常見的7種數據分析手段

2019-04-30 06:34:45
一、數據分析的基本思路

數據分析應該以業務場景為起始思考點,以業務決策作為終點。

基本思路為 5 步,首先要挖掘業務含義、制定分析計畫、從分析計畫中拆分出需要的數據、再根據數據分析的手段提煉業務洞察,最終產出商業決策。

接下來,我們用一個案例來具體說明這5步思路:

某國內 P2P 借貸類網站,市場部在百度和 hao123 上都有持續的廣告投放,吸引網頁端流量;最近內部同事建議嘗試投放 Google 的 SEM;另外,也需要評估是否加入金山網路聯盟進行深度廣告投放。在這種多渠道的投放場景下,產品經理該如何進行深度決策?

1. 挖掘業務含義

首先要了解市場部想最佳化什麼,並以此為核心的 KPI 去衡量。

渠道效果的評估,最重要的是業務轉化:對P2P類網站來說,是否『發起借貸』遠遠比『用戶數量』重要。

所以無論是 Google 還是金山渠道,都要根據用戶群體的不同,最佳化相套用戶的落地頁,提升轉化。

2. 制定分析計畫

以『發起借貸』為核心轉化點,分配一定的預算進行流量測試,觀察對比註冊數量及 ROI 效果,可以持續觀察這部分用戶的後續價值。

3. 拆分查詢數據

根據各個渠道追蹤流量、落地頁停留時間、落地頁跳出率、網站訪問深度以及訂單類型數據,進行用戶分群。

4. 提煉業務洞察

在不同渠道進行投放時,要根據 KPI 的變化,推測業務含義。比如谷歌渠道的效果不好,可能因為谷歌大部分的流量在海外,可能會造成轉化率低。而金山網路聯盟有很多展示位置,要持續監測不同位置的效果,做出最後判斷。

5. 產出商業決策

最後根據數據洞察,指導渠道的投放決策制。比如停止谷歌渠道的投放,繼續跟進金山網路聯盟進行評估,而落地頁要根據數據指標持續地進行最佳化。

二、常見的數據分析方法1、內外因素分解法

內外因素分解法是把問題拆成四部分,包括內部因素、外部因素、可控和不可控,然後再一步步解決每一個問題。

案例:

社交招聘類網站,一般分為求職者端和企業端,向企業端收費方式之一是購買職位的廣告位。業務端人員發現『發布職位』數量在過去的6個月裡有緩慢下降的趨勢。對於這類某一數據下降的問題,從產品經理的角度來說,可以如何拆解?

根據內外因素分解法,『內部可控因素』:產品近期上線更新、市場投放渠道變化、產品粘性、新老用戶留存問題、核心目標的轉化。

2、DOSS

DOSS 是從一個具體問題拆分到整體影響,從單一的解決方案找到一個規模化解決方案的方式。

案例:某線上教育平台,提供免費課程視頻,同時售賣付費會員,為付費會員提供更多高階課程內容。如果我想將一套計算機技術的付費課程,推送給一群持續在看C 免費課程的用戶,產品經理應該如何輔助分析?

按DOSS的思路分解如下:

三、數據分析的套用手段

根據基本分析思路,常見的有7種數據分析的手段。

1、畫像分群

畫像分群是聚合符合某中特定行為的用戶,進行特定的最佳化和分析。

比如在考慮註冊轉化率的時候,需要區分移動端和 Web 端,以及美國用戶和中國用戶等不同場景。這樣可以在渠道策略和運營策略上,有針對性地進行最佳化。

2、趨勢維度

建立趨勢圖表可以迅速了解市場, 用戶或產品特徵的基本表現,便於進行迅速疊代;還可以把指標根據不同維度進行切分,定位最佳化點,有助於決策的實時性;

3、漏斗洞察

通過漏斗分析可以從先到後的順序還原某一用戶的路徑,分析每一個轉化節點的轉化數據。

所有網際網路產品、數據分析都離不開漏斗,無論是註冊轉化漏斗,還是電商下單的漏斗,需要關注的有兩點。第一是關注哪一步流失最多,第二是關注流失的人都有哪些行為。

關注註冊流程的每一個步驟,可以有效定位高損耗節點。

4、行為軌跡

行為軌跡是進行全量用戶行為的還原。只看 PV、UV 這類數據,無法全面理解用戶如何使用你的產品。了解用戶的行為軌跡,有助於運營團隊關注具體的用戶體驗,發現具體問題,根據用戶使用習慣設計產品,投放內容。

5、留存分析

留存是了解行為或行為組與回訪之間的關聯,留存老用戶的成本要遠遠低於獲取新用戶,所以分析中的留存是非常重要的指標之一。

除了需要關注整體用戶的留存情況之外,市場團隊可以關注各個渠道獲取用戶的留存度,或各類內容吸引來的註冊用戶回訪率,產品團隊關注每一個新功能對於用戶的回訪的影響等。

6、A/B測試

A/B測試是對比不同產品設計/算法對結果的影響。

產品在上線過程中經常會使用A/B測試來測試產品效果,市場可以通過A/B測試來完成不同創意的測試。

要進行A/B測試有兩個必備因素:

  1. 有足夠的時間進行測試;
  2. 數據量和數據密度較高。

因為當產品流量不夠大的時候,做A/B測試得到統計結果是很難的。而像 LinkedIn 這樣體量的公司,每天可以同時進行上千個A/B測試。所以A/B測試往往公司數據規模較大時使用會更加精準,更快得到統計的結果。

7、最佳化建模

當一個商業目標與多種行為、畫像等信息有關聯性時,我們通常會使用數據挖掘的手段進行建模,預測該商業結果的產生。

例如:作為一家 SaaS 企業,當我們需要預測判斷客戶的付費意願時,可以通過用戶的行為數據,公司信息,用戶畫像等數據建立付費溫度模型。用更科學的方式進行一些組合和權重,得知用戶滿足哪些行為之後,付費的可能性會更高。

以上這幾種數據分析的方法論,僅僅掌握單純的理論是不行的。

產品經理們需要將這些方法論套用到日常的數據分析工作中,融會貫通。同時學會使用優秀的數據分析工具,可以事半功倍,更好的利用數據,實現整體增長。

相關文章
精选文章