以信息可视化分析案例为例,品牌通过可视化分析工具或者平台自主选取数据,可以看到以下四个数据方向:
1、研究内容的丰富度
在进行内容分析时,可根据不同的情况,进行内容的丰富度分析。
比如对于“用户”在网络购物的数据,我们会更倾向于“其次才是视频”,因为随着视频消费的飙升,可能出现的社交媒体类型的“视频”的丰富度和互动率都会大幅提升。
对于“内容数据”,我们会优先考虑其丰富的内容类型。比如对于“图文”,我们更倾向于图文专题类的文章;而对于“视频”,我们更倾向于视频功能、和视频号合作等的强交互式视频内容。
2、不按照案例实现
在日常数据中,我们也可以去根据不同的情况,进行不同的分析,而这些数据的发生是用户的真实意图。例如对于针对“交易型”的用户,我们更倾向于“交易行为”的内容;对于“流失型”的用户,我们则倾向于“流失率”的内容。
在进行分析时,对于用户“流失”的数据,我们不仅要分析其发生的原因,还要分析其原因。
例如对于流失的用户,其核心还是用户“流失的内容”,其内容的背后,流失的原因是什么,是因内容较差,还是因内容质量较低,导致用户的内容消费呈现出多样化的特征。而在数据中我们可以更多关注“流失内容”,更多地是分析流失的原因。
但是“流失”并不是那么简单,就像我们日常关注的短视频等工具,都会有其核心的用户群体和差异化。
例如,对于微博而言,一般的微博属性是用户关注的账号,用户关注的是明星、KOL等,关注的账号则是段子手、网红等。对于微博而言,关注的是好友,关注的是朋友。
但是如果我们将用户“拉入”知乎上,我们可以通过不同的行为或者特征,来找到用户的流失原因,例如用户“取消关注”,用户“取消关注”,用户“发送消息”,用户“评论”,以及流失的原因。
我们也可以通过这些原因找到流失的原因,例如用户“取消关注”,用户“取消关注”,用户“取消关注”等,进行更深入的分析后,我们就可以有针对性地进行流失原因分析,以解决问题。
