一、数据分析思维
(一) 数据分析的结构层次
-
底层数据的收集/产品端收集 【用户行为 -> 原始数据】
数据采集简称埋点,收集用户在网页端、产品端、客户端等终端的数据,也包括第三方外部数据。 -
数据业务化/产品需要什么样的数据? 【原始数据->加工数据】
将手机的数据转化成可理解、可量化、可观察的业务指标。单纯的数据没有意义,只有和业务结合才能发挥价值。 -
数据可视化/产品的表现如何?【加工数据->可视化数据/信息】
有了数据指标,必须管理好指标。数据分析体系即数据指标体系,指标需要监控和衡量。 -
数据决策和执行/怎么让产品更好 【可视化数据/信息 ->数据决策】
当从数据中获得了洞察,就需要吧洞察转化成策略。这也是包含分析的过程。执行既包含策略的制定,也包括优化和改进。这是持续的。 -
数据模型/产品开始自动化和系统化的运营【数据决策 -> 数据产品/应用】
这是将策略制作成数据应用和产品,当你洞察到数据中蕴含的规律,什么样的用户喜欢,什么样的商品会被购买,什么样的活动形式更好,就尝试把这些做成系统。 -
数据战略/指导未来 【数据工具 -> 数据体系/战略】
当积累了大量的数据,大量的模型,大量的数据应用时,公司级的数据体系已经具备雏形。它不只是数据分析,而是应该将数据变现。
(二) 核心数据思维
1. 结构化
e.g. 8月某线下销售产品的销售量下降,分析原因。
和去年同比下降20%,先观察时间趋势下的波动,看是突然暴跌还是逐渐下降。
再按照不同地区的数据看一下差异,有没有地区性的因素影响。 询问销售员,看一下现在的市场环境,对比竞争对手的情况。 顾客访谈…【我的思路也差不多这样😭
👆存在的问题
❌想到一点是一点
❌做假设,但乱打一枪
❌一次性分析,没有复用性
❌业务和老板都不满意
❌还是没结果
- 核心论点
寻找金字塔的塔顶,它可以是假设,是问题,是预测,是原因。 - 结构拆解
自上而下,将核心论点层层拆解成分论点,上下之间呈因果或依赖关系。 - MECE
相互独立,完全穷尽,论点之间避免交叉和重复,分论点们要尽量完善。 - 验证
不论核心论点还是分论点,都应该是可量化的,用数据说话,它们必然是可验证的。
-
xmind 思维导图【适合单兵作战】
🚩重点是别人的思考过程:视频13:00
-
头脑风暴【团队合作】
- 查看资料及背景,将结论列成一张表/卡片
- 把表上的结论,依据主题分类
- 将同一类型的结论,按顺序区分
- 讨论同一级别的共通结论,将其结论放在上一段位置
2. 公式化
结构化是分析的思维,但他它不够数据化,而且难免有发散的缺点。
销售额 = 销量 * 客单价
利润 = 销售额收益 - 成本
销售额是多个商品/SKU(SKU是物理上不可分割的最小存货单元)的总和
地区的销量 = 不同线下渠道的累加
销量 = 人均销量 * 购买人数
3. 业务化
e.g. 如何预估上海地区的共享单车投放量?
- 有没有从业务方的角度思考
- 真的分析出原因了么
- 能不能分析结果落地
e.g. 某销售公司业绩没有起色,分析的结果是:
销售人员的效率低下,因为士气低落
产品质量不佳,和对手相比无优势
价格平平,顾客不喜欢
【现象不是原因】
用结构化思考+公式化拆解,获得的最终分析论点。很多时候,是现象。数据是某个结果的体现,但不代表原因。
换位思考,从业务的角度思考,参与到业务中去。
e.g. 某辅导机构的课程学习人数下降,通过以上学习的三种思维方式,做出一个假设型的分析案例。
(三) 数据分析的思维技巧
1. 象限法
e.g. RFM 根据象限将目标分类
- 核心:策略驱动的思维
- 优点:直观、清晰,对数据进行人工的划分。划分结果可以直接应用于策略
- 应用:适用范围广,战略分析、产品分析、市场分析、客户管理、用户管理、商品管理等
- 须知:象限划分可以按中位数,也可以按平均数,或者是经验。
2. 多维法
用户统计维度:性别、年龄…
用户行为维度:注册用户、用户偏好、用户兴趣、用户流失…
消费维度:消费金额、消费频率、消费水平…
商品维度:商品品类、商品品牌、商品属性…
- 核心:精细驱动的思维
- 优点:处理大数据量,维度丰富且复杂的数据有较好的效果,但是维度过多,会消耗不少时间
- 应用:只要数据齐全且丰富,均可以应用
- 须知:对不同维度进行交叉分析时,注意辛普森悖论
3. 假设法
(没有数据可参卡的情况)
e.g. 自营电商的数据分析师,现在想商品提价后,收入是否有变化?
