精华内容
下载资源
问答
  • 对于运营数据分析,我相信很多小伙伴会存在以下问题: 面对异常数据经常出现“好像了什么?好像发生了什么?所以可能造成了影响”的主观臆测? 面对数据报表,不知道该怎么分析?不知道该分析什么? 数据分析...

    对于运营数据分析,我相信很多小伙伴会存在以下问题:

    面对异常数据经常出现“好像做了什么?好像发生了什么?所以可能造成了影响”的主观臆测?

    面对数据报表,不知道该怎么分析?不知道该分析什么?

    数据分析作为运营最基础的一项技能,你是否真正的将其价值发挥出来,合格的运营一定是数据驱动运营,而非运营驱动数据!

    1、从单一维度到体系化的思考,是做数据分析必须做出的转变!对于数据分析你需要有体系化的数据框架!

    我们在考虑问题的时候都会遵循一个思路,即从宏观到微观,从全局到局部,数据分析也不例外。数据分析在产品运营中的地位在这里也无需多说,做数据分析一定要建立在对产品数据体系详细了解的基础上的,在做数据分析时候需要在心中建立起数据体系,产品数据维度体系由大到小可以分为宏观数据、中观数据、微观数据三大层面:

    以上数据分析纬度并非包含了我们运营的产品的所有数据纬度,在做数据分析时,我们需要结合自己的产品情况来做有用数据筛选。当然运营在提出具后台需求时一定是基础数据需求,常见的如用户概况数据、PV数、UV数、UID数、启动次数、留存率、跳出率、页面访问路径等,很多运营人员在完善数据后台需求时,提出一大堆数据,并且很多数据涉及到复杂的定义和计算,这样只会增大后台数据的运算压力,对运营分析实际用出并不大,反而影响数据的查看效率。运营数据分析可根据后台基础数据结合Excel表格导出功能,以及借助第三方数据平台来进行辅助分析,这样不仅能够降低后台数据开发成本,也能大大提高数据分析效率。

    2、做数据分析需要以目标为导向,学会做数据维度的逐级拆分,以结构化思维来做运营数据的全面的,系统性的分析。

    在做产品运营的数据分析时,我们可以按照以下思路来进行:

    ①      确定数据分析目标

    ②      明确数据目标的关键影响维度拆解

    ③      找出不同数据纬度之间的关联关系从而建立起数据关系模型

    ④      发现问题数据及出现原因

    ⑤      针对问题数据影响维度做相应的优化

     比如我们以天猫店铺利润情况进行分析,店铺运营最关注的就是营业额,但最本质的还是盈利情况,按照上面提到的思路进行分析:

    ①      数据分析目标:店铺的利润情况分析

    ②      确定数据目标的关键影响维度拆解:

    ③      找出不同纬度维度之间的关联关系从而建立起数据分析模型:

    利润=销售额-成本=流量*转化率*客单价-(店铺固定成本+运营成本+货品成本+人员成本)。

    ④      根据数据模型发现问题数据:

    要想实现店铺利润(L)额最大化:L(max)=R(max)-C(min)

    如果店铺出现亏损,那么一定是R<C,也就是成本大于收入,我们假设出现以下情况:

     

    根据上述的假设思路,我们可以得出,在成本合理的情况下,店铺出现了亏损,那么可以得出是销售额太低,销售额不高额影响原因是流量转化率低。因此针对这种情况我们要做的就是提高店铺的转化率。

    ⑤      针对问题数据影响维度做相应的优化:提升转化率

    我们可以通过以下几个方面来提高转化率:

    ——提升产品包装

    ——优化详情页图片和介绍文案

    ——优化消费者下单支付路径和体验

    ——提升客服服务水平和促单技巧

    ——做好用户评价管理优化

    ——实行相应的促销策略,如满减、满赠、折扣等

    ……

    我们继续以产品运营为例,比如我们突然发现某天产品的DAU增长幅度变大,按照上述的分析思路我们进行相应的梳理:

     

    3、数据分析更多的是要关注多个数据维度之间的相关关系,而不是单个数据产生的因果关系!通过影响关键指标的数据维度的关联关系建立数据分析模型。

    比如我们以公众号运营为例,公众号运营的关键指标是粉丝数和文章阅读量,而粉丝数和文章阅读量的影响纬度肯有很多个。这些纬度之间也存在相应的影响关系,具体如下:

    在做公众号运营的时候,可以尝试着把你影响文章阅读量的所有数据全部梳理出来,然后去筛选出相对有用的一些数据维度,然后建立起他们的相关关系。在实际运营过程中,很多运营的小伙伴每周只关注推送了多少篇文章,增长了多少个粉丝,其实还应该关注一些细节数据,比如文章标题、内容长度、内容类型跟阅读量、转发量的关系,推送时间和频次对阅读量和粉丝增减的影响,另外就是有图文、纯文字、文章图片数量、公众号单图文推送、多图文推送、头条推送和非头条推送对阅读量的影响等,这些都是需要在运营过程中需要考虑的,并且要养成对这些数据进行记录的习惯。

