想成為數(shù)據(jù)產(chǎn)品經(jīng)理是复,先掌握這些數(shù)據(jù)分析方法論

產(chǎn)品經(jīng)理的概念在不斷泛化。近些年來竖螃,隨著互聯(lián)網(wǎng)行業(yè)的發(fā)展淑廊,越來越多的企業(yè)意識(shí)到了大數(shù)據(jù)和精細(xì)化運(yùn)營的重要性,為了更好地挖掘數(shù)據(jù)的價(jià)值特咆,指導(dǎo)業(yè)務(wù)的優(yōu)化和發(fā)展季惩,數(shù)據(jù)產(chǎn)品經(jīng)理應(yīng)運(yùn)而生,他們基于數(shù)據(jù)分析方法發(fā)現(xiàn)問題腻格,并提煉關(guān)鍵要素画拾,設(shè)計(jì)產(chǎn)品來實(shí)現(xiàn)商業(yè)價(jià)值。

雖為產(chǎn)品經(jīng)理菜职,但要真正解決核心問題青抛,不免要在前期和中期進(jìn)行大量的數(shù)據(jù)分析工作,那么酬核,實(shí)用的數(shù)據(jù)分析方法有哪些呢蜜另?

一适室、業(yè)務(wù)分析類

1.1?杜邦分析法

杜邦分析法目前主要用于財(cái)務(wù)領(lǐng)域,通過財(cái)務(wù)比率的關(guān)系來分析財(cái)務(wù)狀況蚕钦,其核心要點(diǎn)是將一個(gè)大的問題拆分為更小粒度的指標(biāo)亭病,以此了解問題出在了哪兒,從而對(duì)癥下藥嘶居。

以電商行業(yè)為例罪帖,GMV(網(wǎng)站成交金額)是考核業(yè)績最直觀的指標(biāo),當(dāng)GMV同比或環(huán)比出現(xiàn)下滑時(shí)候邮屁,需要找到影響GMV的因素并逐一拆解整袁。

GMV下降如果是因下單用戶減少所造成的,那么是訪客數(shù)(流量)減少了佑吝,還是轉(zhuǎn)化率下降了呢坐昙?如果是訪客數(shù)減少了,那是因?yàn)樽匀涣髁繙p少了芋忿,還是因?yàn)闋I銷流量不足炸客?

如果是自然流量下降的話,可能需要在用戶運(yùn)營和產(chǎn)品運(yùn)營端發(fā)力戈钢,如果是營銷流量不足痹仙,那么可以通過營銷活動(dòng)或者站外引流的形式增加曝光量。

同樣殉了,如果是轉(zhuǎn)化率的問題开仰,那么需要對(duì)用戶進(jìn)行細(xì)分,針對(duì)不同階段的用戶采取不同的運(yùn)營策略薪铜,關(guān)于用戶的部分众弓,這里不做贅述,有興趣的朋友可以關(guān)注后面的文章隔箍。

最后谓娃,如果是因?yàn)榭蛦蝺r(jià)不高,那么需要進(jìn)行定價(jià)及促銷的方案優(yōu)化蜒滩,比如識(shí)別具有GMV提升潛力的商品進(jìn)行定價(jià)優(yōu)化滨达,評(píng)估當(dāng)前促銷的ROI,針對(duì)選品帮掉、力度和促銷形式進(jìn)行優(yōu)化。同時(shí)通過關(guān)聯(lián)商品的推薦或商品套裝促銷的形式窒典,激發(fā)用戶購買多件商品蟆炊,也可以有效提高客單價(jià)。

1.2?同比熱力圖分析法

同比熱力圖分析法這個(gè)名稱是我自己造的瀑志,其實(shí)無非是把各個(gè)業(yè)務(wù)線的同比數(shù)據(jù)放到一起進(jìn)行比較涩搓,這樣能更為直觀地了解各個(gè)業(yè)務(wù)的狀況污秆。

構(gòu)建一張同比熱力圖大致需要三步:

按照杜邦分析法將核心問題進(jìn)行拆解,這里仍以電商為例昧甘,我們將GMV拆成了流量良拼、轉(zhuǎn)化率、商品均價(jià)和人均購買量充边,即GMV=流量*轉(zhuǎn)化率*商品均價(jià)*人均購買量庸推;

計(jì)算每個(gè)業(yè)務(wù)各項(xiàng)指標(biāo)的同比數(shù)據(jù);

針對(duì)每一項(xiàng)指標(biāo)浇冰,對(duì)比各業(yè)務(wù)的同比高低并設(shè)定顏色漸變的條件格式贬媒,以上圖中的轉(zhuǎn)化率同比為例,業(yè)務(wù)5轉(zhuǎn)化率同比最高肘习,為深橙底色际乘,業(yè)務(wù)3轉(zhuǎn)化率同比最低且為負(fù)值,因此設(shè)定為藍(lán)色底色加紅色字體漂佩。

