一、什么是数据分析
数据分析是指用适当的统计方法分析对收集来的大量数据进行分析,将它们加以汇总和理解并消化,以求最大化地开发数据的功能,发挥数据的作用。数据分析是为了提取有用信息和形成结论而对数据加以研究和概括总结的过程。
1.数据有三个关键
第一个关键是数据,数据是由指标组成的,指标主要分为两种;
- 绝对指标:数字型指标
- 比率型指标:百分比的指标
第二个关键是数据分析的过程
- 哪里开始分析
- 应该分析什么
- 分析的方法是什么
- 如何提取核心结论
2.数据分析的方法
指的是用于解决数据问题所用的思维及对应的手段
分析方法:5W2H,漏斗分析,对比细分,麦肯锡逻辑树,相关性分析,用户画像分析,Aha时刻分析,RFM用户分群等
第三个关键是数据分析的结果
数据分析的目的在于最大化数据的价值,就是希望通过分析挖掘,定位出问题的原因,并且给出相对应的结论。
二、为什么要做数据分析
分析原因:用户活跃度降低的原因、销售收入降低的原因、用户留存率降低的原因
如何分析销售收入:
我们可以拆分销售收入:销售收入 = 客单价 X 付费用户数
评估效果:数据分析可以通过核心指标的变化来评估不同策略的效果
产品迭代:产品迭代是指对现有产品进行持续改进和优化的过程,以满足用户需求、提高产品质量和竞争力
用户增长:典型的模型:AARRR
- 用户获取:用户获取是指利用外部渠道投放广告、用户推荐等进行用户获取,进而分析从广告触达到下载环节的转化率,得到转化率降低的环节。
评估的指标主要有:
- 渠道曝光量:有多少人看推广产品
- 渠道转换率:有多少人因为曝光转化为用户
- 日新增用户数:每日新增用户
- 日应下载量:每日有多少新用户下载了产品
- 获客成本:获取一个用户所花费的成本
- 收入:每日新用户的人均付费次数、付费金额、付费率
- 渠道质量指标:点击率、激活率、留存率、生命周期价值等
2.用户活跃:用户在APP中的活跃行为。
分析用户的活跃常用的指标:
- 日活跃用户数
- 活跃率
- Pv:APP的浏览次数
- 时长:APP的使用时长
- 用户留存:可以持续留在我们APP中
常见的指标:
- 次日留存率
- 三日留存率
- 七日留存率
- 用户变现:用户变现是指利用用户来产生收入
常用到的指标:
- 客单价:每位用户平均购买产品的金额。
- PUR:付费用户占比
- ARPPU:某段时间内,付费用户的平均收入
- ARPU:某段时间内,总用户的平均收入
- LTV:用户的生命周期价值
- 复购率:一定时间内,消费两次以上的用户数/总购买用户数
- 付费金额:在APP内付费的总金额
三、数据分析的步骤
一次完整的数据分析流程主要分为6个环节
- 明确分析的目的
每一次分析前,都必须要先明确做这次的分析目的是什么?只有先明确了目的,后面的分析才能围绕其展开。
- 指标波动型:主要是针对某个指标下降、上涨或者异常所做的分析
- 评估决策型:主要针对评估活动或功能上线效果,并据此指导后续优化方向。
- 专题探索型:主要针对业务发起的一些专题进行分析
- 数据获取
明确数据分析目的—根据分析的目的—提取相对应的数据,通常这个环节是利用hiveSQL从数据仓库中提取数据。
以电商APP的付费流失严重为例,我们需求提取的维度与指标可以根据具体的业务流程来制定:
下单转化率:用户活跃->浏览商品->添加购物车->点击支付->下单成功
有以下几个维度:
- 时间维度:确定提取的时间跨度。
- 设备的维度:也就是区分iOS和安卓平台
- 年龄、性别、地域维度
- 新老用户维度
指标有以下几个:
- 活跃浏览比:浏览的人数/活跃的人数
- 浏览添加比:添加的人数/浏览的人数
- 添加下单比:点击下单人数/添加购物车人数
- 成功下单比:成功下单的人数/点击下单的人数
3.数据处理
处理一些异常值、错误值、空值、去除业务需求中没有匹配的数据。
4.数据分析
根据分析目标,要选择合适的分析方法和分析思路去做拆解和挖掘。
5.数据可视化
通过数据分析得出结论,还需要用图表展示出来。
6.总结和建议
利用图表把数据分析结论展现出来后,就是数据分析的总结部分。包括得出了什么结论,以及给业务人员提供怎样的具体建议。
四、数据指标体系
数据指标:是用来量化某个事件并衡量目标的数值或比率,它能够揭示产品用户的行为和业务水平状况。
维度:是指从哪些角度衡量产品,决定看待产品的视角。
数据指标体系是一个由多个相互关联的数据指标构成的系统,用于全面评估和监控组织的运营状况和业务表现。以下是数据指标体系的一些关键方面:
- 概念:数据指标体系是一套有组织的、结构化的数据指标集合,它们共同工作以提供对组织活动的深入了解。这些指标不仅仅是单独的度量值,而是相互关联,能够提供更全面的业务洞察。
- 作用:数据指标体系的作用在于帮助组织量化业务目标,监控业务过程,并评估业务成果。通过这些指标,组织可以更好地理解其运营效率,发现问题所在,以及需要改进的地方。
数据指标体系的作用
数据体系通常是指在组织或企业中构建的一套有序的数据集合和管理框架,它包括数据的收集、存储、管理、分析和使用等各个环节。以下是数据体系建设的一些关键组成部分:
- 数据分层:数据体系中通常会有多个层次,包括贴源数据层、统一数仓层、标签数据层和应用数据层等。这些层次反映了数据的处理和提炼过程,从原始数据到为特定应用准备的数据。
- 数据模型:数据模型是定义数据结构的方式,它描述了数据之间的关系和约束条件。良好的数据模型可以帮助组织更有效地管理和使用数据。
- 数据治理:数据治理涉及数据的分类、质量、安全、生命周期管理等方面。它是确保数据准确性、可用性和合规性的关键环节。
- 数据集成:数据集成是将来自不同来源的数据合并到一个一致的数据集中的过程。这有助于提供全面的数据视图,支持决策制定和数据分析。
- 数据标签:数据标签层是对跨业务板块、跨数据域的特定对象数据进行整合的层,它有助于企业进行精细化运营和个性化服务。
- 数据应用:数据应用是指如何将数据转化为洞察力或行动指南,以支持业务决策、提高效率和创造新的价值。
- 数据共享与开放:数据共享与开放是指组织内部或与外部合作伙伴之间共享数据资源,以促进创新和合作。
- 数据安全:保护数据免受未授权访问和破坏是数据体系的重要组成部分。这包括物理安全措施和技术安全措施,如加密和访问控制。
- 元数据管理:元数据是关于数据的数据,如数据的来源、格式和使用历史等。有效的元数据管理有助于提高数据的可发现性和可理解性。
- 性能与成本优化:在构建数据体系时,需要考虑性能的提升和成本的降低,以确保数据体系的可持续性和扩展性。