    在社区运营过程中最基本的模型就是用户的金字塔模型了,这个金字塔模型的建立是依据用户的活跃度和贡献值来建立的,金字塔模型会将用户分成几个层级,层级越往上用户的价值越大,贡献值越高。当然这个用户金字塔模型的建立一定不是固定的,而是根据具体的社区数据情况会在层级划分和每个层级占比上都会有所不同,并且每个层级的具体需求和运营方式都是不同的。比如以某K12教育社区的运营为例:

    社区发帖量这一核心数据指标提升,是与整个社区的用户量,用户层级比例,用户层级转化,每个层级用户行为,用户粘性,社区内容质量, 内容展示与推送情况等都存在一定的相关关系。所以在社区的运营过程中就要不断的促进各个影响维度与社区发帖量的正向关系,那么社区发帖量与其他数据维度的关联关系如何建立呢?超哥尝试着做了一个简单的梳理,相应的数据维度并未全部包含,此关系图仍需完善,此处只是给出一种梳理思路,具体如下:

     

    4、做运营一定要讲数据分析培养成为潜意识行为,运营过程中的一切行为和手段都可以数据化,数据驱动运营。

    ①      培养数据分析的系统化思维

    数据分析一般会存在两种方向,一种是自上而下,另一种是自下而上。

    自上而下的思路在前文已经提到过,具体的思路为:确立数据分析目标——目标影响维度拆解——各数据维度相关关系建立——发现问题数据及出现原因——问题数据优化,这种思路多用户产品的数据分析体系或者模型的建立,从而保证数据分析的全面性。

    自下而上的数据分析思路多用在针对已有数据报表中的数据问题发现,具体思路为:异常数据发现——该异常数据影响因素——影响因素与问题数据之间的相关关系——找出出现异常数据的原因——找到异常数据的解决办法。

    ②      培养数据的敏感度

    数据敏感度培养别无他法,除了掌握正确的数据分析方法外,就是每天看数据,每天分析数据,用数据说话。

    ③      养成数据记录习惯

    做运营过程中会有很多细节数据,需要对这些数据进行记录,当记录的数据条数累计到一定程度通过就可以通过汇总的数据发现相应的数据规律,比如:

    针对社区UGC帖子、热帖、精品贴的记录

    针对消息中心PUSH的数据记录

    针对公众号历史推文数据的记录

    甚至可以对自己每日的工作内容及工作花费时间的记录,从而用于工作效率优化

    ……

    数据一定是比较理性和严谨的,所以我们需要理性的眼光来对待,当然运营产品的不同,我们需要的数据维度不同,做运营一定要学会给数据做定义,并且要保证其逻辑性和眼严谨性,要能经得起推敲。

    数据分析是精细化的运营工作,一定要建立起体系化的思维,切勿盲目分析,粗暴分析。

     

     

     

     

     

    展开全文
  • 网站运营数据分析报表,这里有网站运营分析所要用到的表格的模板。
  • 本门课程作为电商数据分析师的开篇导论,将从数据分析师的岗位及透过岗位理解业务为切入点,讲解数据分析师的职业诉求,发展路径,及数据分析在业务中的存在价值,如何通过数据分析理解业务的价值和发现机会点。...

    第一部分:电商数据分析师的职业图谱
    适用人群
    零基础小白,对电商、数据分析有兴趣的人群
    期次简介
    本门课程作为电商数据分析师的开篇导论,将从数据分析师的岗位及透过岗位理解业务为切入点,讲解数据分析师的职业诉求,发展路径,及数据分析在业务中的存在价值,如何通过数据分析理解业务的价值和发现机会点。

    课程核心关键词:

    认识数据分析师

    如何透过数据理解业务?
    教学大纲
    第一章:认识商业分析师
    1.1:什么是商业分析师?
    1.2:商业分析师,解决什么业务问题
    1.3:成为商业分析师
    1.4:商业分析师的进阶之路

    第二章:透过岗位理解业务

    第二部分:电商数据分析师的技法修炼
    适用人群
    零基础小白,对电商、数据分析有兴趣的人群。
    期次简介
    本门课程主要阐述作为一名分析师必备的技法和应用指南,从入门→理解分析需求→数据处理技能→数据可视化贯彻全线,帮助学员快速掌握数据分析所需的思路、方法论和工具。

    课程核心关键词:

    分析思路

    需求分析

    SQL/Python入门及技巧

    数据可视化

    教学大纲
    第一章:数据分析入门指南
    1.1:系统方法–数据分析的基本框架
    1.2:业务实践–三大典型场景实践分析框架
    1.3:能力升华–数据分析能力培养

