与大部分国内的统计分析工具只提供基本的统计数字以及少数几个固定的维度相比,Sensors Analytics 在所有的分析功能中,都提供完整的多维分析能力。

在这篇文章里,我们主要通过几个实际的例子,来介绍以下多维分析的一个比较典型的应用场景,即通过多维分析中的维度下钻和筛选来找到数据异常后面的原因。

1. 下降的销量

某个电商产品,发现某一天自己的销量出现了异常的下降,如果是一般的统计工具,则只能从地域、设备型号、操作系统等有限的几个通用维度进行深入分析,而这些维度通常情况下与销量的变化关系并不大,在销量异常时,一般具有直接影响因素的维度主要是品类、店铺、支付渠道等自有的维度,而一般统计工具却都欠缺这方面的分析能力。

Sensors Analytics 可以让使用者自己来任意设置事件的 property,并且 property 都可以作为维度来进行分组和筛选,因此,在追查销量下降的情况时,就可以从很多特定的维度进行分析,只要在接入数据时,有接入这些属性即可。

具体来说,在实际追查销量下降的问题时,可以先按照以往的经验和一些相关的社会热点事件,来猜测几个可能会有影响的维度,并且通过 Sensors Analytics 的事件分析功能,快速验证猜测。

例如,在这次销量下降的情况下,我们首先会猜测是不是某个支付方式出了问题,导致想通过这个方式支付的用户最终没能顺利完成付款,从而影响了销量,那么,在事件分析功能中,我们可以设置如下的查询条件来察看每个支付方式下过去7天的销量变化情况: 分支付方式分析销量

如果发现不同支付方式下的销量变化情况都没有异常,那么,还可以继续从导流渠道、品类、店铺等维度,采用相同的方式进一步地细化和定位问题。由于 Sensors Analytics 提供了实时的查询能力,所以,每一次猜测得到验证的代价都很小,这也大大加快了异常数据追查的速度。

2. 低质量的渠道

每一个用户端产品,都会不可避免地从不同渠道以不同的方式花钱购买流量。

而有些时候,我们会发现,某些渠道的质量似乎存在问题,虽然 投放了这个渠道,带来了很多的流量,但是似乎整体的注册量和销量并没有带来多大的增长。这也可以看出,评估渠道的具体的效果,仅仅计算PV、UV是远远不够的。某些渠道带来的访问量可能很大,但是用户质量比较差,转化率低,留存低,仅看带来的流量,是看不出流量下面隐含的本质的。

在这种情况下,Sensors Analytics 的漏斗转化和留存分析功能,可以更加细致地度量每个渠道带来的流量的质量。

具体来说,为了度量每个渠道带来的用户最终的转化效果,我们可以设置一个核心转化流程。例如,我们以用户最终支付视作转化,则我们可以设置一个包括访问首页、访问产品页、提交订单、支付订单这四个步骤的核心转化,并且创建对应的漏斗。并且在用户每次访问首页的时候,调用 profilesetonce 接口,设置该用户的“首次访问渠道”这个profile。profilesetonce 的特性,是如果这个profile已经有值,再次调用时不会覆盖已有的值,所以非常适合用来记录用户的首次访问渠道。那么,接下来的事情就很简单了,只需要每天看下不同渠道的漏斗转化,就可以透过该渠道带来的流量看到背后的真实用户转化了。 不同渠道的漏斗转化

与分析用户的转化效果类似,Sensors Analytics 同样可以分析某个渠道的用户留存情况,最简单的,我们以用户再次访问作为一个留存的判定依据,那么,我们按照下面的配置,就可以看具体某个渠道的带来的用户的留存情况了: 不同渠道的用户留存

通过上面两种分析方式,我们可以在PV、UV的基础上,对于渠道的效果进行更加细致的度量,从而更合理地评估渠道的质量,进一步地优化整体的投放策略。

3. 服务最差的客服

很多电商和O2O产品,都会有比较一定的客服人员给用户提供服务,例如售前咨询、售后服务等。

客服人员的素质可能参差不齐,对他们的考核,也不能仅仅依赖用户的反馈和打分,大多数情况下,用户都是不乐于给客服打分的,纯粹依赖用户的反馈考核客服的服务质量,很多情况下是不靠谱的。这个时候,更合理的方案显然是通过相关联的用户的具体行为来衡量客服的服务质量。

例如,一个在线教育类型的产品,对于他们的售前咨询类型的客服,是期望通过考核咨询后的订单成单率来对他们的服务质量进行衡量。我们可以创建一个有两个步骤的漏斗:在线咨询--->购买课程,然后根据在线咨询对应的不同的客服人员,来分组考核转化率,从而一定程度上量化这些客服的咨询效果: 客服带来的转化

除了分析转化以外,每个客服每天的服务数、服务用户数、每次服务的平均响应时间等,也都可以在 Sensors Analytics 中进行量化分析,例如,下图就是一个配置的例子: 客服的效果