1700502374
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497695]
1700502375
数据挖掘与数据化运营实战：思路、方法、技巧与应用 13.6.3 分析所用的数据概况
1700502376
1700502377
基于正式上线两个月以来产生的实际付费用户，选择他们在某一周里详细使用该产品的日志明细数据（Trace Log数据）。在该一周的时间段中，共有有效的付费用户多少人？鉴于对商业隐私的考虑，本案例中部分数据已被隐藏，其中91%的用户在此期间有过产品使用行为，也即有详细的日志明细数据记录。
1700502378
1700502379
以下的分析结论主要根据这91%的实际使用了产品的用户的详细日志明细数据得到的。
1700502380
1700502381
1700502382
1700502383
1700502384
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497696]
1700502385
数据挖掘与数据化运营实战：思路、方法、技巧与应用 13.6.4 主要的数据结论和业务解说
1700502386
1700502387
1.用户登录产品后台的入口分析
1700502388
1700502389
这里将以1周7天（7月19日～7月25日）内有过登录行为的所有付费用户的Tracelog明细数据为分析对象，共有多少行数据，合计多少Session（“step=1”，可以理解为每个付费用户每天合计为1次Session，不同天次算不同Session），主要结论如表13-1所示。
1700502390
1700502391
1700502392
1700502393
1700502394
2.付费用户使用产品路径分析——Sequence Analysis算法
1700502395
1700502396
Sequence Analysis算法主要用于分析在一个Session中的先后顺序规律。
1700502397
1700502398
在Sequence Analysis分析结论中，由于输出的规则有成千上万条，到底哪些规则有意义，哪些没有意义，这是要人脑进行一一研判的，而且有的规则需要动脑筋花时间深入考虑，不是那种一目十行的思考可以得到的，所以常常要花费大量的时间，不仅需要数据分析人员去研究，业务人员，尤其是PD人员更要仔细去体会其中的含义或意义。在此挑出一些比较有意义的规则予以分享，如表13-2所示。
1700502399
1700502400
1700502401
1700502402
1700502403
3.付费用户使用产品路径分析——Link Analysis算法
1700502404
1700502405
Link Analysis算法主要用于分析两两直接顺序，即浏览当前页面和转换至下一个页面的规律。
1700502406
1700502407
行业主流分析通常会把两两直接相连的主要节点人为地串起来，从而形成一个网络产品（或网站）详细的主流路径。但是值得注意的是，这种人为串联的主流路径最多能反映路径的繁忙程度，并不代表一个用户或一群用户是沿着此路径一路走来的。虽然这种分析方法有少许漏洞，但它仍然是目前互联网行业主流的路径分析思路。关于该分析方法，具体内容如表13-3所示。
1700502408
1700502409
1700502410
1700502411
1700502412
1700502413
1700502414
1700502415
1700502416
1700502417
1700502418
数据挖掘与数据化运营实战：思路、方法、技巧与应用 [:1700497697]
1700502419
数据挖掘与数据化运营实战：思路、方法、技巧与应用 13.6.5 主要分析结论的落地应用跟踪
1700502420
1700502421
商业产品的优化和升级，要考虑的因素很多，这其中既要有客观的数据分析支持做参考，又要有企业管理层和产品设计师的主观考虑，故而本案例所发现的这些数据分析结论并不能立刻推动产品的优化和改版。在案例中，得到了一系列核心发现、结论之后，产品的设计师综合考虑了其他因素，最终对产品进行了一系列的优化和升级。可以这样说，路径分析为产品的设计优化和改版提供了一个重要的分析工具和许多参考意见。
1700502422
1700502423
本案例的具体发现如下：