    第二章:一切分析之基础
    2.1:需求理解&分析

    第三章:筱说图表–0基础到图表达人
    3.1:“说在前面”
    3.2:图表思维
    3.3:图表运用
    3.4:玩转图表

    第四章:SQL技能
    4.1:SQL基本介绍
    4.2:DDL、DML和DQL
    4.3:SQL常用函数和操作实例
    4.4:补充Hive简介

    第五章:Python新玩家的上手攻略
    5.1:Python基本介绍
    5.2:Python数据分析核心工作包
    5.3:Python入门策略规划

    第三部分:实战(一):数据分析师的宏观视野
    适用人群
    零基础小白,对电商、数据分析感兴趣的人群。
    期次简介
    本课程带你从外到内看业务机会和风险, 手把手带你搭建电商指标体系,并进行目标管理,助力业务自我审视,发掘突破点,达成目标。

    课程核心关键词:

    行业格局

    电商指标体系

    KPI管理

    教学大纲
    第一章:格局:如何从外向内看业务的机会和风险?
    1.1:行业研究的意义与内涵
    1.2:如何观察行业:估计规模&三种视角
    1.3:如何观察行业:四种规模&三种视角
    1.4:聚焦竞争者研究
    1.5:本章回顾&进阶难点

    第二章:框架:业务要如何自我审视?–电商指标体系
    2.1:业务要如何自我审视?——电商指标体系
    2.2:三大族谱:财务+经营+体验
    2.3:聚焦生意本质:财务指标篇
    2.4:助力业务增长:KPI+KSF
    2.5:从满意到忠诚:NPS体系
    2.6:指标体系要素&tips
    2.7:指标体系监控闭环

    第三章:目标:业务要如何达成目标?–KPI管理
    3.1:目标的理解与设置原则
    3.2:目标设置方法与思路(上)
    3.3:目标设置方法与思路(下)
    3.4:目标的联姻效益与动静相宜
    3.5:有始有终的目标管理体系

    第四部分:实战(二):人·全链路用户分析
    适用人群
    零基础小白,对电商、数据分析有兴趣的人群。
    期次简介
    本门课程带你从数据、研究多维刻画用户。同时,让你知道如何基于“拉新-复购-价值提升”的全链路用户分析,助力精细化用户运营。

    课程核心关键词:

    渠道分析

    用户刻画

    拉新、复购

    价值提升
    教学大纲
    第一章:拉新–从渠道看如何获取用户
    1.1:渠道精准追踪实现原理
    1.2:渠道归因方法及优缺点
    1.3:推广目标制定及效果评估
    1.4:渠道评级及组合最优化
    1.5:数据化决策推广营销策略
    1.6:作弊鉴别及预防

    第二章:电商用户数据分析的内功与招式
    2.1:结合业务场景理解什么是用户数据分析
    2.2:用户数据分析武功秘籍
    2.3:用户数据分析产品化实战–以CRM产品为例
    2.4:用户研究赋能数据分析

    第三章:从数据到用户,探究现象背后的原因
    3.1:为什么要学习用户研究
    3.2:全链路用户研究框架搭建
    3.3:我们的用户是谁?–聊聊用户刻画
    3.4:如何助力用户获取?–聊聊0→1,1→2单用户研究
    3.5:如何助力用户终生价值提升?聊聊会员体系研究

    第五部分:实战(三):货·商品分析
    适用人群
    零基础小白,对电商、数据分析有兴趣的人群。
    期次简介
    本门课程让你知道:①怎么样进行品类管理,了解品类当前的发展状态和潜在的问题,②如何识别明星商品?③如何更好的辅助类目运营和商品销售?④怎么样构建一个完整的商品分析的框架体系。

    学完本课程,您将能够从点到面,围绕商品而不是仅仅着眼于商品,注重人货场的结合,注重分析的体系化,让分析的结论更具实际的指导意义。

    课程核心关键词:

    品类管理

    爆品橱窗

    商品评级
    教学大纲
    第一章:玩转商品–从电商的核心要素说起
    1.1:商品:贯穿电商全流程

    第二章:品类管理
    2.1:品类定位和诊断
    2.2:多品类联动–打组合拳

    第三章:打造“爆品橱窗”
    3.1:新品上新–如何一炮而红
    3.2:推广运营–如何打造持续爆品
    3.3:商品分类管理

    第六部分:实战(四):场·数据分析师的双11
    适用人群
    零基础小白,对电商、数据分析有兴趣的人员。
    期次简介
    本门课程带你看:别人都在买买买的双11,数据分析师都在做什么?他们的分析与你看到的商品、促销活动有什么关系?当然,通过本门课程的学习,你也可以以数据分析师的角度去洞察双11,去看别人眼中看不到的双11。

    课程核心关键词:

