不懂?dāng)?shù)據(jù)分析，你的產(chǎn)品生涯可能會一路變窄

數(shù)據(jù)分析一直是最近互聯(lián)網(wǎng)大熱的一個職業(yè)。一名優(yōu)秀的大數(shù)據(jù)分析師，不僅要具有一定的戰(zhàn)略思維，更要掌握數(shù)據(jù)的價值，從公司產(chǎn)生了各類數(shù)據(jù)中，提取到核心，通過一系列的處理和分析，為企業(yè)的決策者或部門出謀劃策。 今天AAA教育的小編就帶大家了解一下，我們所產(chǎn)生的數(shù)據(jù)究竟有哪些力量呢？

 

通過企業(yè)或者平臺為目標(biāo)用戶群提供產(chǎn)品或服務(wù)，而用戶在使用產(chǎn)品或服務(wù)過程中產(chǎn)生的交互、交易，都可以作為數(shù)據(jù)采集下來。根據(jù)這些數(shù)據(jù)洞察，通過分析的手段反推客戶的需求，創(chuàng)造更多符合需求的增值產(chǎn)品和服務(wù)，重新投入用戶的使用，從而形成形成一個完整的業(yè)務(wù)閉環(huán)。這樣的完整業(yè)務(wù)邏輯，可以真正意義上驅(qū)動業(yè)務(wù)的增長。

1.3 數(shù)據(jù)分析進化論

我們常常以商業(yè)回報比來定位數(shù)據(jù)分析的不同階段，因此我們將其分為四個階段。

階段1：觀察數(shù)據(jù)當(dāng)前發(fā)生了什么？

首先，基本的數(shù)據(jù)展示，可以告訴我們發(fā)生了什么。例如，公司上周投放了新的搜索引擎 A 的廣告，想要比對一周下來，新渠道 A 比現(xiàn)有渠道 B 情況如何，A、B 各自帶來了多少流量，轉(zhuǎn)化效果如何？ 又比如，新上線的產(chǎn)品有多少用戶喜歡，新注冊流中注冊的人數(shù)有多少。這些都需要通過數(shù)據(jù)來展示結(jié)果，都是基于數(shù)據(jù)本身提供的“發(fā)生了什么”。

階段2：理解為什么發(fā)生？

如果看到了渠道 A 為什么比渠道 B 帶來更多的流量，這時候我們就要結(jié)合商業(yè)來進一步判斷這種現(xiàn)象的原因。這時候我們可以進一步通過數(shù)據(jù)信息進行深度拆分， 也許某個關(guān)鍵字帶來的流量，也許是該渠道更多的獲取了移動端的用戶。這種數(shù)據(jù)深度分析判斷，成為了商業(yè)分析第二個進階，也同時能夠提供更多商業(yè)價值上的體現(xiàn)。

階段3：預(yù)測未來會發(fā)生什么？

而當(dāng)我們理解了渠道 A、B 帶來流量的高半年銷量不到百萬部，蘋果要放棄印度市場嗎？低，就根據(jù)以往的知識預(yù)測未來會發(fā)生什么。在投放渠道 C、D 的時候，猜測渠道 C 比渠道 D 好，當(dāng)上線新的注冊流、新的優(yōu)化，可以知道哪一個節(jié)點比較容易出問題；我們也可以通過數(shù)據(jù)挖掘的手段，自動預(yù)測判斷 C 和 D 渠道之間的差異，這就是數(shù)據(jù)分析的第三個進階，預(yù)測未來會發(fā)生的結(jié)果。

階段4：商業(yè)決策

所有工作中最有意義的還是商業(yè)決策，通過數(shù)據(jù)來判斷應(yīng)該做什么。而商業(yè)數(shù)據(jù)分析的目的，就是商業(yè)結(jié)果。當(dāng)數(shù)據(jù)分析的產(chǎn)出可以直接轉(zhuǎn)化為決策，或直接利用數(shù)據(jù)做出決策，那么這才能直接體現(xiàn)出數(shù)據(jù)分析的價值。

1.4 數(shù)據(jù)分析的 EOI 框架

EOI 的架構(gòu)是包括 LinkedIn、Google 在內(nèi)的很多公司定義分析型項目的目標(biāo)的基本方式，也是首席增長官在思考商業(yè)數(shù)據(jù)分析項目中一種基本的、必備的手段。

