路径识别用户行为特征。 例如:分析用户是用完即走的目标导向型,还是无目的浏览型。 (5)对用户进行细分。 通常按照APP的使用目的来对用户进行分类。 如汽车APP的用户可以细分为关注型、意向型、购买型用户,并对每类用户进行不同访问任务的路径分析,比如意向型的用户,他进行不同车型的比较都有哪些路径,存在什么问题。 还有一种方法是利用算法,基于用户所有访问路径进行聚类分析,依据访问路径的相似性对用户进行分类,再对每类用户进行分析。
以电商为例,买家从登录网站/APP到支付成功要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单等过程。 而在用户真实的选购过程是一个交缠反复的过程,例如提交订单后,用户可能会返回首页继续搜索商品,也可能去取消订单,每一个路径背后都有不同的动机。 与其他分析模型配合进行深入分析后,能为找到快速用户动机,从而引领用户走向最优路径或者期望中的路径。 用户行为路径图示例:
八、留存分析
用户留存指的是新会员/用户在经过一定时间之后,仍然具有访问、登录、使用或转化等特定属性和行为,留存用户占当时新用户的比例就是留存率。留存率按照不同的周期分为三类,以登录行为认定的留存为例:第一种 日留存,日留存又可以细分为以下几种:(1)次日留存率:(当天新增的用户中,第2天还登录的用户数)/第一天新增总用户数(2)第3日留存率:(第一天新增用户中,第3天还有登录的用户数)/第一天新增总用户数(3)第7日留存率:(第一天新增用户中,第7天还有登录的用户数)/第一天新增总用户数(4)第14日留存率:(第一天新增用户中,第14天还有登录的用户数)/第一天新增总用户数(5)第30日留存率:(第一天新增用户中,第30天还有登录的用户数)/第一天新增总用户数
第二种 周留存,以周度为单位的留存率,指的是每个周相对于第一个周的新增用户中,仍然还有登录的用户数。
第三种 月留存,以月度为单位的留存率,指的是每个月相对于第一个周的新增用户中,仍然还有登录的用户数。 留存率是针对新用户的,其结果是一个矩阵式半面报告(只有一半有数据),每个数据记录行是日期、列为对应的不同时间周期下的留存率。 正常情况下,留存率会随着时间周期的推移而逐渐降低。 下面以月留存为例生成的月用户留存曲线:
九、聚类分析
聚类分析属于探索性的数据分析方法。 通常,我们利用聚类分析将看似无序的对象进行分组、归类,以达到更好地理解研究对象的目的。 聚类结果要求组内对象相似性较高,组间对象相似性较低。 在用户研究中,很多问题可以借助聚类分析来解决,比如,网站的信息分类问题、网页的点击行为关联性问题以及用户分类问题等等。 其中,用户分类是最常见的情况。
常见的聚类方法有不少,比如K均值(K-Means),谱聚类(Spectral Clustering),层次聚类(Hierarchical Clustering)。以最为常见的K-means为例,如下图:
可以看到,数据可以被分到红蓝绿三个不同的簇(cluster)中,每个簇应有其特有的性质。 显然,聚类分析是一种无监督学习,是在缺乏标签的前提下的一种分类模型。 当我们对数据进行聚类后并得到簇后,一般会单独对每个簇进行深入分析,从而得到更加细致的结果。
获取更多数据分析学习信息及资料,欢迎关注聚数云海同名公众号哦~
教你如何看数据分析