    活动数据

    分析框架

    实例剖析
    教学大纲
    第一章:活动分析的三个阶段
    1.1:场·活动数据分析理论和实践-成片
    1.2:活动分析的三个阶段

    第二章:活动分析典型分析框架剖析–以双11“红包”项目为例
    2.1:活动分析典型分析框架剖析

    第三章:大型促销分析项目管理方略
    3.1:大型促销分析项目管理方略

    第七部分:实战(五):不容忽视的品牌要素
    适用人群
    零基础小白,对电商、数据分析有兴趣的人群。
    期次简介
    品牌的意义和价值何在?为什么企业愿意大手笔投品牌广告呢?你的购买行为和品牌有关系吗?本课程将带你探寻品牌的意义和价值,紧密结合业务,搭建一套品牌资产管理的研究支撑体系,助力业务占领用户心智。

    课程核心关键词:

    品牌价值

    定位理论

    感知监测
    教学大纲
    第一章:理解业务–什么是品牌管理?
    1.1:思考–什么是品牌?
    1.2:研究赋能–品牌研究的模块和闭环

    第二章:心智占领–如何支持你业务的品牌定位?
    2.1:定位理论&定位的产生
    2.2:情感属性:帮助你的品牌建立人设

    第三章:如何建立监测机制,实现价值点管理?
    3.1:建立监测机制,实现价值点管理

    第八部分:复盘:0到1成为数据分析师
    适用人群
    零基础小白,对电扇、数据分析有兴趣的人群。
    期次简介
    本课程总结数据分析图谱,归纳实用宝典技能,助力你成为优秀的电商数据分析师。
    教学大纲
    第一章:复盘–0—1成为数据分析师
    1.1:你的数据分析知识图谱
    1.2:你的数据分析实战宝典
    1.3:从1到2

    第九部分:延伸:职场秘籍
    适用人群
    零基础小白,对电商、数据分析有兴趣的人群。
    期次简介
    严选一线老师教你如何给你的业务方讲一个好故事,作为一个数据分析师在日常生活中如何学习,并且如何保持终身学习,不断提高自己的核心能力与知识体系。
    教学大纲
    第一章:如何给你的业务方讲一个好故事
    1.1:如何给你的业务方讲一个好故事

    第二章:保持终身学习
    2.1:知识的游牧民族
    2.2:数据分析师的终身学习规划

    资料分享Q 2844366079

    展开全文
  • 如何进行产品运营数据分析

    千次阅读 2019-07-02 14:11:37
    运营同样如此,运营人离不开数据,产品运营数据分析对于做好运营来说非常重要,根据海盗模型AARRR产品增长模型,可以将产品运营数据分析中的指标分为五大类:拉新指标、活跃指标、留存指标、转化指标、传播指标。...

    互联网行业中,最需要的就是行业大数据分析,要想做好大数据分析,就要不断的积累经验和不断的学习新知识,这样才能为做好数据做充足的准备。做运营同样如此,运营人离不开数据,产品运营数据分析对于做好运营来说非常重要,根据海盗模型AARRR产品增长模型,可以将产品运营数据分析中的指标分为五大类:拉新指标、活跃指标、留存指标、转化指标、传播指标。
    产品运营
    拉新指标

    运营通过渠道投放让“用户”接触到产品,当“用户”觉得产品不错就会去下载它,打开产品发现里边的内容蛮适合自己,“用户”就会注册产品,最终成为产品真正的用户。

    (1)浏览量:俗称曝光量,指的是产品的推广信息在朋友圈、搜索引擎、应用商店等渠道渠道中被多少用户看到。与浏览量相对应的是点击量,它们俩的比例在业内有一个专业词汇CTR(CRT=点击量浏览量),很多广告平台会用CTR来评估广告质量;

    (2)下载量:指的是App的安装次数,是衡量拉新效果的结果指标;

    (3)新增用户:下载并不是意味着就是用户,如果某个“用户”只下载了并没有注册,那它就是一个无效的用户。对于用户的界定,每个产品是不一样的,大部分的产品是用户注册了App,就被定义为用户了;

    (4)获取成本;用户获取必然涉及成本,而这是运营新手最容易忽略的。目前常见的成本的计算方式有CPM(千次曝光成本)、CPC(单次点击成本)、CPA(单次获客成本)。

    活跃指标

    相比于下载量和用户量而言,在人口红利消失后,大家开始更关注实实在在的东西了–你到底有多少活跃用户。

    (1)活跃用户数:DAU指的是日活跃用户数量,指的是在24小时内活跃用户的总量;

    (2)活跃率:活跃用户数衡量的是产品的市场体量,活跃率看的则是产品的健康;

    (3)在线时长:不同产品类型的访问时长不同,社交肯定长于工具类产品,内容平台肯定长于金融理财等;

