网购app数据分析图，iOS 13热搜全国首份月度报告出炉揭秘什么APP最易上热搜

来源：整理时间：2024-10-24 17:52:15 编辑：问船数据网手机版

本文目录一览

1，iOS 13热搜全国首份月度报告出炉揭秘什么APP最易上热搜
2，App数据分析到底要分析什么

1，iOS 13热搜全国首份月度报告出炉揭秘什么APP最易上热搜

iOS 13正式版于9月20日正式发布，从时间上来看，9月20号到10月底，大约有40天。以月为时间周期，我们统计了整体的数据情况，希望这份数据报告也能更好的帮助开发者了解iOS 13的热搜。同时，由于热搜当前涉及【关键词】及【 App】，此处仅展示App相关数据报告。如有想对“关键词”作相关了解的朋友，可以关注巨掌数据（ID:BJ-adjuz），在历史消息第一条查看另一篇关于 iOS 13 热搜关键词的数据报告。注：此处数据报告选取数据区间为9月20日至10月19日，为一个月完整区间。描述统计时无独立说明，均为未去重数据，因为Apple会重复推荐关键词或关键词重复上热搜。一、整体数据概览在数据导出上，我们选择了“推荐日期”、“最近更新时间”、“推荐类别”、“热搜关键词”、“热度”等作为数据的分析维度，以下为整理的数据示例图：根据这个数据情况，同时我们也做了一个数据报表，包括关键词的每日推荐量，推荐趋势，特殊关键词推荐次数等等，以下为数据表报概览：注：后台回复【1101】获取已整理好的数据仪表盘。二、重点数据分析说明 1、每日推荐App数量 1.1、数据图： 1.2、数据分析： ①从数据上来看，平均每日推荐的App数量在227款左右。 ②个别时间会出现推荐量接近400，或者推荐量不足200的情况。 2、App被推荐次数 2.1、数据图： 2.2、数据分析： ①部分App出现了极高的推荐次数，例如“神武3”，日均推荐10-11次。这里如果有看过另一篇“iOS 13热搜数据报告（巨掌数据公众号历史消息第一篇） ”文章的朋友，可能会发现这里有个App叫“神武3”，而关键词那边则有个关键词叫“神物3”，对应一下，也算是印证关键词数据报告的某项数据结论。 ②从推荐App的类型来看，各个类别App均有被推荐可能，例如音乐、游戏、教育、工具等等。 ③从整体看，也是游戏产品被推荐次数更多，或与App Store整体游戏产品偏多及游戏产品贡献营收有关。 3、极高推荐度App上热搜数据情况 3.1、数据图： 3.2、数据分析： ①根据数据可以看到，日均在11次左右。 ②有出现单日21次及19次的情况(这里猜测是Apple未更新或抓取接口数据返回问题)。 4、被推荐App在分类下占比(未去重) 4.1、数据图： 4.2、数据分析： ①游戏占推荐49.92%。 ②教育类其次，占11.45%。 5、被推荐App在分类下占比(已去重) 5.1、数据图： 5.2、数据分析： ①游戏占推荐32.75%。 ②摄影录像其次，占11.17%。 6、最后更新时间与被推荐关系 6.1、数据图： 6.2、数据分析： ①最后更新时间在近期的产品，更有被推荐的可能。 ②非近期更新的产品也有被推荐情况，例如“腾讯微博”为2年前产品，且尚未更新。 7、产品发布时间与被推荐关系 7.1、数据图： 7.2、数据分析： ①不同发布年份的产品均有被推荐的可能。 ②整体数据呈平衡状态，在2017年的最多，或由于2017年本身发布产品数量较多导致。 ③因整体数据未有较为突出代表性，所以此处认为产品发布时间与被推荐关系并不大，而产品最后更新时间或与被推荐有较大关系。 8、无内购产品每日被推荐数量 Tips：此处所说的“无内购”并非是产品内无支付功能，而是产品内未用到Apple的支付方式，且不需要给Apple分30%收益。 8.1、数据图： 8.2、数据分析： ①日均被推荐33次。 ②部分天数出现48或57的极高情况。 9、无内购产品被推荐次数 9.1、数据图： 9.2、数据分析： ①最高推荐37次，日均1次，也就是4小时左右。 ②推荐主要类别包含购物、工具、教育、生活类别等。 10、无内购产品推荐应用类别 10.1、数据图： 10.2、数据分析： ①购物类被推荐最高，占24.53%。 ②旅游类其次，占13.84%。 ③此两类也算是无Apple内购的典型产品，产品内购买内容为实物，基本符合App Store应用情况。 11、有内购产品每日被推荐数量 11.1、数据图： 11.2、数据分析： ①日均被推荐194次。 ②部分天数出现310或300的极高情况。 12、有内购产品被推荐次数 12.1、数据图： 12.2、数据分析： ①最高推荐321次，日均10-11次。 ②推荐主要类别包含游戏、工具、教育类别等。 13、有内购产品推荐应用类别 13.1、数据图： 13.2、数据分析： ①游戏类被推荐最高，占57.54%。 ②教育类其次，占12.48%。 ③这里也基本能看到App Store主要内购产品的内购类别，包括消耗型游戏内购，会员制App订阅付费等。三、数据洞察结论 1、游戏类产品被推荐率在50%左右，且App被推荐后，有潜在可能把覆盖的部分关键词一并推荐。 2、时常做产品更新的App更有助于被Apple推荐上热搜。更新产品一方面是在于修复产品bug及提升用户体验，另一方面是在于及时融合Apple推出的新功能，例如iOS13的暗黑模式。 3、iOS13上9月-10月热搜推荐App数据表明，带Apple付费的产品被Apple推荐几率更高(这里也跟App Store整体的游戏产品数量占比有关)。