之前跟一个之前在国内最大的数字商品交易平台的同事大哥在一起好好地聊了下,很有收获。 对于数据,有一个共识就要会看数据,通过合理及透彻的分析来驱动产品,运营及市场策略的调整。 但是这些知识看数据的中级阶段,高级阶段则是通过庞大的多维度的数据分析,能够预测到未来一个季度,半年甚至一年的业务走势,当然预测可以有一定的偏差在里面。 还有的就是如果要进入到新业务的扩张上,那么能够计算出未来的一定周期内需要有多大的资金投入量,人员投入量,市场及运营资源投入等达到一个什么样的规模,或者说反推,我想达到这样的规模那么需要多少投入,多长时间。 这个是最高阶段,在一般情况下也许根本不会触及到这个方面,少部分能够做到中级阶段基本上已经算是极限了。 互联网的有诸多领域,每个领域关注的点都不一样。 我这边先从熟悉的社区和电子商务两个领域来说起。 说到数据首先就是要去了解统计数据、分析数据的维度是有哪些。 个人认为一般是有用户的维度,运营的维度,在社区来说还有内容的维度,在电子商务内部有运营的维度,我把推荐的单拎出来作为一个维度。 一、用户的维度 从用户的维度来看网站数据,其实就是通常所说的网站分析层面。 这个维度主要来看用户是通过什么渠道来到网站,在网站用户的行为是什么,主要的目地为市场人员提供推广效果依据,以及帮助产品人员来分析指南各个网站上哪些页面,哪些区域及模块最能够吸引用户并及时进行策略调整。 网站分析的第一个数据点用户来源渠道,用户是从哪些渠道来到我们的网站上。 是直接输入网站地址,是从收藏夹中打开收藏链接,还是在搜索引擎上搜索过来(那么前二十的搜索关键词都有哪些)。 抑或是从微博、各个论坛等一些新媒体上点击我们网站链接进来的。 如果网站现阶段也在做市场推广,最好的就是每一个放出去的链接都应该带有独立统计标识,这样能够清楚地看到不同的媒体上不同的广告位置的流量怎么样。 这样市场人员可以通过这些数据来发现能够为网站带来稳定流程的渠道,同时剔除掉效果不好的渠道。 上面说的前二十的搜索关键词也是做SEM确定关键词的一个重要来源。 第二个数据点是用户在网页上行为,就是用户通过各种不同的方式来到我们网站上后,常有的着陆页面是哪些,这些页面都有什么特点需要好好分析一下。 重点关注用户在页面上的点击行为,一般用户会看几屏,点击哪些按钮或者链接的概率大,在各个页面上的停留时间是怎么样的。 这些数据产品人员需要多关注,通过分析用户在各个网页上的行为,能为我们做产品决策提供很大的依据。 第三个点在用户访问路径上,主要是用户从进入着陆页上之后,陆续会到哪些页面上,最后在哪些页面上进行注册登录操作,在哪些页面上跳出。 由这些数据可以清晰地勾勒出典型用户的访问路径图,在结合用户来源渠道一起来分析,就能找到那些渠道上的用户来到网站之后,访问深度最高,转化率从最高,这样市场人员也可以及时调整策略,对这些流量大,效果好的渠道加大推广力度。 第四个点是注册流程,一般来说很多网站的注册流程并不是很短,都需要至少两步,有的能到三四步,重点关注这个是因为注册流程繁琐,那么你的推广做到再好网站各个模块再易用,最后的转化率照样惨不忍睹。 通过对这个流程的监测,可以看到有意愿注册的用户到底在哪些环节流失了,是不是填写信息太多,是不是发送确认信息失败等等。 最后总括起来就是,用户来源渠道,UV,PV,停留时间,网页点击热图,一跳率,二跳率,访问路径,转化率,市场推广还应该关注你的CPM,CPC,以及用户转化成本等。 二、运营的维度 运营的维度就是用户到了网站上后续行为,这个方面上社区和电子商务都有自己要去关注的点。 对于电子商务网站来说,用户的维度的分析是分析用户来源,运营的维度那就分析收入情况了。 第一个数据点是每日的订单数,这个是要看电商网站整体的销售情况也是最重要的一个数据指标。 第二个就是客单价了,每笔订单的金额,基本上订单数和客单价的乘积差不多就是电商网站的整体销量,与实际情况的差别不是很大。 接下来就是要去看订单支付成功率,很多人都有这样的经历在电子商务网站上,我们可能会把很多商品放在了购物车上,但是最后肯那个会删掉购物车上某些商品,或者说很多订单最后并没有被支付。 