大家好蔓涧,我是天王寺一哥件已,目前在北京做產(chǎn)品經(jīng)理。
產(chǎn)品經(jīng)理日常工作中元暴,分析數(shù)據(jù)已經(jīng)必不可少篷扩。利用分析結(jié)果來(lái)做產(chǎn)品的決策,復(fù)盤茉盏,成為了產(chǎn)品經(jīng)理必備技能鉴未。
最近我系統(tǒng)性的學(xué)習(xí)了產(chǎn)品經(jīng)理數(shù)據(jù)分析課程,覺得其中“9種數(shù)據(jù)分析方法”非常實(shí)用鸠姨,現(xiàn)總結(jié)下來(lái)歼狼,并結(jié)合自己的理解做一個(gè)匯總。
這“9種數(shù)據(jù)分析方法”為:
1享怀、對(duì)比分析
2羽峰、多維度拆解
3、漏斗觀察
4添瓷、分布情況
5梅屉、用戶留存
6、用戶畫像
7鳞贷、歸因查找
8坯汤、路徑挖掘
9、行為序列
1搀愧、對(duì)比分析
下面按照“比什么”惰聂、“和誰(shuí)比”來(lái)說(shuō)明:
1.1比什么:
日辰ィ看到的數(shù)據(jù)數(shù)值通常有兩種類型:
1)絕對(duì)值:數(shù)據(jù)本身具備參考價(jià)值,例如電商銷售金額搓幌、文章閱讀數(shù)
2)比例值:需要看比例值才能獲得相關(guān)價(jià)值的數(shù)據(jù)杆故,例如留存率、活躍占比等數(shù)據(jù)
所以對(duì)比分析主要是分析比例值溉愁。往往我們有兩種比較方式:
1)同比:指當(dāng)前時(shí)間范圍某個(gè)位置的數(shù)值與上一個(gè)時(shí)間范圍的相同位置的數(shù)據(jù)對(duì)比处铛,英文是:Same period last year/month/day。例如5月第一周同比4月第一周拐揭。
2)環(huán)比:指當(dāng)前時(shí)間范圍的數(shù)值對(duì)比相鄰的上一個(gè)時(shí)間范圍撤蟆,例如5月銷售總額環(huán)比上漲20%,指5月銷售總比對(duì)比4月銷售總額上漲了20%
1.2和誰(shuí)比:
1)和自己比
日常工作中堂污,大部分對(duì)比分析都是當(dāng)前數(shù)據(jù)與往期數(shù)據(jù)對(duì)比家肯。可以從不同的角度進(jìn)行對(duì)比盟猖,例如時(shí)間維度息楔、渠道維度、業(yè)務(wù)線維度等扒披。
2)和行業(yè)比
在做數(shù)據(jù)分析時(shí)值依,需要全盤考慮行業(yè)整體趨勢(shì)。例如公司為在線教育行業(yè)碟案,今年用戶增長(zhǎng)較快愿险,團(tuán)隊(duì)認(rèn)為是運(yùn)營(yíng)的作用〖鬯担可如果對(duì)比一下行業(yè)數(shù)據(jù)辆亏,增長(zhǎng)可能低于行業(yè)平均,增長(zhǎng)是因?yàn)橐咔樵驅(qū)е碌淖匀辉鲩L(zhǎng)鳖目,這時(shí)候就需要調(diào)整運(yùn)營(yíng)策略了扮叨。
2、多維度拆解
我們?cè)诜治鰯?shù)據(jù)的時(shí)候领迈,會(huì)力求從有限的數(shù)據(jù)中挖掘出最大的價(jià)值彻磁,獲取到更多的隱藏信息。這時(shí)候就需要從多個(gè)維度去拆解問(wèn)題狸捅。
1)對(duì)單一指標(biāo)進(jìn)行多維度拆解
以一個(gè)實(shí)際的案例來(lái)說(shuō)明:
