8分鐘讓你快速讀懂數據分析(附贈工具與書籍推薦)
Warning: Invalid argument supplied for foreach() in /data/cxweb/www/gupowang.com/public/article/view.html on line 71
來源|簡書 ID:Jason每周看
作者|馮子玄
隨著數據分析這兩年的火熱,作為產品/運營不懂點數據分析,特別是在供需市場趨于平衡甚至過于飽和的情況下,如何讓自己的產品脫穎而出,獲得更大的用戶增長?如何做好一次運營活動?......
最近在學習一些數據分析方法,結合自己的一些心得,梳理出以下數據分析文章,讀完本文大概需要8-10分鐘。
一、什么是數據分析?
數據分析是指用適當的統計方法對收集來的數據進行分析,以求最大化的發揮數據的價值。
數據如同金錢一樣,本身并沒有太多的價值,而正是由于使用分析方法的存在,利用分析方法來得出一定的結論與發現問題,從而挖掘其巨大的價值。
二、為什么數據分析?
很多時候,VC投資需要看數據,做投資決策;公司產品/運營需要做迭代的依據... 數據需求的可能會來自多個方面,總體而言,數據分析的原因主要有以下四種:
1.驅動產品迭代:
用戶使用產品的真實軌跡是怎樣的?為什么他們會這么做,有沒有更簡便的流程,以幫助我們作出優化決策?也可以分析產品過往的數據,來洞悉問題,驅動有目標的產品迭代。
2.深度需求分析
對用戶所處馬斯諾幾個層面的需求,用數據來支撐;對交互需求,用數據佐證;對公司層面的需求,通過數據驗證合理性。
3.驅動運營決策:
產品新功能上線后效果怎么樣?新功能的用戶活躍度、用戶留存率的變化?A方案和B方案哪個更好?諸如此類的問題,評判一個問題的好壞,比較可靠的恐怕就是數據了。感性的定義很多時候往往會產生大量的不必要的爭執。
4.決策商業機會:
針對商業機會的評估,必要的需求調研及市場調研顯得尤為關鍵。一個新市場是否值得介入?一個新項目是否值得投資?是否可以收購某公司等等?
三、如何數據分析?
viri.png
1、數據采集:
原則1:全量而非抽樣
采集多種數據來源,前端與后端、業務數據庫的全面采集。前端有網頁端與APP客戶端等,后端采集用來補充前端行為事件所無法采集到的數據。
原則2:多維細分
針對客戶行為事件實現5W1H的全面細化,將行為中的什么人、什么時候、從哪里、什么原因、什么事情、如何做的行為軌跡全面記錄下來,并進行細化,人(who)可以從注冊賬號、性別、年齡、個人成長階段等細分;時間(when)可以從起始時間、結束時間等細分;從哪里(where)可以從IP、位置信息、運營商、OS、機型、IMEI、網絡接入方式(2G/3G/4G/WIFI)等細分;原因(why)可以從愛好、需求層級等細分;事情(what)可以從主題、步驟等細分。行為事件與維度的結合,就能得出需要的指標,比如用戶在什么地域下的訂單......
