Denek daki datuen azterketa garrantzitsua dela produktuen kudeatzaileentzat. Baina denek dakiten gauza asko bezala, denek ez daki zergatik diren garrantzitsuak, eta datuen analisiaren kasuan —edo Analytics— ez da zer esan nahi duten ere.Gida oso honetan, modu praktikoan ulertuko duzu produktu-kudeatzaileek nola erabiltzen duten datuen analisia erabaki hobeak hartzeko .
Zer da datuen analisia
Besterik gabe, datu-analisiak produktuaren egungo egoera neurtzen du , erabiltzaileek zer egiten duten, non egiten duten klik, etab. Neurketa hauek produktuarekin zer gertatzen den esaten digute , nahiz eta ez digute zertan gertatzen zergatik gertatzen den.Neurketa batek bakarrik ez du asko esaten eta ez da zehatz-mehatz datuen analisia. Neurketa sorta bat elkarrekin biltzen direnean soilik datuen analisi bihurtzen dira.
Aldea ilustratzeko, kontuan hartu adibide hau.
Objektu baten tenperatura neurketa bat da, baina posizioa, abiadura, konposizioa, giro-tenperatura eta abar bezalako gauzak sartzen dituzunean bakarrik bihurtzen da analitikoa. Beste datu hauekin konbinatuta, objektuaren tenperaturak objektu horri zer gertatzen zaion esan dezake.Demagun abiadura 0 dela, posizioa lurretik metro 1era dagoela eta giro-tenperatura berdina dela. Orain esan dezakegu objektua geldi dagoela, lurretik metro 1era dagoela eta inguruaren tenperatura bera duela.
Zenbat eta neurketa independenteagoak izan,
orduan eta hobeto definituko duzu sistemaren egoera edo jendeak zure produktua nola erabiltzen duen.Zergatik da garrantzitsua datuen azterketa Telefono Zenbakien Liburutegia Arrazoi handi bategatik: neurtzen ez duzuna, ez duzu hobetzen. Sistemaren egoera ezagutu gabe, oso zaila da, ezinezkoa ez bada, asko egitea sistema aldatzeko.
Noski, aldaketak itsututa egin ditzakezu, baina datuen azterketarik gabe ez duzu inoiz jakingo sistema aldatu den edo ezer gertatu ez den. Horrek benetan gertatzen ari dena ikusteko, aldaketak egiteko eta duten eragina ikusteko aukera ematen du.Datuen azterketak zer gertatzen den bakarrik esaten dizu, ez zergatik gertatzen den. Hori gabe, produktuak arrakasta izateko aukera ia ausazkoa da.
Datuak aztertzeko kontzeptuak
Analytics-en oinarrietako bat neurketa-puntuak zuzen harrapatzea da . Banakako neurketekin batera neurketa puntuek neurketa egin zen datak eta orduak ere jasotzen dituzte. Honi esker, joerak proiektatu eta banakako neurketak elkarrengandik bereizteko aukera ematen dizu.
Segmentazioa pertsonak ezaugarri komunen
arabera taldekatzea da eta taldean produktuen erabilera-ereduak zein diren ikustea da.Ezaugarria teorikoki edozer izan liteke (igande batean 15:00etan jatea adibidez, nekez bada ere, segmentu baten adibide baliozkoa da), baina bada nagusiki erabiltzen diren puntu komun multzo bat. Puntu komun hauek honako hauek dira, baina ez dira horretara mugatzen bj lists Segmentazio pertsonalizatua erabiliko baduzu, gogoratu ezaugarriak neurgarria izan behar duela. Ezin baduzu neurtu, ez du balio segmentu bat sortzen saiatzea. Generoa adibide ona da. Oso zaila izan daiteke neurtzea profil batean horri buruzko galdera zehatz bat egiten ez baduzu.
Mundu errealeko adibide bat PeerIndex erabiltzean
eragin handiagoen eta eragin txikiagoen artean aurkitu dudan aldea da. Eragin txikiagoek askoz ere prest zeuden txioak eta gonbidapenak bidaltzeko, eta handiagoak ez. Estandarrak nahikoa desberdinak ziren aldaketak justifikatzeko ezaugarriak eragin-maila desberdinetara egokitzeko .
Segmentari esker, zure azterketa sistemarako Airbnb-Ek Disneyrengandik Ikasitakoa garrantzitsuenak diren erabiltzaile taldeetan zentratu dezakezu. Adibidez, zure produktuaren erabiltzaile garrantzitsuenak Estatu Batuetan eta Erresuma Batuan badaude, segmentu batek zer egiten ari diren ikusteko eta produktua beren beharretara egokitzeko aukera ematen dizu, biztanleria globalean zentratu beharrean.
Bihurketa-tasaren bideraketarekin
esperimentatzen ari nintzenean , Ipar Amerikako eta Britainia Handiko erabiltzaileen bihurketa-tasa batez bestekoa baino txikiagoa zela ikusi nuen. Hasierako esperimentuak globalak zirenez, xede-merkatuaren bihurketa-tasa txikiagoa ezkutatu zen batez bestekoa.
Inbutuak
Erabiltzaileek ez dute ezer isolaturik egiten. Horrelaxe. Aitzitik, zeregin bat betetzeko edo helburu bat lortzeko jarduten dute, erregistratu edo erosketa bat osatzeko. Erabiltzaile-fluxu edo bidaia hauek inbutuak erabiliz neur daitezke.
Inbutu bat egiten da erabiltzailearen
fluxu edo bidaiaren urrats bakoitzean funtsezko gertaera neurtuz. Neurketa hauek bilduz, isurketa non dagoen ikus dezakezu inbutuan. Leakage da jendeak nahi zituen zereginak betetzen ez dituen lekuan.Isurketa hori inbutu bidez ikusiz eta neurtuz, zuk, produktu-kudeatzaile gisa, erabiltzaileen bidaia horiek hobetzeko zer egin behar duzun jakiteko, erabiltzaile gehiagok hasieran egin zuten zeregina bete dezaten.Goiko inbutuak erregistratzeko prozesuan gertatzen ari den ihesa erakusten du (adibidez, urrats bat betetzen ez duten pertsonak). Irudikapen bisual honekin, orain 1. eta 4. urratsetan gertatzen ari dena ikertu dezakegu jendea inbututik irteteko.
Segmentazioaren antzekoa bada
kohorteen analisia ezberdina da, taldekatzeak denbora-puntu bat erabiliz egiten baita, erabiltzaileen ezaugarri bat , trafiko iturri gisa. Talde-analisiaren arrazoi nagusia analisi konparatiboa da erabiltzaileen portaera denboran zehar nola aldatzen den erantzuteko.
Kohorteen azterketa ere garrantzitsua da erabiltzailearen epe luzerako balioa ebaluatzeko. Adibidez: zertan desberdintzen da duela astebete erregistratu ziren erabiltzaileen jokabidea duela hilabete erregistratu zuten erabiltzaileenarekin?
Azterketa hau erlatiboki adibidez
gaur duela aste bat edo hilabete bat versus) edo erabat (data zehatz bat) egin daiteke. Denboran zehar taldeen erabilera beha dezakezun arren, neurketa honen benetako indarra taldeak konparatzean dator.
Har dezagun konparazio erlatiboaren adibide bat. Joan den astean izena eman zuena eta joan den hilabetean izena eman zuena bezala definitzen dira bi taldeak. Talde zaharrenak aurreko asteko jokaera ezberdina erakusten du? Talde-analisi mota honek bisitari berriek bestela ezkutatu