小明公司產(chǎn)品為一個(gè)象棋平臺(tái)衷蜓,平臺(tái)內(nèi)有象棋資訊、象棋視頻尘喝、提升課程磁浇,問(wèn)答社區(qū)等。平臺(tái)內(nèi)金幣為虛擬流通貨幣朽褪。憑此金幣可以查看付費(fèi)資訊置吓、付費(fèi)視頻无虚、打賞等。現(xiàn)老板要求獲知金幣的消耗量這一個(gè)數(shù)據(jù)指標(biāo)衍锚。
小明接到任務(wù)后友题,將金幣的消耗量按照實(shí)際的業(yè)務(wù)場(chǎng)景,進(jìn)行多維度拆解构拳,梳理了以下維度:
a.時(shí)間。6月初平臺(tái)進(jìn)行了重大更新梁棠,玩兒更多樣置森,所以此次數(shù)據(jù)分析只統(tǒng)計(jì)6月份以后的,并以周為單位進(jìn)行統(tǒng)計(jì)符糊。
b.金幣消耗基本數(shù)據(jù):消耗總量凫海、總消費(fèi)人數(shù)、消費(fèi)次數(shù)男娄、充值次數(shù)等
c.金幣的消費(fèi)場(chǎng)景:將所有消費(fèi)場(chǎng)景進(jìn)行分析行贪,期望將消費(fèi)場(chǎng)景按照金幣量進(jìn)行排序,并將具體消費(fèi)內(nèi)容羅列模闲,挖掘信息建瘫。
d.金幣的消費(fèi)人群:搞清楚是消費(fèi)者的畫像,分析消費(fèi)人群特征
通過(guò)將一個(gè)單一指標(biāo)尸折,多維度的進(jìn)行分析啰脚,是比較常見的分析方法
2)對(duì)流程進(jìn)行多維度拆解
此分析方法適合于“用戶達(dá)成某個(gè)目標(biāo)有清晰的使用路徑”。例如分析某個(gè)課程的購(gòu)買率实夹。用戶是否購(gòu)買往往與之前的步驟緊密相關(guān)橄浓,如登錄——首頁(yè)點(diǎn)擊廣告——試看——提交訂單——支付成功。
此案例單獨(dú)看購(gòu)買率高或低沒有意義亮航,必須對(duì)整個(gè)流程進(jìn)行多維度拆解荸实,找到里面的關(guān)鍵時(shí)刻予以改善。
3缴淋、漏斗觀察
漏斗准给,適合于觀察有明確使用流程的數(shù)據(jù)。漏斗是一連串前面影響后面的用戶行為重抖,層層相扣圆存。
例如某象棋APP的課程購(gòu)買,最終支付是最后一層漏斗仇哆,則其漏斗路徑為:
用戶注冊(cè)——查看推薦內(nèi)容——點(diǎn)擊課程——試看——提交訂單——支付沦辙。其中用戶是否注冊(cè)登錄決定了是否能正常查看推薦內(nèi)容,用戶查看推薦內(nèi)容的數(shù)據(jù)影響了點(diǎn)擊課程鏈接的數(shù)據(jù)等等讹剔。
我們?nèi)粘J褂寐┒酚^察油讯,需注意漏斗的三個(gè)誤區(qū):
1)漏斗要選擇時(shí)間窗口
漏斗上一個(gè)流程對(duì)下一個(gè)流程起作用详民,所以漏斗的流程需要確定合理的時(shí)間。例如上面象棋APP的支付漏斗陌兑,用戶的決策時(shí)間通常為當(dāng)天沈跨,但如買房決策周期可能持續(xù)數(shù)月。
2)漏斗需要遵循嚴(yán)格的順序
漏斗如:A—B—C—D—E兔综。在觀察時(shí)候饿凛,不能直接A—C—E。這樣觀察每一層的轉(zhuǎn)化率得出的相應(yīng)結(jié)論是不準(zhǔn)確的软驰。
3)同一個(gè)目標(biāo)可能有多個(gè)漏斗路徑
有時(shí)候如果發(fā)現(xiàn)最終調(diào)查的數(shù)據(jù)有錯(cuò)誤涧窒,則需要確定,是否在統(tǒng)計(jì)一個(gè)目標(biāo)的數(shù)據(jù)時(shí)锭亏,遺漏了其他漏斗路徑
4纠吴、分布情況
一個(gè)事件不僅僅只有累計(jì)數(shù)據(jù)這個(gè)指標(biāo),還可以從該事件在不同維度上的分布情況具體分析慧瘤。