其中，我們先會把公司業(yè)務(wù)項目分為三類：核心任務(wù)，戰(zhàn)略任務(wù)，風(fēng)險任務(wù)。以谷歌為例，谷歌的核心任務(wù)是搜索、SEM、廣告，這是已經(jīng)被證明的商業(yè)模型，并已經(jīng)持續(xù)從中獲得很多利潤。谷歌的戰(zhàn)略性任務(wù)（在 2010 年左右）是安卓平臺，為了避免蘋果或其他廠商占領(lǐng)，所以要花時間、花精力去做，但商業(yè)模式未必成型。風(fēng)險任務(wù)對于創(chuàng)新來說是十分重要的，比如谷歌眼鏡、自動駕駛汽車等等。

數(shù)據(jù)分析項目對這三類任務(wù)的目標(biāo)也不同，對核心任務(wù)來講，數(shù)據(jù)分析是助力（E），幫助公司更好的盈利，提高盈利效率； 對戰(zhàn)略任務(wù)來說是優(yōu)化（O），如何能夠輔助戰(zhàn)略型任務(wù)找到方向和盈利點；對于風(fēng)險任務(wù)，則是共同創(chuàng)業(yè)（I），努力驗證創(chuàng)新項目的重要性 。首席增長官需要對公司業(yè)務(wù)及發(fā)展趨勢有著清晰的認識，合理分配數(shù)據(jù)分析資源、制定數(shù)據(jù)分析目標(biāo)方向。

二.數(shù)據(jù)分析的3大思路

而面對海量的數(shù)據(jù)，很多人都不知道從如何準備、如何開展，如何得出結(jié)論。下面為大家介紹做數(shù)據(jù)分析時的 3 個經(jīng)典的思路，希望在數(shù)據(jù)分析的實際應(yīng)用中能給大家?guī)韼椭?/span>
 

2.1數(shù)據(jù)分析的基本步驟

上面我們提到了數(shù)據(jù)分析與商業(yè)結(jié)果之間關(guān)聯(lián)的重要性，所有商業(yè)數(shù)據(jù)分析都應(yīng)該以業(yè)務(wù)場景為起始思考點，以業(yè)務(wù)決策作為終點。數(shù)據(jù)分析該先做什么、后做什么？基于此，我們提出了商業(yè)數(shù)據(jù)分析流程的五個基本步驟。

第一步，要先挖掘業(yè)務(wù)含義，理解數(shù)據(jù)分析的背景、前提以及想要關(guān)聯(lián)的業(yè)務(wù)場景結(jié)果是什么。

第二步，需要制定分析計劃，如何對場景拆分，如何推斷。

第三步，從分析計劃中拆分出需要的數(shù)據(jù)，真正落地分析本身。

第四步，從數(shù)據(jù)結(jié)果中，判斷提煉出商務(wù)洞察。

第五步，根據(jù)數(shù)據(jù)結(jié)果洞察，最終產(chǎn)出商業(yè)決策。

舉個例子：

某國內(nèi)互聯(lián)網(wǎng)金融理財類網(wǎng)站，市場部在百度和 hao123 上都有持續(xù)的廣告投放，吸引網(wǎng)頁端流量。最近內(nèi)部同事建議嘗試投放神馬移動搜索渠道獲取流量；另外也需要評估是否加入金山網(wǎng)絡(luò)聯(lián)盟進行深度廣告投放。

在這種多渠道的投放場景下，如何進行深度決策？ 我們按照上面商業(yè)數(shù)據(jù)分析流程的五個基本步驟來拆解一下這個問題。

第一步：挖掘業(yè)務(wù)含義。

首先要了解市場部想優(yōu)化什么，并以此為北極星指標(biāo)去衡量。對于渠道效果評估，重要的是業(yè)務(wù)轉(zhuǎn)化：對 P2P 類網(wǎng)站來說，是否發(fā)起 “投資理財” 要遠重要于 “訪問用戶數(shù)量” 。所以無論是神馬移動搜索還是金山渠道，重點在于如何通過數(shù)據(jù)手段衡量轉(zhuǎn)化效果；也可以進一步根據(jù)轉(zhuǎn)化效果，優(yōu)化不同渠道的運營策略。

第二步，制定分析計劃。

以 “投資理財” 為核心轉(zhuǎn)化點，分配一定的預(yù)算進行流量測試，觀察對比注冊數(shù)量及最終轉(zhuǎn)化的效果。記下倆可以持續(xù)關(guān)注這些人重復(fù)購買理財產(chǎn)品的次數(shù)，進一步判斷渠道質(zhì)量。

第三步，拆分查詢數(shù)據(jù)。

既然分析計劃中需要比對渠道流量，那么我們需要各個渠道追蹤流量、落地頁停留時間、落地頁跳出率、網(wǎng)站訪問深度以及訂單等類型數(shù)據(jù)，進行深入的分析和落地。

