如何入門精益數據分析
如何入門精益數據分析
一、認識數據——產品經理與數據分析
1.1數據的客觀性
數據是量化事物的手段,投射到不同的人身上又會導致解讀的結論偏差,因此我們需要「求證」地分析第三方網站提供的調研數據(網站改版案例)。
大量的數據如何為我們所用呢。大概包含以下幾點:明確問題本質;了解產品業務;大量深入的產品實踐。
1.2培養面對數據的「智慧」
好的產品經理需要學會控制自己的思維,感性的發散,理性的聚焦需要同時具備。基本是靠反覆的練習和大量的數據閱歷練成的吧。
產品經理開始有意識的學習數據分析的時候應該從以下兩點開始:
第一、學習如何提出數據統計需求
提出數據需求的過程,是一個「界定產品目的和目標,根據目標提出假設、預判產品效果」的過程,要求對功能目標、功能預期效果有完整且清晰的掌握。
一個完整的數據需求包含功能設計方案、功能目的和目標、功能上線後需要跟蹤的數據指標及指標精確定義。
案例:
網站註冊流程需求案例第二、學習如何解讀數據
對數據保持敏感,並能通過邏輯推理,進一步提出好的追問和假設,然後再通過數據或者其他手段來驗證。
分清楚因果關係和相關關係,提出好的追問假設,在不同的維度拆分數據。
電商網站案例
1.3數據分析當中的「誤區」
a.忽略沉默用戶
b.用戶迫切需要的需求≠產品核心需求
c.過分依賴數據會限制產品經理的靈感
d.錯判因果關係和相關關係
e.警惕表達數據的技巧(控制折線圖縱坐標範圍混淆結論)
f.不要妄談大數據(大數據特徵——要用全部數據、注重相關關係、全新的計算方法)
二、獲取數據——產品分析指標和工具
2.1網站數據指標
網站排名工具:Alexa、中國網站排名、網路媒體排名
網站監測工具:Google Analytics、百度統計、CNZZ
關鍵網站分析指標:訪問量、訪客數、瀏覽量、跳出率、頁面停留時長、網站停留時長、退出率、轉化率
訪問量:Session
訪客數:Unique Visitor,依據用戶的設備、瀏覽器分配Cookie
瀏覽量:PageViews
頁面停留時長:該頁面的總停留時長除以該頁面的訪問量
網站停留時長:指訪問一次會話的時間長度,等於網站所有訪問量的總停留時長除以訪問量
跳出率:網站的重要指標。等於只訪問了落地頁面的訪問量除以總訪問量。
退出率:等於從一個頁面的退出次數除以訪問次數
轉化率:達成某種目標的訪客數佔總訪客數(訪客數換成訪問量也是同樣成立的)
Google Analytics操作介紹
4大模塊:受眾群體分析、流量獲取分析、用戶行為分析、用戶轉化分析
掌握對數據的宏觀分析思路,避免陷入到數據細節中,如下:
a.訪客數和訪問深度
查看GA上的受眾群體概覽頁來了解網站的訪客數和訪問深度。
b.訪客來源,渠道效果
查看GA上的流量獲取的概覽頁
Referral:引薦網站,如博客、聯盟等等
Direct:直接進入網站
Organic Search:自然搜索
Paid Search:付費搜索
c.分析用戶在網頁的行為
關注流量最大的著陸頁,降低跳出率
關注瀏覽最大的其他頁面,與著陸頁對比
頁面點擊熱圖
主要流程的轉化漏斗
2.2移動應用類數據指標
移動應用主要指標
從獲取用戶到獲得收入基本會經歷以下幾個過程:用戶獲取、用戶活躍與參與、用戶留存、用戶轉化、獲取收入。下面依次介紹各個階段的主要指標:
用戶獲取階段:
下載量(商店評分和排名)、安裝激活量、激活率、新增用戶數(一般就是新增設備數)、用戶獲取成本
用戶活躍與參與階段:
日活躍用戶數、月活躍用戶數(可表示用戶規模)、活躍係數(日活除以月活)、平均使用時長、功能使用率
用戶留存階段:
次日留存率、7日留存率、30日留存率
用戶轉化階段:
付費用戶比例、首次付費時間、用戶平均每月營收(月收入除以月活躍用戶數)、付費用戶平均每月營收(月收入除以月付費用戶數)
獲取收入階段:
收入金額,付費人數
使用數據指標評價版本迭代效果的方法
留存率對比
核心功能使用率
使用率和繼續使用率(代表功能的受歡迎程度)
對核心功能的促進效果(核心貢獻的概念——舉例:使用過功能A的聽歌人數比例減去未使用過功能A的聽歌人數比例)
移動應用分析工具
國內分析工具:友盟、TalkingData
國外分析工具:Flurry,Google Analytics
Crash分析工具:Crashlytics
2.3電商類數據指標
電商類關鍵指標
銷售額、購買客戶數、客單價、購買轉化率、UV、詳情頁UV、重點商品缺貨率、妥投及時率
銷售額:網站的收入(UV*轉化率*客單價)
購買客戶數:新老客戶
客單價:銷售額除以購買客戶數
購買轉化率:購買客戶數除以訪客數(UV)
詳情頁UV(IPV_UV)
分析數據指標方法
流量增長因素:
PC/WAP端(不同媒體),APP端(iOS&Android)
客單價增長因素:
客單價等於人均購買件數*件單價
件單價(熱銷商品價格變動)
人均購買件數(組合裝/單件裝比例、推薦效果)
轉化率因素:
轉化漏斗詳情頁來源分析