假设商品提价后,销量一定会下跌,问题是销量下跌多少?
首先假设流量不会有变化,流量和渠道营销正相关,商品价格影响转化率,那么现在确定转化率的波动。
找出平时的转化率,预估提价后的转化率变化,假设各类型用户对价格敏感度不同,那么将用户划分为:忠诚/普通/羊毛用户。
不同用户层次数量不同,反应不同。忠诚用户转化率变化极低,羊毛几乎不会转化…这些数据可以凭借经验作出假设,最后汇总。
- 核心:启发思考驱动的思维
- 优点:当没有直观数据或线索能分析时,以假设先行的方式进行推断,这是一个论证的过程。
- 应用:它更多时一种思考方式,假设——验证——判断。
- 须知:不止可以假设前提,也能假设概率或者比例,一切都能假设,只要自圆其说。
4. 指数法
很多时候,我们有数据,但不知道怎么应用。就是因为缺乏了一个有效性的方向。这个方向可以成为目标指数。通过将数据加工成指数,达到聚焦的目的。
- 常见方法
- 线性加权
- 反比例
- log
- 核心:目标驱动的思维
- 优点:目标驱动力强,直观、简洁、有效。对业务有一定的指导作用。一旦设立指数,不宜频繁变动。
- 应用:和假设法不同,假设法是缺乏有效的数据,指数法是无法利用数据而将其加工成可利用的。
- 须知:指数法没统一的标准,很多指数更依赖经验的加工。
5. 二八法
数据中,20%的变量将直接产生80%的效果,数据分析更应该围绕这20%作文章。
持续关注TopN的数据,是一个非常好的习惯,尤其在部分行业。
虽然指标很多,但往往某些指标更有价值,二八法则不仅能分析数据,也能管理数据。
- 核心:只抓重点的思维
- 优点:和业务紧密相关,和KPI更紧密相关。几乎花费最少的精力就能到达到不错的效果,性价比很优。
- 应用:几乎所有领域。
- 须知:在条件允许的情况下,数据分析依旧不能放弃全局,否则会让思路变得狭隘。
6. 对比法
- 类别
- 竞争对手对比
- 类比对比
- 时间同比环比
- 转化对比
- 特征和属性对比
- 前后变化对比
- 核心:挖掘数据规律的思考方式
- 优点:可以发现很多数据间的规律,它可以与任何思维技巧结合
- 应用:对比是一种习惯
- 须知:在条件允许的情况下,数据分析依旧不能放弃全局,否则会让思路变得狭隘。
7. 漏斗法
展现——对比——访问——咨询——订单
- 核心:流程化思考方式。
- 优点:单一的漏斗分析没有用,转化率20%并不能说明什么。它要和其他分析思维结合。
- 应用:涉及到变化和流程的都能用。
- 须知:单一的转化率没有用。
(四)如何在业务时间锻炼数据分析思维?
1. 好奇心
啤酒与尿布
- 买了尿布的人会买啤酒,但是买啤酒的人会买尿布么?
- 尿布旁边应该摆放其他东西么?啤酒是否是最好选择?
- 怎么摆放啤酒?部分还是全部品类?
- 场景型的摆放是否比品类摆放更好?
- 数据呢?
2. 生活中的练习
-
这个夜市一天的人流量是多少?一年的人流量又是多少?
-
某一家店每天的营业额是多少?
-
这个夜市,哪家店的利润是最高的?它比最低的高出多少?原因是什么?
-
如何从数据分析的角度提高最低店的营业额?
-
夜店准备弄一次活劢,如何设计一套数据评估方案评估活劢效果?
-
为什么领导戒者同事不认同这次分析?原因是什么?
-
如果我的职位比现在高两级,我会去怎么分析?
-
让我再次分析一年前做的那个案例,我会怎么去优化和改迚?
-
我的历史分析,能用三种核心思维去优化和迭代吗?