第四步，提煉業(yè)務(wù)洞察。

根據(jù)數(shù)據(jù)結(jié)果，比對神馬移動搜索和金山網(wǎng)絡(luò)聯(lián)盟投放后的效果，根據(jù)流量和轉(zhuǎn)化兩個核心KPI，觀察結(jié)果并推測業(yè)務(wù)含義。如果神馬移動搜索效果不好，可以思考是否產(chǎn)品適合移動端的客戶群體；或者仔細觀察落地頁表現(xiàn)是否有可以優(yōu)化的內(nèi)容等，需找出業(yè)務(wù)洞察。

第五步，產(chǎn)出商業(yè)決策。

根據(jù)數(shù)據(jù)洞察，指引渠道的決策制定。比如停止神馬渠道的投放，繼續(xù)跟進金山網(wǎng)絡(luò)聯(lián)盟進行評估；或優(yōu)化移動端落地頁，更改用戶運營策略等等。

以上這些都是商務(wù)數(shù)據(jù)分析拆解和完成推論的基本步驟。在接下來的內(nèi)容中，我們都會有這個分析思路。

2.2 內(nèi)外因素分解法

在數(shù)據(jù)分析的過程中，會有很多因素影響到我們的北極星指標(biāo)，那么如何找到這些因素呢？在此向大家推薦內(nèi)外因素分解法。內(nèi)外因素分解法是把問題拆成四部分，包括內(nèi)部因素、外部因素、可控和不可控，然后再一步步解決每一個問題。

舉個例子：

某社交招聘類網(wǎng)站，分為求職者端和企業(yè)端。其盈利模式一般是向企業(yè)端收費，其中一個收費方式是購買職位的廣告位。業(yè)務(wù)人員發(fā)現(xiàn)， “發(fā)布職位” 的數(shù)量在過去的 6 月中有緩慢下降的趨勢。對于這類某一數(shù)據(jù)指標(biāo)下降的問題，可以怎么分析呢？

根據(jù)內(nèi)外因素分解法，我們可以從四個角度依次去分析可能的影響因素。

內(nèi)部可控因素：產(chǎn)品近期上線更新、市場投放渠道變化、產(chǎn)品粘性、新老用戶留存問題、核心目標(biāo)的轉(zhuǎn)化。

外部可控因素：市場競爭對手近期行為、用戶使用習(xí)慣的變化、招聘需求隨時間的變化。

內(nèi)部不可控因素：產(chǎn)品策略（移動端/PC端）、公司整體戰(zhàn)略、公司客戶群定位（比如只做醫(yī)療行業(yè)招聘）。

外部不可控因素：互聯(lián)網(wǎng)招聘行業(yè)趨勢、整體經(jīng)濟形勢、季節(jié)性變化。

有了內(nèi)外因素分解法，我們就可以較為全面地分析數(shù)據(jù)指標(biāo)，避免可能遺失的影響因素并且對癥下藥。

2.3 DOSS 思路

DOSS 思路是從一個具體問題拆分到整體影響，從單一的解決方案找到一個規(guī)?；鉀Q方案的方式。首席增長官需要快速規(guī)?；行У脑鲩L解決方案，DOSS 是一個有效的途徑。

舉個例子：

某在線教育平臺提供免費課程視頻，同時售賣付費會員，為付費會員提供更多高階課程內(nèi)容。如果我想將一套計算機技術(shù)的付費課程，推送給一群持續(xù)在看 C++ 免費課程的用戶，那么數(shù)據(jù)分析應(yīng)該如何支持呢？

我們按 DOSS 思路的四個步驟，分解如下：

具體問題：預(yù)測是否有可能幫助某一群組客戶購買課程。

整體影響：首先根據(jù)這類人群的免費課程的使用情況進行數(shù)據(jù)分析、數(shù)據(jù)挖掘的預(yù)測，之后進行延伸，比如對整體的影響，除了計算機類，對其他類型的課程都進行關(guān)注。

單一回答：針對該群用戶進行建模，監(jiān)控該模型對于最終轉(zhuǎn)化的影響。

規(guī)?；桨福褐笸瞥鲆?guī)模化的解決方案，對符合某種行為軌跡和特征的行為進行建模，產(chǎn)品化課程推薦模型。

三.數(shù)據(jù)分析的8種方法

上面介紹了3個經(jīng)典分析思路，它們可以幫你搭建一個清晰的數(shù)據(jù)分析思路框架。那么對于具體的業(yè)務(wù)場景問題，我們又該怎么辦呢？我們以一個電子商務(wù)網(wǎng)站為例，用數(shù)據(jù)分析產(chǎn)品 GrowingIO 對該網(wǎng)站進行快速地數(shù)據(jù)采集、清晰和可視化展示，然后給大家分享這 8 種常見的數(shù)據(jù)分析方法。

