(大智
2007-11-13)
在開始進行使用者分類之前,面對的是乙個未知的資料庫,不知道哪些人使用得多?哪些人使用得少?多的多多少?少的少多少?多多少才算多?少多少才算少?不把這些概念轉化成準確資料支援的清晰認識,就不可能把握產品執行和使用者使用的現狀,也就無從制定產品研發和運營推廣計畫。解決上述問題,就需要通過開展基礎使用者資料統計分析。
怎樣開展基礎使用者資料統計分析?以得到分類使用者標準和巨集觀認識?可以採取模型分析法。以下以某網路軟體為例開展分析,列出了兩種可選的分析模型:
說明:潛在使用者不需要通過模型分析,而是通過市場調查和產品定位分析獲得;
新註冊使用者通過設定成為註冊使用者之後的時間限制,確定身份。在抽樣之前首先把新註冊使用者剔除。
一、抽樣分析模型
建模方法
根據立柱圖的分布比率確定哪條線為「多」「少」的分割線;
1、高柱和低柱比較均衡,則以中分線為分割線;
2、普遍偏高,少量低柱,則以上分線為分割線;
3、普遍偏低,少量高柱,則以下分線為分割線;
優點:統計建模方便快捷;
缺點:不能獲得準確的巨集觀資料,僅獲得近似的參考資料。
二、數量區間對比分析模型
建模方法
假定統計時間段為15天,抽取10000人,分別統計他們的使用量,假定最多使用量為200,最少使用量為0;
模型的橫座標為使用量,縱座標為傳送人數;
在橫座標上,以10條為量級,從少到多依次畫出不同數量區間的傳送人數立柱圖,連線主圖頂部重點,得到人數波動曲線。
分析方法
1、波動曲線的頂點和與頂點最近的最低點,即為使用量「多」和「少」的分水嶺,連線兩點,取中點畫垂直線,即得到二分法的臨界線,左側為非活躍使用者,右側為活躍使用者。如圖示
2、根據柱狀圖在不同量級的分布狀況,也可以採用多分法細分使用者型別,如圖示
三、對比分析模型曲線型別分析
利用「數量區間對比模型」分析,不僅能得到分類使用者量級標準、人數、和使用量資料,通過分析使用量曲線型別,可以得到產品和運營的巨集觀印象。以下對四種典型的曲線型別進行分析。
常見狀態(產品研發和市場發展的初期) l
有基本穩定的使用者群
l缺少優質使用者,拔高乏力
l缺少高粘度產品(功能)
l基本功能還行,除了基本功能,別的不愛用
維持狀態(市場發展中後期)
l通過若干時間的經營,產品有一定影響,同時擁有少量
fans
l對初級使用者的引導不夠,致使中間使用者空虛
l產品本身或有某種缺陷,不為多數人接受,只有少數人突破瓶頸,習慣產品才成長成高階使用者
理想狀態(初、中、後期)
l市場發展勢頭良好,使用者上手快,越用越熟練,越用越喜歡
l證明產品功能,使用者教育俱佳
l需加大對潛在使用者的宣傳力度,擴大使用者數
嚴峻狀態(初、中、後期)
l市場發展形勢不客觀,使用者淺嘗輒止,流失嚴重
l產品存在重大缺陷或基本功能設計實現欠佳,無法留住使用者
l宣傳引導力度不夠
**:
匯入匯出使用者資料
首先在要匯入資料的資料庫中建立乙個與原資料庫中使用者名稱相同的使用者,在匯出資料前確定要匯出使用者的各個資料表中資料不為空。新建使用者後要授予其connect,resource權利,運用sys登入資料庫,授權 如下 sqlplus sys passwd test as sysdba sql gran...
jsp使用者資料儲存
一 session儲存使用者名稱 我們在上網的時候,經常遇到這種情況 註冊成功之後自動登入 登入後記住了使用者的狀態,並在多個頁面顯示使用者名稱 其實這些效果是使用了session的乙個內建物件,這個內建物件也稱為會話 簡單的說,我們在使用瀏覽器訪問伺服器的時候,與伺服器產生了通話 使用會話可以使我...
Flask Web 開發 使用者資料
進入第10章了,看到群裡其他筒子已經完成在伺服器上的部署並上線了,好生羨慕。這一章節的內容是講使用者資料的,比如我們平時註冊乙個 以後,總有乙個頁面是讓我們修改自我介紹,城市,還能顯示註冊時間,最後一次登入等資訊 既然講到以上這些,那我們肯定要在模型裡面多加一些資訊了 如下class user us...