    (4)启动次数:它体现的是用户的使用频率,用户的日均启动次数越多,说明用户对产品的依赖性越高,活跃度也就越好。

    (5)页面浏览量:PV(PageView)是页面浏览量,UV(UniqueVisitor)是一定时间内访问网页的人数,用户在网页的一次访问请求可以看作一个PV,用户看了十个网页,则PV为10。

    留存指标

    如果说活跃数和活跃率是产品的市场大小和健康程度的话,那么用户留存衡量产品是否产品能够可持续发展,如果你是早期产品就更应该关注是留存指标了。

    (1)用户留存率:留存率=留存用户当初的总用户量;

    (2)用户流失率:流失率在一定程度能预测产品的发展,如果产品某阶段有用户10万,月流失率为20%,简单推测,5个月后产品将失去所有的用户。

    转化指标

    对运营而言,拉新和活跃、留存都只是手段,最终衡量你工作业绩的是你手上掌握了多少有价值的用户。

    (1)GMV:它是一个虚荣指标,只要用户下单,生成订单号,便可以算在GMV里,不管用户是否真的购买了,京东在双十一对外发布的战报是GMV;

    (2)成交额:成交金额指的是用户付款的实际流水,是用户购买后的消费金额;

    (3)销售收入:它指的是成交金额减去退款后剩余的金额;

    (4)付费用户量:在产品里边产生过交易行为的用户总量,同活跃用户一样,交易用户也可以区分为首单用户(第一次消费),忠诚消费用户(持续购买的用户),流失消费用户(流失后又回来的用户)等。

    (5)ARPU:ARPPU=总收入÷收费用户数

    (6)复购率:和新增用户一样,获得一个新付费用户的成本已经高于维护熟客的成本。复购率更多用在整体的重复购买次数统计:单位时间内,消费两次以上的用户数占购买总用户数。

    传播指标

    现在产品都会内嵌分享功能,对内容型平台或者依赖传播做增长的产品,对病毒式增长的衡量就会变的至关重要。

    (1)病毒K因子:K因子大于1时,每位用户能至少能带来一个新用户,用户量会像滚雪球般变大,最终达成自传播;

    (2)传播周期:传播周期指的是用户完成从传播到转化新用户所需要的时间,通常传播周期越短,意味着用户裂变传播的效果越好。

    在未来,想要做好产品运营数据分析,一定要多了解这相关的指标,只要这样,才能更深入的做出行业数据。

    展开全文
  • 本文探讨数据应用层中的运营数据系统,因为运营数据几乎是所有互联网创业公司开始数据的起点,也是早期数据服务的主要对象。本文将着重回顾下我们了哪些工作、遇到过哪些问题、如何解决并实现了相应的功能。

      作为系列文章的第二篇,本文将首先来探讨应用层中的运营数据系统,因为运营数据几乎是所有互联网创业公司开始做数据的起点,也是早期数据服务的主要对象。本文将着重回顾下我们做了哪些工作、遇到过哪些问题、如何解决并实现了相应的功能。

    早期数据服务

      产品上线开始推广后不久,后台研发人员便会经常收到运营同事的私信:“能不能查一下有多少用户注册了,来自哪里?……..”。几次之后,大家便觉得这样的效率太低了:研发人员需要在繁忙的开发任务中抽时间来做数据查询、统计,而运营同事则需要等很久才能拿到数据。于是,大家开始协商更好的方法,最终达成一致:由运营同事提供所需的数据模板,后台研发人员根据模板将数据导入Excel文件,运营同事可根据自身需求自己分析统计。这便是早期的数据服务了,其组成结构如下图所示。


      这样的做法简单明了,后台研发人员根据数据模板写一个Python脚本,从业务数据库中将数据捞出来,做些分析、整合后,将结果输出到一个Excel文件,然后发送邮件通知运营同事接收文件。然而,随着需求的增加和细化、数据量的增加,暴露的问题越来越多,这里先罗列出来,这些问题有的会在本文提出解决方案,有的则会在后面的文章中陆续提出解决方案。

    • Worker越来越多,分布在多个地方,存在很多重复的劳动和代码,某个逻辑的修改需要改很多文件。
    • 由于使用ORM来访问数据库,很多代码只考虑逻辑,没考虑到查询数据的效率问题,导致有些报告需要跑十几个小时才能出结果(在循环查询数据的性能问题及优化一文有讲解)。
    • 中间计算结果流失,数据没有共享,每个Worker都要跑自己的逻辑去算一遍。
    • Woker依靠crontab来控制触发,没有监管,经常由于脏数据导致中断,需要等到运营同事发现后报过来才知道。