目前數據采集(埋點)方式主要有三種:
第一種:使用第三方統計分析標準SDK接入到應用中
第二種:使用無埋點方式
第三種:自己開發,精細化運營與產品決策
2、數據建模:
搭建數據指標模型大致要考慮以下三大要素:
a.打通行為數據與業務數據;
b.回歸關鍵數據指標
c.多維度考慮數據可行性
第一關鍵指標方法
找出第一關鍵重要指標,然后衍生于子指標,比如:電商銷售額
如果你想提升銷售額,要么提升買家數,要么提升客單價。
銷售額=買家數x客單價
銷售額=流量x轉化率x客單價
在到達商品詳情頁中,這個還可以衍生為:
銷售量=商詳uv x 下單率 x 付款率x客單價
銷售量= 活動展現 x 活動轉化率x 下單率x付款率x客單價
各階段指標側重:
各階段.png
MVP階段(驗證):驗證可行性與以用戶留存率為目標,定性分析,這個階段本身并沒有多少數據可言(數據型產品)除外。
增長階段(跨越鴻溝):大多數公司都沒能到這個階段,增長階段的數據分析需要適當的去對應相應的數據產品分析師,或者使用更深度的數據工具來做相應的決策。
可以分為兩個層面:
1.留存階段,主要以留存率為指標(次日留存、7日留存、15日留存、30日留存率等);
2.引薦階段,主要考慮病毒系數與病毒周期:平均一個用戶能帶來多少個新用戶。所以當病毒系數大于1時,信息將會不斷擴散,而總傳播人數是發散的。相反,當病毒系數小于1時,總傳播人數是收斂的,以及NPS(凈推薦值)。平臺期(激活轉化):有專門的數據分析師、工程師,團隊對數據分析更加深入。主要關注的是平臺用戶的活躍度、轉化率,使得度過平臺期迎來下一個增長期。
變現期:營收成本、用戶激活召回、LTV、CAC、渠道分析等指標
3、數據分析:
分析方法:有效的數據分析方法能夠深度挖掘數據的價值,常見的數據分析法與模型有用戶分群、A/B測試、多維事件分析、漏斗分析、AARRR分析等等
這里主要以漏斗分析法、AARRR分析模型、A/B測試、多維事件分析為例展開:
● 漏斗分析法
分析從潛在用戶到最終轉化用戶這個過程中用戶數量的變化趨勢,從而尋找到最佳的優化空間,這個方法被普遍用于產品運營的各個關鍵流程分析中。
何為用戶轉化漏斗,就是你的業務是如何一步步將一個用戶轉化過來。比如:
活動:活動展示—>點擊詳情—>轉化
約妹子:搭訕—>約會—>牽手->......
經過的每個階段,都可以拆為好幾個子階段。而每一個階段都會有用戶流失、用戶留存下來。對漏斗的每一個環節準確地記錄數據,以便分析和優化各個環節的轉化率,是數據化運營的基礎設施。
比如一個電商的活動頁,它的漏斗模型應該是這樣的:
下單率.png
從瀏覽活動頁面到詳情頁的轉化率是50%,在詳情頁下單的下單率是10%,最終下單到付款的轉化率是40%。
有這么個漏斗,我們就可以分析每個環節代表了什么,該如何去改善:
活動頁—>詳情頁uv:頁面上的內容是否醒目,商品是否是用戶喜歡的,需根據頁面點擊情況及時替換點擊效果差的商品。
詳情頁uv—>下單人數:詳情頁是否吸引人,頁面加載速度是否有影響,是否需要將商品重新排序。
下單人數—>付款人數:是否支付引導差,支付工具是否有故障,是否低于業內平均指標。
另外,在同一個系統內部,也需要做轉化率進行對比,比如本月與上月,本周與上周,增加了還是減少了,這樣才能得出更為準確的結論與發現問題。
● AARRR模型
AARRR(Acquisition、Activation、Retention、Revenue、Refer)是硅谷的一個風險投資人戴維 · 麥克魯爾在2008年時創建的,分別是指獲取、激活、留存、收入和推薦。
AARRR.png
以下例子中渠道A與渠道B哪一個更優?
比如游戲AARRR各階段指標
1.A(How do users find us?)
DNU(日新注冊且登陸用戶數)、推廣渠道監測(成本、流量)
2.A(Do users have a great first experience?)
DAU(每日登陸過游戲用戶數)、日均使用時長、道具關聯分析模型
3.R(Do users come back?)
留存率(次日留存、7日留存、21日留存、30留存)、流失率、流失預警分析模型
4.R(How do you make money?)
PR(付費率)、 ARPU(平均每用戶收入)、ARPPU(平均每付費用戶收入))、LTV(生命周期價值)
5.R(Do users tell others?)
K-factor、NPS等
● A/B測試
A/B測試就是通過數據支撐,不同渠道、不同人群、最終選定方案。
A/B測試需要有一定的數據支撐,建立準確性與效率高的框架,比如針對不同渠道、用戶分群發布、灰度發布等來得出合適方案,這里不加以展開.