通過同比熱力圖的分析脖含,首先,可以通過縱向?qū)Ρ攘私鈽I(yè)務(wù)自身的同比趨勢投蝉,其次养葵,可以通過橫向?qū)Ρ攘私庾陨碓谕悩I(yè)務(wù)中的位置,此外墓拜,還可以綜合分析GMV等核心指標(biāo)變動(dòng)的原因港柜。

除了電商業(yè)務(wù)的分析以外,同比熱力圖同樣適用于互聯(lián)網(wǎng)產(chǎn)品數(shù)據(jù)指標(biāo)的監(jiān)控及分析咳榜,該分析方法的關(guān)鍵點(diǎn)在于拆解核心指標(biāo)夏醉,在本文后面的產(chǎn)品運(yùn)營類方法中將會(huì)介紹相關(guān)指標(biāo)的拆解方法。

1.3?類BCG矩陣

BCG矩陣大家都非常熟悉了涌韩,以市場占有率和增長率為軸畔柔,將坐標(biāo)系劃分為四個(gè)象限,用于判斷各項(xiàng)業(yè)務(wù)所處的位置臣樱。

這里想講的并非傳統(tǒng)的BCG矩陣靶擦,而是BCG矩陣的變陣,或者叫類BCG矩陣雇毫。

根據(jù)不同的業(yè)務(wù)場景和業(yè)務(wù)需求玄捕,我們可以將任意兩個(gè)指標(biāo)作為坐標(biāo)軸,從而把各類業(yè)務(wù)或者用戶劃分為不同的類型棚放。

比如可以以品牌GMV增長率和占有率構(gòu)建坐標(biāo)系枚粘,來分析各品牌的狀況,從而幫助業(yè)務(wù)方了解到哪些品牌是未來的明星品牌飘蚯,可以重點(diǎn)發(fā)力馍迄,哪些品牌處于弱勢且增長匱乏福也,需要優(yōu)化品牌內(nèi)的產(chǎn)品布局。

除此之外攀圈,我們還可以根據(jù)以下場景構(gòu)建類BCG矩陣:

分析商品引流能力和轉(zhuǎn)化率:流量份額-轉(zhuǎn)化率

分析商品對(duì)毛利/GMV的貢獻(xiàn):毛利率-銷售額

基于RFM分析用戶的價(jià)值:訪問頻率-消費(fèi)金額

按照上述方法暴凑,大家可以根據(jù)需求大開腦洞,按照一定標(biāo)準(zhǔn)對(duì)研究對(duì)象進(jìn)行分類分析赘来。

二现喳、用戶分析類

2.1 TGI指數(shù)

在分析用戶時(shí),通常的做法是將目標(biāo)用戶進(jìn)行分類撕捍,然后對(duì)比各類用戶與總體之間的差異性拿穴,TGI指數(shù)提供了一個(gè)很好的方法,來反映各類用戶群體在特定研究范圍(如地理區(qū)域忧风、人口統(tǒng)計(jì)默色、媒體偏好等)內(nèi)的強(qiáng)勢或弱勢。

TGI指數(shù)=用戶分類中具有某一特征的群體所占比例/總體中具有相同特征的群體所占比例*100

比如在分析用戶的年齡段時(shí)狮腿,可以通過TGI指數(shù)對(duì)比各用戶分類與總體在各年齡段的差異腿宰,設(shè)用戶分類1中16-25歲的用戶占比為4%,而總體中16-25歲的用戶占比為8.3%缘厢,那么用戶分類1在16-25歲用戶中的TGI指數(shù)為4%/8.3%*100=48吃度。依照這一方法,我們可以對(duì)各類用戶在各年齡段的TGI指數(shù)進(jìn)行對(duì)比贴硫。

如上圖所示椿每,各類目標(biāo)用戶在16-25歲這個(gè)年齡段的占比都比總體小(TGI指數(shù)<100)英遭,其中分類1的用戶年齡偏大间护,因?yàn)樵擃愑脩粼?6歲以上各個(gè)年齡段的TGI指數(shù)都明顯高于100,且同時(shí)高于其他三類用戶挖诸。

當(dāng)前在互聯(lián)網(wǎng)領(lǐng)域汁尺,除了用戶實(shí)名數(shù)據(jù)以外,其他用戶的畫像維度一般都通過建立模型進(jìn)行判斷多律,因此無法完全保證準(zhǔn)確性痴突,但不同于小樣本調(diào)研,大數(shù)據(jù)分析是能容忍一定數(shù)據(jù)誤差的狼荞,不過辽装,這一切都要建立在對(duì)比的基礎(chǔ)上。