    运营数据Dashboard

      随着业务的发展,以数据报表的形式来提供数据服务逐渐不能满足需求了。一方面,高层期望每天一早便能看到清晰的数据,搞清楚最近的运营效果和趋势;另一方面,虽然数据报表提供了详细的数据,但是还是需要手动去过滤、统计一下才有结果,所有想看数据的人都需要做一遍才行,而业务人员处理Excel的水平层次不齐。
      于是,我们开始筹划Dashboard系统,以Web的形式提供数据可视化服务。可是,Dashboard要做成什么样子?由于产品经理和设计人员都忙于产品业务,所以只能自己考虑要做什么、怎么做。好在笔者之前用过百度统计,对那里面的一些统计服务比较清楚,结合公司的业务,形成了一些思路:

    • 数据内容上,包含:核心指标数据和图表分析两部分。前者以曲线图为主,要能快速显示数量和趋势,比如注册日增量趋势图;后者使用各种图表来展现某个时间段内的分析结果,比如10月份的TOP10用户感兴趣品牌。
    • 数据类型上,包含:C端核心指标、B端核心指标、核心分析和专题活动指标与分析。前两者是分别针对C端和B端的指标数据,核心分析是一些综合的分析,比如转化率分析,专题活动是针对一些特定的大型运营活动。
    • 数据维度上,包含:时间维度、城市维度和B端品牌维度。时间是最基本最重要的维度,城市维度可以分析各个运营大区的状态,B端品牌维度主要是针对B端上的业务。

      整理后便形成了下图所示的Mockup(简化版),基本涵盖了上述的思路。虽然在美观上相对欠缺,但是毕竟是内部使用嘛,重要的数据显示要能准确、快速。


      搞清楚了要做什么,接下来就是要将想法落地,考虑如何实现了。

    整体架构

      系统的整体架构如下图所示,主要基于这么几点考虑:

    • 前后端分离。前端只负责加载图表、请求数据并显示,不做任何数据逻辑处理;后端负责产出数据,并提供REST API与前端交互。
    • 离线与实时计算并存。为了提高数据获取的速度,曲线指标数据采用离线计算的方式,提供历史数据供前端展示;图表分析类数据采用实时计算的方式,其速度取决于所选时间段内的数据量,必要时进行缓存。


    前端实现

      Dashboard系统的前端并不复杂,前面也提到我们不会做太多样式上的工作,重点是数据的显示。那么,第一件事就是要寻找一款图表库。笔者这里选择的是百度ECharts,其提供了丰富的图表类型,可视化效果很棒,对移动端的支持很友好,重要的是有详细的示例和文档。事实证明ECharts确实很强大,很好的满足了我们的各种需求。
      选好了图表库,接下来的问题是如何优雅的加载几十个图表,甚至更多。这就需要找到图表显示共性的地方(行为和属性),进行抽象。通常,使用ECharts显示一个数据图表需要四步(官方文档):第一步,引入ECharts的JS文件;第二步,声明一个DIV作为图表的容器;第三步,初始化一个echart实例,将其与DIV元素绑定,并初始化配置项;第四步,加载图表的数据并显示。可以发现,行为上主要分为初始化和更新数据两个,属性上主要是初始配置项和数据。
      基于此,笔者使用“Pattern+Engine”的思想来实现前端数据加载。首先,在JS中使用JSON对每个图表进行配置,即写Pattern。例如,下面的配置便对应了一个图表,elementId是DIV的id,title是图表的标题,names是图表的曲线名称,url提供了获取数据的API,loader表示要加载的图表Engine。而一个页面的图表便由一组这样的配置项组成。

    {
            elementId: 'register_status_app_daily',
            title: 'App注册统计(日增量)',
            names: ['用户数'],
            url: '/api/dashboard/register_status_daily/',
            loader: 'line_loader'
    }

      页面加载时,根据Pattern中的配置项生成相应的Loader Engine实例,用来初始化图表和更新数据。每个Loader对应一个ECharts图表类型,因为不同图表类型的初始化和加载数据的方法不同。程序类图如下所示。


    后端实现

      前面提到在早期的数据服务中,存在很多重复劳动和代码,因此在Dashboard系统的后端实现中,笔者开始考虑构建数据分析的公共库,这块占据了很大一部分工作量。底层公共库不针对任何特殊业务需求,主要负责三件事:第一,封装数据源连接方法;第二,封装时间序列的生成方法,产生以天、周、月为间隔的时间序列;第三,封装基础的数据查询、清洗、统计、分析方法,形成格式化的数据,这部分是最重要的。
      完成了底层公共库的构建后,整个代码结构一下子就清爽了很多。在其基础上,开始构建上层的Analyzer。Analyzer用于完成具体的数据分析需求,每个Analyzer负责一个或多个数据指标的产出,每个曲线图/图表的数据由一个Analyzer来负责。离线计算与实时计算,则是分别在Schedule和Web请求的触发下,调用对应的Analyzer来完成数据产出。因此,整个后台系统分为三层来实现,如下图所示。