例如分析用戶總量戴已,可以研究用戶總量分布在不同性別,不同年齡和省份的情況锅减。又例如分析某個(gè)頁(yè)面的用戶瀏覽數(shù)據(jù)糖儡,可以將總瀏覽量分布在不同時(shí)間、不同流量次數(shù)上進(jìn)行研究怔匣。
如圖:
5休玩、留存分析
在進(jìn)行留存分析之前,需要搞明白留存的定義劫狠,不同的公司對(duì)留存有不同的計(jì)算方法拴疤。
7日留存的兩種算法:
1)留存算法1=(第七天/第一天)*100%
2)留存算法2=(第二天至第七天所有用戶相加去重)/第一天*100%
具體應(yīng)該采用哪種計(jì)算方法,需要看我們計(jì)算留存的目的独泞。例如:
1)對(duì)比不同渠道來(lái)的用戶的質(zhì)量采用算法1呐矾。因?yàn)樗星蓝疾捎玫谝蝗蘸偷谄呷盏臄?shù)據(jù),忽略的信息都是一致的懦砂,故可以公平比較
2)若分析一款教人做菜的APP蜒犯,此APP用戶主要在周末打開。則宜采用算法2荞膘。這樣更能真實(shí)的反映留存情況罚随。
還需要注意的是,有些有些公司會(huì)將第一天稱為第0天羽资。這樣做的好處是淘菩,在計(jì)算7日留存的時(shí)候可以比較對(duì)比的是同一個(gè)“星期幾”。
根據(jù)具體業(yè)務(wù)場(chǎng)景,分析留存需要選擇不同的時(shí)間跨度潮改,如:
1)了解某一個(gè)渠道的質(zhì)量宜采用日留存(如7日留存)狭郑。
2)觀察整個(gè)大盤的數(shù)據(jù)宜采用周留存和月留存,較為宏觀的觀察用戶在平臺(tái)上的粘性
6汇在、用戶畫像分析
我們長(zhǎng)說(shuō)的用戶畫像分成兩種:
1)用戶的詳細(xì)標(biāo)簽翰萨。如身份、年齡糕殉、婚姻亩鬼、身高體重等。通過(guò)對(duì)用戶各類特征進(jìn)行標(biāo)識(shí)阿蝶,給用戶貼上各類標(biāo)簽雳锋,通過(guò)標(biāo)簽將用戶進(jìn)行組合分類,以便對(duì)不同的群體進(jìn)行精細(xì)的產(chǎn)品/運(yùn)營(yíng)動(dòng)作赡磅。
2)根據(jù)用戶訪談等手段建立的極具代表性的虛擬用戶魄缚,在產(chǎn)品規(guī)劃時(shí),使用虛擬用戶,能快速讓團(tuán)隊(duì)達(dá)成共識(shí)枫振。
用戶標(biāo)簽種類繁多到踏,大致可以分成四大類:
1)基礎(chǔ)屬性:年齡、性別村砂、生日、星座、教育袒餐、身高、收入谤狡、職業(yè)等
2)社會(huì)屬性:婚姻關(guān)系灸眼、有無(wú)小孩、性取向等
3)行為特征:注冊(cè)時(shí)間墓懂、注冊(cè)渠道焰宣、是否買過(guò)某個(gè)商品、是否關(guān)注過(guò)某個(gè)問(wèn)題等
4)業(yè)務(wù)相關(guān):如健身APP關(guān)心用戶睡眠質(zhì)量捕仔、體脂率匕积、高矮胖瘦等
面對(duì)如此繁多的標(biāo)簽,該如何獲取呢榜跌,通常有兩種方式可以獲得:
1)直接獲取
我們常見的某些產(chǎn)品闪唆,注冊(cè)時(shí)必須要完善填寫相關(guān)信息
2)通過(guò)用戶行為推導(dǎo)分析得到
如通過(guò)用戶的手機(jī)機(jī)型推導(dǎo)其消費(fèi)能力,通過(guò)購(gòu)買的產(chǎn)品推導(dǎo)其性別钓葫、通過(guò)其關(guān)注的話題推導(dǎo)其興趣等悄蕾。
7、歸因查找