AB測.png
● 多維事件分析法
多維事件分析,從多個角度細分數據,從中發現數據變化的具體原因。行為事件與維度的結合可以得到數據指標,比如在電商應用中:
行為事件(1H):搜索商品、點擊商品詳情、提交訂單、支付訂單、售后服務等等都是一系列事件
維度(5W):人(who)可以從姓名、性別、年齡;時間(when)可以從停留時間、下單事件、付款事件、到貨時間等細分;從哪里(where)可以從IP、城市、運營商、OS、機型、IMEI、網絡接入方式(2G/3G/4G/WIFI)等細分;原因(why)可原因(why)可以從愛好、需求層級等細分;事情(what)可以從主題、步驟等細分。
兩者結合就可以得出多維度指標,比如用戶在哪個區域下訂單,從什么渠道過來的,過去一段事件支付訂單款項多少等等......
四、數據不是萬能的
數據雖然不可或缺,但也不是萬能的,比如在產品創新方向上很難獲得驅動,在長期的用戶反饋上很難獲得數據的足夠判斷,那么真正能驅動一款產品的用戶快速增長,靠的都是什么方法呢?
驗證.png
- 做真正有意義的產品
市場上很大一部分產品都是意義不大的,尤其在這個存量過于飽和的市場下,要獲得用戶的快速增長,還是應該回到產品的核心上來,創造真正有價值的東西,輔以數據驅動,這樣的結合可能能獲得更大的增長。
- 塑造品牌價值
對核心用戶尤其要重點塑造品牌觀念,在傳統行業中,眾多企業做品牌的重視度高于互聯網行業的企業,而在互聯網確是常常不被重視的,與本身的燥熱有很大關系,也許我們可以看看健身應用Keep的slogan與品牌塑造案例里面學習到更多的東西。
- 利用增長黑客技術
在《增長黑客》這本書里面,談到了很多增長黑客技術增長的案例,如何低成本的獲得用戶增長等等。
五、最后推薦一些國內外的統計分析工具與數據分析書籍
8款國內數據分析工具
國內的數據分析工具大多由小部分免費功能+高級的收費功能服務相結合。
1、友盟 (https://www.umeng.com/)
2、Growing IO(無埋點 https://www.growingio.com/)
3、神策數據分析(https://www.sensorsdata.cn/)
4、TalkingData(http://www.talkingdata.com/)
5、 諸葛iO(https://zhugeio.com/)
6、 百度移動統計(https://mtj.baidu.com/web/welcome/login)
7、 ASO100(http://aso100.com/)
8、 蟬大師(http://www.ddashi.com/)
8款國外數據分析工具
1、Google Analytics
2、Flurry Analytics (免費)-更好的了解用戶群體
3、Crashlytics-Crash分析工具
4、亞馬遜移動分析 (免費)
5、Tap stream (免費)-生命周期的分析
6、Followapps – App精細化分析平臺
7、App Annie
8、Claritics – App BI數據分析
數據分析入門書籍推薦
1、《Head First Statistics》:深入淺出統計學
2、《精益數據分析》
3、《數據之魅-基于開源工具的數據分析》
4、《數據挖掘-市場營銷、銷售與客戶關系管理領域應用》
5、《R語言實戰》
姑婆那些事兒推廣服務 點擊 :http://www.3377on.com/news/4585.html
大家都愛搜:ASM 互聯網資訊類類有話說App推廣運營經驗線下推廣活動推薦微信營銷姑婆專題姑婆圈ASO校園推廣地推ASO100渠道刷量校園運營團隊
姑婆那些事兒(www.3377on.com)是互聯網推廣運營知識分享平臺,關注移動推廣(android,ios)運營,網站推廣運營、校園推廣及互聯網領域最新動態 。歡迎關注我們的微信(gupo520),新浪微博(姑婆那些事兒)。
版權聲明:本文來源于互聯網,僅作分享學習之用,姑婆那些事兒負責整理推薦。文章僅代表原作者獨立觀點,不代表本平臺運營者觀點與立場。如有版權問題,請聯系姑婆那些事兒—小秘書(微信號:gpxms001)協商解決
次分享
文章評論(0)