      最后谈一谈离线数据的问题。目前离线计算是由Schedule来触发,每日零点计算前一日的数据,数据按照“每个指标在不同维度上每天一个数据点”的原则来生成,由上述的Analyzer来负责产出格式化的数据,存入MongoDB中。由于查询规则简单,只需建立一个组合索引就可以解决效率问题了。目前数据量在500W左右,暂时没有出现性能问题,后期可以考虑将部分历史数据迁移,当然这是后话。

    数据报表

      Dashboard上线后,我们开始考虑将早期的数据报表服务逐步停下来,减少维护的成本。而运营同事希望能继续保留部分报表,因为Dashboard虽然提供了很多数据指标和分析,但是有些工作需要更精细的数据信息来做,比如给带来微信注册的校园代理结算工资、对新注册用户电话回访等等。经过一番梳理和协商,最终保留了六个数据报表。另一方面,B端的商家期望能在后台导出自己的相关数据。综合两方面需求,笔者构建了新的数据报表系统。


      新的数据报表系统,按照流程来划分为三部分:触发、执行与通知。内部数据报表依旧由Schedule触发,启动相应的Worker进程来执行;而提供给外部的报表由Web前端通过REST API来触发,将相应的任务加入Celery任务队列中执行。执行体由一组Exporter来完成,Exporter负责获取数据、生成适合写入Excel的数据格式、写Excel文件,数据获取部分依赖前面所述的底层公共库。最后,统一发送邮件通知。
      考虑到早期数据服务中经常遇到异常导致生成报表失败的问题,笔者在新的数据报表系统中做了两点与异常相关的处理:

    • 使用Airflow对Schedule触发的任务进行监控(后续文章会有详细介绍),手动触发的任务则由Celery进行监控,遇到异常便发送邮件通知到开发人员。
    • 如果一个Excel数据文件由多个Sheet组成,当某个Sheet出现异常时,通常由两种处理方法:一是丢弃整个文件,二是保留其他Sheet信息继续生成Excel文件。这里,内部报告使用了第二种处理方法,外部报告相对严谨,使用了第一种。


      以上便是笔者所在公司的运营数据系统的发展历程和现状,目前Dashboard与数据报表两个系统已经趋于稳定,基本提供了90%以上的运营数据服务。当然,随着数据量的增长、业务需求的发展,一定会面临更多新的挑战。



    (本文完,地址:http://blog.csdn.net/zwgdft/article/details/53467974
    Bruce,2016/12/07


    展开全文
  • 电子商务运营数据分析

    千次阅读 2017-09-21 18:11:21
    电子商务运营数据分析
  • 基于云服务创建实时运营数据分析服务 实时运营数据分析 使用数据计算服务、流数据总线、流计算产品,可对实时业务数据进行归档和分析,实现秒级响应,对接数据大屏或BI报表产品即刻呈现业务状态。 使用京东云的流...
  • 基于云服务创建实时运营数据分析服务 实时运营数据分析 使用数据计算服务、流数据总线、流计算产品,可对实时业务数据进行归档和分析,实现秒级响应,对接数据大屏或BI报表产品即刻呈现业务状态。 使用京东云的流...
  • 基于云服务创建实时运营数据分析服务 实时运营数据分析 使用数据计算服务、流数据总线、流计算产品,可对实时业务数据进行归档和分析,实现秒级响应,对接数据大屏或BI报表产品即刻呈现业务状态。 使用京东云的流...
  • 数据运营数据分析闲谈

    千次阅读 2020-04-22 08:00:00
    数据运营数据分析我们对于数据运营数据分析这两个岗位的界线,有些模糊,其实这两个岗位有着不同的差别也有着相同点,作为数据说的第一期开头,我们先一起来看看有何区别,又有何共同点?首先我们...
  • 面向零基础的小白,如果想从事数据分析运营这方面的工作总结的日常9项工作内容,全方面的介绍新媒体运营数据分析方面的日常工作。 日常工作9项 1.如何学会写文案 使用用文案本能写标题 问题: 标题的目标用户是谁?...
  • 此篇文章阅读适用人群为新入行电商,对电商日常监控数据内容存在疑惑的数据分析师/数据产品,要开始着手数据监控分析但是缺乏思路,或者想转行、对数据有浓烈兴趣的伙伴。 文章目录 数据指标体系是一切分析的基础,...
  • 微信公众号运营数据分析

    万次阅读 多人点赞 2018-06-28 10:30:12
    内容分析: 通过对公众号文章相关数据指标分析(“阅读量”,“分享”,“点赞”,“收藏”),为提升公众号内容质量提供指导方向。2. 业务分析:公众号业务进行定性的拆分和探讨。(本部分因为缺少“变现”环节的...
  • (以上数据截至2018年3月31日,货币为人民币) 通过对运营数据分析总体来看,一季度信息通信业运行平稳。一季度4G用户总数达10.5亿户,4G用户总数占移动电话用户总数的72.2%,电信业务收入同比增长5.1%。三大运营...
  • 某网站电商运营数据分析案例

