数据分析 - 活动效果评估

这是我参与8月更文挑战的第24天，活动详情查看：8月更文挑战
数据分析师在活动效果评估方面一般都是配合运营同学进行活动效果的复盘分析

评估效果的结果

1. 效果好 - 持续进行，不断放大
1. 效果不好 - 停止
1. 效果一般 - 没意义

评估效果的核心

1. 合适的评判标准 - 正确的观测指标
2. 合理的对比分析方法 - 设立的标准进行对比

搭建合理的活动效果评估体系

1. 理清活动业务逻辑
   整个活动所有涉及的关键节点 + 活动最终目的 举例: 新手福利活动 - 活动上线【用户注册】- 福利领取 - 活跃用户 - 付费用户

2. 选择观测指标 - 通过活动最终目的选取主要观测指标 针对关键环节 - 选取观测指标作为评估环节效果好坏的标准

   1. AARRR - 活动分类 - 五大类
      • 拉新类活动
        • 一级指标：新增用户数
        • 次要指标：投放成本、投放ROI、新用户价值
      • 提活类活动 - 提升用户活跃度
        • 一级指标：活跃用户数
        • 次要指标：app启动次数、app使用频率、在线时长【用户在线总时长、人均在线时长】
      • 留存类活动 - 提升用户留存，减少用户流失，增加用户粘性
        • 一级指标：短期留存率
        • 次要指标：不同用户群留存率
      • 转化类活动 - 变现类活动、商品成交变现有关
        • 一级指标：GMV
        • 次要指标：商品客单价、商品库存、用户转化率、用户复购率、回购率
      • 传播类活动 - app裂变传播相关 - 增加新增用户数
        • 一级指标：新增用户数
        • 次要指标：参与裂变人数、病毒传播 K因子
   2. 选取一级类指标 - 主要指标
   3. 选取拆分下来的二级指标 - 次要指标

3. 对比

   1. 总量分析对比 - 整体出发评估活动效果【EG：与OKR对比】
   2. 增量分析对比 - 有活动/没有活动 - 观测指标是否有明显变化
   3. 往期同类活动对比 - 效果/效率是否有提升
   4. 用户出发评估差异 - ab实验 - 活动划分同质的用户群，通过ab实验的结果客观去评估两个不同活动效果的好坏

4. 探究活动效果好坏背后的原因 回到开始的评估流程 - 效果好，好在哪个环节 - 效果不好，问题出在哪个环节
   小结： 框架化思维 - 理清活动的业务流程 - 指标拆分 - 对比分析