【B站学习笔记】2. 数据分析理论+实战（产品、运营必修课）

9种数据分析方法

对比分析

1. 比什么？

• 绝对值：销售金额、阅读数——不易得知问题的严重程度

• 比例值：活跃占比、注册转化率——易受到极端值影响

2. 怎么比？

• 环比（last period） ：一环扣一环

  • 与当前时间范围相邻的上一个时间范围的对比

  • 对短期内具备连续性的数据进行分析

  • 需要根据相邻时间范围的数字对当前时间范围的指标进行设定

  • 日环比（今天VS昨天）

  • 月环比（本月VS上月）

• 同比（same period of last year/month/day）

  • 与当前时间范围上层时间范围的前一范围中同样位置数据对比

  • 观察更为长期的数据集

  • 观察的时间周期里有较多干扰，希望某种程度上消除这些干扰（周末和工作日，暑假月和上学月）

  • 月同比 （9月7号和8月7号比）

  • 年同比（今天VS去年今日）

  • 周同比（今天VS上周同日）

3. 和谁比？

• 和自己比

  • 从时间维度——较为连续的数值
  • 从不同业务线（语文辅导数下降，和数学、物理等其他业务线对比来发现问题）
  • 从过往经验估计（问卷调查 根据经验有50%回收率）

• 和行业比

  • 是自身因素？还是行业趋势？

    • 都跌，能否比同行跌得少？

    • 都涨，是否比同行涨的慢？

【最重要】🌟多维度拆解

• 用不同的视角拆分、观察同一个数据指标

• 适用场景
  

• 案例：对「APP启动事件」的分析

  • 将用户按照设备类型、启动来源、城市等级、新老用户查看

• 案例：对「支付流程（注册—下单—支付）」的分析

  • 将支付漏斗按照渠道、城市、设备等分析

• 案例：打赏主播的行为发生的场景

  • 按照主播等级、性别，按照打赏人所处流量环境

数据涨跌异动如何处理

• 跌：采取措施，减缓趋势
• 涨：弄清原因，放大
  

数据涨跌原因的常见假设

• 活动影响：是否有活动，活动页面的PV、UV或者完成的动作是否变化，是否有地域属性

• 版本发布

• 渠道投放

• 策略调整 ：推荐策略、搜索策略、补贴策略、运营策略改变，是有时间节点的，拆成小时甚至分钟级别

• 服务故障

  

维度拆解分析是可以叠加的

• 案例：Web网页浏览量狂涨

  • 按照浏览量来源拆分，发现未知来源；

  • 异常用户按照地域划分，全来自北京；

  • 按照浏览器拆分，大部分来自safari；

  • 按浏览器版本拆解，safari用户无版本信息

—>爬虫爬了

漏斗观察

漏斗观察：一连串向后影响的用户行为

适用有明确的业务流程和业务目标

• 坑：

  • 1. 漏斗一定有时间窗口 ✘

    • 根据实际情况，选择对应的时间窗口

    • 按天（短期活动）、周（业务本身复杂/决策成本高/多日才能完成等 理财/美股开户）、月（决策周期更长 装修买房）

    • 时间窗口太长：包进太多无关信息

    • 太短：扔掉很多有用信息

  • 2. 漏斗一定有严格顺序 ✘
    • 不可以用「ABCDE」漏斗，看「ACE」的数据，不可只关心首尾
      
  • 3. 漏斗的计数单位可以基于「用户」，也可以基于「事件」✘
       

    • 何时基于「用户」

      • 关心整个业务流程的推动

    • 何时基于「事件」

      • 关心某一步具体的转化率
      • 【坑】无法获知事件流转的真实情况
  • 4. 结果指标的数据不符合预期 ✘
    • 自查：是否只有这一个漏斗能到达最终目标？

案例：如何评估渠道质量，确定投放优先级

• 常见渠道划分方法

  • 按来源(source)： 百度、头条、线下…

  • 按媒介(medium)： SEM、自然搜索结果、Banner…

  • 按其他参数：营销活动名称、广告关键词…

• 渠道质量跟踪

  • 选择关键事件——选取反映产品目标人群会做的行为的数据
    • 购买（电商）、发帖（社区）
    • 门槛不可太高（完成3个月课程）或太低（打开APP）
  • 查看产生关键事件的用户来源

分布情况

一个事件不仅只有累计数量这么一个可以观察的指标，还可以从该事件在不同维度中的分布来观察。

• 常见的群体划分：

  • 事件频率（视频软件，观看次数PV58万，观看人数UV30万，0～5次的人数、6～10次的人数…）
  • 一天内的时间分布
  • 消费金额的区间

用户留存

【案例】功能/内容上线后，如何评估短期效果/长期价值/未来潜力？

• 上线后的目标与价值清晰明确

  • 借助漏斗分析对比（转化关系明确）

  • 借助用户分群对比（转化关系较复杂）

• 上线后关注其对产品价值的提升
  因为这一功能/内容留在平台（而非这一功能/内容自身）的情况

  • 借助精准留存对比

• 上线以探索更长期的产品潜力

  • 从对使用情况的促进作用来观察

  • 从占据用户一日时间段的角度来观察

  • 借助分布情况分析，对比产品核心功能使用频次的分布；使用场景（如时间段）的分布

用户画像

用户画像——高质量拉新、精准运营推送、辅助产品设计

Profile vs Persona

• 通过对用户的各类特征进行标识，给用户贴上各类标签，将用户分为不同群体进行产品/运营动作

• 标签都有啥
  

• 标签从哪来？

  • 直接填写 （注册时、兴趣标签、外卖快递地址、装修计算器）

  • 通过用户自己的已有特征推得

    • 何时需要？

      • 做活动

      • 简单的个性化运营

      • 业务分析

      • 用户研究（准备）

  • 通过用户身边的人推断

    • 距离相近：某些属性，周围的人具备，用户大概率也具备

    • 行为相似：通过协调过滤，找到行为相似的目标用户

• 适用场景

  • 市场营销、个性化运营、业务分析…

【案例】如何高质量拉新？

找到「真正的用户」
找到「真正的用户」的特征
按此特征，找到类似的用户

归因查找

原理：将事件拆解，并根据业务性质，确定影响事件完成的关键部分

• 末次归因：转化路径短，事件间关联性强
  将贡献度给最后一个行为

• 递减归因：转化路径长，非目标事件差异不大，没有完全主导的
  

• 首次归因：强流量依赖的业务场景，拉人比后续所有事都重要
  
  

【案例】如何精准运营推送？

精准运营

• 运营资源盘活

  • 不同人在同一个运营资源位上得到不同的信息
    精细化的用户分群运营
  • 需要在“千人一面”和“千人千面”之间找到ROI的平衡
    

• 如何选择最初的七八个标签？

  

• 推送内容与用户「有关」

  

路径挖掘

• 原理：逐级展开某一事件的前一级（后一级）事件，观察其流向

• 适用场景：

  • 有明确的起始场景，向后观察发生了什么
  • 有明确的结果目标，向前观察来的用户是如何到达的

• 局限：无法观察具体的个体的行为

行为序列

• 运作原理：将单一用户的所有行为以时间线形式排列

• 适用场景：观察具体的行为特征…

【案例】如何辅助产品设计？

辅助产品设计决策

• 谁
  • 用户画像 （年龄、学历水平）
• 在什么情况下
  • 行为序列的属性
• 干什么&遇到什么问题
  • 行为序列 or 屏幕录像

不要套数据！

【案例】羊毛党盛行，快速查出是谁在薅羊毛 / 查找恶意用户 / 抓作弊

• 找到其目的
  • 刷量
  • 薅羊毛
  • spam