    万次阅读 2013-09-16 17:42:22
    PHPStat是目前国内最专业的电子商务数据分析运营平台,专注为电子商务企业提供网站访客转化行为、订单分析、商品分析、页面转化分析、营销转化分析的整体优化解决方案。目前PHPStat已经成功为苏宁易购、湖南卫视...
  • Python有没有听过?...为什么我们要选择Python而不是其他语言(例如R)进行数据处理,分析和挖掘?因为Python固有的和获得的特殊条件和功能使其成为当前企业(尤其是大数据领域)进行数据操作的最合适
  • 网络游戏运营数据分析

    千次阅读 2010-07-06 16:41:00
    任何一款游戏运营,都是以UED、数据分析为导向,如何开发、运营好一款成功的全球社 交游戏,是每个社交游戏产品经理头等大事。用数据说话,是一个简单明快的操作方式,但社交游戏的数据如何分类?海内外关注点有何...
  • 手游运营数据分析指标百科全说

    千次阅读 2018-12-27 17:46:29
    本文所有数据指标的定义均按照国际规范重新梳理,并对传统游戏运营数据分析方法中的常用指标进行调整,使之更适合移动游戏这一新领域。统一的数据分析指标,有助于运营人员理解、分析用户行为,改进产品,制定运营...
  • 产品运营数据分析的指标有哪些?

    千次阅读 2019-07-04 15:39:05
    1、拉新指标:运营通过渠道投放让“用户”接触到产品,当“用户”觉得产品不错就会去下载它,打开产品发现里边的内容蛮适合自己,“用户”就会注册产品,最终成为产品真正的用户。 1)浏览量;俗称曝光量,指的是...
  • 某微信公众号运营数据分析报告

    千次阅读 2019-03-24 12:59:58
  • 携程--数据运营数据分析

    千次阅读 2019-03-24 14:19:55
    首先是在线测评 有摄像头,还有时间限制 全部都是行测,part1是语文的那种逻辑题,part2是逻辑计算题,part3和4都是图形题。好像是这样的,有点忘记了 ...准备,携程大数据分析 爬一份数据分析的报告 ...
  • 运营数据分析api

    千次阅读 2017-04-07 17:02:52
    如果您希望基于特定的应用场景进行定制化数据分析,我们也会为您提供数据分析建模方案。 H5网页,3分钟部署集成  我们为您提供H5网页和API接口两种版本,您可以通过我们授权给您的H5网页,快速完成部署和
  • 企业运营工作是一份苦差事,这里从运营的具体工作;互联网市场营销的职责;市场和运营岗位的关系;新媒体运营的工作职责;策划岗位的工作职责;产品经理的的工作职责;互联网的程序员工作职责;市场、运营、产品的...
  • 网站运营数据分析的两点建议

    千次阅读 2011-11-03 12:05:02
    网站运营数据分析的两点建议  ----根据2011年10月30日在Pmcaff深圳活动上的即席发言整理  谢宏中  今天来参加活动的朋友,主要来自于两个方面,一是网络营销人员,一是
  • 运营知识梳理--数据分析策略

    千次阅读 2018-09-03 12:10:07
    目前的关于网站运营数据分析,更重视对数据的清洗和分析,难免造成结论偏颇,不够全面的现象,细致的整理了运营中的数据分析策略有利于系统性、逻辑严谨的分析问题。 ...
  • 用户运营常用数据分析指标汇总

    千次阅读 2019-09-05 12:43:36
    在马云宣称的DT时代,作为产品人员,日常与数据指标打交道已成为一门必备的核心技能。平时多储备一点数据统计分析的基础知识,无论...下面,对于用户运营常用数据分析指标一个总结 用户访问指标: 浏览量(PV): 即...
  • 数据分析之产品运营分析之Excel实用入门 为什么写Excel,因为昨天给实习产品经理布置了一道题目,对20多万条搜索关键词进行文本分析,半天时间,两位新同学分析完毕,晚上23点给我发的邮件。我也对...
  • 运营抖音中数据分析很重要,只有做好数据分析,才能更好的进行用户的匹配。 而乐观抖音榜单不仅仅可以帮助你发现对标同行竞品账号详情,还可以帮助你分析为什么同一行业、同质内容,为什么运营结果却天差地别...
  • 上图为两个数据集的数据字典,可以看出来维度比较少,进行AB test的test数据集是58行,运营情况分析的city数据集是90行。两者皆无空值。 AB test分析 数据清洗及特征工程 [外链图片转存失败,源站可能有防盗链机制,...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 213,453
精华内容 85,381
关键字:

如何做运营数据分析