所以相味,在分析用戶畫像時(shí)拾积,需要根據(jù)場景進(jìn)行用戶分類,并對(duì)比各類用戶與總體間的差異,這樣才能保證分析結(jié)果的可信性和適用性殷勘,而TGI指數(shù)就是很好的對(duì)比指標(biāo)。

2.2 LRFMC模型

RFM模型是客戶關(guān)系管理中最常用的模型昔搂,但這一模型還不夠完善玲销,比如對(duì)于M(Money),即消費(fèi)金額相等的兩個(gè)用戶而言摘符,一個(gè)是注冊(cè)兩年的老用戶贤斜,一個(gè)是剛注冊(cè)的新用戶。對(duì)于企業(yè)來說逛裤,這兩個(gè)用戶的類型和價(jià)值就完全不同瘩绒,因此我們需要更全面的模型。

LRFMC模型提供了一個(gè)更完整的視角带族,能更全面地了解一個(gè)用戶的特征锁荔,LRFMC各個(gè)維度的釋義如下:

L(lifetime):代表從用戶第一次消費(fèi)算起, 至今的時(shí)間,代表了與用戶建立關(guān)系的時(shí)間長度蝙砌,也反映了用戶可能的活躍總時(shí)間阳堕。

R(Recency):代表用戶最近一次消費(fèi)至今的時(shí)間長度,反映了用戶當(dāng)前的活躍狀態(tài)择克。

F(Frequency):代表用戶在一定時(shí)間內(nèi)的消費(fèi)頻率恬总,反映了用戶的忠誠度。

M(Monetary):代表用戶在一定時(shí)間內(nèi)的消費(fèi)金額肚邢,反映了用戶的購買能力壹堰。

C(CostRatio):代表用戶在一定時(shí)間內(nèi)消費(fèi)的折扣系數(shù),反映了用戶對(duì)促銷的偏好性骡湖。

以去哪兒的業(yè)務(wù)為例贱纠,通過LRFMC模型可以綜合分析用戶的習(xí)慣偏好和當(dāng)前狀態(tài),從而指導(dǎo)精準(zhǔn)營銷方案的實(shí)施勺鸦。

L(lifetime):用戶來多久了并巍?

R(Recency) :用戶最近是否有消費(fèi),如果來了很長時(shí)間都未消費(fèi)换途,是否需要進(jìn)行喚醒懊渡?

F(Frequency) :用戶出行的頻率如何,如果是固定周期出行军拟,是否應(yīng)該進(jìn)行復(fù)購提醒剃执?

M(Monetary) :用戶的消費(fèi)金額是多少,是單價(jià)高(購買頭等艙)懈息,還是頻次高肾档?

C(CostRatio):用戶對(duì)折扣的偏好如何,是為用戶增加權(quán)益還是降價(jià)促銷?

三怒见、產(chǎn)品運(yùn)營類

產(chǎn)品運(yùn)營是一個(gè)長期的過程俗慈,需要定期對(duì)產(chǎn)品的使用數(shù)據(jù)進(jìn)行監(jiān)控,以便發(fā)現(xiàn)問題遣耍,從而確定運(yùn)營的方向闺阱,同時(shí)也可以用于評(píng)估運(yùn)營的效果。

產(chǎn)品運(yùn)營的常用指標(biāo)如下:

使用廣度:總用戶數(shù)舵变,月活酣溃;

使用深度:每人每天平均瀏覽次數(shù),平均訪問時(shí)長纪隙;

使用粘性:人均使用天數(shù)赊豌;

綜合指標(biāo):月訪問時(shí)長=月活*人均使用天數(shù)*每人每天平均瀏覽次數(shù)*平均訪問時(shí)長。

產(chǎn)品所處階段不同绵咱,運(yùn)營的側(cè)重點(diǎn)也會(huì)有所不同碘饼。在產(chǎn)品初期,核心的工作是拉新悲伶,應(yīng)該更加關(guān)注產(chǎn)品的使用廣度派昧,而產(chǎn)品的中后期,應(yīng)該更加注重使用深度和使用粘性的提升拢切。

對(duì)于不同的產(chǎn)品也需根據(jù)產(chǎn)品的性質(zhì)來確定核心指標(biāo)蒂萎,比如,對(duì)于社交類產(chǎn)品淮椰,使用廣度和使用粘性至關(guān)重要五慈,而對(duì)于一些中臺(tái)分析類產(chǎn)品,提升使用深度和使用粘性更有意義主穗。