3.1 數(shù)字和趨勢

看數(shù)字、看趨勢是最基礎(chǔ)展示數(shù)據(jù)信息的方式。在數(shù)據(jù)分析中，我們可以通過直觀的數(shù)字或趨勢圖表，迅速了解例如市場的走勢、訂單的數(shù)量、業(yè)績完成的情況等等，從而直觀的吸收數(shù)據(jù)信息，有助于決策的準確性和實時性。

對于電子商務(wù)網(wǎng)站，流量是非常重要的指標(biāo)。上圖中，我們將網(wǎng)站的訪問用戶量（UV）和頁面瀏覽量（PV）等指標(biāo)匯匯聚到統(tǒng)一的數(shù)據(jù)看板（Dashboard），并且實時更新。這樣的一個數(shù)據(jù)看板，核心數(shù)字和趨勢一目了然，對于首席增長官來說一目了然。

3.2 維度分解

當(dāng)單一的數(shù)字或趨勢過于宏觀時，我們需要通過不同的維度對于數(shù)據(jù)進行分解，以獲取更加精細的數(shù)據(jù)洞察。在選擇維度時，需要仔細思考其對于分析結(jié)果的影響。

舉個例子，當(dāng)監(jiān)測到網(wǎng)站流量異常時，可以通過拆分地區(qū)、訪問來源、設(shè)備、瀏覽器等等維度，發(fā)現(xiàn)問題所在。圖 7 中，當(dāng)天網(wǎng)站的訪問用戶量顯著高于上周，這是什么原因呢？當(dāng)我們按照訪問來源對流量進行維度拆分時（圖 9 ），不難發(fā)現(xiàn)直接訪問來源的訪問量有非常大的提升，這樣就進一步把問題聚焦了。

3.3 用戶分群

針對符合某種特定行為或背景信息的用戶，進行歸類處理，是我們常常講到的用戶分群（segmentation ）的手段。我們也可以通過提煉某一群用戶的特定信息，創(chuàng)建該群體用戶的畫像。 例如訪問購物網(wǎng)站、寄送地址在北京的用戶，可以被歸類為“北京”用戶群體。而針對“北京”用戶群體，我們可以進一步觀察他們購買產(chǎn)品的頻度、類別、時間，這樣我們就創(chuàng)建出該用戶群體的畫像。

在數(shù)據(jù)分析中，我們往往針對特定行為、特定背景的用戶進行有針對性的用戶運營和產(chǎn)品優(yōu)化，效果會更加明顯。上圖中，我們通過 GrowingIO 的用戶分群功能將一次促銷活動中支付失敗的用戶挑選出來，然后推送相應(yīng)的優(yōu)惠券。這樣精準的營銷推廣，可以大幅度提高用戶支付的意愿和銷售金額。

3.4 轉(zhuǎn)化漏斗

絕大部分商業(yè)變現(xiàn)的流程，都可以歸納為漏斗。漏斗分析是我們最常見的數(shù)據(jù)分析手段之一，無論是注冊轉(zhuǎn)化漏斗，還是電商下單的漏斗。通過漏斗分析可以從先到后還原用戶轉(zhuǎn)化的路徑，分析每一個轉(zhuǎn)化節(jié)點的效率。

其中，我們往往關(guān)注三個要點：

第一，從開始到結(jié)尾，整體的轉(zhuǎn)化效率是多少？

第二，每一步的轉(zhuǎn)化率是多少？

第三，哪一步流失最多，原因在什么地方？流失的用戶符合哪些特征？

上圖中注冊流程分為 3 個步驟，總體轉(zhuǎn)化率為45.5%；也就是說有 1000 個用戶來到注冊頁面，其中 455 個成功完成了注冊。但是我們不難發(fā)現(xiàn)第二步的轉(zhuǎn)化率是 56.8% ，顯著低于第一步 89.3% 和第三步轉(zhuǎn)化率 89.7%，可以推測第二步注冊流程存在問題。顯而易見第二步的提升空間是最大的，投入回報比肯定不低；如果要提高注冊轉(zhuǎn)化率，我們應(yīng)該優(yōu)先解決第二步。

3.5 行為軌跡

關(guān)注行為軌跡，是為了真實了解用戶行為。數(shù)據(jù)指標(biāo)本身往往只是真實情況的抽象，例如，網(wǎng)站分析如果只看訪問用戶量（UV）和頁面訪問量（PV）這類指標(biāo)，斷然是無法全面理解用戶如何使用你的產(chǎn)品。