二、业务
(一)指标
1. 指标
- 确定核心指标
- 好的指标应该是比率
- 好的指标应该能带来显著效果
- 好的指标不应该虚荣(看上去好实际上没啥用)
- 好的指标不应该复杂
2. 市场营销指标
-
客户/用户生命周期
企业/产品和消费者在整个业务关系阶段的周期。
不同业务划分的阶段不同。传统营销中,分为潜在用户,兴趣用户,新客户,老/熟客户,流失用户。 -
用户价值
用户贡献 = 产出量/投入量 * 100%
用户价值 = (贡献1 + 贡献2 + … …) -
RFM模型
用户生命周期中,衡量客户价值的立方体模型。R最近一次消费时间,M(一段时间)总消费金额,F(一段时间)消费频次,将用户划分成多个群体。 -
用户分群,营销矩阵
用户分群是市场营销中的一种常见策略,它提取用户的几个核心维度,用象限法将其归纳和分类。 e.g. 流失VS价值
3. 产品运营指标
AARRR模型
4. 用户行为指标
- 功能使用
功能使用率/渗透率:使用某功能的用户占总活跃数之比。比如:点赞、评论、收藏、关注、搜索、添加好友,均可以算作功能使用。这些指标在特定业务中均有作用。 - 用户会话
会话session:是用户在一次访问过程中,从开始到结束的整个过程。在网页端,30分钟内没有操作,默认会话操作结束。 - 用户路径
路径图:用户在一次会话的过程中,其访问产品内部的浏览轨迹。通过此,可以加工出关键路径转化率。
5. 电子商务指标
- 购物篮分析
- 笔单价:用户每次购买支付的金额,即每笔订单的支出。
- 件单价:商品的平均价格。
- 成交率:支付成功的用户在总的客流量中的占比。
- 购物篮系数:平均每笔订单中,卖出了多少商品。购物篮系数是多多益善,它也和商品关联规则有关系。
- 复购率:是一段时间内多次消费的用户占总消费用户数之比。
- 回购率:是一段时间内消费过的用户,在下一段时间内仍旧消费的占比。
6. 流量指标
- 浏览量和访问量
- PV:浏览次数。互联网早期的统计指标,用户在网页的一次访问请求可以看作一个PV,用户看了十个网页,则PV = 10。(刷新/回退也算,容易虚高
- UV :是一定时间内访问网页的人数,正式名称独立访客数。在同一天内,不管用户访问了多少网页,他都只算一个独立访客。(技术上,通过cookie或IP衡量
- 访客行为
- 新老访客占比:衡量网站的生命力(新客:推广&吸引力 老客:粘性
- 访客时间:衡量内容质量不是看内容的UV,而是看内容的访问时间
- 访客平均访问页数:衡量网站对访客的吸引力,是访问的深夜
- 用户行为转化率:用户在网站上进行了相应操作的用户在总访客数上的占比
- 首页访客占比:只看了首页的用户,在总访客数上的占比(衡量网页的结构,对新用户是否友好
- 退出率和跳出率
- 退出率:从该页退出的页面访问数/进入该页的访问数
- 跳出率:浏览单页即退出的次数/访问次数
跳出率一般衡量各个落地页,营销页等页面(衡量营销)。退出率则更偏产品,任何页面都有退出率。(网页结构设计的巧不巧妙)
7. 怎么生成指标? 组合
访客访问时长 结合 UV = 重度访问用户占比:浏览时间5分钟以上的用户在整个访客中占比
用户会话次数 结合 成交率 = 有效消费会话占比:用户在所有的会话中,其中有多少次有消费?
8. 业务的分析框架
- 如何建立?
- 从指标的角度出发
- 从业务的角度出发
- 从流程的角度出发
e.g.
从机会客户环节可以看出的指标:
- 潜在客户转化率
- 机会客户转化率
- 新客付费转化率
- 不同渠道在新客中的占比
- 不同渠道在新客中的付费转化率
落地页一般指着陆页、引导页,在互联网营销中,引导页就是当潜在用户点击广告或者利用搜索引擎搜索后显示给用户的网页。
e.g.
从二次激活环节可以看出的指标:
- 推送激活转化率(回来的用户/推送的总用户数)
- 有效推送成功率(手机号码错误无法成功)
- 有效推送到达率(用户网络问题的或者服务器故障)
- 用户打开率
- 不同推送的转换率
【注释】
- Feed广告,指的是在发布的消息之间插入的一种广告形式。
- 内容聚合页:按照一定的规则把内容页中的部分内容和内容页的链接聚合到一个页面上。内容聚合的形式多样化,最常见的如网站栏目,专题,TAG(标签),组合搜索页面等。
- KOL(Key Opinion Leader)挖掘:KOL是营销学上的概念,也就是关键意见领袖的意思。
e.g.
购物车可看出的指标:
- 不同商品类别的占比(对比法)
- 不同价格档次的占比(象限法)
- 不同商品的下单支持率(漏斗法)
- SEO (Search Engine Optimization)搜索引擎优化。是一种方式:利用搜索引擎的规则提高网站在有关搜索引擎内的自然排名。目的是让其在行业内占据领先地位,获得品牌收益。很大程度上是网站经营者的一种商业行为,将自己或自己公司的排名前移。
- SEM(Search Engine Marketing)搜索引擎营销就是基于搜索引擎平台的网络营销,利用人们对搜索引擎的依赖和使用习惯,在人们检索信息的时候将信息传递给目标用户。搜索引擎营销的基本思想是让用户发现信息,并通过点击进入网页,进一步了解所需要的信息。企业通过搜索引擎付费推广,让用户可以直接与公司客服进行交流、了解,实现交易。
9. 如何应对各类业务场景
Step.1 练习
Step.2 熟悉业务
Step.3 应用三种核心思维
Step.4 归纳和整理出指标
Step.5 画出框架
Step.6 检查、应用、修正
Step.7 应用和迭代
10. 案例
帮某教育机构建立一个数据分析框架。
首先,确定目标:盈利
我写的👇
老师写的👇