iOS 13热搜全国首份月度报告出炉揭秘什么APP最易上热搜

2，App数据分析到底要分析什么

按大众化的分法，产品的生命周期(PLC, Product Lifetime Cycle)分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别，下面按阶段结合案例来聊聊。一、初创期初创期的重点在于验证产品的核心价值，或者说验证产品的假设：通过某种产品或服务可以为特定的人群解决某个问题。这个阶段应当遵循MVP(Minimum Variable Product) 的思想，以最小的成本来验证创业的想法，并根据用户的反馈快速迭代以调整解决方案，最终在数据上得到验证。案例：拿之前做的某款国外移动端论坛社交应用为例，产品在idea时期(12,13年左右)发现了论坛用户经常在吐槽从移动端Wap页访问论坛速度慢、广告多、完全没有移动端适配，于是我们提出假设：做一个App，连接论坛系统与用户，让论坛用户在移动端也能享受流畅的论坛访问体验，并且用户愿意为了这种体验付费。于是在初期，整个产品完全围绕看帖、发帖两个核心场景进行挖掘，在论坛里进行宣传，售价$18，发现有许多用户为之付费，且这些用户的留存率达到60%+(当然与用户付费了有关)，有一半的用户使用时长都超过了70分钟。当时没过多久陆续出来了一些竞品 (Vbulletin团队，当时最大的论坛系统，开发了一个移动端的App，意图解决同样的问题)，但是没过多久都远远落在了我们后面，就是因为整个团队遵循MVP的思想，按用户反馈专心反复打磨看帖、发帖的流畅体验，获得了非常好的用户口碑并领先市场，也获得了某著名硅谷投资机构的投资。关键数据——目标人群画像除此之外，初创期可以通过接入一些第三方的应用监测SDK来了解初期用户群体的画像，从侧面验证用户群体与假设的目标用户群体特征是否一致，常见的是人口学属性(性别、年龄、学历、地域)。案例：今年4月初在和国内某健身类的APP的产品经理聊到，该APP最初是一款健身、运动记步的工具App，在产品前期新用户的次日留存处于业内平均水平，在其观察到目标用户群体的画像时，发现女性用户明显比男性用户要多，且女性用户留存明显比男性用户要高。于是决定在产品策略上向女性用户倾斜，主攻女性健身、减脂、美容方向的功能以及内容推荐，产品整体次日留存率相比之前增长近100%。同样，最近服务了一个鹅厂内部客户，他们开发了一款新产品，意在面向年轻人群体，结果却发现其用户年龄分布以青少年和老年人居多：这正好与他们的用户渠道相关，原来他们有一款面向青少年和老年人的产品，为了给产品带来第一批用户，他们直接从老的产品将用户引流过来，结果发现他们并非产品的目标用户。关键数据——留存率在当前用户符合目标受众特征时，核心关注这些用户的留存率、使用时长/频率、用户的黏性等指标，这里就留存率展开来讲。留存率的维度分很多种(7日，双周，30日等)，依据产品特征来选择，若产品本身满足的是小众低频需求，留存率则宜选择双周甚至是30日;留存率高，代表用户对产品价值认可并产生依赖，一般来说，假设便能得到验证，通常低于20%的留存会是一个比较危险的信号。介绍一个以数据为驱动的先行指标模型，可以通过找到先行性指标指导产品设计，从而提升留存率。先看下先行性指标的定义，先行性指标是指新用户在使用产品早期的一种产品行为，这个指标与用户的留存率指标之间存在着非常高的线性相关关系，可以预测用户是否会在产品中留存下来。用自己总结的公式来描述，大致如下：积极预测可能性(%)：表示用户执行了该行为，即可预测该用户留存活跃的可能性消极预测可能性(%) ：表示用户如果不执行该行为，即可预测该用户不留存活跃的可能性最终，先行性指标的可信度=积极预测可能性 X 消极预测可能性，我们直接看案例。案例拿之前的论坛社交App为假设，假设“用户在注册前10天内添加好友超过7个”为先行性指标，那么我们计算一组数据：其中，用户前10天内添加好友超过7个，则其30日留存下来可能性为99%;若添加好友小于7个，则其30日不留存下来(流失)可能性为95%，综合指标可信度为0.9405。同理，计算以下两个先行性指标可信度：最终，我们得到对比：以上只是假设的数据，实际上，我们需要对比十几个甚至是二十几个行为指标才能找出先行性可信度最高的行为。这个模型中第一条“新用户在注册后的10天内添加好友超过7个”，也就是Facebook一个经典的“aha moments”，所谓”aha moments”即当用户意识到产品的核心价值的时刻，也就是我们的“先行指标”。(Facebook，Instagram推荐好友截图)除此之外，先行性指标应当满足以下条件：二、快速成长期经过了产品打磨的初始阶段，产品有了较好的留存率了，这个时候产品开始进入自发增长期。