电商的运营人员非常关注这个数据,如果说大量的未支付订单,就需要去分析问题是出现哪里。 是注册环节出了问题,还是说支付环节出问题导致用户支付失败。 第四个数据点在退货率,这个数据很重要,如果有大量的退货对于网站来说损失非常大,同时还要分析退货的原因是什么。 第五个就是订单交付周期,每个订单从用户支付成功到送达用户签收的时间,当然不同的区域,一线城市和二线城市的交付周期都有差别,但是这是考验了电商整体的物流水平。 还有一个不为人注意的数据点就是投诉率,电子商务的用户体验是一个从线上到线下的全过程,重在服务某一个环节出现差错都是致命。 用户投诉,往往就是在某个环节出现了问题,留给用户的印象非常之差。 投诉率是电商整体服务水平的体验,建立一个品牌很难,但是毁掉一个品牌则是非常的容易。 对于电商来说,最后一个重点数据则在用户的重复购买率或者二次购买率,这个则是考验了用户的忠诚度。 某个用户第一次购买体验非常好,对商品很满意,那么产生二次购买行为的概率就非常大。 用户多次购买的时间周期也是一个需要关注的数据点。 对于社区来说,需要关注的运营数据跟电商就有很多差别。 以优质内容分享社区为例,每天的新注册用户数,登录的老用户数,人均PV数是社区整体数据。 再下来,社区每天产生的内容有多少,具体到文字,图片,视频等各种不同类型的内容各是多少,上前日的增长率是多少,相对于上周或者上月的增长率又是多少。 同时,么天新增关注,新增评论,转发等等,这几个数据,都是整个社区互动氛围的整体表现。 当然还要考虑流失情况,两周未登录,一月未登录,两月未登录各占到社区总注册人数的比率,比率越高对于社区产品及运营人员来说是非常危险的,更要好好地去关注。 当然对于社区来说,优质活跃用户是营造社区氛围的关键。 那么对于这些优质用户来说,是需要重点来关注的。 通过数据来分析,达到优质标准的用户每周增长多少,每个人本周发布的内容,各个类型的内容以及互动的数量,有多少人是处于濒临流失状态。 这些数据都会帮助运营人员调整自己的策略,例如看到很多用户很活跃,但是发布内容并不好,那么应该怎么去引导用户;还有用户濒临流失,那么就需要考虑用什么方法挽回这些用户。 三、商品及内容的维度 这个维度其实也应该放在运营的维度里面年,但是这一块确实很多人都会忽略掉的,所以把这个维度也单拎出来。 在电商中,出了关注网站整体的用户及销售数据,还要关注单一品类及单一商品的数据。 某一品类的销量,平均每次购买量,金额,以及退换货率。 对于单一商品也是同样的数据分析,来看此商品在一定时期内的销量,订单数,金额,以及退换货率。 通过这样的分析就能看到热门品类和热门商品的趋势,后续的运营,营销或者促销的选择就很清晰了。 对于社区来说也是如此,我们要看社区整体的数据情况,但是社区中内容的重要性与人的重要性同等重要。 对于优质内容分享的社区来说显得尤为重要。 除了内容的文字,图片,视频的不同类型,还有内容本身的分类。 包括是摄影,旅行,美食,时尚,动漫,电影等不同标签的内容。 在社区中内容的标签是用户自己添加的。 那么需要关注的第一个数据点就是用户自己添加的标签有多少是本周内新增的。 这样就可以看到社区每周会要多少新鲜的内容产生。 第二就是各个标签下用户的发布内容量,每天是多少,每周是多少。 最这样就看出哪些标签下的内容最活跃,后续相关的运营活动就可以从这里面找到方向。 第三个数据点就是各个标签下用户的互动数,包括评论、转发、收藏抑或喜欢等不同行为操作的数量,这个数据很清晰地显示了用户在不同标签内容中的活跃程度,这是社区氛围运营及活跃必不可少的数据。
如何4步搭建一套活动运营框架,让投入产出比持续翻翻?
本文笔者将从确定活动目的、找到精准流量、设计转化流程以及数据反馈修正这四步来讲述,如何高效完成活动运营。