電商網站的詳情頁來源一般分為:直接落地到詳情頁、從首頁進入詳情頁、從頻道進入詳情頁、從分類頁進入詳情頁面、從品牌頁進入詳情頁、通過關聯銷售進入詳情頁面
詳情頁來源分析2.4 UGC類數據指標
UGC產品參與度指標
訪客數、登陸訪客數及佔比、沉默用戶數及佔比、平均停留時長、產出內容訪客及佔比(Lofter案例)
訪客數:Web端訪客數+移動端訪客數
登陸訪客數及佔比:登陸的訪客數佔總訪客的比例
沉默用戶數及佔比:超過7天未產生內容的賬號數佔總賬號數的比例
平均停留時長:總停留時長除以訪客數
優質內容評分
熱度=分享次數+推薦次數+點贊次數
互聯網產品指標思路
訪客數和特徵、獲取渠道及渠道質量、訪客參與深度、轉化率和轉化漏斗是否流暢
訪客數和特徵:訪問時間段、訪問地域、設備、網路
獲取渠道及渠道質量
a.基本思路:帶來多少新訪客、瀏覽深度如何、留存率和轉化率
b.Web端:新訪客佔比(代表渠道拓展用戶的能力)、跳出率、瀏覽頁面數以及轉化率
c.移動端:新設備佔比、次日留存以及轉化率
訪客參與深度:跳出率、瀏覽頁面數、轉化率
轉化率和轉化漏斗是否流暢:
轉化漏斗獲取指標的方式
分析日誌、分析工具獲取(自定義時間、自定義轉化漏斗)
三、分析數據——產品數據分析框架
3.1基本分析方法
對比分析:
橫向對比,縱向對比(保證對比指標之外其他因素儘可能保持一致,比如通常在做新舊版本分析的時候會盡量選擇兩個版本發布初期的新用戶)
趨勢分析:
整體趨勢、周期變化、極值點
象限分析:
案例:渠道評估和優化(質量–數量)
象限分析交叉分析法:
案例:多維度的數據分析(ios和安卓下載數分析)
交叉分析3.2數據分析框架——AARRR模型
數據分析框架的作用:
保證結果的準確性、可靠性、針對性
常見的分析框架(宏觀,適用於管理和運營)
PEST分析框架:
Political(政治),Economic(經濟)、Social(社會)、Technological(科技),用於企業所處宏觀環境的分析。
5W2H分析框架:
What+Why+When+Where+Who+How+How Much,常用於決策和執行性的活動措施
SWOT分析
Strengths(內部優勢), Weaknesses(內部劣勢) Opportunities(外部機會) Threats(外部威脅)
運用這種方法,可以對研究對象所處的情景進行全面、系統、準確的研究,從而根據研究結果制定相應的發展戰略、計劃以及對策等。
SMART原則
Specific(具體的), Measurable(可衡量的),Attainable(可達到的),Relevant(相關的),Time-Bound(有明確結束期限的),常用於目標管理。
4P理論
Product(產品),Price(價格),Place(渠道),促銷(Promotion),用於制定營銷策略。
AARRR分析框架
Acquisition(獲取)Activation(激活) Retention(留存) Revenue(收入) Refer(推薦)
AARRR模型AARRR分析思路AARRR模型應用
提升AARRR各環節指標的對應操作(渠道分析案例)
渠道分析案例渠道分析案例3.3數據分析框架——邏輯分層拆解與漏斗分析
邏輯分層拆解
邏輯拆解【相關指標和核心指標存在邏輯關聯】
分層拆解【同一層指標不相關】
邏輯分層拆解漏斗分析法
關鍵路徑的轉化率、轉化率對比分析、Google Analytics行為流
3.4數據會說謊
改變坐標軸:添加趨勢線及其公式
樣本量的誤差:決定樣本量大小的因素(總體大小、總體內部差異程度)
平均數的數據謊言:當數據呈現正態分布,平均數才能近似代表整體的情況
辛普森悖論:數據集中的變數被分組,其相關性被降低或不存在相關性(注意不用混淆變數分組數據)
四、利用數據——數據驅動產品
4.1數據應用的場景
需求分析階段:
對用戶層面的需求,通過數據去偽存真。對公司層面的需求,通過數據驗證並提供證據(網易考拉海購退出率案例)
產品設計階段:
設計前——發現問題,設計中——輔助決策,判斷思路(A/B test),設計後——驗證方案(對比核心指標)
4.2數據驅動產品的方法
通過數據發現問題:
對導出率、跳出率、滿意度、各端用戶佔比進行對比分析
確定改版數據指標:
綜合用戶需求和數據反映問題擬定核心指標
產品設計:
品牌調性(用戶調研)、首頁架構和陳列樣式、展現形式
上線後的數據驗證:
對之前的數據核心指標進行對比認證,並發現新問題
4.3如何培養數據分析能力
心法層面:
好奇心、求知慾、觀察生活
基礎層面:
核心基礎概念、基本統計原理
實戰層面:數據分析培訓
數據驅動產品閉環,熟悉業務,時刻關注數據、保持敏感
推薦閱讀:
※ClickHouse Beijing Meetup-數據分析領域的黑馬-ClickHouse-新浪-高鵬
※積夢智能-為中國製造業揭開數據之霧
※「異類」年度大數據引領消費生態大進化
※R語言與點估計學習筆記(刀切法與最小二乘估計)
※數據分析學習大神HADLEY WICKHAM關於「dplyr」的文章翻譯