自发增长期的产品阶段，仍需要关注用户留存、用户时长、用户画像的变化等数据，但可以将侧重点关注在用户的整个生命周期的管理，其中以新用户的增长、激活、触发“aha moments”到产品稳定活跃用户的整个漏斗分析为主。新用户的增长和激活其中新用户的增长和激活一般有两种方式，第一种是构建产品的病毒性传播系数, 让产品自发增长，《精益运营数据分析》书中有提到的几个用户病毒式传播分类很有趣：原生病毒性，即通过App本身的邀请好友功能而传播吸引的新用户的方式;口碑病毒性，即通过口碑传播，用户主动通过搜索引擎成为的新用户;人工病毒性，即通过人工干预，如有奖邀请等激励措施来鼓励用户进行邀请行为。这里关注的一个指标称之为“病毒式传播系数”，感兴趣的同学可以自行深入了解。新用户下载->激活->Aha Moments->产品稳定活跃产品开始进入自发增长期后，需要关注用户从新用户到活跃用户(留存后)、到核心用户的生命周期，并将每个过程的关键指标提炼并精细化。案例以之前的论坛社交APP为例，新用户进入产品会看到一个欢迎页(如左下图)，经过注册、登录后会看到产品的首页(如右下图的Feed流页面)，多数App都有类似的流程：一个新用户从进入App欢迎页到最终成为核心用户大概是以下流程：新用户(探索发现产品价值中)-> 旁观者(逐渐认知产品价值并有一定的参与感)-> 生产者(认同产品价值并积极参与)：按大众化的分法，产品的生命周期(PLC, Product Lifetime Cycle)分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别，下面按阶段结合案例来聊聊：此时，对各个阶段的用户行为进行指标分解：新用户&探索发现者：欢迎页跳出率新用户注册率新用户引导流程转化率初始看到Feed页跳出率搜索结果转化率推送权限开通率旁观者(路过者)：平均每个用户关注板块数平均每个用户关注其他用户数平均每个活跃用户赞/分享数Feed卡片展示数Feed卡片点击数订阅内容推送点击率内容生产者：· 平均每个活跃用户发帖数· 平均每个活跃用户发照片、视频数· 平均每个用户在论坛内使用时长· 活跃用户在论坛内行为分布精细化的拆分用户生命周期前中期的行为指标，在产品快速增长期帮助了产品不断打磨细节，将用户从新进到成为核心用户体验不断完善。与此同时，在各节点数据提升并稳定后，产品运营的同学则开始进行各种推广、投放的宣传以扩大盘子、占领市场。三、成熟期随着用户快速增长，产品不断完善，产品在进入成熟期前后，数据运营关注的重心开始从用户生命周期的前半段(吸引、激活、留存)往后半段(流失、回流)开始偏移。这里分享一个在增长期和成熟期关注的数据模板 Daily Net Change (应用自John Egan@Pinterest)，区别于只关注DAU、MAU数据，只关注活跃用户数的增减很多时候都是取悦自己，而这个模型能帮助直观地观察到用户增长的因子是什么，或者用户盘子变化的情况，通过一张图展示了产品的新增、回流和留存情况。其中Net Change = 新增用户 + 回流用户 – 流失用户。新增用户即当天有多少新用户加入回流用户即多少老用户连续28天没有使用，今天又开始使用流失用户即有多少已有用户刚好最后一次使用应用是在28天前流失与回流在关注流失回流的过程中，数据会揭示当前用户盘子的一个变化情况，具体分析流失原因则可以参考下方流程：核心思路即，通过回访定性+数据验证为主要手段，确定流失原因，改变产品运营策略以预防用户流失或拉回用户，促进回流。除此之外，对于一些稳定的投放渠道，普通的改善方法可能提升转化有限，此时可以进行更精细化的渠道分析来优化提升ROI：案例：提升ROI四、衰退期最终，产品进入衰退期，一般在进入衰退期前可以采取两种方式：1、规模化常出现在零售业中，如开一家按摩养生店，在一定范围内收获好评，那产品成熟的时候则可以开启连锁加盟模式，通过迅速而广泛的扩大市场形成品牌效应，以形成壁垒，此时衰退的风险则被抵御。2、生态化在产品增长或接近完善时，单一的产品很容易存在需求过于垂直、用户无法形成依赖的问题，可以开发具有协同能力的新产品以搭建完整的产品生态，使得在当前产品上无法被得到满足或失去兴趣的用户被引流到新产品，作为新产品的新用户;同时新产品的用户也能在新产品上被引流回老产品，产品之间形成互相依赖的链条，最终用户有效流转，形成生态。本文转载自搜狐，作者：商助科技，链接：http://www.sohu.com/a/217398072_501610

App数据分析到底要分析什么