四泻拦、結(jié)語

在一款數(shù)據(jù)產(chǎn)品誕生前,應(yīng)該是先有數(shù)據(jù)忽媒,再有分析争拐,然后才是產(chǎn)品,分析的廣度和深度直接決定了產(chǎn)品的定位和價(jià)值晦雨。

如果是做一款數(shù)據(jù)報(bào)表類的產(chǎn)品架曹,那么需要了解核心指標(biāo),并建立綜合指標(biāo)的評(píng)估體系闹瞧。如果是做一款分析決策類產(chǎn)品绑雄,那么還需要基于業(yè)務(wù)需求,將現(xiàn)有數(shù)據(jù)指標(biāo)進(jìn)行解構(gòu)再重構(gòu)奥邮。

以上內(nèi)容僅僅是提供了一些基礎(chǔ)工具和思考方向万牺,數(shù)據(jù)產(chǎn)品經(jīng)理是一個(gè)新興的分支罗珍,目前還沒有成熟的學(xué)習(xí)體系,未來還需繼續(xù)深入淺出脚粟,和大家共同成長覆旱。


作者:Mr.墨嘰,公眾號(hào):墨嘰說數(shù)據(jù)產(chǎn)品

最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請(qǐng)聯(lián)系作者
  • 序言:七十年代末核无,一起剝皮案震驚了整個(gè)濱河市通殃,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌厕宗,老刑警劉巖,帶你破解...
    沈念sama閱讀 222,729評(píng)論 6 517
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件堕担,死亡現(xiàn)場離奇詭異已慢,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī)霹购,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 95,226評(píng)論 3 399
  • 文/潘曉璐 我一進(jìn)店門佑惠,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人齐疙,你說我怎么就攤上這事膜楷。” “怎么了贞奋?”我有些...
    開封第一講書人閱讀 169,461評(píng)論 0 362
  • 文/不壞的土叔 我叫張陵赌厅,是天一觀的道長。 經(jīng)常有香客問我轿塔,道長特愿,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 60,135評(píng)論 1 300
  • 正文 為了忘掉前任勾缭,我火速辦了婚禮揍障,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘俩由。我一直安慰自己毒嫡,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 69,130評(píng)論 6 398
  • 文/花漫 我一把揭開白布幻梯。 她就那樣靜靜地躺著兜畸,像睡著了一般。 火紅的嫁衣襯著肌膚如雪碘梢。 梳的紋絲不亂的頭發(fā)上膳叨,一...
    開封第一講書人閱讀 52,736評(píng)論 1 312
  • 那天,我揣著相機(jī)與錄音痘系,去河邊找鬼菲嘴。 笑死,一個(gè)胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的龄坪。 我是一名探鬼主播昭雌,決...
    沈念sama閱讀 41,179評(píng)論 3 422
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼健田!你這毒婦竟也來了烛卧?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 40,124評(píng)論 0 277
  • 序言:老撾萬榮一對(duì)情侶失蹤妓局,失蹤者是張志新(化名)和其女友劉穎总放,沒想到半個(gè)月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體好爬,經(jīng)...
    沈念sama閱讀 46,657評(píng)論 1 320
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡局雄,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 38,723評(píng)論 3 342
  • 正文 我和宋清朗相戀三年,在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了存炮。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片炬搭。...
    茶點(diǎn)故事閱讀 40,872評(píng)論 1 353
  • 序言:一個(gè)原本活蹦亂跳的男人離奇死亡,死狀恐怖穆桂,靈堂內(nèi)的尸體忽然破棺而出宫盔,到底是詐尸還是另有隱情,我是刑警寧澤享完,帶...
    沈念sama閱讀 36,533評(píng)論 5 351
  • 正文 年R本政府宣布灼芭,位于F島的核電站,受9級(jí)特大地震影響般又,放射性物質(zhì)發(fā)生泄漏姿鸿。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 42,213評(píng)論 3 336
  • 文/蒙蒙 一倒源、第九天 我趴在偏房一處隱蔽的房頂上張望苛预。 院中可真熱鬧,春花似錦笋熬、人聲如沸热某。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,700評(píng)論 0 25
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽昔馋。三九已至,卻和暖如春糖耸,著一層夾襖步出監(jiān)牢的瞬間秘遏,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 33,819評(píng)論 1 274
  • 我被黑心中介騙來泰國打工嘉竟, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留邦危,地道東北人洋侨。 一個(gè)月前我還...
    沈念sama閱讀 49,304評(píng)論 3 379
  • 正文 我出身青樓,卻偏偏與公主長得像倦蚪,于是被迫代替她去往敵國和親希坚。 傳聞我的和親對(duì)象是個(gè)殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 45,876評(píng)論 2 361

推薦閱讀更多精彩內(nèi)容