通過大數(shù)據(jù)手段，還原用戶的行為軌跡，有助于增長團隊關(guān)注用戶的實際體驗、發(fā)現(xiàn)具體問題，根據(jù)用戶使用習(xí)慣設(shè)計產(chǎn)品、投放內(nèi)容。

上圖中展示了一位用戶在某電商網(wǎng)站上的詳細行為軌跡，從官網(wǎng)到落地頁，再到商品詳情頁，最后又回到官網(wǎng)首頁。網(wǎng)站購買轉(zhuǎn)化率低，以往的業(yè)務(wù)數(shù)據(jù)無法告訴你具體的原因；通過分析上面的用戶行為軌跡，可以發(fā)現(xiàn)一些產(chǎn)品和運營的問題（比如是不是商品不匹配等等），從而為決策提供依據(jù)。

3.6 留存分析

在人口紅利逐漸消褪的時代，留住一個老用戶的成本要遠遠低于獲取一個新用戶。每一款產(chǎn)品，每一項服務(wù)，都應(yīng)該核心關(guān)注用戶的留存，確保做實每一個客戶。我們可以通過數(shù)據(jù)分析理解留存情況，也可以通過分析用戶行為或行為組與回訪之間的關(guān)聯(lián)，找到提升留存的方法。

在 LinkedIn，增長團隊通過數(shù)據(jù)發(fā)現(xiàn)，如果新用戶進來后添加 5 個以上的聯(lián)系人（上圖紅色線條），那么他/她在 LinkedIn 上留存要遠遠高于那些沒有添加聯(lián)系人（上圖綠色和紫色的線條）的留存。 這樣，添加聯(lián)系人稱為 LinkedIn 留存新用戶的最核心手段之一。

除了需要關(guān)注整體用戶的留存情況之外，市場團隊可以關(guān)注各個渠道獲取用戶的留存度，或各類內(nèi)容吸引來的注冊用戶回訪率，產(chǎn)品團隊關(guān)注每一個新功能對于用戶的回訪的影響等等，這些都是常見的留存分析場景。

3.7  A/B 測試

A/B 測試用來對比不同產(chǎn)品設(shè)計/算法對結(jié)果的影響。產(chǎn)品在上線過程中經(jīng)常會使用 A/B 測試來測試不同產(chǎn)品或者功能設(shè)計的效果，市場和運營可以通過 A/B 測試來完成不同渠道、內(nèi)容、廣告創(chuàng)意的效果評估。

舉個例子，我們設(shè)計了兩種不同的產(chǎn)品交互形式，通過比較實驗組（A 組）和對照組（B 組）的訪問時長和頁面瀏覽量兩個衡量指標(biāo)，來評估哪一種交互形式更佳。

要進行 A/B 測試有兩個必備因素：第一，有足夠的時間進行測試；第二，數(shù)據(jù)量和數(shù)據(jù)密度較高。因為當(dāng)產(chǎn)品流量不夠大的時候，做 A/B 測試得到統(tǒng)計結(jié)果是很難的。而像 LinkedIn 這樣大體量的公司，每天可以同時進行上千個 A/B 測試。所以 A/B 測試往往在公司數(shù)據(jù)規(guī)模較大時使用會更加精準，更快得到統(tǒng)計的結(jié)果。

8.數(shù)學(xué)建模

當(dāng)一個商業(yè)目標(biāo)與多種行為、畫像等信息有關(guān)聯(lián)性時，我們通常會使用數(shù)學(xué)建模、數(shù)據(jù)挖掘的手段進行建模，預(yù)測該商業(yè)結(jié)果的產(chǎn)生。

作為一家 SaaS 企業(yè)，當(dāng)我們需要預(yù)測判斷客戶的流失時，可以通過用戶的行為數(shù)據(jù)、公司信息、用戶畫像等數(shù)據(jù)建立流失模型。利用統(tǒng)計學(xué)的方式進行一些組合和權(quán)重計算，從而得知用戶滿足哪些行為之后流失的可能性會更高。

我們常常說，不能度量，就無法增長，數(shù)據(jù)分析對于企業(yè)商業(yè)價值的提升有著至關(guān)重要的作用。當(dāng)然，僅僅掌握單純的理論還遠遠不夠，實踐出真知。數(shù)據(jù)分析的方法大家不妨在自己日常工作中，有分析相關(guān)項目里嘗試使用，相信可以事半功倍，創(chuàng)造更多商業(yè)價值。