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、投資金額和投資時長。
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,就有投資金額和投資時長兩個屬性。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,按流水和利潤劃分品類。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和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和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:
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: