3個步驟+3個模型,極簡數據分析法

文 | 孫金龍

原文自:金龍聊運營

數據分析很簡單。

技術流的老司機,左手SQL右手BI,溜的飛起。其實SQL、Python是數據挖掘;PPT、BI是數據展示。學會了當然很棒,不會也沒關係。

數據分析不是技術流,是一種思維習慣。能幫你梳理業務,找到方向,達成目的數據分析,才是真·數據分析。而建立這種思維習慣,你只需要記住3個步驟,掌握3個模型

這就是 極簡數據分析法

建議點贊 ?????收藏以便翻閱。

以下,enjoy:

一)3個步驟

這三個步驟是,確定目標、列出公式、確認元素

我們以某互聯網金融公司A為例。

假設A公司正準備上市,當前核心目標為利潤

針對利潤,我們列出公式。上面公式中,利潤拆解成了 付費用戶數、投資金額、投資時長、對應利率 四個元素。其中對應利率取決於資產端,跟用戶側關係不大。

因此如果我想提升核心KPI—利潤,就要儘可能的提升付費用戶投資金額投資時長

恭喜你,已經找到了發力點

注意,核心目標會隨著業務發展不斷變化,比如用戶運營,App初期看重新增,中期看重轉化,後期看重留存。如果仍然難以確定,看看你的核心KPI

二)3個模型

確認需要提升的元素後,問題來了。

- 如何提升每個元素的量級?

- 怎樣制定策略,分配資源?

- 如何驗證策略是否有效?

電商品類運營有個經典坐標,按流水和利潤劃分品類。

A. 漏斗模型

適用範圍:需要多個步驟達成的元素。

比如投資用戶數。

達到投資用戶的狀態,需要多個步驟。每個步驟都存在轉化率,放在一起就成了層層縮減的漏斗。

漏斗模型作用:提升量級。

通過提升轉化率,提升單個元素量級。

有了漏斗模型,就可以分析每層漏斗衰減的原因。有些原因顯而易見,有些需要做A/B測試。你可以逐層提升轉化;也可以改變用戶路徑,減少漏斗層級

比如,支持H5內投資的理財產品漏斗,要比下載App投資的漏斗少2個層級,轉化率要高很多。

你需要掌握3個模型。

盈利還是虧損,有時只取決於一個漏斗。

注意,優化漏斗是個長期過程,需要每天關注。

B. 多維坐標

適用範圍:具有多重屬性的單個元素。

比如,本文公式中的投資用戶,就有投資金額投資時長兩個屬性。可以將其作為橫縱坐標軸,把所有投資用戶分成四組。

電商品類運營有個經典坐標,按流水利潤劃分品類。

用戶運營也有個經典坐標,叫RFM坐標

R=最近一次行為(Recency)

F=行為頻率(Frequency)

M=行為量級(Monetary)

這裡的行為指和你的核心目標密切相關的行為。比如在本文的金融產品中,就是投資

R代表可觸達,畢竟6個月沒來投資的用戶,說不定都卸載了,甚至已經忘了你這個App;

F代表忠實度,高頻次的使用App,雖然ta可能每次只投幾塊錢的活期;

M代表價值,比如累計投了50萬,這可是個高凈值用戶。

多維坐標作用:精細化運營。

通過多維坐標將用戶分組,對不同組用戶採取對應的運營措施。

首先,一定有一個象限是好的。

比如下面的坐標圖,高金額、高時長的A象限,就是好的。

A象限的用戶,是核心用戶(俗稱爸爸),公司的現金牛,你的重點運營對象。

A象限往往佔整體流水的80%。你的活動效果好不好,運營策略給不給力,往往要看這些爸爸們的反應。你甚至可以建立一個微信群,把爸爸們都拉進去,多多交流,做好服務,時不時發個紅包啥的。

接下來,你要把B、D兩個象限的用戶往A象限拉。

D象限,是高潛力用戶。可以定向發一些大額度長期標的優惠券,比如投20w,6個月,送3000元紅包。提升他們的投資時長

B象限,是高忠誠用戶。雖然可能沒什麼錢,但使用頻次很高。可以定向發送梯度優惠券,比如投資1000送10元,投5000送投資80元,投10000送200元,逐步拉升他們的投資額度

A是現金牛,D是A的孵化器,B用戶價值低但忠誠度高,產品開拓新場景後也有可能進化成現金牛。

重要性,A>D>B

資源有限時,請參照此排序。

多維坐標的適用範圍非常廣。比如文章可以按閱讀量點贊率做一個二維坐標,分析下如何寫出叫好又叫座的文章。

比如你可以按事物價值的精力投入價值衰減速度建立二維坐標,優化你的精力分布。

C. 分組表格

適用範圍:隨時間變化的用戶屬性元素。

比如投資用戶數。

分組表格的原理,是將某一周(或一天,一個月)進入App的新用戶,作為單獨的一組用戶

上面的表格,就是投資用戶分組表格

橫向看,是某組用戶的投資用戶數,隨時間變化的留存情況。

比如第一行,第一周共新增200名投資用戶,到第二周留存100名,到第三周留存80名……

縱向看,是某一周投資用戶的構成情況。比如第三列,顯示第三周的730個投資用戶,是由第一周進入的80個+第二周進入的150個+第三周進入的220個構成的。

通過投資用戶分組表格,我們還能計算出留存率分組表格,只需將每一行,每周的留存用戶除以對應的新增用戶數,即可獲得下表:

這個表格也可以做適度變形,比如將所有數據向左對齊:

作用:監測&驗證。

分組表格可以幫你分析清楚一個複雜元素的變化。

比如你發現投資用戶數在提升,你其實很難判定原因,因為投資用戶是由很多組用戶構成的。因此提升的可能原因有很多,比如:

- 新增用戶量級增大

- 渠道質量提高

- 運營策略起作用

這時候,把留存率分組表格掏出來瞅瞅。

先看新增用戶數這一列,發現新增用戶量級確實在提升;

縱向看每一列,比較不同組用戶留存。發現次周留存確實上升了,說明運營策略可能起到了一定作用。但後續的留存情況都在下降,可能是渠道質量在下降。

橫向看,留存始終沒能穩定在一個值,說明產品的粘性還不夠。

是不是很溜?

四)總結

確定核心目標,通過公式拆解成元素,找到發力點。

用漏斗模型提升元素量級;用多維坐標進行精細化運營,更好的分配精力和資源;用分組表格檢驗效果,監測數據。

以上,就是極簡數據分析法。

註:

1. 這套方法適用於用戶、活動、內容、渠道及其他一切運營領域。請各位自由開發。

2. 沒錯,文中涉及的用戶數據都是我編的<(?????)>

推薦閱讀:

Kaggle-紐約的士旅程數據簡要分析
框架梳理|數據化管理的四個層次

TAG:数据分析 | 数据化运营 | 商业智能BI |