在實(shí)際工作中础浮,一些明確的業(yè)務(wù)目標(biāo)往往要進(jìn)行歸因笼吟,找到目標(biāo)達(dá)成的關(guān)鍵因素库物,將有限的資源投入到關(guān)鍵因素中。
按照不同的業(yè)務(wù)場(chǎng)景贷帮,大致有三種歸因方法:
1)末次歸因
此方法適用于轉(zhuǎn)化路徑短戚揭,且事件之間關(guān)聯(lián)性強(qiáng)的場(chǎng)景。此類場(chǎng)景需要重點(diǎn)關(guān)注達(dá)到目標(biāo)前一步撵枢。
如下直播打賞案例民晒,關(guān)注目標(biāo)為充值:
對(duì)案例分析得知,私信主播后進(jìn)行充值的路徑占比較大锄禽,故應(yīng)盡快提升私信體驗(yàn)潜必。
2)遞減歸因
此方法適用于轉(zhuǎn)化路徑長(zhǎng),轉(zhuǎn)化鏈條上各個(gè)事件差異不大沃但,沒有完全占據(jù)主導(dǎo)的事件磁滚。
3)首次歸因
此方法適用于強(qiáng)流量依賴的業(yè)務(wù)場(chǎng)景,用戶進(jìn)入環(huán)節(jié)比后續(xù)所有事都重要宵晚。例如借貸產(chǎn)品垂攘。
8、路徑挖掘
在漏斗分析中淤刃,往往整個(gè)流程已經(jīng)十分清晰晒他。但是在實(shí)際業(yè)務(wù)場(chǎng)景中,我們不太清除用戶的使用流程或者流程較為復(fù)雜逸贾、隨機(jī)陨仅,沒有很強(qiáng)的順序。這時(shí)候就比較適合于應(yīng)用路徑挖掘铝侵。
具體方法為找到所有流程里面的事件灼伤,設(shè)置流程的流入與流出頁(yè)面,將所有的事件放在這個(gè)流里咪鲜,用數(shù)據(jù)工具進(jìn)行分析狐赡。
在進(jìn)行分析之前,要搞清楚分析的目的嗜诀,一般適用于以下兩種場(chǎng)景:
1)有明確的起始場(chǎng)景猾警。希望分析數(shù)據(jù),觀察這個(gè)場(chǎng)景之后到底發(fā)生了什么
1)有明確的結(jié)果目標(biāo)隆敢。希望分析數(shù)據(jù)觀察來(lái)的用戶是怎樣一步一步達(dá)到目標(biāo)的
通過(guò)路徑挖掘发皿,可以找到我們關(guān)注的關(guān)鍵路徑。只有找出關(guān)鍵路徑上面的關(guān)鍵行為拂蝎,才能打造良好體驗(yàn)穴墅。
9、行為序列
路徑挖掘是挖掘大量用戶的行為路徑,但有時(shí)候我們比較關(guān)注個(gè)體行為玄货,希望了解此個(gè)體在使用產(chǎn)品時(shí)的完整事件時(shí)間線皇钞。如下圖:
挖掘單個(gè)用戶的行為序列通常適用于以下兩個(gè)場(chǎng)景:
1)尋找被數(shù)據(jù)統(tǒng)計(jì)掩蓋掉的信息,還原用戶具體的使用場(chǎng)景
2)找到個(gè)體的行為特征松捉,找到產(chǎn)品價(jià)值提升的機(jī)會(huì)點(diǎn)
案例:
象棋在線平臺(tái)推出新功能夹界,邀請(qǐng)象棋高手入駐,在線教課隘世。功能推出3天可柿,共1萬(wàn)名用戶使用體驗(yàn)了該功能。現(xiàn)需要給2名銷售分配任務(wù)丙者,電話聯(lián)系有意向的老師复斥。
現(xiàn)使用個(gè)體行為序列分析,尋找到反復(fù)使用某個(gè)功能且停留事件較長(zhǎng)的用戶械媒,篩選后將1000名用戶分配給銷售目锭,大大提交了合作轉(zhuǎn)化率。
小結(jié):
以上就是產(chǎn)品在日常數(shù)據(jù)分析中纷捞,常用的9種分析方式痢虹。我是天王寺一哥,一個(gè)產(chǎn)品界的小學(xué)生兰绣,期待與大家多溝通世分,多交流编振。